(Ferreira, 2021) Introdução À Estatística Não Paramétrica

DEPARTAMENTO DE ESTATÍSTICA
INSTITUTO DE CIÊNCIAS EXATAS

UNIVERSIDADE FEDERAL DE ALFENAS
INTRODUÇÃO À ESTATÍSTICA NÃO-PARAMÉTRICA
Prof. Dr. Eric Batista Ferreira
Alfenas - MG
2021
ii Introdução à Estatística Não-Paramétrica - Prof Dr Eric B Ferreira
Sumário
LISTA DE TABELAS vii

LISTA DE FIGURAS ix
1 INTRODUÇÃO 1
2 REVISÃO: TESTES DE HIPÓTESES 3
2.1 A hipótese nula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Escolha do teste estatístico . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Nível de signicância e tamanho da amostra . . . . . . . . . . . . . . 4
2.4 Distribuição amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.5 Região de rejeição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.6 Decisão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.7 Exercício . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3 ESCOLHA DE UM TESTE ESTATÍSTICO 9

3.1 Modelo estatístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Eciência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3 Mensurações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3.1 Escala nominal ou categórica . . . . . . . . . . . . . . . . . . 11
3.3.2 Escala ordinal ou escala por postos . . . . . . . . . . . . . . . 12
3.3.3 Escala intervalar . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.4 Escala de razão . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.5 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4 Testes estatísticos não-paramétricos . . . . . . . . . . . . . . . . . . . 17
3.4.1 Vantagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4.2 Desvantagens . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4 TESTES PARA UMA AMOSTRA 19

4.1 O teste Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2 O teste Qui-quadrado de aderência . . . . . . . . . . . . . . . . . . . 24
4.3 Teste de Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . . . . 27
5 TESTES PARA DUAS AMOSTRAS EMPARELHADAS 31

5.1 O teste de mudança de McNemar . . . . . . . . . . . . . . . . . . . . 32
5.2 O teste do sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
iv Introdução à Estatística Não-Paramétrica - Prof Dr Eric B Ferreira
5.3 O teste de postos com sinal de Wilcoxon . . . . . . . . . . . . . . . . 39

5.4 O teste de permutação . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.5 Discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6 TESTES PARA DUAS AMOSTRAS INDEPENDENTES 49

6.1 O teste exato de Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.2 O teste qui-quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.3 O teste de Wilcoxon-Mann-Whitney . . . . . . . . . . . . . . . . . . . 60
7 TESTES PARA K AMOSTRAS RELACIONADAS 65

7.1 O teste Q de Cochran . . . . . . . . . . . . . . . . . . . . . . . . . . 66
7.2 Teste de Friedman por postos . . . . . . . . . . . . . . . . . . . . . . 69
7.3 O teste de Page . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.4 Discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
8 TESTES PARA K AMOSTRAS INDEPENDENTES 81

8.1 O teste qui-quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
8.2 Teste de Kruskal-Wallis por postos . . . . . . . . . . . . . . . . . . . 86
8.3 O teste de Jonckheere . . . . . . . . . . . . . . . . . . . . . . . . . . 93
8.4 Discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
9 APÊNDICE: TABELAS 99
REFERÊNCIAS BIBLIOGRÁFICAS 129
Lista de Tabelas
3.1 Tipos de mensuração e suas relações. . . . . . . . . . . . . . . . . . . 17
4.1 Método escolhido para dar o nó sob estresse. . . . . . . . . . . . . . . 22

4.2 Vitórias obtidas em uma pista circular para cavalos em 8 posições. . . 25
4.3 Dados sobre greves no Reino Unido (n=840). . . . . . . . . . . . . . . 29
5.1 Tabela com quatro partes usada para testar signicância de mudanças. 32
5.2 Preferência de pessoas pelos candidatos a presidenciais antes e depois
do debate na TV. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.3 Julgamento de inuência em tomada de decisão. . . . . . . . . . . . . 38
5.4 Porcentagem de desatenção para apresentação em sincronia e fora de
sincronia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.5 Escores de perceptividade social de crianças de creche e de casa. . 46
0
5.6 Os seis resultados positivos possíveis mais extremos para os d s mos-
trados na tabela anterior. . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1 Tabela de contingência 2 × 2. . . . . . . . . . . . . . . . . . . . . . . 50

6.2 Incidência de provocações por multidões em episódios de ameaça de
suicídio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.3 Tabela mais extrema que a observada (1). . . . . . . . . . . . . . . . 52
6.4 Tabela mais extrema que a observada (2). . . . . . . . . . . . . . . . 52
6.5 Tabela de contingência 3 × 2. . . . . . . . . . . . . . . . . . . . . . . 53
6.6 Efeito de estratégias sobre crises de recaídas durante o processo de
abandono do cigarro. . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.7 Partições aditivas de uma tabela de contingência 3 × 2. . . . . . . . . 56
6.8 Altura e liderança. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.9 Partições aditivas para o exemplo de tabela de contingência 3 × 2. . . 58
7.1 Respostas sim (1) e não (0) pelas donas-de-casa submetidas a três
tipos de entrevistas (dados ctícios). . . . . . . . . . . . . . . . . . . 68
7.2 Escores de três grupos combinados sob quatro condições. . . . . . . . 70
7.3 Postos de três grupos combinados sob quatro condições. . . . . . . . . 70
7.4 Proporção de respostas corretas como uma função do início de estí-
mulos sem sincronia (SOA). . . . . . . . . . . . . . . . . . . . . . . . 77
7.5 Postos ordenados das proporções de respostas corretas para os dados
na tabela anterior. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
vi Introdução à Estatística Não-Paramétrica - Prof Dr Eric B Ferreira
8.1 Frequências do nível de respostas ao tratamento. . . . . . . . . . . . . 82

8.2 Índices de precisão de julgamento. . . . . . . . . . . . . . . . . . . . . 88
8.3 Índices de precisão em postos. . . . . . . . . . . . . . . . . . . . . . . 88
8.4 Julgamentos individuais de sabor de salgado do estímulo mistura
como uma função da porcentagem de salinidade pura - NaCl. . . . . . 95
8.5 Contagens de precedentes #(Xhi , j) para dados na tabela anterior. . . 96
9.1 Probabilidades binomiais para tamanho amostral n, probabilidade de

sucesso p e k sucessos. A vírgula decimal foi omitida. Lê-se: 0,xxxx. . 100
9.2 Probabilidades binomiais (continuação) . . . . . . . . . . . . . . . . . 101
9.5 Probabilidades acumuladas para o teste Binomial, P [X ≤ k] = P [X ≥
1
n − k],para p = q = . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
2
9.6 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
9.7 Probabilidades (α) da distribuição normal padrão N (0, 1) para valores
do quantil Zt padronizado de acordo com o seguinte evento: P (Z >
Zt ) = α.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
2
9.8 Quantis superiores da distribuição de qui-quadrado (χα ) com ν graus
de liberdade e para diferentes valores da probabilidade (α) de acordo
2 2
com o seguinte evento: P (χ > χα ) = α. . . . . . . . . . . . . . . . . 107
2
9.9 Quantis superiores da distribuição de qui-quadrado (χα ) com ν graus
de liberdade e para diferentes valores da probabilidade (α) de acordo
2 2
com o seguinte evento: P (χ > χα ) = α. . . . . . . . . . . . . . . . . 108
9.10 Valores críticos de D no teste de uma amostra de Kolmogorov-Smirnov.109
+
9.11 Valores críticos de T para o teste de postos com sinal de Wilcoxon.
+
Probabilidade de que T seja maior ou igual à soma c. . . . . . . . . 110
9.12 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
9.13 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
9.14 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
9.15 Probabilidades da cauda inferior e da cauda superior para Wx . As
entradas são P [Wx ≤ cL ] e P [Wx ≥ cU ]. Wx é o posto-soma para o
menor grupo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
9.16 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.17 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
9.18 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
9.19 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
9.20 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9.21 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
9.22 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.23 Valores críticos para a análise de variância de Friedman pela estatís-
tica de postos Fr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
9.24 Valores críticos z para c comparações múltiplas. . . . . . . . . . . . . 123
9.25 Valores críticos q(α, c) para c comparações múltiplas dependentes. . . 124
9.26 Valores críticos para a estatística L de Page. P [L ≥ La ] = α. . . . . . 125
LISTA DE TABELAS vii
9.27 Valores críticos para análise de variância de Kruskal-Wallis pela esta-

tística de postos KW . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
9.28 Valores críticos para a estatística J de Jonckheere. . . . . . . . . . . . 127
9.29 (Continuação) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
viii Introdução à Estatística Não-Paramétrica - Prof Dr Eric B Ferreira
Lista de Figuras
1.1 Esquema que ilustra ambas visões paramétrica e não-paramétrica da

inferência. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1 (a) Ilustração do teste unilateral superior. (b) Ilustração do teste

bilateral. A area hachurada representa a região de rejeição do teste. . 7
x Introdução à Estatística Não-Paramétrica - Prof Dr Eric B Ferreira
1
INTRODUÇÃO
Uma função Estatística moderna é a Inferência Estatística, que está relacio-

nada a dois tipos de problema: estimação de parâmetros e testes de hipóteses. Esse
último será o foco desse curso.
De acordo com o dicionário Webster, inferir signica obter como uma con-
sequência, conclusão, probabilidade. Um problema comum de inferência é deter-
minar, em termos de probabilidade, se diferenças observadas entre duas amostras
signicam que as populações correspondentes são realmente diferentes entre si. Ob-
serve que, mesmo se coletarmos duas amostras aleatórias da mesma população, en-
contraremos diferenças, pela própria aleatoriedade da coleta. Os procedimentos de
inferência nos tornam capazes de determinar se as diferenças observadas ocorreram
por puro acaso ou não (Siegel & Castellan Jr., 2006).
As primeiras técnicas de inferência que surgiram faziam muitas (e convenien-
tes) suposições sobre a natureza das populações das quais os dados foram extraídos
(normalidade, variância conhecida, variâncias iguais, etc). Essas técnicas são cha-
madas paramétricas (Figura 1.1).
figura1-eps-converted-to.pdf
Figura 1.1: Esquema que ilustra ambas visões paramétrica e não-paramétrica da

inferência.
Um pouco mais recentemente assistimos ao desenvolvimento de técnicas de

inferência que não fazem tantas suposições ou restrições sobre a população de ori-
gem dos dados. Essas técnicas não-paramétricas ou livres de distribuição resultam
em conclusões que requerem menos qualicações (Figura 1.1). Muitos testes não-
paramétricos, por exemplo, têm foco na ordem ou nos postos dos dados, e não no seu
valor numérico, ou ainda, são úteis para tratar dados cuja ordenação é impossível
(como os dados categóricos).
É com essa visão geral que damos início ao curso, procurando conhecer as
potencialidades das técnicas de inferência não-paramétrica.
2 Introdução à Estatística Não-Paramétrica - Prof Dr Eric B Ferreira
2
REVISÃO: TESTES DE HIPÓTESES
Para chegar a uma decisão objetiva sobre se uma determinada hipótese é

conrmada por um conjunto de dados, precisamos ter um procedimento objetivo
para aceitar ou rejeitar tal hipótese. Esse procedimento envolve, geralmente, vários
passos. Aqui, os passos para a realização de um teste de hipótese genérico são
sistematizados em 6 etapas:
1. Estabeleça a hipótese nula (H0 ) e sua alternativa (H1 ). Decida quais dados
coletar e sob quais condições. Escolha um teste estatístico (com seu modelo
estatístico associado) para testar H0 .
2. Entre os diversos testes que podem ser usados com um certo tipo de pesquisa,
escolha aquele cujo modelo mais se aproxima das condições da pesquisa em
termos das suposições nas quais o teste está baseado.
3. Especique um nível de signicância (α) e um tamanho para a amostra (n).
4. Encontre a distribuição amostral do teste estatístico sob a suposição de que

H0 seja verdadeira.
5. Com base em (2), (3) e (4), dena a região de rejeição para o teste estatístico.
6. Colete os dados. Usando os dados obtidos da(s) amostra(s), calcule o valor

da estatística de teste. Se esse valor estiver na região de rejeição, a decisão é
rejeitar H0 ; se esse valor estiver fora da região de rejeição, a decisão é que H0
não pode ser rejeitada no nível de signicância escolhido.
Para traçarmos uma breve revisão dos conceitos envolvidos nos testes de
hipóteses, cada um dos 6 passos listados acima serão brevemente discutidos.
2.1 A hipótese nula

A hipótese nula é uma hipótese de não efeito e é usualmente formulada
com o propósito de ser rejeitada, ou seja, é a negação do ponto que se está tentando
conrmar. Se ela é rejeitada, a hipótese alternativa (H1 ) é conrmada. A hipótese
alternativa é a armação operacional da hipótese de pesquisa do investigador. A
hipótese de pesquisa é a predição originada da teoria que está sendo testada.
Por exemplo, suponha que um certa teoria sociopsicológica nos leve a suspei-
tar que homens e mulheres diferem na quantidade de tempo que gastam na leitura
de jornais. Esta seria a nossa hipótese de pesquisa. Portanto, seguindo a descrição
feita no parágrafo anterior, a hipótese nula (H0 ) poderia ser que o tempo média
de leitura entre homens e mulheres é o mesmo (µ1 = µ2 ), que é uma hipótese de
não efeito. A hipótese alternativa, a princípio seria que os tempos médios são sim-
plesmente diferentes (µ1 6= µ2 ). Entretanto, quando a teoria sugere a direção da
diferença, ou seja, um grupo especíco gasta mais tempo que outro, as opções para
a hipótese alternativa seriam µ1 > µ2 ou µ1 < µ2 .
É muito importante lembrar que quando, por exemplo, aceitamos H0 , não
podemos dizer que ela seja verdadeira, mas sim que os dados amostrais não fornecem
indícios sucientes para rejeita-la. Por sua vez, quando rejeitamos H0 (e consequen-
temente aceitamos H1 ), não podemos armar que H1 seja verdadeira (isso nunca
saberemos de fato!), apenas podemos dizer que estamos aceitando a hipótese mais
provável, mas existe chance de estarmos errando.
2.2 Escolha do teste estatístico

Na literatura estatística existem diversos testes válidos, adequados a inúme-
ras problemas práticos. Entretanto, veremos no próximo capítulo uma discussão
detalhada de quais fatores devem ser lavados em consideração para a escolha do
melhor teste em cada situação.
2.3 Nível de signicância e tamanho da amostra

Resumidamente, este é o nosso procedimento de tomada de decisão: antes
da coleta dos dados, especicamos um conjunto de todas as possíveis amostras que
poderiam ocorrer quando H0 é verdadeira. Destas, especicamos um conjunto de
possíveis amostras que sejam tão consistentes com H0 (ou tão extremas) que a
probabilidade de que a amostra que de fato observamos esteja entre elas é muito
pequena, quando H0 é verdadeira. Então, se em nossa pesquisa de fato observamos
uma amostra que está incluída naquele conjunto, rejeitamos H0 .
Essa probabilidade de uma amostra extrema ocorrer, quando H0 é verdadeira
é comumente chamada de nível de signicância, e denotada por α. O propósito de
escolher um nível de signicância é denir um evento raro sob H0 quando a hipótese
nula é verdadeira.
REVISÃO: TESTES DE HIPÓTESES 5
De acordo com Siegel & Castellan Jr. (2006), os valores mais comuns para
α são 0,01 e 0,05. Isso não quer dizer que outros valores não possam ser adotados!
Na verdade, o nível de signicância escolhido deve ser tão menor quanto mais grave
for o erro de rejeitar H0 , sendo ela verdadeira. Por exemplo, em um estudo de
possíveis efeitos terapêuticos de uma cirurgia cerebral, o pesquisador pode muito
bem escolher especicar um nível de signicância bastante rigoroso (pequeno), pois
as consequências de rejeitar hipótese nula impropriamente (e, portanto, defender ou
recomendar uma técnica clínica drástica sem fundamentação) são bastante perigosas.
Isto posto, nota-se um grande componente de subjetividade na escolha do nível de
signicância, uma vez que, em uma mesma situação, o nível de signicância adotado
pode ser diferente de pesquisador para pesquisador. É por esse motivo que aconselha-
se que o pesquisador forneça aos leitores a informação solicitada relatando o nível
probabilístico associado aos dados, ou seja, o quão extrema foi a amostra coletada.
Essa informação é chamada de p-valor, que gracamente, em variáveis contínuas,
pode ser entendido como a área abaixo da curva, além do ponto calculado com os
dados amostrais.
Pode ser visto, então, que α dá a probabilidade de errar ou de falsamente

rejeitar H0 . A falsa rejeição de H0 é chamada de erro tipo I, e como a probabilidade
α afeta o processo de aceitação ou de rejeição de H0 , a necessidade de objetividade
exige que α seja especicado antes que os dados sejam coletados.
De forma análoga, pode-se cometer o erro de aceitar H0 , quando ela é falsa.

Esse tipo de erro é chamado de erro tipo II, e é comumente denoto por β . Portanto,
P [erro tipo I] = α
P [erro tipo II] = β
O ideal seria que valores de α e β fossem escolhidos pelo pesquisador antes

do começo da pesquisa (e isso determinaria o tamanho amostral). Na prática, é mais
comum α e n serem especicados primeiramente, o que determina o valor de β para
o teste adotado. Sabendo que existe uma relação inversa entre as probabilidades de
ocorrerem os dois tipos de erro, para um tamanho amostral xo, um decréscimo em
α ocasiona um aumento em β. Se desejamos, entretanto, reduzir a possibilidade de
ambos os tipos de erros, precisamos aumentar o tamanho da amostra (n).
Os vários testes estatísticos válidos disponíveis oferecem diferentes equilíbrios

entre estes fatores. O poder de um teste é denido como a probabilidade de rejeitar
H0 quando ela é de fato, falsa. Isto é,
Poder = 1 − P [erro tipo II] =1−β
E como β é uma característica do teste escolhido, é óbvio que cada teste possui um
poder diferente.
O poder (para um teste xo) pode ser entendido como a força da evidência,
ou seja, o quanto a amostra coletada aponta na direção da hipótese de pesquisa que
nossa teoria apontou.
2.4 Distribuição amostral

A distribuição amostral é aquela que teríamos se tomássemos todas as pos-
síveis amostras de mesmo tamanho da mesma população, extraindo cada uma ale-
atoriamente. Por sua vez, a distribuição amostral nula de uma estatística consiste
das probabilidades sob H0 associadas aos vários possíveis valores numéricos da es-
tatística.
Neste tópico, vamos entender probabilidade associada com a ocorrência sob
H0 não como a probabilidade exata associada àquele valor, mas como a probabilidade
de ocorrência de um valor tão extremo ou mais extremo que ele. Para ilustramos
esse e outro conceitos, suponha que estivéssemos interessados na probabilidade de
aparecerem três caras quando três moedas são lançadas simultaneamente. A distri-
buição amostral do número de caras pode ser obtida de uma tabela com todos os
resultados possíveis (faça essa lista!). Como todos os 8 resultados possíveis são equi-
prováveis quando as moedas são honestas, a probabilidade que se deseja encontrar
1
é .
8
É óbvio que para variáveis contínuas, distribuições desconhecidas e/ou amos-
tras grandes é impossível listar todos os resultados possíveis de um experimento. Por
isso, para situações como essas são utilizados teoremas estatísticos como, por exem-
plo, o Teorema Central do Limite, que arma que a distribuição da média amostral
tende a ser normal independente da distribuição original dos dados.
O que deve car claro dessa discussão é que, conhecendo a distribuição amos-
tral de alguma estatística, podemos fazer armações sobre a probabilidade e ocor-
rência de certos valores numéricos dessa estatística.
2.5 Região de rejeição

A região de rejeição é uma região da distribuição amostral nula. Ela consiste
de um conjunto de possíveis valores tão extremos que, quando H0 é verdadeira, a
probabilidade de que a amostra que observamos forneça um valor entre eles seja
realmente pequena (isto é, igual a α).
A natureza da região de rejeição é afetada pela forma da hipótese alterna-
tiva H1 . Quando a hipótese alternativa possui o sina de 6=, a região de rejeição é
dividida nas duas caudas da distribuição. Neste caso, o teste é dito bilateral (Figura
2.1b). Quando a hipótese alternativa possui direção, isto é, quando possui o sinal
de > ou de <, a região de rejeição é alocada na cauda direita ou esquerda, respec-
tivamente. Nestes casos, os testes são chamados unilaterais, à direita e à esquerda,
respectivamente (Figura 2.1a).
Por exemplo, suponha que um pesquisador queira determinar se um treina-
mento particular tem efeito na habilidade de lembrar nomes de pontos geográcos.
A hipótese nula seria que o desempenho de um grupo de controle que não recebeu
nenhum treinamento especial não dira do grupo treinado. Se o pesquisador dese-
jasse meramente saber da existência de uma diferença, então grandes acréscimos ou
REVISÃO: TESTES DE HIPÓTESES 7
grandes decréscimos no desempenho levariam à rejeição de H0 . Como uma diferença

em qualquer direção levaria à rejeição de H0 , seria usado um teste bilateral. Entre-
tanto, se o pesquisador estivesse apenas interessado em determinar se o treinamento
levaria a uma melhora no desempenho, somente grandes acréscimos no desempenho
levariam à rejeição de H0 e seria usado um teste unilateral.
fig17a-eps-converted-to.pdf fig17b-eps-converted-to.pdf
(a) (b)
Figura 2.1: (a) Ilustração do teste unilateral superior. (b) Ilustração do teste bila-
teral. A area hachurada representa a região de rejeição do teste.
2.6 Decisão
Quando o valor da estatística de teste acontece na região de rejeição podemos
explicá-lo decidindo que a hipótese nula é falsa ou que um evento improvável ou
raro ocorreu. No processo de decisão escolhemos a primeira dessas explicações.
Ocasionalmente, é claro, a segunda pode ser a explicação correta. Se for assim,
teremos cometido o erro tipo I.
Aceitamos H0 como plausível caso contrário.
2.7 Exercício
Suspeita-se que uma moeda seja viciada em cair com cara virada para cima.
Para testar essa nossa hipótese de pesquisa, decidimos lançar essa moeda 12 vezes
e observar a frequência com a qual o resultado cara ocorre.
Percorra os 6 passos descritos anteriormente, descrevendo-os em detalhes.
Considere que em nossa amostra de 12 lançamentos obtivemos 11 caras e desejamos
utilizar α = 0, 01. Na distribuição amostral, faça um gráco adequado para ilustrá-
la.
3
ESCOLHA DE UM TESTE ESTATÍSTICO
Para escolher um teste estatístico adequado a cada situação é necessário

empregar alguma lógica para fazer a opção. Um critério já mencionado foi o critério
do poder do teste. Por exemplo, se dois teste, A e B, possuem a mesma probabilidade
de rejeitar H0 quando ela é verdadeira (portanto, sendo ambos testes válidos), então
escolheríamos aquele com maior probabilidade de rejeitar H0 quando ela é falsa.
Neste capítulo vamos discutir outros aspectos importantes para tal escolha.
Por exemplo, a maneira com que a amostra foi coletada, a natureza da população
da qual a amostra foi extraída, a particular hipótese que desejamos testar e o tipo
de mensurações que foram empregados nas denições operacionais das variáveis
envolvidas.
3.1 Modelo estatístico

Cada teste estatístico está associado a um modelo estatístico. Estão expressos
no modelo estatístico a natureza da população e a forma de amostragem envolvidos
no processo de coleta dos dados.
Algumas vezes somos capazes de testar se as condições de um particular
modelo estatístico são de fato válidas, mas em geral temos que assumir que elas são
válidas.
Vale pontuar que quanto menor é o número de suposições e mais fracas elas
são, mais gerais são as conclusões. Entretanto, os testes mais poderosos são aqueles
que têm as suposições mais fortes ou mais abrangentes. Os testes paramétricos - por
exemplo, o teste t ou o teste F - têm uma variedade de fortes suposições subjacentes
ao seu uso. Se essas suposições são válidas, esses testes são os mais poderosos que
qualquer outro em sua categoria.
Por exemplo, para o teste t ser válido, é necessário que:
as observações sejam independentes;
a distribuição de origem dos dados deve ser normal;
no caso da comparação entre dois grupos, as populações precisam ter a mesma

variância;
as variáveis precisam ser medidas, pelo menos, em escala intervalar .

1
Essas condições não são comumente testadas no decorrer da execução de uma análise
estatística.
Quando temos motivos para acreditar que essas condições são encontradas
nos dados que estão sendo analisados, devemos certamente escolher um teste estatís-
tico paramétrico. Tal escolha é ideal, pois o teste paramétrico será um teste válido
e o mais poderoso.
Por outro lado, quando as suposições do modelo estatístico não são de fato
encontradas, então o teste pode não ser válido - por exemplo, um valor testado pode
cair na região de rejeição com probabilidade maior que α.
3.2 Eciência
Temos destacado que quanto menos ou mais fracas forem as suposições que
constituem um particular modelo, menos poderosos são os testes disponíveis. Con-
tudo, podemos evitar o dilema de ter que escolher entre poder e generalidade se-
lecionando um teste estatístico que tenha uma generalidade mais ampla e então
aumentar seu poder até o do teste mais poderoso disponível aumentando o tamanho
da amostra.
O conceito de poder-eciência está relacionado com o aumento do tamanho
da amostra necessário para tornar um teste (e.g. B) tão poderoso quanto outro (e.g.
A) quando o nível de signicância é mantido constante e o tamanho da amostra do
teste A é mantido constante. Se o teste A é o teste mais poderoso conhecido do
seu tipo (quando usado com dados que se ajustam a suas condições) e se o teste B
é outro teste para o mesmo projeto de pesquisa, o qual é exatamente tão poderoso
com nB elementos na amostra quanto o teste A com nA elementos, então
100nA
Poder-eciência do teste B = %
nB
Por exemplo, se o teste B requer uma amostra de n = 25 elementos para ter
o mesmo poder que o teste A com n = 20
elementos quando o nível de signicância
20
é α, então o teste B tem poder-eciência de 100( ) = 80%. Um poder-eciência de
25
80% signica que, a m de igualar o poder do teste A e do teste B (quando todas
as condições de ambos os testes são encontradas), precisamos extrair 10 elementos
para o teste B para cada 8 elementos extraídos para o teste A.
Outra medida de eciência é a eciência assintótica relativa de uma estatís-
tica. Ela também é uma maneira de determinar o tamanho necessário da amostra
para o teste B ter o mesmo poder que o teste A. Entretanto, esta razão é expressa
independentemente do tamanho da amostra do teste A, quando ele cresce sem limite:
nA
Eciência assintótica relativa do teste B = 100 lim %
nA →∞ nB
1 Os tipos de escala serão discutidos a seguir.

ESCOLHA DE UM TESTE ESTATÍSTICO 11
Uma vantagem da eciência assintótica relativa é que o limite frequente-

mente vem a ser independente de α. Por outro lado, uma desvantagem é que essa
informação de eciência vale apenas para amostras muito grandes, o que raramente
acontece.
3.3 Mensurações
A m de executar certas operações com números que tenham sido atribuídos a
observações, a estrutura do método de atribuição de números (atribuição de escores)
precisa ser isomorfo a alguma estrutura numérica que inclua essas operações.
Por exemplo, se um pesquisador coleta dados compostos de escores numéricos

e então manipula esses escores, digamos, adicionando e extraindo a raiz quadrada
(as quais são operações necessárias para encontramos médias e desvios padrão), ele
assume que a estrutura da mensuração é isomorfa à estrutura numérica conhecida
como aritmética.
A teoria da mensuração consiste de um conjunto de teorias separadas ou

distintas, cada uma referente a um nível distinto de mensuração. As operações sobre
um dado conjunto de escores que são passíveis de interpretação são dependentes
do nível de mensuração atingido. Aqui serão discutidos quatro níveis ou tipos de
mensuração: nominal, ordinal, intervalar e de razão.
3.3.1 Escala nominal ou categórica

Denição: Mensuração no seu nível mais fraco, quando números ou outros
símbolos são usados simplesmente para classicar um objeto, pessoa ou caracterís-
tica.
Exemplos: Um sistema psiquiátrico de diagnósticos constitui uma escala

nominal. Uma pessoa pode ser classicada como esquizofrênica, paranóica, maníaco-
depressiva ou neurótica.
Os números em camisetas de futebol e os números em carteiras de identidade

são outros exemplos do uso de números em escalas nominais ou categóricas.
Propriedades formais: Em uma escala nominal, as operações de escalo-

namento efetuam uma partição de uma dada classe em um conjunto de subclasses
mutuamente exclusivas. A única relação envolvida é a de equivalência, isto é, os
membros de uma subclasse qualquer devem ser equivalentes na propriedade que
está sendo escalonada. Essa relação é simbolizada pelo familiar sinal de igualdade.
A relação de equivalência é reexiva, simétrica e transitiva.
Considere um conjunto de objetos x1 , x2 , . . . , xn . Suponha que o objeto xi

tenha algum atributo verdadeiro A(xi ). Então, para qualquer par de atributos no
conjunto,
A(xi ) = A(xj ), se xi e xj estão na mesma classe
A(xi ) 6= A(xj ), se xi e xj estão em classes diferentes
Uma escala nominal é um sistema de identicação, L(x), dos objetos tais que
L(xi ) = L(xj ), se e somente se A(xi ) = A(xj )

L(xi ) 6= L(xj ), se e somente se A(xi ) 6= A(xj )
Operações admissíveis
A escala nominal é a única capaz de uma transformação um para um. Os
símbolos designando as diversas subclasses na escala podem ser trocados entre si, se
isto for feito consistentemente e integralmente.
Os únicos tipos de estatísticas descritivas admissíveis são aquelas que não
seriam alterados por uma tal transformação - a moda, a contagem da frequência,
etc. Sob certas condições, podemos testar hipóteses a respeito da distribuição dos
elementos entre categorias usando testes não-paramétricos tais como o teste qui-
quadrado ou usando um teste baseado na distribuição binomial.
3.3.2 Escala ordinal ou escala por postos

Denição: Ocorre quando os elementos de classes diferentes não são apenas
diferentes entre si, mas existe algum tipo de relação entre eles. As relações típicas
entre classes são: mais alto que, mais preferido que, mais difícil que, mais desorde-
nado que, mais maduro que, etc. Tais relações podem ser designadas pelo símbolo
de >.
Se a relação > vale entre alguns, mas não entre todos os pares de classes,
temos uma escala parcialmente ordenada. Se a relação > vale para todos os pares
de classes tal que uma completa ordenação de postos é possível, temos uma escala
ordinal.
Exemplos: As classes econômicas como classe média-alta, classe média-

baixa e classe baixa-alta são um exemplo de escala ordinal. Nela, a relação =
vale entre membros da mesma classe e a relação > vale entre membros de classes
diferentes.
Outro exemplo são as patentes do serviço militar: sargento > cabo > soldado.
Ainda podemos pensar nos conceitos acadêmicos: A > B > C > D > F.
Nos Estados Unidos, a equivalência dos conceitos a notas é: A = 4, B = 3, C = 2,
D = 1, F = 0. Mas essas atribuições são arbitrárias - qualquer outra atribuição nu-
mérica poderia ser feita desde que preserve a ordem desejada. Por exemplo, A = 10,
B = 7, C = 5, D = 3, F = 0.
Propriedades formais: Incorpora não somente a relação de equivalência

(=) mas também a relação maior que (>). A última relação é irreexiva, assimé-
2
trica e transitiva .
Considere o conjunto de objetos x1 , x2 , . . . , xn . Suponha que existam atribu-

tos verdadeiros dos objetos que estabeleçam alguma relação entre eles além de sua
equivalência dentro das categorias. Isto é:
A(xi ) > A(xj ), se xi excede xj na quantidade do atributo
Então uma escala ordinal é um sistema de identicação, L(x), dos objetos

tais que
L(xi ) = L(xj ), se e somente se A(xi ) = A(xj )

L(xi ) 6= L(xj ), se e somente se A(xi ) 6= A(xj )
L(xi ) > L(xj ), se e somente se A(xi ) > A(xj )
Operações admissíveis: A escala ordinal é a única capaz de uma transfor-

mação monotônica. Uma transformação monotônica é aquela que preserva a ordem
dos objetos.
Por exemplo, um cabo no exército usa duas listas na manga do uniforme e
um sargento usa três. Essa relação seria igualmente bem representada se o cabo
usasse quatro tas e o sargento usasse sete.
A estatística mais apropriada para descrever a tendência central dos escores
em uma escala ordinal é a mediana, pois, relativamente à distribuição dos dados,
a mediana não é afetada por mudanças em quaisquer escores que estão acima ou
abaixo dela, desde que o número de escores acima e abaixo permaneça o mesmo.
Em outras palavras, se as atribuições numéricas aos escores são trocadas, a mediana
mudará de acordo com a mudança nas atribuições numéricas, mas ainda estará no
meio da distribuição.
Com escalonamento ordinal, hipóteses podem ser testadas usando um grande
grupo de testes estatísticos não-paramétricos algumas vezes chamados de estatísticas
de ordem ou estatística de postos.
Além da suposição de independência, a única suposição feita por alguns tes-
tes de postos é que os escores que observamos são extraídos de uma distribuição
contínua subjacente, ou seja, que haja um continuum subjacente aos escores ob-
servados, enquanto que os escores que verdadeiramente observamos podem cair em
categorias discretas. Por exemplo, em um curso as categorias aprovado e repro-
vado representa um continuum dividido em dois intervalos. Os verdadeiros escores
2 Irreexiva: não é verdade que, para qualquer x, se tenha x > x. Assimétrica: se x > y , então
y ≯ x. Transitiva: se x > y e y > z , então x > z .
são 0, 1, 2, . . . , 100, e o que aprovado é qualquer escore ≥ 70 e reprovado inclui

qualquer escore < 70.
Frequentemente a precariedade de nossos instrumentos de mensuração obscu-
rece a continuidade subjacente que pode existir. Se uma variável é de fato distribuída
continuamente, então a probabilidade de um empate é zero. Entretanto, frequen-
temente ocorrem escores empatados. Escores empatados quase invariavelmente são
um reexo da falta de sensibilidade de nossos instrumentos de medida, isto é, nossos
instrumentos são inábeis para distinguir pequenas diferenças que de fato existem en-
tre as observações que consequentemente são registradas como empates. Portanto,
mesmo quando empates são observados é possível que uma distribuição contínua
esteja por trás de nossas medidas não-renadas.
3.3.3 Escala intervalar

Denição: Quando uma escala tem todas as características de uma escala
ordinal e, além disso, as distâncias ou diferenças entre quaisquer dois números na
escala têm signicado.
Uma escala intervalar é caracterizada por uma unidade de medida comum e
constante que atribui um número a todos os pares de objetos no conjunto ordenado.
Nessa espécie de mensuração, a razão entre dois intervalos quaisquer é independente
da unidade de medida e do ponto zero. Em uma escala intervalar, o ponto zero e a
unidade de medida são arbitrários.
Exemplos: Medimos a temperatura em escala intervalar. Em duas escalas

comumente usadas - Celsius e Fahrenheit - a unidade e o ponto zero são arbitrários.
Isso acontece porque elas estão relacionadas linearmente:
o 9o
F = C + 32.
5
Por exemplo, na escala Celsius a razão das diferenças entre 30 e 10, e 10 e 0, é
(30 − 10)/(10 − 0) = 2. Para as leituras correspondentes na escala Fahrenheit, a
razão é (86 − 50)/(50 − 32) = 2. Em outras palavras, a razão de dois intervalos
quaisquer é independente da unidade e do ponto zero.
Propriedades formais: Pode-se mostrar que as operações e relações que

dão origem à estrutura de uma escala intervalar são tais que as diferenças na escala
são isomorfas à estrutura aritmética.
Considere um conjunto de objetos x1 , x2 , . . . , xn . Suponha que os objetos
tenham atributos verdadeiros relacionados uns com os outros, além de serem equi-
valentes dentro das categorias. Isto é

Então uma escala intervalar é um sistema de identicação L(x) de objetos tendo as

propriedades de uma escala ordinal e, mais ainda,
L(x) = cA(x) + b, c > 0.
Note que neste caso, a diferença entre os atributos de dois objetos é propor-
cional à diferença entre as identicações atribuídas:
L(xi ) − L(xj ) = c[A(xi ) − A(xj )]
Verique que a razão das diferenças entre atributos é igual à razão

das diferenças entre as identicações feitas nos objetos.
Operações admissíveis: Uma escala intervalar preserva não somente a
ordem dos objetos mas também as diferenças relativas entre os objetos. Isto é, a
escala intervalar é a única capaz de uma transformação linear, f (x) = cx + b, com
c > 0.
Todas as estatísticas paramétricas comuns (médias, desvios-padrão, correla-
ções, momentos, etc) são aplicáveis aos dados em uma escala intervalar. Se, de fato,
as mensurações foram feitas na escala intervalar e se todas as suposições do mo-
delo estatístico paramétrico são vericadas, então o pesquisador deve utilizar testes
estatísticos paramétricos tais como o teste t e o teste F. Em tal caso, métodos não-
paramétricos não aproveitam todas as informações contidas nos dados de pesquisa.
Deve-se ressaltar que uma escala intervalar é necessária, mas não suciente para o
uso de um teste paramétrico envolvendo a distribuição normal.
3.3.4 Escala de razão

Denição: Quando uma escala tem todas as características de uma escala
intervalar e, além do mais, tem um ponto zero verdadeiro como sua origem, ela é
chamada de escala de razão. Em uma escala de razão, a razão de quaisquer dois
pontos da escala é independente da unidade de medida.
Exemplos: A medida de massa ou peso é um exemplo de escala de razão.

Além do ponto zero ser absoluto (0 gramas = 0 libras = 0kg = ...), a razão entre
dois pesos quaisquer, em qualquer escala, dão sempre o mesmo resultado.
Nesta escala, são abundantes os contra-exemplos. Suponha dois estudantes,
um que recebeu conceito A e outro que recebeu conceito C. Se A = 4 pontos e C
= 2 pontos, não signica necessariamente que um estudante tem o dobro de conhe-
cimento que o outro. Outro exemplo é a temperatura. Se na escala Celsius houver
o o
uma mudança de temperatura de 10 para 30 , não signica que está fazendo o triplo
de calor. Para vericar isso basta lembrar que essa mesma mudança de temperatura,
o o
na escala Fahrenheit, seria de 50 para 86 .
Propriedades formais: As operações e relações que dão origem a valores

numéricos em uma escala de razão são tais que a escala é isomorfa à estrutura
aritmética. Portanto, as operações da aritmética são permitidas sobre os valores
numéricos atribuídos aos objetos, assim como sobre os intervalos entre números,
como no caso de um escala intervalar.
As escalas de razão, mas comumente encontradas em ciências físicas, são ob-
tidas somente quando todas as quatro destas relações são operacionalmente possíveis
de serem encontradas:
1. equivalência;
2. maior do que;
3. razão conhecida entre dois intervalos quaisquer;
4. razão conhecida de dois valores escalonados quaisquer.
Considere um conjunto de objetos x1 , x2 , . . . , xn . Suponha que existam atri-

butos verdadeiros dos objetos com alguma relação entre si, além de sua equivalência
dentro das categorias. Isto é,
Então uma escala de razão é um sistema de identicação L(x) dos objetos se
L(xi ) = cA(xi ), c > 0.
Assim,
L(xi ) A(xi )
=
L(xj ) A(xj )
a razão das identicações atribuídas é igual à razão dos atributos verdadeiros.
Operações admissíveis: Os números associados com os valores da escala

de razão são números verdadeiros com um zero verdadeiro; somente a unidade
de medida é arbitrária. Assim, a escala de razão é a única capaz de multiplicação
por uma constante positiva. Isto é, as razões entre dois números quaisquer são
preservadas quando todos os valores da escala são multiplicados por uma constante
positiva, e, então, tal transformação não altera a informação contida na escala.
Qualquer teste estatístico paramétrico pode ser usado quando a medida da
razão é obtida e as suposições adicionais concernentes à distribuição são vericadas.
Além disso, existem algumas estatísticas que se aplicam somente a dados que se
enquadram em uma escala de razão. Devido às fortes suposições subjacentes à
escala, a maior parte deles são testes paramétricos.
3.3.5 Resumo
Dados medidos em escalas nominal ou ordinal devem ser analisados por mé-
todos não-paramétricos. Dados medidos em escalas intervalar ou de razão podem
ser analisados por métodos paramétricos se o modelo estatístico for válido para os
dados.
Tabela 3.1: Tipos de mensuração e suas relações.
Escala Relações de denição

Nominal 1. Equivalência
Ordinal 1. Equivalência
2. Maior que
Intervalar 1. Equivalência
2. Maior que
3. Razão conhecida entre dois intervalos quaisquer
Razão 1. Equivalência
2. Maior que
3. Razão conhecida entre dois intervalos quaisquer
4. Razão conhecida entre dois valores quaisquer
3.4 Testes estatísticos não-paramétricos

Nesta seção listaremos sucintamente algumas vantagens dos testes estatís-
ticos não-paramétricos e algumas supostas desvantagens, de acordo com Siegel &
Castellan Jr. (2006).
3.4.1 Vantagens
1. Se a amostra disponível for muito pequena, pode não ser possível aplicar um
teste paramétrico (a não ser que a distribuição populacional seja exatamente
conhecida).
2. Fazem menos suposições sobre os dados.
3. Podem ser utilizados para analisar dados que estejam classicados por postos.
4. Podem tratar dados puramente categóricos.
5. Existem testes não-paramétricos apropriados para tratar amostras vindas de

várias populações diferentes.
6. São mais fáceis de aprender e aplicar.

3.4.2 Desvantagens
1. Sabemos que se todas as suposições de um modelo estatístico são, de fato,
encontradas nos dados e a hipótese de pesquisa pode ser testada com um teste
paramétrico, então o uso de testes não-paramétricos seria desperdício. O grau
de desperdício é expresso pelo poder-eciência.
2. Os testes estatísticos não-paramétricos não são sistemáticos, são especícos

para cada situação-problema. Essa crítica é feita porque, em geral, testes
paramétricos se aplicam a diversas situações sem que muitas alterações sejam
feitas.
3. A necessidade de tabelas para a realização da maioria dos testes não-paramétricos

também pode ser encarada como uma desvantagem, mas vale lembrar que mui-
tos teste paramétricos também têm essa necessidade.
4
TESTES PARA UMA AMOSTRA
Neste capítulo apresentaremos três testes estatísticos não-paramétricos que

podem ser usados para testar uma hipótese que necessite a extração de apenas uma
amostra. Os testes nos dizem se uma amostra particular pode ter vindo de uma
população especicada. Por isso, o teste de uma amostra é, em geral, uma prova de
aderência.
Os testes de uma amostra podem responder questões como estas:
1. Há diferença signicativa entre a posição (tendência central) da amostra e da

população?
2. Há diferença signicativa entre as frequências observadas e as frequências que

esperaríamos com base na mesma teoria?
3. Há diferença signicativa entre proporções observadas e esperadas em uma

sequência de observações dicotômicas?
4. É razoável acreditar que a amostra tenha sido extraída de uma população com
uma aparência ou forma especíca (por exemplo, normal ou uniforme)?
5. É razoável acreditar que a amostra seja uma amostra aleatória de alguma

população conhecida?
6. Em uma série de observações, há uma mudança no modelo teórico subjacente

assumido para gerar os dados?
4.1 O teste Binomial

Populações concebidas como contendo apenas duas categorias discretas, como:
macho e fêmea, letrado e iletrado, membro e não-membro, estável e instável, etc,
são chamadas usualmente de populações binárias ou populações dicotômicas.
Como cada observação x dessas populações pode assumir apenas dois valores,
esses podem ser entendidos, por exemplo, como 0 ou 1 (zero se não pertence e hum
se pertence à determinada classe). Por conveniência, X =1 é chamado sucesso e
X =0 é chamado fracasso. Além disso, devemos assumir que a probabilidade de
selecionar um elemento da primeira categoria é p e a probabilidade de selecionar um
objeto da outra classe é q = 1 − p. Isto é,
P [X = 1] = p e P [X = 0] = 1 − p = q
É também assumido que cada probabilidade é constante independentemente do nú-

mero de objetos amostrados ou observados.
É fácil aceitar que, em uma amostra, a própria aleatoriedade do processo

usualmente impedirá que observemos exatamente os valores populacionais p e q,
devido ao acaso ou a utuações aleatórias. Entretanto, grandes desvios - apesar de
possíveis - são improváveis.
A distribuição binomial pode ser usada para testar H0 : p = p0 . Podemos

calcular as probabilidades dos diversos resultados quando assumimos H0 verdadeira.
Note que, em uma sequência de n observações,
n
X
Y = Xi
i=1
é o número de sucessos ou o número de resultados do tipo X = 1.

Além disso, em uma amostra de tamanho n, a probabilidade de obter k
objetos em uma categoria (e n − k na outra) é dada por:

n
P [Y = k] = pk q n−k k = 0, 1, . . . , n (4.1)
k
onde
n n!
=
k k!(n − k)!
As tabelas 9.1, 9.2, 9.3 e 9.4 do Apêndice têm os valores de P [X = k] para
1
vários valores de n e p .
Em geral, perguntamos Qual é a probabilidade de se obter valores tão ou

mais extremos do que o valor observado quando assumimos que os dados são gerados
por um processo particular? Para responder questões desse tipo, a probabilidade
1 Adaptado de Massey (1951).

TESTES PARA UMA AMOSTRA 21
desejada é
n
X n
P [X ≥ k] = pi q n−i (4.2)
i
i=k
Agora, vejamos um exemplo de situação em que devemos utilizar um teste

Binomial.
Procedimento:
1
Em resumo, estes são os passos no uso do teste binomial de H0 : p = 2
:
1. Determine n= número de casos observados.
2. Determine as frequências das ocorrências observadas em cada uma das duas

categorias.
3. O método para encontrar a probabilidade de ocorrência sob H0 dos valores

observados, ou de valores ainda mais extremos, depende do tamanho da amos-
tra:
a) Se n ≤ 35, as tabelas 9.5 e 9.6 do Apêndice dá as probabilidades unilate-

rais sobH0 de vários valores tão pequenos quanto um valor observado x.
Especique H1 e determine se o teste deve ser unilateral ou bilateral.
b) Se n > 35, teste H0 usando a equação (4.4). A Tabela 9.7 do Apêndice dá

a probabilidade associada com a ocorrência sob H0 dos valores tão grandes
quanto um z observado. A Tabela 9.7 dá as probabilidades unilaterais;
para um teste bilateral, dobre a probabilidade obtida.
4. Se a probabilidade associada com o valor observado x ou um valor ainda mais

extremo é igual ou menos a α, rejeite H0 . Caso contrário, não rejeite H0 .
Exemplo: Em um estudo sobre efeitos do estresse (Barthol & Ku, 1953),

um pesquisador ensinou a 18 estudantes universitários dois métodos diferentes de
dar o mesmo nó. Metade dos estudantes (aleatoriamente selecionados de um grupo
de 18) aprendeu primeiro o método A, e a metade aprendeu primeiro o método B.
Após um exame nal de 4 horas, cada sujeito foi solicitado a dar o nó. A predição
era que o estresse induziria uma regressão, isto é, que os sujeitos retornariam ao
primeiro método aprendido de dar o nó ou o segundo aprendido, quando solicitado
a dar o nó sob estresse. O resultado está apresentado na Tabela a seguir.
1. Hipótese nula. H0 : p = q = 1/2, isto é, não existe diferença entre a proba-

bilidade de usar, sob estresse, o primeiro método aprendido (p) ou o segundo
(q ). H1 : p > q , isto é, quando sob estresse, a probabilidade de usar o primeiro
método aprendido é maior do que a de usar o segundo método aprendido.
2. Teste estatístico. O teste binomial é escolhido porque os dados estão em duas

categorias discretas e o esquema é do tipo de uma amostra.
Tabela 4.1: Método escolhido para dar o nó sob estresse.
Método escolhido
Primeiro aprendido Segundo aprendido Total
Frequência 16 2 18
3. Nível de signicância. Seja α = 0, 01 e n o número de casos, n = 18.

4. Distribuição amostral. As probabilidades binomiais são dadas pela expressão
(4.1) e as probabilidades acumuladas (que podem ser mais úteis) são dadas
pela expressão (4.2) ou pelas tabelas 9.5 e 9.6 (para n ≤ 35).
5. Região de rejeição. São todos os valores de X tal que a probabilidade acumu-
lada associada a seus valores é menor ou igual a α = 0, 01. Como a direção da
diferença foi previamente predita, a região de rejeição é unilateral.
6. Decisão. Como, dos n = 18 sujeitos que participaram, apenas k=2 usaram

o segundo método aprendido, e P [X ≤ 2] = 0, 001, então a decisão é rejeitar
H0 em favor de H1 . Assim, concluímos que p > q , isto é, que uma pessoa sob
estresse reverte para o primeiro dos dois métodos aprendidos.
Pode ser mostrado que, quando n

cresce, a distribuição Binomial tende à
1
distribuição Normal. A tendência é rápida quando p está próximo de , mas é mais
2
lenta quando p está próximo de 0 ou 1. Isto é, quanto maior a disparidade entre
p e q, maior precisa ser n
para a distribuição estar satisfatoriamente próxima da
1
distribuição Normal. Quando p está perto de , a aproximação pode ser usada por
2
um teste estatístico quando n > 25. Quando p está perto de 0 ou de 1, uma regra
empírica é que npq deve ser maior do que 9 para que o teste estatístico baseado
na aproximação normal seja sucientemente preciso para ser usado. Dentro dessas
limitações, a distribuição amostral de X é aproximadamente normal, com média np
e variância npq e, portanto, H0 pode ser testado por
X − µX X − np
Z= = √ (4.3)
σX npq
em que Z tem distribuição aproximadamente normal com média 0 e desvio-padrão

1.
A aproximação à distribuição Normal torna-se melhor se uma correção de
continuidade é usada. A correção é necessária porque a distribuição normal é contí-
nua enquanto que a distribuição Binomial envolve variáveis discretas. Para corrigir
por continuidade, olhamos a frequência observada da equação (4.3) como ocupando
um intervalo cujo limite inferior é meia unidade abaixo da frequência observada
enquanto que o limite superior é meia unidade acima da frequência observada. A
correção de continuidade consiste em reduzir em 0,5 a diferença entre o valor obser-
vado de X e seu valor observado µX = np. Portanto, quando X < µX adicionamos
0,5 a x e quando X > µX subtraímos 0,5 de X. Isto é, a diferença observada é

reduzida por 0,5. Assim, Z transforma-se em
(X ± 0, 5) − np
Z= √ (4.4)
npq
O valor de Z obtido pela aplicação da equação (4.4) tem distribuição normal

assintótica com média 0 e variância 1. Portanto, a signicância de um z observado
pode ser obtida pela Tabela 9.7 do Apêndice, que dá a probabilidade unilateral
associada com a ocorrência sob H0 de valores tão extremos quanto um z observado.
(Se um teste bilateral é exigido, a probabilidade dada na Tabela 9.7 precisa ser
dobrada.)
1
Para mostrar quão boa é esta aproximação quando
2
mesmo para n < 25,
p=
podemos aplicá-la aos dados de dar nó discutidos anteriormente. Naquele caso,
n = 18, X = 2 e p = q = 12 . Para estes dados X < np, isto é, 2 < 9, e pela equação
(4.4),
(2 + 0, 5) − (18)(1/2)
z= p = −3, 06
(18)(1/2)(1/2)
A Tabela 9.7 do Apêndice mostra que um valor de Z tão extremo quanto
−3, 06 tem uma probabilidade unilateral associada com sua ocorrência sob H0 de
0,0011. Essa é essencialmente a mesma probabilidade que encontramos quando cal-
1
culamos as probabilidades exatas. Entretanto, lembre que neste exemplo p = ,
2
então a aproximação deve funcionar bem.
Poder-eciência
Como não existe técnica paramétrica aplicável a dados medidos como uma
variável dicotômica, não faz sentido perguntar sobre o poder-eciência do teste Bi-
nomial quando usado com tais dados.
4.2 O teste Qui-quadrado de aderência

Essa técnica é dita de aderência, no sentido de que ela pode ser usada para
testar se existe uma diferença signicativa entre um número observado de objetos ou
respostas ocorrendo em cada categoria e um número esperado, baseado na hipótese
nula.
Para comparar um grupo de frequências observadas e esperadas precisamos
ser capazes de saber quais frequências seriam esperadas. A hipótese H0 estabelece
a proporção de objetos que ocorrem em cada uma das categorias na população
considerada. Isto é, da hipótese nula podemos deduzir quais são as frequências
esperadas. A técnica de qui-quadrado oferece a probabilidade de que as frequências
observadas poderiam ter sido amostradas de uma população com os valores esperados
dados.
A hipótese nula H0 pode ser testada usando a seguinte estatística:
k
X (Oi − Ei )2
χ2c = (4.5)
i=1
Ei
em que Oi é o número de casos observados na i-ésima categoria, Ei é o número

de casos esperado na i-ésima categoria quando H0 é verdadeira, e k é o número de
categorias.
É fácil mostrar que a equação (4.5) pode ser reescrita de uma maneira mais
prática para o cálculo, qual seja,
k
X O2 i
χ2c = −n (4.6)
i=1
Ei
Exercício: Mostre que a equação (4.5) é igual à equação (4.6).
Pode ser mostrado que a distribuição amostral de χ2c sob H0 , como calculada
a partir da equação (4.5), segue a distribuição qui-quadrado com graus de liberdade
gl = k − 1. O tamanho de gl reete o número de observações que estão livres para
variar após certas restrições terem sido colocadas sobre os dados.
Procedimento:
A seguir, o método para uso do teste qui-quadrado no caso de aderência de
uma amostra:
1. Distribua as frequências observadas nas k categorias. A soma das frequências

deve ser n, o número de observações independentes.
2. De H0 , determine as frequências esperadas (os Ei0 s) para cada uma das k

células. Quando k > 2 e mais do que 20% dos Ei0 s são menores do que 5,
combine categorias adjacentes quando for razoável, com isso reduzindo o valor
de k e aumentando os valores de alguns dos Ei0 s. Quando k = 2, o teste qui-

quadrado para o teste de aderência de uma amostra tem precisão somente se
cada frequência esperada é maior ou igual a 5.
3. Use a equação (4.5) para calcular o valor de χ2c .
4. Determine os graus de liberdade, gl = k − np − 1, em que np é o número de

parâmetros estimados dos dados e usados no cálculo das frequências esperadas.
5. Com as tabelas 9.8 e 9.9 do Apêndice, determine a probabilidade associada

2
com a ocorrência de χc sob H0 de um valor tão grande quanto o valor obser-
2
vado para χc par aos graus de liberdade gl apropriados para os dados. Se essa
probabilidade é menor ou igual a α, rejeite H0 .
Exemplo: Fãs de corridas de cavalos frequentemente sustentam que uma

corrida em torno de uma pista circular proporciona signicante vantagem inicial
para os cavalos colocados em certas posições. Cada posição do cavalo corresponde
ao ponto atribuído no começo do alinhamento. Em uma corrida de oito cavalos, a
posição 1 é a mais próxima da raia no lado interno da pista; a posição 8 está no
lado externo, mais distante da raia. Podemos testar o efeito da posição do posto
analisando os resultados da corrida, dados de acordo com a posição do posto, durante
o primeiro mês de corridas na estação em uma pista circular particular. Os dados a
seguir foram publicados no New York Post de 30 de agosto de 1955, página 42:
Tabela 4.2: Vitórias obtidas em uma pista circular para cavalos em 8 posições.
Posições dos postos

1 2 3 4 5 6 7 8 Total
o
N de vitórias 29 19 18 25 17 10 15 11 144
Vitórias esperadas 18 18 18 18 18 18 18 18 144
1. Hipótese nula. H0 : não há diferença no número esperado de vencedores come-

çando de cada uma das posições dos postos, e quaisquer diferenças são meras
variações ao acaso, esperadas em uma amostra aleatória de uma distribuição
uniforme. H1 : as frequências teóricas não são todas iguais.
2. Teste estatístico. O teste de qui-quadrado é escolhido porque a hipótese sob

teste refere-se à comparação de frequências observadas e esperadas em catego-
rias discretas.
3. Nível de signicância. Seja α = 0, 01 e n = 144 o número total de vencedores

em 18 dias de corridas.
4. Distribuição amostral. A distribuição amostral da estatística χ2c como calcu-

lada a partir da equação (4.5) segue a distribuição qui-quadrado com gl =
8 − 1 = 7.
5. Região de rejeição. H0 será rejeitada se o valor observado de χ2c é tal que a

probabilidade associada com o valor calculado sob H0 para gl = 7 é ≤ 0, 01.
6. Decisão. 2
Com os dados amostrais, encontramos que χc = 16, 3 e pelas tabelas
2
9.8 e 9.9, a P [χ ≥ 16, 3] está entre 0,01 e 0,025. Com isso, não podemos
rejeitar H0 . O que podemos fazer é coletar uma amostra maior para que uma
conclusão denitiva seja adotada.
gl = 1, isto é, quando k = 2, cada frequência esperada deve ser pelo

Quando
menos 5. Quando gl > 1, isto é, quando k > 2, o teste qui-quadrado para o teste
de aderência com uma amostra não deve ser usado se mais do que 20% das frequên-
cias esperadas são menores do que 5 ou se qualquer frequência é menor do que 1.
2
Isso porque a distribuição amostral de χc é somente assintoticamente qui-quadrado
quando as frequências esperadas tornam-se grandes (tendem ao innito). Para ns
práticos, a aproximação é boa quando as frequências esperadas são maiores do que
5. Quando as frequências esperadas são pequenas, as probabilidades associadas com
a distribuição qui-quadrado podem não ser sucientemente próximas das probabi-
2
lidades na distribuição amostral de χc para serem feitas inferências apropriadas.
Algumas vezes, as frequências esperadas podem ser aumentadas combinando cate-
gorias adjacentes em uma única categoria mais ampla. Isto é conveniente somente
se as combinações de categorias apresentam signicado (e, é claro, se existem mais
do que duas categorias para começar).
Se iniciamos com somente duas categorias e temos uma frequência esperada
menor do que 5, ou se depois de combinarmos categorias adjacentes terminamos
com somente duas categorias e ainda temos uma frequência esperada menor do que
5, então poderia ser usado o teste binomial - em vez do teste qui-quadrado - para
determinar a probabilidade associada com a ocorrência das frequências observadas
sob H0 .
Poder
Mesmo sendo este teste o mais comumente usado quando não temos uma
alternativa clara disponível, não estamos geralmente em posição de calcular o poder
exato do teste. Quando uma medida nominal ou categorizada é usada ou quando
os dados consistem em frequências dispostas em categorias inerentemente discretas,
então a noção de poder-eciência não tem signicado, pois em tais casos não existe
teste paramétrico que seja adequado.
Nos casos em que o poder do teste qui-quadrado de aderência tem sido estu-
dado, não há interação entre o número de categorias k e o número de observações
n. Apesar de especícas recomendações dependerem da distribuição teórica a ser
ajustada, as seguintes regras são apropriadas:
1. Escolha limites de intervalos e categorias de modo que as frequências esperadas

sejam iguais a n/k .
2. O número de categorias deve ser escolhido de modo que as frequências espe-

radas estejam aproximadamente entre 6 e 10, com o valor menor apropriado
para n grande (maior do que 200).
Deve-se observar que quando gl > 1, o teste qui-quadrado é insensível aos

efeitos de ordenação das categorias, e, assim, quando uma hipótese leva em conside-
ração a ordem, o teste qui-quadrado pode não ser o melhor teste. Para métodos que
fortalecem os testes comuns quando H0 é testada contra alternativas especícas, ver
Cochran (1954) ou Everitt (1977).
4.3 Teste de Kolmogorov-Smirnov

O teste de Kolmogorov-Smirnov para uma amostra é outro teste de aderência.
Em poucas palavras, o teste envolve especicar a distribuição de frequência acumu-
lada que ocorreria dada a distribuição teórica e compará-la com a distribuição de
frequência acumulada observada. O ponto no qual essas duas distribuições - teórica
e observada - mostram a maior divergência é determinado. A distribuição amostral
indica se uma tão grande divergência é provável de ocorrer com base no acaso. Isto
é, a distribuição amostral indica a possibilidade de que ocorresse uma divergência
da magnitude observada se as observações fossem realmente uma amostra aleatória
de uma distribuição teórica.
O teste de Kolmogorov-Smirnov admite que a distribuição da variável sub-
jacente que está sendo testada é contínua, como especicado pela distribuição de
frequências acumuladas. Assim, o teste é apropriado para testar a aderência para
variáveis que são medidas pelo menos em uma escala ordinal.
Seja F0 (X) uma função completamente especicada de distribuição de frequên-
cias relativas acumuladas - a distribuição teórica sob H0 . Isto é, para qualquer valor
de X , o valor de F0 (X) é a proporção de casos esperados com escores iguais ou
menores do que X .
Seja Sn (X) a distribuição de frequências relativas acumuladas observada de
uma amostra aleatória de n observações. Se Xi é um escore qualquer possível, então
Fi
Sn (Xi ) = , em que Fi é o número de observações menores ou iguais a Xi . F0 (X)
n
é a proporção esperada de observações menores ou iguais a Xi .
Agora, sob a hipótese nula de que a amostra tenha sido extraída de uma
distribuição teórica especicada, é esperado que para qualquer valor de Xi , Sn (Xi )
esteja baste próximo de F0 (Xi ). Isto é, quando H0 é verdadeira, esperaríamos que
as diferenças entre Sn (Xi ) e F0 (Xi ) fossem pequenas e dentro dos limites de erros
aleatórios. O teste de Kolmogorov-Smirnov focaliza sobre o maior dos desvios. O
maior valor absoluto de F0 (Xi ) − Sn (Xi ) é chamado de desvio máximo D:
D = max[F0 (Xi ) − Sn (Xi )] i = 1, 2, . . . , n (4.7)

A distribuição amostral de D sob H0 é conhecida. A Tabela 9.10 do Apêndice

fornece certos valores críticos da distribuição amostral. Note que a signicância de
um dado valor de D depende de n.
Procedimento:
Na aplicação do teste de Kolmogorov-Smirnov, os passos são os seguintes:
1. Especique a distribuição acumulada teórica, isto é, a distribuição acumulada

esperada sob H0 .
2. Organize os escores observados em uma distribuição acumulada e converta
as frequências acumuladas em frequências relativas acumuladas Sn (Xi ). Para
cada intervalo encontre a frequência relativa acumulada esperada F0 (Xi ).
3. Com o uso da equação (4.7), encontre D.

4. Consulte a Tabela 9.10 do Apêndice para encontrar a probabilidade (bilate-
ral) associada com a ocorrência sob H0 de valores tão grandes quanto o valor
observado de D. Se essa probabilidade for igual ou menor que α, rejeite H0 .
Exemplo: Durante vários anos os pesquisadores têm estudado a duração

das greves no Reino Unido. Como uma parte de tal pesquisa, suposições precisas
concernentes a ações individuais e ao curso dos eventos têm levado a modelos mate-
máticos para os eventos, os quais fazem predições sobre suas distribuições (Morrison
& Schmittlein, 1980). Os dados concernentes à duração das greves que começaram
em 1965 no Reino Unido foram coletados, analisados, e predições foram feitas com o
uso do modelo matemático. A Tabela a seguir contém a distribuição de frequências
acumuladas das durações de n = 840 greves. Também estão dadas na tabela as
frequências acumuladas preditas pelo modelo matemático.
1. Hipótese nula. H0 : a distribuição das durações das greves segue o modelo

matemático de predições. Isto é, a diferença entre as durações observada e
predita não excede as diferenças que seriam esperadas que ocorressem devido
ao acaso. H1 : as durações observadas das greves não coincidem com as preditas
pelo modelo matemático.
2. Teste estatístico. O teste de Kolmogorov-Smirnov de uma amostra é escolhido

porque o pesquisador deseja comparar uma distribuição observada de escores
de uma escala ordinal com a distribuição teórica de escores.
3. Nível de signicância. Seja α = 0, 05 e n = 840 o número de greves no Reino

Unido em 1965.
4. Distribuição amostral. Os valores críticos de D e o desvio absoluto máximo

entre as distribuições acumuladas observada e predita são apresentados na Ta-
bela 9.10 do Apêndice, junto com suas probabilidades associadas de ocorrência
quando H0 é verdadeira.
Tabela 4.3: Dados sobre greves no Reino Unido (n=840).
Duração Frequência acumulada Frequência relativa acumulada

máxima Observada Predita Observada Predita |F0 (x) − Sn (x)|
(dias)
1-2 203 212,81 0,242 0,253 0,011
2-3 352 348,26 0,419 0,415 0,004
3-4 452 442,06 0,538 0,526 0,012
4-5 523 510,45 0,623 0,608 0,015
5-6 572 562,15 0,681 0,669 0,012
6-7 605 602,34 0,720 0,717 0,003
7-8 634 634,27 0,755 0,755 0,000
8-9 660 660,10 0,786 0,786 0,000
9-10 683 681,32 0,813 0,811 0,002
10-11 697 698,97 0,830 0,832 0,002
11-12 709 713,82 0,844 0,850 0,006
12-13 718 726,44 0,855 0,865 0,010
13-14 729 737,26 0,868 0,878 0,010
14-15 744 746,61 0,886 0,889 0,003
15-16 750 754,74 0,893 0,899 0,003
16-17 757 761,86 0,901 0,907 0,006
17-18 763 768,13 0,908 0,914 0,006
18-19 767 773,68 0,913 0,921 0,008
19-20 771 778,62 0,918 0,927 0,009
20-25 788 796,68 0,938 0,948 0,010
25-30 804 807,86 0,957 0,962 0,005
30-35 812 815,25 0,967 0,971 0,004
35-40 820 820,39 0,976 0,977 0,001
40-50 832 826,86 0,990 0,984 0,006
>50 840 840,01 1,000 1,000 0,000
5. Região de rejeição. Consiste de todos os valores de D que sejam tão grandes

que a probabilidade associada com suas ocorrências quando H0 é verdadeira
seja menor ou igual α = 0, 05.
6. Decisão. O valor máximo de D é 0,015. Como n > 35, devemos √ usar aproxi-
mações para amostras grandes. Daí, o valor crítico de D é 1, 36/ 840 = 0, 047.
Como o valor observado de D é menor do que o valor crítico, não podemos
rejeitar H0 , a hipótese de que os dados observados são de uma população
especicada pelo modelo teórico.
Poder
O teste de Kolmogorov-Smirnov de aderência de uma amostra trata observa-
ções individuais separadamente e, assim diferentemente do teste qui-quadrado, não
perde informação na combinação de categorias.
Quando amostras são pequenas e categorias adjacentes precisam ser com-
χ2c ,o teste qui-quadrado é denitiva-
binadas para o uso apropriado da estatística
mente menos poderoso do que o teste de Kolmogorov-Smirnov. Além disso, para
qualquer amostra pequena, o teste qui-quadrado não pode ser usado, mas o teste
de Kolmogorov-Smirnov pode. Esses fatos sugerem que o teste de Kolmogorov-
Smirnov pode, em todos os casos, ser mais poderoso que seu alternativo, o teste de
qui-quadrado.
Quando ambos os testes podem ser aplicados, a escolha pode depender da
facilidade dos cálculos ou de outra preferência. Entretanto, com amostras pequenas,
o teste de Kolmogorov-Smirnov é exato.
5
TESTES PARA DUAS AMOSTRAS EMPARELHADAS
Testes estatísticos envolvendo duas medidas ou replicações emparelhadas são

usados quando o pesquisador deseja estabelecer se dois tratamentos são diferentes
ou se um tratamento é melhor que outro. Para isso, podem-se formar pares de
unidades amostrais semelhantes ou o mesmo indivíduo pode ser observado antes e
após a aplicação do tratamento em questão, ou seja, o sujeito serve como seu próprio
controle.
A técnica paramétrica usual para analisar dados de duas amostras relaciona-
das é aplicar o teste t aos escores-diferença. Um escore-diferença pode ser obtido a
partir dos dois escores dos dois membros de cada par combinado ou de dois escores de
cada sujeito submetido às duas condições. O teste t assume que os escores-diferença
são extraídos independentemente de uma distribuição normal, o que implica que as
variáveis são medidas pelo menos em uma escala intervalar.
Algumas vezes o teste t não é apropriado. O pesquisador pode se deparar
com fatos como:
1. As suposições e as exigências do teste t são irreais para os dados.
2. É desejável evitar fazer as suposições ou testar as exigências do teste t e, assim,

dar maior generalidade para suas conclusões.
3. As diferenças entre pares combinados não são representadas como escores e

sim como sinais (por exemplo, podemos dizer qual membro de cada par é
maior do que o outro mas não podemos dizer quanto maior).
4. Os escores são simplesmente classicatórios - os dois membros do par com-

binado podem responder da mesma maneira ou de maneiras completamente
diferentes as quais não apresentam qualquer ordem ou relação quantitativa
umas com as outras.
Em tais exemplos, o investigador pode escolher um dos testes estatísticos não

paramétricos. Além de serem convenientes para os casos mencionados acima, esses
testes tem a vantagem adicional de que eles não requerem que todos os pares sejam
extraídos da mesma população.
5.1 O teste de mudança de McNemar

O teste de McNemar para a signicância de mudanças é particularmente
aplicável a modelos antes e depois, em que cada sujeito é usado como seu próprio
controle e nos quais as medidas são feitas em uma escala nominal ou ordinal. Assim,
ele pode ser usado para testar a ecácia de um tratamento em que os dados são
medidas nominais ou categóricas apropriadas para determinar a mudança antes e
depois.
Para testar a signicância de qualquer mudança observada por este método,
é usada uma tabela de frequências de quatro partes para representar o primeiro e o
segundo conjunto de respostas dos indivíduos. As características gerais de tal tabela
estão ilustradas na tabela a seguir.
Tabela 5.1: Tabela com quatro partes usada para testar signicância de mudanças.
Depois
− +
Antes + A B
− C D
A denota o número de indivíduos cujas respostas foram + na primeira medida

e − na segunda medida. Similarmente, D é o número de indivíduos que mudaram
de − para +. B é a frequência de indivíduos que responderam o mesmo (+) em
cada ocasião e C é o número de indivíduos que responderam o mesmo (−) antes e
depois.
Assim, A+D é o número total de pessoas cujas respostas mudaram. A
hipótese nula é que o número de mudanças em cada direção é igualmente provável.
Isto é, dos A + B indivíduos que mudaram, esperaríamos (A + D)/2 indivíduos
mudando de + para − e (A + D)/2 indivíduos mudando de − para +. Em outras
palavras, quando H0 é verdadeira, a frequência em cada uma das duas células é
(A + D)/2.
No teste de McNemar estamos interessados nas células que podem signicar
mudanças. Portanto, com A, D e sendo (A + D)/2 o número esperado de casos em
cada célula A e D, podemos escrever que
2
X (Oi − Ei )2
χ2c =
i=1
Ei
[A − (A + D)/2]2 [D − (A + D)/2]2
= +
(A + D)/2 (A + D)/2
2
(A − D)
= , com gl = 1. (5.1)
A+D
TESTES PARA DUAS AMOSTRAS EMPARELHADAS 33
A distribuição amostra de χ2c calculada a partir da equação (5.1) quando H0

é verdadeira é distribuída assintoticamente como um qui-quadrado com gl = 1.
A aproximação pela distribuição qui-quadrado da distribuição amostral de
χ2c torna-se mais precisa se uma correção para continuidade for feita. A correção é
necessária porque uma distribuição contínua (qui-quadrado) é usada para aproximar
2
uma distribuição discreta (χ ). Quando todas as frequências esperadas são pequenas,
a aproximação pode ser pobre. O objetivo da correção para continuidade (Yates,
1934) é remover esta fonte de imprecisão.
Com a correção para continuidade incluída,
(|A − D| − 1)2
χ2c = , com gl = 1. (5.2)
A+D
A signicância de qualquer valor observado de χ2c , calculado a partir da equação
(5.1), é determinada consultando as tabelas 9.8 e 9.9 do Apêndice.
Procedimento:
Estes são os passos no cálculo do teste de mudança de McNemar:
1. Coloque as frequências observadas em uma tabela com quatro células da forma

apresentada anteriormente.
2. Determine o número total de mudanças, A + D. Se o número total de mu-

danças é menor do que 10, use o teste binomial em vez do teste de McNemar.
3. Se a frequência total de mudanças excede 10, calcule o valor de χ2c usando a

equação (5.1).
4. Determine a probabilidade associada com um valor tão grande quanto o valor

2
observado de χc obtido pelas tabelas 9.8 e 9.9 do Apêndice. Se um teste uni-
lateral é utilizado, tome a metade da probabilidade mostrada na tabela. Se a
probabilidade mostrada na tabela é menor ou igual a α, rejeite H0 em favor
de H1 .
Exemplo: Durante campanhas presidenciais aconteceram debates pela tele-

visão entre dois ou mais candidatos. Um pesquisador em técnicas de comunicação
- assim como os candidatos - estava interessado em determinar se um particular
debate entre dois candidatos na eleição presidencial de 1980 foi ecaz em mudar as
preferências dos telespectadores pelos candidatos. Foi previsto que, se os candidatos
(Jimmy Carter e Ronald Reagan) fosse igualmente convincentes, haveria mudan-
ças comparáveis nas preferências dos telespectadores. No entanto, se um candidato
fosse mais convincente ou persuasivo do que o outro, haveria uma troca diferencial
na preferência de um candidato para outro. Para estabelecer a ecácia do debate, o
pesquisador selecionou 75 adultos aleatoriamente antes do debate e pediu a eles para
indicarem suas preferências pelos dois candidatos. Após a conclusão do debate, ele
perguntou às mesmas pessoas por suas preferências pelos dois candidatos. Assim,
em cada caso, ele sabia a preferência de cada pessoa antes e depois do debate. Ele
pôde colocar os dados na forma mostrada na tabela a seguir.
Tabela 5.2: Preferência de pessoas pelos candidatos a presidenciais antes e depois

do debate na TV.
Preferência antes Preferência depois

Reagan Carter
Carter 13 28
Reagan 27 7
1. Hipótese nula. H0 : A probabilidade de um espectador trocar de Reagan para

Carter é a mesma que mudar de Carter para Reagan. H1 : existe uma mudança
diferenciada na preferência, ou seja, P [Reagan → Carter] 6= P [Carter →
Reagan].
2. Teste estatístico. O teste de McNemar para signicância de mudanças é esco-

lhido porque o estudo usa duas amostras relacionadas; o teste é do tipo antes
e depois e usa medidas nominais (categóricas).
3. Nível de signicância. Seja α = 0, 05 e n = 75 é o número de pessoas consul-

tadas antes e depois de assistir ao debate.
4. Distribuição amostral. χ2c calculado a partir da equação (5.1) é distribuído

assintoticamente como um qui-quadrado com gl = 1.
5. Região de rejeição. Como H1

não especica a direção da diferença na pre-
χ2c que sejam
ferência, a região de rejeição consiste de todos os valores de
tão grandes que tenham uma probabilidade não-direcional associada com sua
ocorrência de 0, 05 ou menos quando H0 é verdadeira.
6. Decisão. Como A = 13 e D = 7, então χ2c = 1, 25. A Tabela 9.9 do Apêndice

2
revel que, quando H0 é verdadeira e gl = 1, a probabilidade de que χc ≥ 3, 84
é 0,05. Como o valor observado (1,25) é menor do que o valor crítico do qui-
quadrado (3,84), não podemos rejeitar a hipótese de que os candidatos eram
igualmente ecientes em mudar as preferências dos espectadores.
Para amostras pequenas, a aproximação é pobre. No entanto, existe um pro-

cedimento alternativo. Se a frequência esperada para o teste de McNemar, (A+D)/2,
é muito pequena - menor que 5 -, deve ser usado o tete Binomial. Para usar o teste
Binomial, considere n = A+D e x a menor entre as duas frequências observadas,
A ou D, e use a Tabela 9.5 do Apêndice para testar a signicância de x.
Poder-eciência:
Quando o teste de McNemar é usado com medidas nominais, o conceito
de poder-eciência não tem signicado, pois não há teste alternativo com o qual
compará-lo. No entanto, quando as mensurações e outros aspectos dos dados são
tais que é possível aplicar o teste paramétrico t, o teste de McNemar, assim como o
teste Binomial, tem poder-eciência em torno de 95% para A + D = 6, e o poder-
eciência diminui quando A+D aumenta para uma eciência assintótica em torno
de 63%.
5.2 O teste do sinal

É particularmente útil para uma pesquisa na qual a mensuração quantitativa
é impossível, mas é possível determinar, para cada par de observações, qual é a
maior, em algum sentido.
O teste do sinal é aplicável no caso de duas amostras relacionadas quando
o pesquisador deseja estabelecer se duas condições são diferentes. A única suposi-
ção subjacente a este teste é que a variável sob consideração tem uma distribuição
contínua.
A hipótese nula testada pelo teste do sinal é que
1
P [Xi > Yi ] = P [Xi < Yi ] =
2
em que Xi é o julgamento ou escore sob uma condição (ou antes do tratamento) e
Yi é o julgamento ou escore sob a outra condição (ou depois do tratamento). Isto é,
Xi e Yi são os dois escores para o par combinado. Outra maneira de estabelecer
H0 é a diferença mediana entre X e Y ser zero.
Na aplicação do teste do sinal, focalizamos na direção da diferença entre cada
Xi e Yi , observando se o sinal da diferença é positivo ou negativo. Quando H0 é
verdadeira, esperaríamos que o número de pares satisfazendo Xi > Yi fosse igual ao
número de pares satisfazendo Xi < Y i . Isto é, se a hipótese nula fosse verdadeira,
esperaríamos que cerca de metade das diferenças fossem negativas e metade fossem
positivas.H0 é rejeitada se ocorrem muito poucas diferenças de um tipo de sinal.
0
A probabilidade associada com a ocorrência de um particular número de + s
0 1
e − s pode ser determinada por meio da distribuição binomial com p = q = , em
2
que n é o número de pares. Se um par combinado não mostra diferença (isto é, a
diferença é zero e não tem sinal), ele é retirado da análise e n é reduzido de acordo
com esta retirada. As tabelas 9.5 e 9.6 do Apêndice fornecem as probabilidades
associadas com a ocorrência sob H0 de valores tão pequenos quanto x para n ≤ 35.
Para usar essas tabelas, considere x a quantidade menor de sinais.
O teste do sinal pode ser unilateral ou bilateral. Em um teste unilateral, a
hipótese alternativa estabelece qual sinal ocorrerá mais frequentemente.
Se n é maior do que 35, a aproximação normal à distribuição binomial pode

ser usada. Essa distribuição tem média e variância dadas por:
n
µX = np =
2
2 n
σX = npq =
4
Isto é, o valor de Z é dado por
X − µX X − n/2
Z= = √
σX 0, 5 n
2X − n
= √ (5.3)
n
Essa expressão tem distribuição aproximadamente normal com média 0 e

variância 1. A equação (5.3) é mais conveniente computacionalmente; entretanto,
ela torna a forma do teste um tanto obscura.
A aproximação torna-se melhor quando uma correção para continuidade é
utilizada. A correção é efetivada reduzindo em 0,5 a diferença entre o número
observado e o número esperado (por exemplo, a média) de +0 s (ou de −0 s) quando
H0 é verdadeira. Assim, com a correção para continuidade,
(X ± 0, 5) − n/2
Z= √ (5.4)
0, 5 n
em que x + 0, 5 é usado quando x < n/2 e x − 0, 5 é usado quando x > n/2. Uma
forma da equação (5.4) computacionalmente mais simples é a seguinte:
2X ± 1 − n
Z= √
n
Aqui usamos +1 quando x < n/2 e −1 quando x > n/2.
Procedimento:
Estes são os passos no uso do teste do sinal:
1. Determine o sinal da diferença entre os dois membros de cada par.
2. Por contagem, determine o valor de n como o valor igual ao número de pares

cujas diferenças mostram um sinal (empates são ignorados).
3. O método para determinar a probabilidade de ocorrência de dados tão ou mais

extremos quando H0 é verdadeira depende do tamanho de n.
a) Se n é 35 ou menos, as tabelas 9.5 e 9.6 do Apêndice mostram a pro-

babilidade unilateral associada com um valor tão pequeno quanto o valor
observado de x= número menor de sinais. Para um teste bilateral, dobre

o valor da probabilidade obtida.
b) Se n é maior do que 35, calcule o valor de z usando a equação (5.3). A

Tabela 9.7 do Apêndice fornece probabilidades unilaterais associadas com
valores tão extremos quanto vários valores de z. Para um teste bilateral,
dobre os valores das probabilidades.
4. Se a probabilidade dada pelo teste é menor ou igual a α, rejeite H0 .
Exemplo: Um pesquisador estava estudando o processo de tomada de deci-

sões na relação marido-mulher (Qualls, 1982). Uma amostra de casais foi intensa-
mente estudada para determinar o papel de cada um na decisão sobre uma casa. Em
um certo momento, eles completaram um questionário individualmente a respeito
da inuência que cada um deveria ter sobre vários aspectos da decisão da compra.
A resposta à questão variou sore uma escala marido-dominante - igualdade - esposa
dominante. Para cada casal, a diferença entre suas taxas de respostas foi determi-
nada e codicada como + se o marido julgou que deveria ter mais inuência do que
a inuência que a esposa concordou que ele tivesse. A diferença foi codicada como
- se a taxa do marido concordando com maior inuência para a esposa é maior do
que aquela obtida pela esposa. A diferença foi codicada como 0 se o casal tivesse
total concordância sobre o grau de inuência apropriada no decisão. Veja a tabela
a seguir.
1. Hipótese nula. H0 : O casal concorda com o grau de inuência de cada um

deve ter na decisão de comprar uma casa. H1 : maridos julgam que eles devem
ter uma inuência maior na decisão que suas esposas julgam que ele devam
ter.
2. Teste estatístico. A escala de taxas usada neste estudo constitui, no máximo,

uma escala parcialmente ordenada. A informação contida nas taxas é preser-
vada se a diferença entre as taxas de cada casal é expressa por um sinal. Cada
casal nesse estudo constitui um par combinado. O teste do sinal é apropriado
para medidas do tipo descrito.
3. Nível de signicância. Seja α = 0, 05 e n = 17 é o número de casais em uma

das condições. (n poderá ser reduzido no caso de empates.)
4. Distribuição amostral. A probabilidade associada à ocorrência de valores tão

1
grandes quanto x é dada pela distribuição binomial para p = q = .
2
5. Região de rejeição. Como H1 prediz a direção das diferenças, a região de

rejeição é unilateral. Ela consiste de todos os valores de x (em que x é o número
de +, pois a predição por H1 é que as diferenças positivas predominarão) para
os quais a probabilidade unilateral de ocorrência quando H0 é verdadeira é
menor ou igual a α = 0, 05.
Tabela 5.3: Julgamento de inuência em tomada de decisão.
Taxa de inuência
Casal Marido Esposa Direção da diferença Sinal
A 5 3 XM > XE +
B 4 3 XM > XE +
C 6 4 XM > XE +
D 6 5 XM > XE +
E 3 3 XM = XE 0
F 2 3 XM < XE −
G 5 2 XM > XE +
H 3 3 XM = XE 0
I 1 2 XM < XE −
J 4 3 XM > XE +
K 5 2 XM > XE +
L 4 2 XM > XE +
M 4 5 XM < XE −
N 7 2 XM > XE +
O 5 5 XM = XE 0
P 5 3 XM > XE +
Q 5 1 XM > XE +
6. Decisão. Como 17 casais participaram do estudo, mas houve 3 empates, a

amostra ca reduzida para n = 14. Desses, 11 sinais eram positivos. Pela
Tabela 9.5 do Apêndice, vericamos que a probabilidade de observa x ≥ 11
quando H0 é verdadeira é unilateral e igual a 0,029. Como este valor está
na região de rejeição para α = 0, 05, nossa decisão é rejeitar H0 em favor de
H1 . Assim, concluímos que os maridos acreditam que eles devem ter maior
inuência na compra da casa do que suas esposas acreditam que eles devam.
Poder-eciência
O poder-eciência do teste do sinal está em torno de 95% para n = 6, mas
ele diminui quando o tamanho da amostra cresce, para uma eventual (assintótica)
eciência de 63%. Discussões sobre o poder-eciência do teste do sinal para grandes
amostras podem ser encontradas em Lehmann (1975).
5.3 O teste de postos com sinal de Wilcoxon

O teste do sinal discutido na seção anterior utiliza informação somente sobre
a direção das diferenças dentro dos pares. Se a magnitude relativa e a direção das
diferenças são consideradas, um teste mais poderoso pode ser usado. O teste de
postos com sinal de Wilcoxon dá mais peso a um par que mostra uma diferença
grande entre as duas condições do que a um par que mostra uma diferença pequena.
Seja di o escore-diferença para qualquer par combinado, representando a

diferença entre os escores dos pares sob dois tratamentos Isto é, di = Xi −Yi .
X e Y.
0
Para usar o teste de postos com sinal de Wilcoxon, ordene todos os di s sem considerar
o sinal: dê o posto 1 ao menor |di |, o posto 2 ao segundo menor, etc. Quando são
atribuídos postos aos escores sem considerar o sinal, a uma di igual a -1 é atribuído
um posto menor do que a um di igual a +2 ou a -2.
Então, a cada posto axe o sinal da diferença. Isto é, indique quais postos
0 0
surgiram de di s negativos e quais postos surgiram de di s positivos.
A hipótese nula é que os tratamentos X e Y são equivalente, isto é, eles são

amostras de populações com a mesma mediana e a mesma distribuição contínua.
0
Se H0 é verdadeira, devemos esperar encontrara alguns dos maiores di s favorecendo
o tratamento X e alguns favorecendo o tratamento Y . Isto é, quando não existe
0
diferença entre X e Y , alguns dos maiores postos deve vir de di s positivos enquanto
0
outros devem vir de di s negativos. Então, se somássemos os postos com sinal +
e somássemos aqueles com sinal −, esperaríamos que as duas somas fossem quase
iguais quando H0 é verdadeira. mas se a soma dos postos positivos é muito diferente
da soma dos postos negativos, inferiríamos que o tratamento X é diferente do tra-
tamento Y , e, assim, rejeitaríamos H0 . Isto é, rejeitamos H0 se a soma dos postos
para os d0i s negativos ou a soma dos postos para os d0i s positivos é muito pequena.
Para desenvolver um teste, devemos denir duas estatísticas:
T+ = a soma dos postos dos d0i s positivos
T− = a soma dos postos dos d0i s negativos
Como a soma de todos os postos é n(n + 1)/2, T − = n(n + 1)/2 − T + .

Quando ocorrem os tradicionais empates, di = 0, tais pares são retirados da
análise e o tamanho da amostra é reduzido. Entretanto, outra espécie de empate
0
pode ocorrer. Dois ou mais d s ordem ser de mesma magnitude. Atribuímos a tais
casos de empate o mesmo posto. O posto atribuído é a média dos postos que teriam
0
sido atribuídos se os d s tivessem diferido levemente. Assim três pares poderiam dar
d0 s de -1, -1 e +1. A cada par seria atribuído o posto 2, pois (1 + 2 + 3)/3 = 2.
Então o próximo d na ordem receberia o posto 4 porque os postos 1, 2 e 3 já teriam
0
sido atribuídos. Se dois pares tivessem dado d s iguais a 1, ambos receberiam o
posto 1,5, pois (1 + 2)/2 = 1, 5, e o próximo maior d receberia o posto 3. A prática
de atribuir às observações empatadas a média dos postos que elas teriam caso não
+
apresentassem empate tem um efeito desprezível sobre T , a estatística sobre a qual
é baseado o teste de postos com sinal de Wilcoxon, mas é essencial para a utilização
apropriada do teste.
+
Seja T a soma dos postos para os quais as diferenças são positivas. As di
+
tabelas 9.11, 9.12, 9.13 e 9.14 do Apêndice dão vários valores de T e suas proba-
bilidades associadas de ocorrência sob a suposição de não haver diferença entre X
+
e Y . Isto é, se um T observado é igual ao valores dado nessas tabelas para um
+
particular tamanho n da amostra, a probabilidade de um T tão grande ou maior
que o observado é tabulada. Se esta probabilidade é menor ou igual ao nível de
signicância escolhido, a hipótese nula pode então ser rejeitada.
As tabelas 9.11, 9.12, 9.13 e 9.14 do Apêndice podem ser usadas com os
testes unilateral e bilateral. Em um teste bilateral, dobre os valores tabelados.
Quando n é maior do que 15, as referidas tabelas do Apêndice não podem
ser usadas. No entanto, pode ser mostrado que em tais casos a soma dos postos,
T + , tem distribuição aproximadamente normal com média e variância dadas por:
n(n + 1)
µT + =
4
n(n + 1)(2n + 1)
σT2 + =
24
Portanto,
T + − µT + T + − n(n + 1)/4
Z= =p (5.5)
σT + n(n + 1)(2n + 1)/24
tem distribuição aproximadamente normal com média 0 e variância 1.
Se existem postos empatados, então é necessário ajustar a estatística do
teste para levar em conta o decréscimo na variabilidade de T. A correção envolve a
contagem dos empates e a correspondente redução da variância. Se existem postos
empatados, então
g
n(n + 1)(2n + 1) 1 X
σT2 + = − tj (tj − 1)(tj + 1) (5.6)
24 2 j=1
em que g é o número de grupos de postos empatados diferentes; e tj é o número de

postos empatados no grupo j.
Procedimento:
Estes são os passos no uso do teste de postos com sinal de Wilcoxon:
1. Para cada par combinado de observações, Xi e Yi , determine a diferença com

sinal di = Xi − Yi entre duas variáveis.
2. Atribua postos a estes d0i s sem considerar os sinais. Para d0i s empatados,
atribua a média dos postos empatados.
3. Axe em cada posto o sinal do d que ele representa.

4. Determine n, o número de d0i s não-nulos.
5. Determine T +, a soma dos postos que têm um sinal positivo.
6. O procedimento para determinar a signicância do valor observado de T+

depende do tamanho de n:
a) Se n é 15 ou menos, as tabelas 9.11, 9.12, 9.13 e 9.14 do Apêndice dá

+
probabilidades associadas com vários valores de T . Se a probabilidade
+
associada com o valor observado de T é menor ou igual ao nível de signi-
cância escolhido, rejeite H0 .
b) Se n é maior do que 15, calcule o valor de z usando a equação (5.5) e, se
existem postos empatados, corrija a variância usando a equação (5.6). De-
termine sua probabilidade associada quando H0 é verdadeira consultando
a Tabela 9.7 do Apêndice. Para um teste bilateral, duplique o valor da
probabilidade dada. Se a probabilidade assim obtida é menor ou igual a α,
rejeite H0 .
Exemplo: Há uma evidência considerável de que adultos são capazes de usar

sinais visuais no processamento de informações auditivas. Em uma conversa normal,
as pessoas são capazes de utilizar movimentos dos lábios no processamento da fala.
A congruência entre movimentos dos lábios e sons da fala é particularmente benéca
em ambientes barulhentos. Pesquisa adicional tem mostrado que o processamento da
fala é falho quando os sinais auditivos e visuais não são congruentes. Em crianças,
a habilidade de discriminar e localizar a origem de estímulos visuais e auditivos
complexos é estabelecida, mais ou menos, na idade de 6 meses.
Um experimento foi criado para determinar se crianças entre 10 e 16 sema-
nas de idade percebem a sincronia entre movimentos dos lábios e sons de fala em
conversas normais (Dodd, 1979). Bebês foram colocados em uma sala à prova de
som com uma janela através da qual eles poderiam ver uma pessoa falando. Esta
pessoa falou em um microfone e o som foi transmitido diretamente para a sala (em
sincronia) ou depois de um atraso de 4000 milésimos de segundo (fora de sincronia).
A quantidade de tempo durante a qual o bebê olhou a face na janela foi medida em
cada situação. Foi argumentado que, se um bebê é capaz de discriminar as duas
condições, as quantidades de tempo utilizadas olhando para o rosto na janela se-
riam diferentes, apesar de não haver nenhuma hipótese a priori concernente com a
condição que justicaria uma maior atenção - à sincronia pode ser consistente com
a experiência ou à falta de sincronia por ser uma novidade.
Há diferenças individuais substanciais entre os bebês na quantidade de tempo
necessária para que eles sejam capazes de atender a qualquer estímulo. Entretanto,
a diferença entre o tempo gasto olhando na condição em sincronia e o tempo gasto
olhando na condição fora de sincronia deveria ser um indicador realista da habilidade
em discriminar. Se o bebê usa mais tempo olhando a apresentação em sincronia, a
diferença seria positiva. Se o bebê usa mais tempo olhando a apresentação fora de
sincronia, a diferença seria negativa. Se o bebê pode discriminar, a diferença deve
tender a uma direção. Além disso, quaisquer diferenças na direção oposta deve ser
relativamente pequenas.
Apesar de a pesquisadora estar conante de que diferenças na porcentagem
do tempo gasto olhando indicam diferenças na atenção, ela não está segura de que
os escores sejam sucientemente exatos para serem tratados de outra maneira que
não seja a ordinal. Isto é, ela não pode estabelecer conclusões além da armação de
que aquelas diferenças grandes no tempo gasto olhando reetem aumento de aten-
ção; por exemplo, uma diferença de 30 no tempo despendido olhando indica uma
diferença maior em atenção do que uma diferença de 20. Assim, apesar da inter-
pretação das magnitudes numéricas das diferenças nos tempos gastos olhando não
reetir diretamente as magnitudes numéricas das diferenças em atenção, a ordena-
ção em postos das diferenças nos tempos gastos olhando reetem, sim, a ordem das
diferenças em atenção.
Tabela 5.4: Porcentagem de desatenção para apresentação em sincronia e fora de

sincronia.
Sujeito Em sincronia Fora de sincronia d Posto de d

DC 20,3 50,4 31,1 10
MK 17,0 87,0 70,0 12
VH 6,5 25,1 18,6 6
JM 25,0 28,5 3,5 3
SB 5,4 26,9 21,5 8
MM 29,2 36,6 7,4 5
RH 2,9 1,0 -1,9 -1
DJ 6,6 43,8 37,2 11
JD 15,8 44,2 28,4 9
ZC 8,3 10,4 2,1 2
CW 34,0 29,9 -4,1 -4
AF 8,0 27,7 19,7 7
1. Hipótese nula. H0 : a quantidade de tempo que o bebê gasta olhando para

a janela não depende do tipo de apresentação (a soma dos postos positivos
não difere da soma dos postos negativos). H1 : a quantidade de tempo gasto
depende do tipo de apresentação (a soma dos postos positivos depende da
soma dos postos negativos).
2. Teste estatístico. O teste de postos com sinal de Wilcoxon é escolhido porque

o estudo utiliza duas amostras relacionadas e elas fornecem escores-diferença
que podem ser ordenados em postos de magnitude absoluta.
3. Nível de signicância. Seja α = 0, 01 e n o número de pares menos o número

de pares com di = 0.
4. Distribuição amostral. As tabelas 9.11, 9.12, 9.13 e 9.14 do Apêndice dão

+
valores de probabilidades da causa superior da distribuição amostral de T
para n ≤ 15.
5. Região de rejeição. Como a direção da diferença não é previamente predita,

uma região bilateral é apropriada. A região de rejeição consiste de todos os
+
valores de T que sejam tão grandes que a probabilidade associada com sua
ocorrência quando H0 é verdadeira sejam menor ou igual a α = 0, 01 para um
teste bilateral.
6. Decisão. A soma dos postos positivos T + = 73. Pela tabela, quando n = 12

rejeitamos a hipótese nula a α = 0, 01 para um teste bilateral pois a probabili-
dade tabelada (0,0024) corresponde a 0,0048 para um teste bilateral. Portanto,
concluímos que os bebês são capazes de discriminar entre fala e movimento
dos lábios em sincronia e fora de sincronia.
Poder-eciência
Quando as suposições do teste paramétrico t são, de fato, encontradas, a
eciência assintótica próxima de H0 do teste de postos com sinal de Wilcoxon com-
parado com o teste t é 3/π = 95, 5% (Mood, 1954). Isso signica que 3/π é a razão
limite dos tamanhos das amostras necessárias para que o teste de postos com sinal de
Wilcoxon e o teste t atinjam o mesmo poder. Para pequenas amostras, a eciência
é quase 95%.
5.4 O teste de permutação

Com um teste de permutação, podemos obter a probabilidade exata quando
H0 é verdadeira da ocorrência dos dados observados, e podemos fazer isso sem
fazer nenhuma suposição sobre normalidade, homogeneidade de variância ou a forma
precisa da distribuição subjacente. Testes de permutação, sob certas condições, são
os mais poderosos entre as técnicas não-paramétricas e são apropriados sempre que
a mensuração é tão precisa que os valores dos escores têm signicado numérico.
O teste de permutação assume que quando fazemos observações emparelha-
das para cada sujeito, os dois escores observados são atribuídos aleatoriamente às
duas condições. Se calculássemos os escores-diferença entre as condições, essas di-
ferenças, sob a suposição de atribuição aleatória, teriam a mesma chance de serem
positivas ou negativas. Se aplicamos esta idéia a todos os sujeitos, e se H0 é ver-
dadeira, então toda diferença que observamos poderia ter tido o sinal oposto com a
mesma probabilidade.
Suponha que nossa amostra consiste de n = 8 pares e que os escores-diferença
que observamos são
+19 +27 -1 +6 +7 +13 -4 +3
Quando H0 é verdadeira, eles teriam sido, com a mesma probabilidade, iguais

a
-19 -27 +1 -6 -7 -13 +4 -3
ou ainda, poderiam ter sido
+19 -27 +1 -6 -7 -13 -4 +3
Na verdade, se a hipótese nula é verdadeira, existem 2n = 28 = 256 resultados

igualmente prováveis.
P
Para cada um dos resultados possíveis existe uma soma das diferenças
P di .
Agora, muitos dos possíveis d
Pi estão próximos de zero, o que deveríamos esperar se
H0 fosse verdadeira. Poucos di estão longe de zero. Estes correspondem àquelas
combinações que esperaríamos se a mediana da população sob um dos tratamentos
excedesse a do outro, isto é, se H0 fosse falsa.
Se desejamos testar H0 contra algum
P H1 , estabelecemos uma região de rejei-
ção consistindo das combinações onde di é grande. Suponha α = 0, 05. Então a
região de rejeição consistiria daqueles 5% de possíveis combinações que contém os
P
valores mais extremos de di .
No exemplo sob discussão, 256 possíveis resultados são igualmente prováveis
quando H0 é verdadeira. A região de rejeição consiste então dos 12 mais extremos
resultados. Quando a hipótese nula é verdadeira, a probabilidade de se observar um
destes 12 resultados extremos é 12/256 = 0,047.
Se o número de pares excede um valor em torno de 12, o teste de permutação é
cansativo se calculado manualmente. Por exemplo, se n = 13, o número de possíveis
resultados é 213 = 8192. A região de rejeição para α = 0, 05 consistiria de 410

resultados extremos possíveis. Mesmo que somente as somas extremas precisem ser
calculadas, o procedimento pode ser cansativo.
Quando n é grande, o teste de postos com sinal de Wilcoxon é recomendado
para ser usado no lugar do teste de permutação.
Procedimento:
1. Observe os valores dos vários d0i s e seus sinais.
2. Disponha os d0i s observados em ordem decrescente de magnitude.
3. Determine o número de resultados possíveis quando H0 é verdadeira, 2n .
4. Determine o número de resultados possíveis na região de rejeição 2n α.
5. Indique aqueles resultados possíveis que estão na região de rejeição escolhendo

P
entre os resultados com os maiores di , usando o método descrito no exemplo
ou um programa computacional. Para um teste unilateral, os resultados na
região de rejeição estão em uma das caudas da distribuição. Para um teste
bilateral, metade em cada uma das caudas.
6. Determine se o resultado observado é um daqueles na região de rejeição. Se

for, rejeite H0 em favor de H1 .
Exemplo: Suponha que um psicólogo de crianças desejasse testar se o aten-

dimento de crianças em creches teria qualquer efeito sobre a percepção social das
crianças. Ele obtém escores para a perceptividade social calculando as taxas de
respostas das crianças a um grupo de gravuras que descrevem uma variedade de
situações sociais, fazendo perguntas sobre um grupo-padrão de questões sobre cada
gravura. Dessa maneira, ele obtém um escore entre 0 e 100 para cada criança.
Por meio de procedimentos cuidadosamente padronizados, o pesquisador está
razoavelmente conante de que o índice de perceptividade social está em uma escala
intervalar. Isto é, o pesquisador é capaz de interpretar as magnitudes numéricas das
diferenças observadas.
Para testar o efeito de frequência de crianças em creches sobre os escores de
perceptividade social, o psicólogo obtém oito pares de gêmeos idênticos para servir
como sujeitos. Aleatoriamente, um gêmeo de cada par é escolhido para frequentar
uma creche por um tempo. No nal desse tempo, é feito um teste de perceptividade
social em cada um das 16 crianças.
Tabela 5.5: Escores de perceptividade social de crianças de creche e de casa.
Perceptividade social
Par Creche Casa d
a 82 63 19
b 69 42 27
c 73 74 -1
d 43 37 6
e 58 51 7
f 56 43 13
g 76 80 -4
h 85 82 3
Tabela 5.6: Os seis resultados positivos possíveis mais extremos para os d0 s mostra-
dos na tabela anterior.
P
Resultado di
(1) +27 +19 +13 +7 +6 +4 +3 +1 80
(2) +27 +19 +13 +7 +6 +4 +3 -1 78
(3) +27 +19 +13 +7 +6 +4 -3 +1 74
(4) +27 +19 +13 +7 +6 +4 -3 -1 72
(5) +27 +19 +13 +7 +6 -4 +3 +1 72
(6) +27 +19 +13 +7 +6 -4 +3 -1 70
1. Hipótese nula. H0 : não há diferença na perceptividade social de crianças que

cam em casa ou na creche. H1 : os dois tratamentos não são equivalentes.
2. Teste estatístico. O teste de permutação para replicações emparelhadas é

escolhido porque ele é adequado a este modelo e porque, para estes dados,
podemos considerar que a exigência de uma escala intervalar de mensuração é
satisfeita.
3. Nível de signicância. Seja α = 0, 05 e n=8 o número de pares de crianças.
4. Distribuição amostral. Consiste da permutação dos sinais das diferenças para

2n di . Neste caso, 2n = 256.
P
incluir todas as ocorrências de
5. Região de rejeição. Como H1 não prediz a direção das diferenças, um teste

bilateral é usado. A região de rejeição consiste daqueles 12 resultados que
P 0
fornecem os di s mais extremos, os 6 maiores e os 6 menores.
6. Decisão. Os d0 s observados, em ordem crescente, foram: +27 +19 +13 +7 +6

-4 +3 -1, somando 70. Na tabela anterior foram listados os resultados possíveis
0
para gerar as maiores somas de di s. Como o resultado observado é o sexto
maior resultado possível, e estes 6 estão na região de rejeição (apresentam
probabilidade 0,047 de ocorrer), rejeitamos H0 a 5% de signicância.
Para aplicar o teste de permutação, uma apresentação ordenada dos dados

como na tabela anterior facilita os cálculos. Com essa espécie de apresentação, é
fácil obter a soma crítica sem enumerar todas elas. Conhecendo o número de per-
n
mutações (2 ) e o nível de signicância escolhido, o pesquisador é capaz de saber
qual soma está no nível crítico. Logo que a entrada do resultado é especicada, a
1
soma associada pode então ser calculada como o valor crítico .
Poder-eciência
O teste de permutação para pares combinados ou replicações emparelhadas,
pelo fato de utilizar toda a informação contida na amostra, tem poder-eciência de
100%. Ele está entre os testes estatísticos mais poderosos.
1 Devido a valores de di poderem estar P duplicados para diferentes resultados próximos da

P
fronteira da região de rejeição, o valor de di deve ser calculado para sucessivas entradas fora da
região crítica para assegurar que não há duplicações que atravessem a fronteira. Se existirem, a
região de rejeição deve ser ajustada convenientemente.
5.5 Discussão
O teste de McNemar para signicância de mudanças pode ser usado quando
uma ou ambas as condições sob estudo forem medidas somente no sentido de uma
escala nominal. Para o caso de um par combinado, o teste de McNemar é o único
adequado para tais dados. Isto é, este teste deve ser usado quando os dados estão
em frequências que pode ser classicadas em categorias separadas que não tenham
relação do tipo maior que umas com as outras. Nenhuma suposição de variável
contínua precisa ser feita, pois este teste é equivalente a um teste usando a distri-
1
buição binomial com p = q = , e n o número de mudanças.
2
Se mensurações ordinais dentro dos pares forem feitas (por exemplo, se o
escore do membro do par pode ser posicionado como maior que o escore do outro
membro do mesmo par), então o teste do sinal é aplicável. Isto é, o teste do sinal
é útil para dados de uma variável que tenha continuidade subjacente mas que só
possam ser medidos de forma imprecisa. Quando o teste do sinal é aplicado a dados
que satisfazem as condições do teste paramétrico alternativo (o teste t), ele tem
poder-eciência em torno de 95% para n = 6, mas seu poder-eciência diminui
quando n cresce para, aproximadamente, 63% para amostras muito grandes.
Quando a mensuração está em escala ordinal dentro e entre as observações
emparelhadas, o teste de postos com sinal de Wilcoxon deve ser usado; isto é, ele
é aplicável quando o pesquisador puder atribuir postos, de maneira signicativa, às
diferenças observadas para os vários pares combinados. Quando o teste de Wilcoxon
é usado para dados que, de fato, satisfazem as condições do teste t, seu poder-
eciência é em torno de 95% para amostras grandes e não muito menos para amostras
pequenas.
O teste de permutação deve ser usado sempre que n é sucientemente pe-
queno para torná-lo executável computacionalmente e quando a mensuração da va-
riável está, pelo menos, sobre uma escala intervalar. O teste de permutação usa toda
a informação contida na amostra e, então, é 100% eciente em dados que podem ser
apropriadamente analisados pelo teste t. Um programa computacional torna o teste
de permutação executável para tamanhos moderados de amostra.
Em síntese, concluímos que o teste de McNemar para signicância de mu-
danças deve ser usado tanto com amostras grandes como com pequenas quando a
mensuração de pelo menos uma das variáveis é meramente nominal. Pela crueza
das mensurações ordinais, o teste do sinal deve ser usado; para mensurações mais
renadas, o teste do sinal de Wilcoxon pode ser usado em todos os casos. Se for
usada mensuração intervalar, o teste de permutação deve ser usado para n pequeno
ou moderado.
6
TESTES PARA DUAS AMOSTRAS INDEPENDENTES
Ao estudar as diferenças entre dois grupos, primeiro precisamos determinar

se eles são grupos relacionados ou independentes. Os testes aqui apresentados deter-
minam se diferenças nas amostras constituem evidência convincente e uma diferença
nos processos aplicados a elas.
Muitas vezes a natureza da variável dependente impede o uso dos sujeitos
como seus próprios controles. Também pode ser impossível planejar um estudo que
utilize pares combinados. Nesse modelo, duas amostras independentes podem ser
obtidas por dois métodos: (1) cada uma pode ser extraída aleatoriamente de duas
populações ou (2) elas podem surgir da aplicação aleatória de dois tratamentos aos
membros de alguma amostra cuja origem é arbitrária. Em ambos os casos, não é
necessário que as duas amostras sejam do mesmo tamanho.
A técnica paramétrica usual para analisar dados de duas amostras indepen-
dentes é aplicar um teste t para as médias dos dois grupos. O teste t assume que os
escores (os quais são somados no cálculo das médias) nas amostras são observações
independentes de populações com distribuição normal com (usualmente) variâncias
iguais. O teste t assume que as observações são medidas em pelo menos uma escala
intervalar.
Para uma certa parte da pesquisa, o teste t pode não ser aplicável por uma
variedade de razões. O pesquisador pode se defrontar com fatos tais como: (1) as
suposições do teste t são irreais para os dados; (2) ele prefere evitar fazer suposições
e assim dar maior generalidade às conclusões; ou (3) os escores podem não ser
verdadeiramente numéricos e, portanto, não satisfazer às exigências de mensuração
do teste t. Em exemplos como estes, o pesquisador pode analisar os dados com um
dos testes estatísticos não-paramétricos para duas amostras independentes que são
apresentados neste capítulo.
6.1 O teste exato de Fisher

O teste de probabilidade exata de Fisher para tabelas 2×2 é uma técnica
extremamente útil para analisar dados discretos (nominal ou ordinal) quando as
duas amostras independentes são pequenas. Ele é usado quando todos os escores de
duas amostras aleatórias independentes caem em uma ou em outra classe entre duas
classes mutuamente exclusivas. Em outras palavras, todo sujeito em cada grupo
obtém um entre dois escores possíveis. Os escores são representados por frequências
em uma tabela de contingência 2 × 2, como a tabela a seguir.
Tabela 6.1: Tabela de contingência 2 × 2.
Grupo
Variável I II Combinada
+ A B A+B
- C D C+D
Total A+C B+D n
O teste determina se os dois grupos diferem na proporção com a qual eles

caem nas duas classicações. Para os dados tabela anterior (onde A, B , C e D deno-
tam frequências) ele determinaria se o grupo I e o grupo II diferem signicativamente
0 0
na proporção de + s e − s atribuídos a eles.
A probabilidade exata de observar um conjunto particular de frequências em
uma tabela 2 × 2, quando os totais marginais são considerados como xos, é dada
pela distribuição hipergeométrica:

A+C B+D
A B
p=
n
A+B
(A + C)! (B + D)!
= A!C! B!D!
N!
(A + B)!(C + D)!
(A + B)!(C + D)!(A + C)!(B + D)!

= (6.1)
N !A!B!C!D!
Entretanto, vale ressaltar que a hipótese nula de um teste estatístico sempre
pergunta: Qual a probabilidade quando H0 é verdadeira da ocorrência do resultado
observado ou um mais extremo ? Por esse motivo, é necessário que determinemos
todas as tabelas mais extremas do que aquela que observamos.
TESTES PARA DUAS AMOSTRAS INDEPENDENTES 51
Para encontra-las, identique o menor valor de cada linha da tabela obser-

vada e forme novas tabelas de contingência diminuindo unidade-a-unidade os meno-
res valores identicados e passando tais unidades para o maior valor dessa linha.
Para melhor compreensão, observe o exemplo a seguir. Repita o procedimento até
que zere um dos menores valores.
Procedimento:
Estes são os passos no uso do teste exato de Fisher:
1. Coloque as frequências observadas em uma tabela 2 × 2.
2. Determine todas as tabelas mais extremas que a tabela de contingência obser-

vada.
3. Use a equação (6.1) para determinar a probabilidade de ocorrência da amostra

observada ou uma mais extrema, ou use o teste de qui-quadrado aproximado.
Exemplo: Em um estudo de situações nas quais pessoas ameaçam suicídio

saltando de um edifício, ponte ou torre, foi observado que ocorrem vaias ou provo-
cações por uma turma de espectadores em alguns casos e em outros não. Várias
teorias propõem que um estado psicológico de baixa auto-estima e baixa autoper-
cepção, conhecido como deindividuation, pode contribuir para o fenômeno de pro-
vocação. Alguns fatores conhecidos como causadores de reações em multidões são
temperatura, barulho e fadiga. Em um esforço para testar várias hipóteses concer-
nentes a provocações por multidões, Mann (1981) examinou 21 relatos publicados
de suicídios e investigou a relação entre provocações por multidões e o mês do ano,
sendo o último um índice grosseiro de temperatura. A hipótese é de que haveria um
aumento nas provocações por multidões quando zesse calor.
Tabela 6.2: Incidência de provocações por multidões em episódios de ameaça de

suicídio.
Multidão
Mês Provocação Não-provocação Combinado
Junho-Setembro 8 4 12
Outubro-Maio 2 7 9
Total 10 11 21
1. Hipótese nula. H0 : provocação e não-provocação por multidões não variam

como função da temperatura medida pela época do ano. H1 : há um aumento
nas provocações por multidões durante os meses mais quentes.
2. Teste estatístico. Este estudo pede um teste para determinar a signicância

da diferença entre duas amostras independentes - multidões que provocam
Tabela 6.3: Tabela mais extrema que a observada (1).
Multidão
Outubro-Maio 1 8 9
Total 10 11 21
Tabela 6.4: Tabela mais extrema que a observada (2).
Multidão
Outubro-Maio 0 9 9
Total 10 11 21
vítimas e multidões que não provocam. A variável dependente, época do ano,

é dicotômica. Como n é pequeno, o teste exato exato de Fisher é apropriado.
3. Nível de signicância. Sejam α = 0, 10 e n = 21.
4. Distribuição amostral. A probabilidade de ocorrência quando H0 é verdadeira

de um conjunto de valores observados na tabela 2×2 pode ser encontrada
usando a equação (6.1).
5. Região de rejeição. Como H1 prediz a direção da diferença entre os grupos,

a região de rejeição é unilateral. H0 será rejeitada se os valores observados
das células diferem na direção predita e se eles são de tal magnitude que a
probabilidade associada com sua ocorrência (ou ocorrência de tabelas mais
extremas) quando H0 é verdadeira é menos ou igual a α = 0, 10.
6. Decisão. Com os dados amostrais apresentados na tabela anterior e para todas

as tabelas mais extremas, pode-se calcular que
12!9!10!11! 12!9!10!11! 12!9!10!11!

p= + +
21!8!4!2!7! 21!9!3!1!8! 21!10!2!0!8!
= 0, 0563
Como a probabilidade obtida é menor que o nível de signicância escolhido,

podemo rejeitar H0 em favor de H1 . Concluímos que a provocação por multi-
dões em tentativas de suicídio é afetada pela temperatura (medida pelo mês
do ano).
Poder
O teste exato de Fisher é um dos mais poderosos testes unilaterais para dados
de variáveis dicotômicas e em escala nominal.
6.2 O teste qui-quadrado

Quando os dados consistem de frequências em categorias discretas, o teste
de qui-quadrado pode ser usado para determinar a signicância de diferenças entre
dois grupos independentes. A mensuração envolvida pode ser tão fraca quanto a
escala nominal ou categórica.
A hipótese sendo testada é usualmente a de que dois grupos diferem com

relação a alguma característica e, portanto, com relação à frequência relativa com
que componentes dos grupos caem nas diversas categorias; isto é, existe um grupo
com interação variável. Para testar essa hipótese, contamos o número de casos
de cada grupo que caem nas várias categorias com a proporção de casos do outro
grupo. Se as proporções são iguais, então não existe interação; se as proporções
diferem, existe uma interação. O foco do teste é sobre se as diferenças nas proporções
excedem aquelas esperadas como desvios da proporcionalidade devido ao acaso ou
aleatórios. Por isso, esse teste também é chamado de teste de independência entre
duas variáveis.
Primeiro, os dados são dispostos em uma tabela de contingência ou de

frequências na qual as colunas representam grupos e cada linha representa uma
categoria da variável medida (veja a tabela a seguir). Nela existe uma coluna para
cada grupo e a variável medida pode tomar três valores. A frequência observada de
ocorrência do i-ésimo valor ou categoria para o j-ésimo grupo é denotada por nij .
Tabela 6.5: Tabela de contingência 3 × 2.
Grupo
Variável 1 2 Combinada
1 n11 n12 R1
2 n21 n22 R2
3 n31 n32 R3
Total C1 C2 n
A hipótese nula de que os grupos são amostrados de uma mesma população

pode ser testada por
r X c
X (nij − Eij )2
χ2c = (6.2)
i=1 j=1
Eij
r X c
X n2ij
= −n
i=1 j=1
E ij
em que nij é o número de casos categorizados na i-ésima linha e j-ésima coluna; e

Eij é o número esperado de casos na i-ésima linha e j-ésima coluna quando H0 é
verdadeira.
Os valores de χ2c dados pela equação (6.2) são distribuídos assintoticamente

(quando n cresce) como um qui-quadrado com gl = (r − 1)(c − 1).
Sob a suposição de independência, a frequência esperada de observações em
cada célula deveria ser proporcional à distribuição dos totais por linhas e colunas.
Esta frequência esperada é estimada como o produto dos totais correspondentes das
linhas e colunas, dividido pelo número total de observações. A frequência total na
i-ésima linha é
c
X
Ri = nij
j=1
Similarmente, a frequência total na j-ésima coluna é
r
X
Cj = nij
i=1
Então, na tabela anterior, R1 = n11 + n12 , e C1 = n11 + n21 + n31 . Para

encontrar a frequência esperada em cada célula (Eij ), multiplique os dois totais
marginais comuns a uma célula particular e depois divida este produto pelo número
total de casos n. Assim,
Ri Cj
Eij = .
n
Exemplo: Em um estudo de ex-fumantes, Shiman (1982) coletou dados

durante crises de recaídas. Crises de recaídas incluem períodos de retorno ao vício e
situações nas quais uma interrupção na abstinência era iminente, porém foi evitada
com sucesso. Esses episódios de crises foram coletados de fumantes que utilizaram
linha telefônica emergencial para atendimento de crises de recaídas. Vários dados
foram coletados incluindo a estratégia usada na tentativa de evitar uma recaída. As
estratégias foram classicadas como comportamentais (por exemplo, abandonando
a situação) ou cognitivas (por exemplo, revendo mentalmente as razões que levaram
a pessoa a decidir parar de fumar). Alguns sujeitos relataram o uso de um tipo de
estratégia, alguns relataram o uso de ambos e outros relataram o uso de nenhum

deles. A hipótese foi de que os tipos de estratégias utilizadas iriam diferir entre
aqueles que tivessem sucesso e aqueles que não tivessem sucesso em evitar uma
recaída.
Tabela 6.6: Efeito de estratégias sobre crises de recaídas durante o processo de

abandono do cigarro.
Grupo resultante
Estratégia Fumou Não fumou Combinado
Comportamental 15 24 39
Cognitiva 15 21 36
Comportamental e cognitiva 13 43 56
Nenhuma 22 6 28
Total 65 94 159
1. Hipótese nula. H0 : não existe diferença nas estratégias empregadas por aqueles
que evitaram com ou sem sucesso uma interrupção na abstinência. H1 : os dois
grupos diferem nas estratégias empregas durante as crises.
2. Teste estatístico. Como os comportamentos são variáveis categóricas e como

as categorias são mutuamente exclusivas, o teste qui-quadrado é apropriado
para testarH0 .
3. Nível de signicância. Seja α = 0, 01 e n = 159 o número de sujeitos para os

quais os dados foram relatados.
4. Distribuição amostral. A distribuição de χ2c é aproximada pelo qui-quadrado

com gl = (4 − 1)(2 − 1).
5. Região de rejeição. Como H1

simplesmente prediz a diferença entre os dois
2
grupos, a região de rejeição consiste daqueles valores de χc que excedem o valor
crítico da distribuição qui-quadrado para gl = 3. A Tabela 9.9 do Apêndice
indica que o valor crítico da distribuição qui-quadrado é 11,345 quando α=
0, 01.
6. Decisão. Calculando-se os valores esperados E11 = 15, 94, E21 = 14, 72 etc, o
2
valor obtido para a estatística de teste foi χc = 23, 78. Como esse valor excede
o valor crítico, rejeitamos a hipótese de que o tipo de estratégia escolhida é in-
dependente da pessoa ter interrompido ou não a abstinência durante uma crise.
Tabelas de contingência 2 × 2
Talvez o uso mais comum do teste qui-quadrado seja testar se um conjunto

observado de frequências em uma tabela de contingência 2×2 poderia ter ocorrido
quando H0 é verdadeira. A forma de tal tabela nos é familiar (do teste de Fisher).
Quando aplicamos o teste qui-quadrado para dados onde ambos, r e c, são iguais a
2, a seguinte equação deve ser usada:
n(|AD − BC| − n/2)2

χ2c = , gl = 1. (6.3)
(A + B)(C + D)(A + C)(B + D)
Esta equação é um pouco mais fácil de aplicar do que a equação (6.2), já

que somente uma divisão é necessária no cálculo. Ela tem a vantagem adicional de
incorporar uma correção para continuidade, o que melhora bastante a aproximação
2
da distribuição amostral do χc calculada pela distribuição qui-quadrado.
Dividindo os graus de liberdade em tabelas r × 2
Uma vez que um pesquisador determina que o valor de χ2c para uma particular
tabela de contingência é signicativo, ele sabe que existe uma diferença entre os
dois grupos com relação à variável medida. No entanto, ele não sabe onde estão
as diferenças. Como as variáveis medidas tomam vários valores, é possível que a
diferença encontrada possa ser reetida por alguns valores, porém não por outros.
A questão de onde estão as diferenças na tabela de contingência pode ser respondida
por meio de uma partição da tabela de contingência em subtabelas e da análise de
cada uma delas. Pode-se considerar a construção de uma quantidade de subtabelas
que pudessem ser analisadas por meio do teste exato de Fisher; entretanto, tais
tabelas não seriam independentes e a interpretação delas seria difícil. Felizmente, é
possível obter subtabelas 2×2 independentes e que são interpretáveis, construindo-
as usando os métodos descritos a seguir. Qualquer tabela de contingência pode ser
dividida em tantas subtabelas 2×2 quantos forem os graus de liberdade na tabela
original. O método de construção das tabelas é relativamente direto e é mais bem
compreendido por meio de exemplos. Para a Tabela 6.5, existem duas partições;
elas estão ilustradas na tabela a seguir.
Tabela 6.7: Partições aditivas de uma tabela de contingência 3 × 2.
(1) (2)
n11 n12 R1 n11 n12 R1
n21 n22 R2 + + +
C1 C2 n n21 n22 R2
n31 n32 R3
C1 C2 n
Cada uma destas tabelas tem 1 gl. Para testar a independência entre os dois
grupos em tais tabelas, o teste qui-quadrado precisa ser modicado para reetir
o fato de que elas são subtabelas obtidas de uma tabela maior e, assim, reetem
características da amostra inteira. As fórmulas para as partições na tabela anterior
são as seguintes:
n2 (n22 n11 − n21 n12 )2
χ21 = (6.4)
C1 C2 R2 R1 (R1 + R2 )
n[n32 (n11 + n21 ) − n31 (n12 + n22 )]2
χ22 = (6.5)
C1 C2 R3 (R1 + R2 )
Cada uma dessas estatísticas χ2c é distribuída assintoticamente como o qui-
quadrado com 1 gl. Pode-se observar que estas fórmulas são similares àquelas para
tabelas de contingência 2 × 2. Uma diferença importante é que as distribuições
marginais reetem as distribuições marginais da amostra inteira, não somente para
a particular subtabela 2 × 2. Também, a primeira subtabela parece estar contraída
dentro da segunda tabela.
Para tabelas gerais r×2 discutidas nesta seção, podem ser formadas r−1
partições. A equação geral para a t-ésima partição de uma tabela r × 2 é a seguinte:
t t
!2
X X
n2 nt+1,2 ni1 − nt+1,1 ni2
i=1 i=1
χ2t = t
! t+1
! , t = 1, 2, . . . , r − 1 (6.6)
X X
C1 C2 Rt+1 Ri Ri
i=1 i=1
A fórmula para realizar as partições faz com que cada tabela seja contraída
para formar a tabela seguinte. O procedimento acontece do topo para a base. Isto é
feito meramente por conveniência para escrever a equação. O pesquisador precisa or-
ganizar a tabela de modo que faça sentido a contração e a combinação de categorias.
Exemplo: Suponha que quiséssemos testar se pessoas altas e baixas diferem

com relação a qualidades de liderança. A tabela a seguir mostra as frequências com
as quais 43 pessoas de estatura baixa e 52 de estatura alta são classicadas como
líder, seguidor e não-classicável. A hipótese nula é que altura é independente
da posição líder-seguidor, isto é, que a proporção de pessoas altas que são líderes
é a mesma que a proporção de pessoas baixas que são líderes, que a proporção de
pessoas altas e baixas que são seguidores é a mesma, etc.
Aqui, o foco está sobre líderes versus não-líderes. Portanto, pode-se primeiro
comparar as pessoas baixas e altas que são seguidores ou não-classicáveis; então
estas duas variáveis seriam contraídas para formar a segunda partição, a qual com-
pararia líderes e não-líderes. Essas partições estão resumidas ma tabela a seguir.
2
Para a primeira partição na tabela anterior calculamos χc usando a equação
2
(6.4): χ1 = 0, 005. Esse valor é claramente não signicativo. O pesquisador pode
então, com segurança, concluir que não existe relação entre estatura e pessoas que são
Tabela 6.8: Altura e liderança.
Baixo Alto Combinado

Seguidor 22 14 36
Não-classicável 9 6 15
Líder 12 32 44
Total 43 52 95
Tabela 6.9: Partições aditivas para o exemplo de tabela de contingência 3 × 2.
Estatura (1) Estatura (2)

Baixo Alto Baixo Alto
Seguidores 22 14 36 Seguidores ou não-clas. 31 20 51
Não-clas. 9 6 15 Líder 12 32 44
Total 43 52 95 Total 43 52 95
seguidores ou não-classicáveis em termos de liderança. Então, é razoável combinar

estas duas categorias para formar a primeira linha da segunda tabela. Estas duas
categorias são contraídas para formar a segunda partição. Daí, usando a equação
2
(6.5), temos que χ2 = 10, 707.
Como este valor excede o valor crítico da distribuição qui-quadrado para
α = 0, 05, o pesquisador pode concluir que a distribuição de líderes e não-líderes
difere como uma função da estatura. Este resultado é mais forte no sentido de
que fomos capazes de dizer que as pessoas categorizadas como seguidores e não-
classicáveis são essencialmente similares.
Procedimento
Estes são os passos no uso do teste qui-quadrado para duas amostras inde-
pendentes:
1. Coloque as frequências observadas em uma tabela de contingência r×c, usando

c colunas para os grupos e r linhas para as condições. Assim, para este teste,
c = 2.
2. Calcule os totais Ri por linhas e os totais Cj por colunas.
3. Determine a frequência esperada para cada célula encontrando o produto dos

totais marginais comuns a ela e dividindo-o por n (em que n representa o
número total de observações independentes ); então Eij = Ri Cj /n. Note que
n0 s inados invalidam o teste. Os passos 2 e 3 são desnecessários se os dados
estão em uma tabela 2×2 para a qual pode ser usada a equação (6.3). Se r
ou c são maiores do que 2, use a equação (6.2).
4. Determine a signicância do χ2c observado por meio das tabelas 9.8 e 9.9 do
Apêndice. Se a probabilidade é menor ou igual a α, rejeite H0 em favor de H1 .
5. Se a tabela é maior que 2×2 e se H0 é rejeitada, a tabela de contingência

pode ser partida em subtabelas independentes somente para determinar onde
estão as diferenças na tabela original. Use a equação (6.6) para calcular o
2 2
valor de χc para cada partição. Teste a signicância de cada χc por meio da
distribuição qui-quadrado com gl = 1.
Quando usar o teste qui-quadrado

Como já observamos anteriormente, o teste qui-quadrado requer que as frequên-
cias esperadas Eij em cada célula não devem ser muito pequenas. Quando elas são
muito pequenas, o teste pode não ser usado apropriadamente ou signicantemente.
Cochran (1954) faz as seguintes recomendações:
O caso 2 × 2
Se as frequências estão em uma tabela de contingência 2 × 2, a decisão con-
cernente ao uso do qui-quadrado deve ser orientada por estas considerações:
1. Quando n ≤ 20, sempre use o teste exato de Fisher.
2. Quando n está entre 20 e 40, o teste qui-quadrado pode ser usado se todas
as frequências esperadas são maiores ou iguais a 5. Se a menor frequência
esperada é menor do que 5, use o teste exato de Fisher.
3. Quando n > 40, use qui-quadrado corrigido para continuidade.
Tabelas de contingência com gl maior do que 1

Quando r é maior do que 2 (e então gl > 1), o teste qui-quadrado pode
ser usado se menos do que 20% das células têm uma frequência esperada menor do
que 5 e se nenhuma célula tem uma frequência esperada menor do que 1. Se estas
condições não são vericadas nos dados na forma original como foram coletados,
o pesquisador deve combinar categorias adjacentes para aumentar as frequências
esperadas na várias células. Somente após combinar categorias para satisfazer às
exigências acima é que os valores de signicância tabelados para a distribuição qui-
quadrado estarão sucientemente próximos da verdadeira distribuição amostra de
χ2c .
Quando gl > 1, testes qui-quadrado são insensíveis aos efeitos de ordem e,
assim, quando uma hipótese leva a ordem em consideração, o teste qui-quadrado
pode não ser o melhor teste.
Valores esperados pequenos
O teste qui-quadrado é aplicável aos dados em uma tabela de contingência

somente se as frequências esperadas são sucientemente grandes. As exigências de
tamanhos para as frequências esperadas foram discutidas anteriormente. Quando as
frequências esperadas não satisfazem às exigências, é possível aumentar seus valores
por meio de combinação de células, isto é, combinando classicações adjacentes e,
assim, reduzindo o número de células. Isto pode ser feito apropriadamente somente
se tais combinações não tiram o signicado dos dados. Em nosso exemplo de altura e
liderança, é claro, qualquer combinação de categorias teria ocasionado a inutilidade
dos dados para testar nossas hipóteses. O pesquisador pode frequentemente evitar
esse problema planejando com antecedência coletar um número suciente de casos
relativos ao número de classicações usadas na análise.
Poder
Quando o teste qui-quadrado é usado não há, usualmente, uma alternativa

clara e, então o poder exata do teste é difícil de ser calculado. Entretanto, Cochran
2
(1952) mostrou que o poder limite da distribuição χc tende a 1 quando n cresce.
6.3 O teste de Wilcoxon-Mann-Whitney

Quando são obtidas pelo menos mensurações ordinais para as variáveis es-
tudadas, o teste de Wilcoxon-Mann-Whitney pode ser usado para testar se dois
grupos independentes foram extraídos de uma mesma população. Este é um dos
testes não-paramétricos mais poderosos, sendo uma alternativa muito útil para o
teste paramétrico t quando o pesquisador deseja evitar as suposições do teste t
ou quando a mensuração na pesquisa é mais fraca do que a dada em uma escala
intervalar.
Suponha que tenhamos amostras de duas populações, X e Y. A hipótese
nula é que X e Y têm a mesma distribuição. A hipótese alternativa H1 é queX
é estocasticamente maior do que Y - uma hipótese direcional. Podemos aceitar H1
se a probabilidade de que um escore de X seja maior do que um escore de Y é
maior do que um meio. Isto é, se x
é uma observação da população X e se y é uma
1
observação da população Y , então H1 é P [X > Y ] > . Se a evidência dá suporte
2
a H1 , isto implica que a parte essencial dos elementos da população X é maior
do que a parte essencial dos elementos da população Y . Usando esta abordagem, a
1
hipótese nula é H0 : P [X > Y ] = .
2
Para um teste bilateral, isto é, para uma predição de diferenças que não
1
estabelece a direção das diferenças, H1 seria P [X > Y ] 6= .
2
Outra forma de estabelecer a hipótese alternativa é que a mediana de X é
maior que a mediana de Y, isto é, H1 : θx > θy . De uma forma similar, a outra
hipótese pode ser estabelecida em termos de medianas.
Seja m o número de casos na amostra do grupo X e n o número de casos

na amostra do grupo Y. Assumimos que as duas amostras são independentes. Para
aplicar o teste de Wilcoxon, primeiro combinamos as observações ou escores de
ambos os grupos e os dispomos em ordem crescente de tamanho. Neste processo, o
tamanho algébrico é considerado, isto é, os menores postos são atribuídos aos valores
maiores negativos, se existir algum.
Agora focamos sobre um dos grupos, digamos, o grupo X com m casos. O
valor de Wx (a estatística usada neste teste) é a soma dos postos no primeiro grupo.
Por exemplo, suponha que tivéssemos um grupo experimental de 3 casos e
um grupo-controle de 4 casos. Aqui, m = 3 e n = 4. Suponha que os escores fossem:
Escores experimentais X 9 11 15
Escores-controle Y 6 8 10 13
Para encontrar Wx , primeiro colocamos nos postos estes escores em ordem

crescente de tamanho, tendo cuidado para reter a identidade de cada escore como
um escore X ou Y:
Escore: 6 8 9 10 11 13 15
Grupo: Y Y X Y X Y X
Posto: 1 2 3 4 5 6 7
Agora considere o grupo experimental e calcule a soma dos postos para tal
grupo. Então: Wx = 3 + 5 + 7 = 15.
De forma similar, Wy = 1 + 2 + 4 + 6 = 13.
Devemos lembrar que a soma dos N primeiro números naturais é
N (N + 1)
1 + 2 + 3 + ... + n =
2
Portanto, para nosso exemplo de tamanho N = m+n = 7, a soma dos postos
é 7(7 + 1)/2 = 28. Também a soma dos postos para os dois grupos deve ser igual à
soma dos postos para o grupo combinado. Isto é
N (N + 1)
Wx + Wy =
2
Se H0 é verdadeira, esperaríamos que a média dos postos em cada um dos
dois grupos fosse quase a mesma. Se a soma dos postos para um grupo é muito
grande (ou muito pequena), então podemos ter razão para suspeitar que as amos-
tras não foram extra idas da mesma população. A distribuição amostral de Wx
quando H0 é verdadeira é conhecida, e com este conhecimento podemos determinar
a probabilidade associada com a ocorrência sob H0 de qualquer Wx tão extremo
quanto o valor observado.
Quando m e n são menores ou iguais a 10, a Tabela 9.15 do Apêndice pode

ser usada para determinar a probabilidade exata associada com a ocorrência, quando
H0 é verdadeira, de qualquer Wx tão extremo quanto um valor observado de Wx .

Pode-se notar que a 9.15 do Apêndice é formada de subtabelas separadas, uma para
cada valor de m de 1 a 10, e cada uma destas subtabelas tem entradas para n = m até
10. (De fato, n = m até 12 para m = 3 ou 4.) Para determinar a probabilidade sob
H0 associada com os dados, o pesquisador precisa conhecer m (o tamanho do menor
grupo), n (o tamanho do maior grupo) e Wx . Com esta informação, a probabilidade
associada com Wx pode ser lida da subtabela apropriada à hipótese H1 .
Em nosso exemplo, m = 3, n = 4 e Wx = 15. A subtabela para m = 3

mostra que para n = 4 a probabilidade de observar um valor de Wx ≥ 15 quando
H0 é verdadeira é 0,200. Este valor é encontrado escolhendo o limite superior crítico
(cU ) como sendo 15 e localizando a entrada correspondente na coluna para n = 4.
O valor à esquerda de cU = 15 é a probabilidade procurada. Se queremos a probabi-
lidade que Wx ≤ cL (cL é o limite crítico inferior), procuramos na tabela a entrada
correspondente na primeira coluna.
A Tabela 9.15 do Apêndice não pode ser usada se m > 10 ou n > 10 (n > 12
se m=3 ou 4). Entretanto, foi mostrado que quando m e n crescem em tamanho,
a distribuição amostral de Wx aproxima-se da distribuição normal com média e
variância dadas por
m(N + 1)
µW x =
2
2 mn(N + 1)
σW x
=
12
Isto é, quando m > 10 ou n > 10, podemos determinar a signicância de um
valor observado de Wx por
Wx ± 0, 5 − µWx
Z=
σWx
m(N + 1)
Wx ± 0, 5 −
Z= r 2 ,
mn(N + 1)
12
o qual tem, assintoticamente, distribuição normal com média 0 e variância unitária.
Isto é, a probabilidade associada com a ocorrência quando H0 é verdadeira de va-
lores tão extremos quanto um z observado, pode ser determinada pela Tabela 9.7
do Apêndice. É adicionado o valor +0, 5 se desejamos encontrar probabilidades na
cauda esquerda da distribuição e é adicionado −0, 5 se desejamos encontrar proba-
bilidades na cauda direita da distribuição.
O teste de Wilcoxon assume que os escores são amostrados de uma distribui-

ção contínua. Com mensuração muito precisa de uma variável contínua, a probabili-
dade de um empate é zero. No entanto, com medidas relativamente rudimentares, as
quais são tipicamente empregadas na pesquisa, empates podem muito bem ocorrer.
Assumimos que duas (ou mais) observações que resultam em escores empatados são
realmente diferentes, mas que esta diferença é muito renada ou minúscula para ser
detectada por nossas mensurações.
Quando ocorrem escores empatados, atribuímos a cada uma das observações
empatadas a média dos postos que elas teriam se não tivessem ocorrido empates.
Se ocorrem empates entre duas ou mais observações no mesmo grupo, o va-
lor de Wx não é afetado. Mas se ocorrem empates entre duas ou mais observações
envolvendo ambos os grupos, o valor de Wx (e Wy ) é afetado. Apesar do efeito ser
usualmente desprezível, uma correção para empates é possível e deve ser usada sem-
pre que utilizamos aproximação de grandes amostras para a distribuição amostral
de Wx .
O efeito de postos empatados é a alteração da variabilidade do conjunto
de postos. Então, a correção para empates precisa ser aplicada na variância da
distribuição amostral de Wx . Corrigida para empates, a variância transforma-se em
g
!
2 mn N 3 − N X t3j − tj
σW = −
x
N (N − 1) 12 j=1
12
em que N = m + n, g é o número de agrupamentos de postos empatados diferentes

e tj é o número de postos empatados no j-ésimo agrupamento. Usando essa correção
para empates, o valor de Z transforma-se em
m(N + 1)
Wx ± 0, 5 −
Z=v 2
g
!,
3
3 tj − tj
u
u mn N −N X
t −
N (N − 1) 12 j=1
12
Pode ser visto que, se não existem empates, a expressão acima se reduz di-
retamente àquela dada originalmente.
Procedimento
Estes são os passos no uso do teste de Wilcoxon:
1. Determine o valor de m e n. O número de casos no grupo menor (denotado

por X) é m; o número de casos no grupo maior (denotado por Y) é n.
2. Atribua postos aos escores em conjunto para ambos os grupos, atribuindo o
posto 1 ao escore que é o menor, algebricamente. Os postos irão variar de 1 a
m+n = N . Às observações empatadas, atribua a média dos postos empatados.
3. Determine o valor de Wx somando os postos no grupo X.

4. O método para determinar a signicância de Wx depende do tamanho de m e
de n:
a) Se m ≤ 10 e n ≤ 10 (ou n ≤ 12 para m = 3 ou 4), a probabilidade

exata associada com um valor tão grande (ou tão pequeno) quanto um Wx
observado é dada pela Tabela 9.15 do Apêndice. Os valores tabelados são
probabilidades unilaterais. Para um teste bilateral, os valores tabelados
são dobrados.
b) Se m > 10 ou n > 10, a probabilidade associada com um valor tão extremo

Wx pode ser determinada calculando a aproxi-
quanto o valor observado de
mação normal e acessando a signicância de Z por meio da Tabela 9.7 do
Apêndice. Para um teste bilateral, a probabilidade apresentada na tabela
deve ser dobrada. Se o número de empates é grande ou se a probabilidade
encontrada é muito próxima do nível de signicância escolhido, aplique a
correção para empates.
5. Se o valor observado de Wx tem uma probabilidade associada menor ou igual

a α, rejeite H0 em favor de H1 .
Poder-eciência
Se o teste de Wilcoxon é aplicado a dados que podem ser apropriadamente
analisados pelo teste paramétrico mais poderoso, o teste t, seu poder-eciência
aproxima-se de 3/π = 95% quando N cresce e está próximo de 95% mesmo para
amostras com tamanho moderado. Ele é, portanto, uma excelente alternativa para
o teste t e, é claro, não tem todas as suposições restritivas e exigências associadas
com este teste.
Em alguns casos, foi mostrado que o teste de Wilcoxon tem poder maior do
que 1, isto é, ele é mais poderoso que o teste t.
7
TESTES PARA K AMOSTRAS RELACIONADAS
Neste capítulo serão apresentados procedimentos para testar diferenças entre

três grupo ou mais. Isto é, serão apresentados testes estatísticos para testar a
hipótese nula de que k amostras tenham sido extraídas de uma mesma população.
A técnica paramétrica para testar se várias amostras provém de populações
idênticas é a análise de variância e a estatística F associada. As suposições associ-
adas com o modelo estatístico subjacente à análise de variância são:
1. Os escores ou as observações são independentemente extraídos de populações

com distribuição normal.
2. Todas as populações têm a mesma variância.
3. As médias das populações normalmente distribuídas são combinações lineares

de efeitos devido às linhas e às colunas, isto é, os efeitos são aditivos.
Além disso, o teste F assume pelo menos mensuração intervalar das variáveis envol-
vidas.
Se um pesquisador acha que tais suposições são irreais, que os escores não
satisfazem as exigências de mensuração, ou deseja evitar fazer as suposições a m
de aumentar a generalidade dos resultados obtidos, um dos testes não-paramétricos
apresentados neste e no próximo capítulo seria apropriado. Além de evitar as su-
posições e exigências mencionadas, estes testes não-paramétricos de k amostras têm
a vantagem adicional de permitir que a análise seja feita sobre dados de natureza
somente categórica ou ordinal.
Os testes para k amostras relacionadas são equivalentes ao Delineamento em
Blocos Casualizados (DBC) - two way - objeto de estudo da Estatística Experimen-
tal.
7.1 O teste Q de Cochran

O teste de McNemar para duas amostras relacionadas, apresentado no Ca-
pítulo 5, pode ser estendido para o uso em estudos envolvendo mais do que duas
amostras. Sua extensão é o teste Q de Cochran para k amostras relacionadas.
O teste Q de Cochran é particularmente apropriado quando os dados são ca-
tegóricos (medidos em uma escala nominal) ou quando são observações dicotômicas
ordinais (ou intervalares).
Se os dados de estudo são organizados em uma tabela de duas entradas
consistindo de n linhas e k colunas, é possível testar a hipótese nula de que a
proporção (ou frequência) de respostas de um tipo particular é a mesma em cada
coluna, exceto por diferença devidas ao acaso. Cochran (1950) mostrou que, se a
hipótese nula é verdadeira, isto é, se não existe diferença na probabilidade, digamos
de sucesso sob cada condição (o que é o mesmo que dizer que os sucessos e
fracassos estão distribuídos aleatoriamente nas linhas e nas colunas de uma tabela
de duas entradas) e se o número de linhas não é muito pequeno, a estatística
k
X
k(k − 1) (Gj − Ḡ)2
j=1
Q= n n , (7.1)
X X
k Li − L2i
i=1 i=1
é distribuída aproximadamente como uma χ2 com gl = k − 1; em que Gj é o número

total de sucessos na j-ésima coluna; Ḡ é a média dos Gj ; e Li é o número total de
sucessos na i-ésima linha.
Uma equação equivalente a esta e facilmente obtida a partir da equação (7.1),
mas com cálculos simplicados é,
 !2 
k
X k
X
(k − 1) k G2j − Gj 
j=1 j=1
Q= n n . (7.2)
X X
k Li − L2i
i=1 i=1
TESTES PARA K AMOSTRAS RELACIONADAS 67
Procedimento:
Estes são os passos no uso do teste Q de Cochran:
1. Para os dados dicotômicos, atribua o escore 1 a cada sucesso e o escore 0 a

cada fracasso.
2. Coloque os escores em uma tabela n×k usando n linhas e k colunas. n é o

número de casos em cada um dos k grupos ou condições.
3. Determine o valor de Q usando a equação (7.1) ou a equação (7.2).
4. A signicância do valor observado de Q é distribuída aproximadamente como

2
uma χ com gl = k−1. Se a probabilidade associada com a ocorrência, quando
H0 é verdadeira, de um valor tão grande quanto o valor observado de Q for
menor ou igual a α, rejeite H0 .
Exemplo: Suponha que estivéssemos interessados na inuência da cordia-

lidade do entrevistador sobre as respostas de donas-de-casa em uma pesquisa de
opinião. Podemos treinar um entrevistador para conduzir três espécies de entrevis-
tas: (1) mostrando interesse, cordialidade e entusiasmo; (2) mostrando formalidade,
reserva e cortesia; e (3) mostrando desinteresse, modos abruptos de formalidade
rude. O entrevistador teria a incumbência de visitar três grupos de 18 casas e usar
a entrevista (1) com um grupo, a entrevista (2) com outro e a entrevista (3) com
o terceiro. Isto é, obteríamos 18 conjuntos de donas-de-casa com três donas-de-
casa combinadas (igualadas em variáveis relevantes) em cada conjunto. Para cada
conjunto, os três membros seriam atribuídos aleatoriamente aos três tipos de en-
trevistas. Assim, teríamos três amostras combinadas (k = 3) com 18 membros em
cada uma (n = 18). Poderíamos então testar se as diferenças entre os três estilos
de entrevista inuenciaram o número de respostas sim dadas a um item particular
pelos três grupos combinados. Com o uso de dados articiais, apresentamos a seguir
um teste para esta hipótese.
1. Hipótese nula. H0 : a probabilidade de uma resposta sim é a mesma para os

três tipos de entrevistas. H1 : as probabilidades de uma resposta sim diferem
de acordo com o estilo da entrevista.
2. Teste estatístico. O teste Q de Cochran é escolhido porque os dados provém

de mais do que dois grupos relacionados (k = 3) e são dicotômicos com os
valores sim e não.
3. Nível de signicância. Sejam α = 0, 01 e n = 18 o número de casos em cada

um dos k conjuntos combinados.
Tabela 7.1: Respostas sim (1) e não (0) pelas donas-de-casa submetidas a três
tipos de entrevistas (dados ctícios).
Conjunto Entrevista 1 Entrevista 2 Entrevista 3 Li L2i

1 0 0 0 0 0
2 1 1 0 2 4
3 0 1 0 1 1
4 0 0 0 0 0
5 1 0 0 1 1
6 1 1 0 2 4
7 1 1 0 2 4
8 0 1 0 1 1
9 1 0 0 1 1
10 0 0 0 0 0
11 1 1 1 3 9
12 1 1 1 3 9
13 1 1 0 2 4
14 1 1 0 2 4
15 1 1 0 2 4
16 1 1 1 3 9
17 1 1 0 2 4
18 1 1 0 2 4
2
P P
Total G1 = 13 G2 = 13 G3 = 3 Li = 29 Li = 63
4. Distribuição amostral.
Quando a hipótese nula é verdadeira, Q é distribuída
2
aproximadamente como χ com gl = k − 1. Isto é, a probabilidade associada
com a ocorrência sob H0 de quaisquer valores tão grandes como um valor de
Q observado pode ser determinada consultando a Tabela 9.8 do Apêndice.
5. Região de rejeição. Consiste de todos os valores de Q, os quais são tão grandes

que a probabilidade associada com sua ocorrência, quando H0 é verdadeira, é
igual ou menor do que α = 0, 01.
6. Decisão. Pela equação (7.2), Q = 16, 7. A Tabela 9.8 revela que Q ≥ 16, 7 tem
probabilidade de ocorrência, quando H0 é verdadeira, de p < 0, 001 quando
gl = 3 − 1 = 2. Esta probabilidade é menor que o nível de signicância
α = 0, 01. Então, nossa decisão é rejeitar H0 em favor de H1 . Com base neste
dados, concluímos que as probabilidades de respostas sim são diferentes sob
as entrevistas 1, 2 e 3.
Deve ser observado que Q é distribuído como χ2 com gl = k −1 se o tamanho

da amostra não é muito pequeno - em geral n ≥ 4 - e se o produto nk é maior do
que um valor em torno de 24. De fato, como as linhas que consistem somente de 0
ou somente de 1 não afetam o valor de Q, o tamanho efetivo da amostra para a

aproximação da distribuição qui-quadrado é n0 : número de linhas que não são todas
constituídas de 0 ou de 1. Para amostras muito pequenas, a distribuição amostral
exata de Q pode ser construída por meio de permutações. Entretanto, como os
cálculos relevantes são especialmente cansativos e a distribuição é aproximada de
2
forma relativamente rápida pela distribuição χ , detalhes não serão dados aqui.
Poder e poder-eciência
A noção de poder-eciência não tem signicado quando o teste Q de Cochran
é usado para dados categóricos ou para dados naturalmente dicotômicos, porque
testes paramétricos não são aplicáveis a tais dados. Quando o teste Q de Cochran é
usado em outras situações, pode haver uma perda de informação. Como observado
2
anteriormente, a distribuição χ aproxima bem a distribuição amostral exata de Q
quando n≥4 e nk > 24.
7.2 Teste de Friedman por postos

Quando os dados de k amostras combinadas estão pelo menos em uma es-
cala ordinal, a análise de variância de dois fatores de Friedman por postos é usada
para testar a hipótese nula de que as k amostras tenham sido extraídas da mesma
população. Como as k amostras estão combinadas, o número n de casos é o mesmo
em cada uma das amostras.
A análise de variância de dois fatores de Friedman por postos testa a hipótese
nula de que k medidas repetidas ou grupos combinados provém da mesma população
ou de populações com a mesma mediana. Para especicar a hipótese nula mais
explicitamente, seja θj a mediana populacional na j-ésima condição ou grupo. Então
podemos escrever a hipótese nula de que as medianas são iguais como H0 : θ1 =
θ2 = . . . = θk . A hipótese alternativa é então H1 : θi 6= θj para pelo menos duas
condições ou grupos i e j. Isto é, se a hipótese alternativa é verdadeira, pelo menos
um par de condições tem medianas diferentes. Sob a hipótese nula, o teste admite
que as variáveis têm a mesma distribuição contínua subjacente; assim é requerida
uma mensuração ao menos ordinal da variável.
Para o teste de Friedman, os dados são colocados em uma tabela de duas
entradas tendo n linhas e k colunas. As linhas representam os sujeitos ou conjuntos
combinados de sujeitos e as colunas representam as várias condições. Se os escores
dos sujeitos atuando sob todas as condições estão sub estudo, então cada linha dá
os escores de um sujeito sob cada uma das k condições.
Os dados do teste são postos. Os escores em cada linha são postados sepa-
radamente. Isto é, com k condições sendo estudadas, os postos em qualquer linha
variam de 1 a k. O teste de Friedman determina a probabilidade de que diferentes
colunas de postos (amostras) provém da mesma população, isto é, que as k variáveis
tenham a mesma mediana.
Exemplo: Suponha que desejemos estudar os escores de três grupos sob

quatro condições. Aqui n=3 e k = 4. Cada grupo contém quatro sujeitos combi-
nados, cada um tendo sido associado a uma das quatro condições (tabela a seguir).
Tabela 7.2: Escores de três grupos combinados sob quatro condições.
Condições
Grupos I II III IV
A 9 4 1 7
B 6 5 2 8
C 9 1 2 6
Para executar o teste de Friedman sobre aqueles dados, primeiro atribuímos

postos aos escores em cada linha. Podemos dar ao menor escore de cada linha o
posto 1, ao segundo escore mais baixo de cada linha o posto 2, etc. Fazendo isso,
obtemos os dados mostrados na tabela a seguir. Observe que os postos em cada
linha variam de a 1 a k = 4.
Tabela 7.3: Postos de três grupos combinados sob quatro condições.
Condições
Grupos I II III IV
A 4 2 1 3
B 3 2 1 4
C 4 1 2 3
Rj 11 5 4 10
Sendo assim, se a hipótese nula (que todas as amostras - colunas - vêm da

mesma população) é de fato verdadeira, então a distribuição dos postos em cada
coluna seria resultado do acaso e, então, esperaríamos que os postos 1, 2, 3 e 4
apareceriam em cada coluna com aproximadamente a mesma frequência. Isto é, se
os dados fossem aleatórios, esperaríamos que a soma dos postos em cada coluna
fosse n(k + 1)/2 (7,5 para a tabela anterior). Isso indica que, para qualquer grupo,
sob qual condição ocorre o mais alto escore e sob qual condição ocorre o mais baixo
é um resultado do acaso - o que seria real se as condições realmente não diferissem.
Se os escores dos sujeitos fossem independentes da condição, o conjunto de
postos em cada coluna representaria uma amostra aleatória de uma distribuição
retangular discreta dos número dos postos 1, 2, 3 e 4, e os totais dos postos para
as várias colunas seriam quase iguais. Se os escores dos sujeitos fossem dependentes
das condições (isto é, se H0 fosse falsa), então os totais dos postos variariam de uma
coluna para a outra. Como todas as colunas contêm um número igual de casos,
uma armação equivalente seria que, sob H0 , a média dos postos nas várias colunas
seriam aproximadamente iguais.
O teste de Friedman determina se os totais dos postos (Rj ) para cada condi-
ção ou variável diferem signicativamente dos valores que seriam esperados devido
ao acaso. Para fazer este teste, calculamos o valor da estatística, a qual denotaremos
por
" k
#
12 X
Fr = R2 − 3n(k + 1) (7.3)
nk(k + 1) j=1 j
em que n é o número de linhas (sujeitos), k é o número de colunas (variáveis ou

condições) e Rj é a soma dos postos na j-ésima coluna.
A Tabela 9.23 do Apêndice dá as probabilidades associadas com valores de

Fr tão grandes ou maiores do que os valores observados para vários valores de n e
k.
Se o número k de variáveis excede 5 ou o tamanho de n da amostra excede
aquele para as entradas tabeladas na Tabela 9.23 do Apêndice, então uma apro-
ximação para amostras grandes pode ser usada. Quando o número de linhas e/ou
colunas é grande, pode ser mostrado que a estatística Fr é distribuída aproximada-
2
mente como χ com gl = k − 1. Então, a Tabela 9.8 do Apêndice pode ser usada
para determinar a sua signicância.
Para ilustrar os cálculos de Fr e o uso da Tabela 9.23 do Apêndice, podemos

testar a signicância de diferenças nos dados mostrados na tabela anterior. Subs-
tituindo tais valores na equação (7.3), temos que Fr = 7, 4. Mas pela Tabela 9.23,
a probabilidade de Fr ≥ 7, 4 é p ≤ 0, 05. Logo, para estes dados, podemos rejeitar
a hipótese nula de que as quatro amostras foram extraídas de populações com a
mesma mediana.
Quando há empates entre os postos para qualquer grupo (linha), a estatística

Fr precisa ser corrigida para levar em consideração as mudanças na distribuição
amostral. A equação (7.4) dá o valor de Fr apropriado quando ocorrem empates.
Apesar de poder ser usada em geral, isto é, tanto quando não existem empates como
quando existem, o cálculo é relativamente mais trabalhoso.
k
X
12 Rj2 − 3n2 k(k + 1)2
j=1
Fr = gi
n X , (7.4)
X
nk − t3i.j
i=1 j=1
nk(k + 1) +
k−1
em que gi é o número de conjuntos de postos empatados no i-ésimo grupo e ti.j é o
tamanho do j-ésimo conjunto de postos empatados no i-ésimo grupo. Incluímos os
conjuntos de tamanho 1 na contagem. Como é o caso de outras correções para dados
empatados, o efeito de postos empatados é aumentar o tamanho da estatística Fr
de Friedman.
Comparações múltiplas entre grupos e condições

Quando o valor obtido de Fr é signicativo, ele indica que pelo menos uma
das condições difere das outras. Ele não informa ao pesquisador qual delas é dife-
rente, nem diz quantos grupos são diferentes uns dos outros. Isto é, gostaríamos
de testar a hipótese H0 : θu = θv contra H1 : θu 6= θv para algumas condições u e
v. Existe um procedimento simples para determinar qual condição (ou condições)
difere. Começamos por determinar as diferenças |Ru − Rv | para todos os pares
de condições ou grupos. Quando o tamanho da amostra é grande, estas diferen-
ças têm distribuição aproximadamente normal. Entretanto, como existe um grande
número de diferenças e como as diferenças não são independentes, o procedimento
de comparação precisa ser ajustado apropriadamente. Suponha que a hipótese de
não-diferença entre as k condições ou grupos combinados fosse testada e rejeitada no
nível α de signicância. Então poderíamos testar a signicância de pares individuais
de diferenças usando a desigualdade a seguir. Isto é, se
r
nk(k + 1)
|Ru − Rv | ≥ zα/k(k−1) (7.5)
6
ou se os dados são expressos em termos de postos médios dentro de cada condição,
e se r
k(k + 1)
|R̄u − R̄v | ≥ zα/k(k−1) (7.6)
6n
então podemos rejeitar a hipótese H0 : θu = θv e concluir que θu 6= θv . Assim, se
a diferença entre as somas dos postos (ou média dos postos) excede o valor crítico
correspondente dado na equação (7.5) ou na equação (7.6), então podemos concluir
que as duas condições são diferentes. O valor de zα/k(k−1) é o valor da abscissa
da distribuição normal padrão que corresponde a α/k(k − 1)% da distribuição. Os
valores de z podem ser obtidos a partir da Tabela 9.7 do Apêndice.
Devido ao fato de que é frequentemente necessário obter valores baseados em
probabilidades extremamente pequenas, especialmente quando k é grande, a Tabela
9.24 pode ser usada no lugar da Tabela 9.7. Ela é uma tabela da distribuição normal
padrão, a qual foi organizada de modo que valores usados em comparações múlti-
plas possam ser obtidos facilmente. A tabela foi organizada com base no número de
comparações (c) que podem ser feitas. Os valores tabelados são as probabilidades
da cauda superior associadas com os vários valores de α. Quando existem k grupos,
há k(k − 1)/2 comparações possíveis.
Comparação de grupos ou condições com um controle

Algumas vezes, um pesquisador por ter uma comparação mais especíca em
mente do que o conjunto de comparações múltiplas descrito anteriormente. Por
exemplo, suponha que uma condição ou grupo fosse uma testemunha. Após aplicar
o teste de análise de variância de Friedman por postos e notar que ele é signicativo,
o pesquisador pode desejar comparar todas as condições contra uma. Por conve-
niência, indicaremos a condição controle como condição 1. Então a hipótese que o
pesquisador gostaria de testar é
H0 :θ1 = θu H1 : θ1 6= θu
para algum u = 2, 3, . . ..
Assim como no procedimento de múltipla comparação descrito anteriormente,
calculamos as diferenças |R1 − Ru | entre a condição controle e cada uma das ou-
tras condições. Quando os tamanhos das amostras são moderados ou grandes, estas
diferenças têm distribuição aproximadamente normal. No entanto, as comparações
não são independentes e os valores críticos precisam ser obtidos usando uma tabela
especial (Tabela 9.25 do Apêndice). Então podemos testar a signicância das di-
ferenças entre a condição controle e as outras condições, usando a desigualdade a
seguir. Sendo assim, se
r
nk(k + 1)
|R1 − Ru | ≥ qα,c (7.7)
6
ou se os dados são expressos em termos de postos médios dentro de cada condição,
e se r
k(k + 1)
|R̄1 − R̄u | ≥ qα,c (7.8)
6n
então podemos rejeitar a hipótese H0 : θ1 = θu e concluir que θ1 6= θu . Valores de
q(α, c) são dados na Tabela 9.25 do Apêndice para valores selecionados de α e c,
onde c = k − 1, o qual é o número de comparações.
Procedimento:
Estes são os passos no uso da análise de variância de Friedman por postos:
1. Coloque os escores em uma tabela de dupla entrada tendo n linhas (sujeitos)

e k colunas (condições ou variáveis).
2. Atribua postos aos dados de cada linha de 1 a k.
3. Determine a soma dos postos em cada coluna (Rj ).
4. Calcule o valor de Fr com a equação (7.3) se não há empates, ou com a equação

(7.4) se há observações empatadas em qualquer linha.
5. O método para determinar a probabilidade de ocorrência, quando H0 é verda-

deira, de um valor observado de Fr , depende dos tamanhos n e k:
a) A Tabela 9.23 do Apêndice fornece valores críticos selecionados de Fr para

n e k pequenos.
b) Para n e/ou k maiores do que aqueles usados na Tabela 9.23 do Apêndice,

a probabilidade associada pode ser determinada por meio da distribuição
χ2 (Tabela 9.8 do Apêndice) com gl = k − 1.
6. Se a probabilidade fornecida pelo método apropriado no passo 5 é menor ou

igual a α, rejeite H0 .
7. Se H0 é rejeitada, use comparações múltiplas [equação (7.5)] para determinar

quais diferenças entre as condições são signicativas. Se as diferenças entre as
várias condições e uma condição-controle estão sendo testadas, use a equação
(7.7).
Eciência relativa
O poder-eciência do teste de análise de variância de Friedman para dados
normalmente distribuídos quando comparados com sua contraparte normal (o teste
F) é 2/π = 0, 64 quando k=2 e cresce com k para 0,80 quando k = 5, para 0,87
quando k = 10 e para 0,91 quando k = 20. Quando comparados com amostras de
distribuições uniforme e exponencial, a eciência é maior.
7.3 O teste de Page

A análise de variância de Friedman por postos testa a hipótese de que k gru-
pos combinados ou k medidas repetidas são iguais versus a hipótese alternativa de
que um ou mais grupos são diferentes. Algumas vezes um pesquisador pode desejar
considerar uma hipótese alternativa mais especíca. Por exemplo, em um experi-
mento de aprendizagem, o pesquisador pode desejar testar a hipótese de nenhuma
aprendizagem contra a hipótese de que sujeitos irão relembrar mais sobre o ensaio
2 do que sobre o ensaio 1, relembrar mais sobre o ensaio 3 do que sobre o ensaio
2, etc. Neste caso, a hipótese alternativa associada com a análise de variância de
Friedman por postos é muito geral. O teste de Page para alternativas ordenadas,
descrito nesta seção, testa a hipótese de que os grupos (ou medidas) são iguais versus
a hipótese alternativa de que os grupos são ordenados em uma sequência especíca.
Para especicar a hipótese nula e sua alternativa mais explicitamente, seja θj a me-
dida populacional para o j − simo grupo. Então, podemos escrever a hipótese nula
de que as medianas são a mesma como
H0 : θ1 = θ2 = . . . = θk
e a hipótese alternativa pode ser escrita como
H1 : θ1 ≤ θ2 ≤ . . . ≤ θk
isto é, as medianas são ordenadas por magnitude. Se a hipótese alternativa é verda-

deira, pelo menos uma das diferenças é uma desigualdade estrita (<). É importante
notar que, para assegurar o uso apropriado do teste, o pesquisador precisa ser capaz
de especicar a ordem dos grupos (medidas ou condições) a priori.
k amostras ou medidas combinadas
Para aplicar o teste de Page, os dados das
precisam estar pelo menos em uma escala ordinal. Assumiremos que existem n casos
ou conjuntos de observações. Assim como na análise de variância de Friedman por
postos, se as k amostras são combinadas, a combinação é feita obtendo n conjuntos
de k sujeitos combinados e, então, associando aleatoriamente um sujeito em cada
conjunto a uma das k condições.
Para aplicar o teste de Page para alternativas ordenadas, o pesquisador pre-

cisa primeiro especicar a ordenação a priori dos grupos. Os dados, então, são
colocados em uma tabela de dupla entrada com n linhas e k colunas. Assim como
no teste da análise de variância de Friedman por postos, as linhas representam os
sujeitos ou conjuntos combinados de sujeitos e as colunas representam as k condi-
ções.
Os dados do teste são postos. Aos dados em cada linha são atribuídos postos
separadamente, variando de 1 a k. A hipótese nula é que a média dos postos em
cada uma das colunas é a mesma. A hipótese alternativa é que a média dos postos
cresce através dos grupos de 1 a k. Em vez de usar postos médios nos cálculos, o
teste estatístico usa os totais Rj dos postos para o j-ésimo grupo. Para fazer o teste,
calculamos a estatística L:
k
X
L= jRj = R1 + 2R2 + . . . + kRk (7.9)
j=1
em que Rj é a soma dos postos na j-ésima coluna.
As probabilidades associadas com vários valores de L, quando H0 é verda-

deira, foram tabuladas para vários tamanhos n da amostra e vários números k de
variáveis. A Tabela 9.26 do Apêndice dá as probabilidades associadas com valores
de L tão grandes ou maiores do que o valor tabelado par ao nível de signicância
escolhido, então a hipótese H0 pode ser rejeitada em favor da hipótese alternativa H1 .
Valores críticos de L estão tabelados na Tabela 9.26 para n ≤ 20 e k = 3, e

n ≤ 12 para k = 4, 5, 6, 7, 8, 9 e 10. Para valores grandes de n ou k , uma aproximação
para grandes amostras é usada para testar hipóteses concernentes à estatística L
do teste de Page. Para valores grandes de n e k , a distribuição amostral de L é
aproximadamente normal com média e variância dadas por
nk(k + 1)2
µL =
4
2 2
nk (k − 1)2
σL2 =
144(k − 1)
Então, para testar a hipótese H0 de que as medianas são iguais contra a

hipótese alternativa de que elas são ordenadas, calculamos a estatística ZL :
r
12L − 3nk(k + 1)2 k−1
ZL = . (7.10)
k(k 2 − 1) n
Para n grande, a estatísticaZL tem distribuição aproximadamente normal

padrão. Portanto, a signicância de ZL e, então, de L, pode ser determinada con-
sultando a Tabela 9.7 do Apêndice. Como as alternativas são ordenadas, o teste de
Page é unilateral.
Exemplo: Nos últimos anos, tem havido um crescente interesse na habi-

lidade de pessoas para perceber padrões através do tato. Instrumentos têm sido
desenvolvidos para converter caracteres escritos em padrões táteis vibrantes, sendo
que um dos objetivos é tornar pessoas com deciências de visão capazes de ler
textos apresentados em padrões táteis. Um instrumento que tem sido utilizado para
fazer isto, o Optacon, contém uma grade de pequenos pinos, cada um dos quais
pode vibrar independentemente. Letras do alfabeto produzem diferentes padrões de
vibração dos pinos, Em investigações experimentais envolvendo integração temporal
de tais padrões táteis vibrantes, Craig (1984) examinou a quantidade de interação
entre elementos de padrões táteis vibrantes como uma função do tempo entre os iní-
cios de elementos individuais. Em um estudo subsequente, o pesquisador manipulou
o início de estímulos sem sincronia (SOA - stimulus onset asynchrony ) de partes
do padrão e os espaços ou falhas entre linhas de pinos vibrantes que estavam em
contato com o dedo do sujeito. A tarefa do sujeito foi indicar se uma falha estava
presente ou não.
Quatro sujeitos treinados foram testados em um grande número de ensaios
nos quais os estímulos variaram no início sem sincronia e no espaçamento entre os
estímulos. Para avaliar a precisão dos sujeitos em detectar a presença de uma falha,
foi necessário ver o quanto os sujeitos foram precisos em relatar a ausência de uma
falha quando não havia falha ou espaçamento entre os sucessivos estímulos mas o
SOA variava. Para cada sujeito, seis diferentes SOAs foram usados. O pesquisador
desejava testar a hipótese de que a precisão era inversamente relacionada ao SOA.
1. Hipótese nula. H0 : diferentes SOAs não têm efeito sobre a precisão dos sujeitos
quando não há falha espacial no padrão tátil vibrante. H1 : a precisão dos
sujeitos é inversamente relacionada ao SOA, isto é, quando a falta de sincronia
decresce, a proporção de respostas corretas cresce.
Tabela 7.4: Proporção de respostas corretas como uma função do início de estímulos
sem sincronia (SOA).
Estímulos iniciados sem sincronia (ms)

Sujeito 204 104 56 30 13 0
A 0,797 0,876 0,888 0,923 0,942 0,956
B 0,794 0,772 0,908 0,982 0,976 0,913
C 0,838 0,801 0,853 0,951 0,883 0,837
D 0,815 0,801 0,747 0,859 0,887 0,902
Tabela 7.5: Postos ordenados das proporções de respostas corretas para os dados na
tabela anterior.
Estímulos iniciados sem sincronia (ms)

Sujeito 204 104 56 30 13 0
A 1 2 3 4 5 6
B 2 1 3 6 5 4
C 3 1 4 6 5 2
D 3 2 1 4 5 6
Rj 9 6 11 20 20 18
2. Teste estatístico. Como o pesquisador faz hipóteses sobre uma ordenação para
a precisão da resposta, o teste de Page para alternativas ordenadas é apropri-
ado. Além disso, o uso da análise de variância paramétrica não é permitido
porque os dados exibem falta de homogeneidade de variância e a distribuição
parece assimétrica. Isto, junto com o tamanho pequeno da amostra, sugere
que um teste não-paramétrico é apropriado.
3. Nível de signicância. Sejam α = 0, 01 e n=4 o número de sujeitos e k=6

é o número de medidas feitas em cada sujeito.
4. Distribuição amostral. Como os valores de n e k são pequenos, a distribuição

amostral de l como calculada a partir da equação (7.9) é tabelada na Tabela
9.26 do Apêndice.
5. Região de rejeição. Consiste de todos os valores de L que excedem o valor

tabelado de L associado com os valores apropriados de α, n e k.
6. Decisão. Com os postos da tabela anterior, temos que L = 342. A Tabela 9.26
mostra que o valor crítico de L para α = 0, 01, n = 4 ek=6é 331. Uma vez
que o valor observado excede o valor tabelado, o pesquisador pode rejeitar H0
e concluir que a precisão na resposta é inversamente relacionada ao SOA.
Procedimento
Estes são os passos no uso do teste de Page para alternativas ordenadas:
1. Organize os dados em uma tabela de dupla entrada tendo n linhas e k colunas.

A ordenação das condições precisa ser especicada a priori.
2. Atribua postos de 1 a k aos dados em cada linha.
3. Determine a soma dos postos em cada coluna (Rj ).
4. Calcule o valor de L com a equação (7.9).
5. O método para determinar a probabilidade associada com L, quando H0 é

verdadeira, depende dos tamanhos de n e k:
a) A Tabela 9.26 fornece valores críticos selecionados de L para n ≤ 20 quando

k = 3, e para n ≤ 12 quando 4 ≤ k ≤ 10.
b) Se o número de observações e/ou variáveis impede o uso da Tabela 9.26,
a aproximação normal deve ser usada. O valor de ZL deve ser calculado
usando a equação (7.10) e a Tabela 9.7 deve ser usada para determinar
se zL , e portanto L, está na região de rejeição. Como H1 especica uma
hipótese alternativa ordenada, um teste unilateral deve ser usado. Se H0
é rejeitada, procedimentos de comparação múltipla como aqueles descritos
na seção anterior podem ser usados. No entanto, ao fazer comparações, é
preciso observar que os testes são unilaterais e que os valores de Z precisam
ser ajustados de acordo.
Eciência relativa
A eciência relativa do teste de Page para alternativas ordenadas, quando
comparado com sua distribuição normal alternativa (o teste t), é a mesma que a
da análise de variância de Friedman por postos. Entretanto, comparado ao teste
de Friedman, o teste de Page é mais poderoso em sua habilidade para detectar
alternativas ordenadas.
7.4 Discussão
Três testes estatísticos não-paramétricos para testar H0 no caso de k amostras
relacionadas ou grupos combinados foram apresentados neste capítulo. O primeiro,
o teste Q de Cochran, é útil quando a mensuração das variáveis sob estudo é cate-
górica (em uma escala nominal com dois níveis ou escala ordinal dicotômica). Este
teste torna o pesquisador capaz de determinar se é provável que as k amostras rela-
cionadas poderiam vir da mesma população com relação à proporção ou frequência
de sucessos nas várias amostras ou condições. Isto é, é um teste global para testar
se k amostras exibem frequências de sucessos signicativamente diferentes do que
as que seriam esperadas devido ao acaso.
O segundo teste estatístico não-paramétrico apresentado, a análise de vari-
ância de Friedman por postos, Fr , é apropriado quando as mensurações das variáveis
são pelo menos ordinais. Ele testa a probabilidade de que k amostras relacionadas
possam ter vindo de uma mesma população com relação às médias dos postos. Isto
é, é um teste global para testar se os valores dos dados variam como uma função
das condições sob as quais eles foram observados.
O teste de Friedman deve ser usado preferencialmente ao teste Q de Cochran
sempre que os dados são apropriados para seu uso (isto é, sempre que as variáveis
são, pelo menos, ordenadas). O teste de Friedman tem a vantagem de ter tabelas
com probabilidades exatas para amostras muito pequenas, enquanto o teste Q de
Cochran não deve ser usado quando n é muito pequeno.
Se, ao usar o teste de Friedman, a hipótese H0 de que não há diferença entre
as medianas é rejeitada, comparações múltiplas precisam ser feitas para determinar
quais condições são diferentes de cada uma das outras. Se o pesquisador tem uma
hipótese mais precisa concernente com a diferença entre uma condição (controle) e
as outras, então estas comparações especícas também podem ser testadas.
O último teste, o teste de Page para alternativas ordenadas, assim como o
teste de Friedman, assume que os dados estão em escala ordinal. Entretanto, para a
análise de variância de Friedman por postos, a hipótese alternativa é que os grupos
ou medidas são diferentes. Em contraste, a alternativa para o teste de Page é que
os grupos são ordenados a priori com relação às suas medianas. Como a hipótese
alternativa é mais precisa, o teste de Page deve ser preferido quando esta hipótese
for apropriada para a particular investigação experimental. Finalmente, deve ser
destacado que a hipótese alternativa especicada pelo teste de Page é frequentemente
encontrada em estudos experimentais em ciências sociais e do comportamento.
8
TESTES PARA K AMOSTRAS INDEPENDENTES
Neste capítulo, procedimento serão apresentados para testar a signicância

de diferenças entre três ou mais grupos ou amostras independentes. Isto é, serão
apresentadas técnicas estatísticas para testar a hipótese nula de que k amostras
independentes tenham sido extraídas de uma mesma população ou de k populações
idênticas.
A técnica paramétrica usual para testar se várias amostras independentes
vieram da mesma população é a análise de variância (teste F) em Delineamento
Inteiramente Casualizado (DIC) com um só fator. As suposições associadas com o
modelo estatístico subjacente ao teste F são que as observações são independente-
mente extraídas de populações normalmente distribuídas, todas elas tendo a mesma
variância. Para ser possível uma interpretação dos resultados do teste F, a exi-
gência de mensuração é que as variáveis sejam medidas pelo menos em uma escala
intervalar.
Se um pesquisador verica que tais suposições são irreais ou inapropriadas
para os dados derivados do problema sob investigação, um dos testes estatísticos
não-paramétricos para k amostras independentes apresentados neste capítulo pode
ser usado. A escolha de um teste particular depende da natureza dos dados e das
suposições que o pesquisador precisa fazer. Alguns dos testes descritos neste capítulo
tratam de dados que são inerentemente categóricos (em escala nominal), e outros
tratam com dados que estão em postos (em escala ordinal).
8.1 O teste qui-quadrado

Quando os dados experimentais consistem de frequências em categorias dis-
cretas (nominal ou categórica ou, algumas vezes, ordinal), o teste qui-quadrado pode
ser usado para se chegar à signicância de diferenças entre k grupos independentes.
O teste qui-quadrado para duas amostras independentes é uma extensão direta do
teste qui-quadrado apresentado no Capítulo 6. Em geral, o teste é similar tanto
para dois quanto para k grupos ou amostras independentes.
Para aplicar o teste, primeiro organizamos as frequências em uma tabela
r×k onde os dados em cada coluna são as frequências de cada uma das r respostas
categóricas para cada uma das k diferentes amostras ou grupos. A hipótese nula
é que as k amostras de frequências tenham vindo de uma mesma população ou de
populações idênticas. Esta hipótese pode ser testada aplicando a equação (6.2).
Deve-se lembrar que os valores esperados pode ser determinados por Eij = Rj Cj /n
2
para cada célula da tabela. Os valores de χc são distribuídos assintoticamente como
2
uma χ com gl = (r − 1)(k − 1), em que r é o número de linhas e k é o número de
colunas na tabela de contingência e, portanto, a Tabela 9.8 do Apêndice pode ser
usada.
Exemplo: Em um amplo projeto para determinar a eciência de vários

tratamentos para depressão clínica em pacientes não-internos, dois pesquisadores
deram a 178 pacientes, moderadamente deprimidos clinicamente, 10 semanas de
um entre quatro modos de terapia - psicoterapia, terapia comportamental, medica-
mentos ou terapia de relaxamento (McLean & Hakstian, 1979). Os pesquisadores
examinaram cuidadosamente os pacientes para assegurar que cada um satisfazia o
critério de seleção para o estudo. Este critério incluía um escore dentro ou além do
intervalo moderado em testes psicométricos para depressão. Após atribuir sujeitos
aleatoriamente a uma das quatro condições de tratamento, cada um foi tratado por
um terapeuta. Os terapeutas eram psicólogos, médicos ou psiquiatras licenciados
que foram selecionados de acordo com a força de suas reputações no tratamento
particular que eles ofereciam.
Em um tempo xado após o período de 10 semana, sujeitos pacientes comple-
taram um questionário. Os escores obtidos no inventário foram reduzidos a três cate-
gorias: normal (escore≤ 7), leve (7 <escore< 23) e moderado a grave (escore≥ 23).
Tabela 8.1: Frequências do nível de respostas ao tratamento.
Classes Psicoterapia Relaxamento Medicamentos Comportamental Total

Moderado-grave 13 (8, 40) 8 (8, 21) 10 (9, 36) 3 (8, 02) 34
Leve 20 (21, 75) 23 (21, 26) 27 (24, 22) 18 (20, 76) 88
Normal 11 (13, 84) 12 (13, 53) 12 (15, 42) 21 (13, 21) 56
Total 44 43 49 42 178
TESTES PARA K AMOSTRAS INDEPENDENTES 83
1. Hipótese nula. H0 : a proporção de sujeitos em cada uma das categorias de

escores é a mesma em cada um dos grupos de tratamento. H1 : a proporção
de sujeitos em cada uma das categorias de escores difere através dos grupos
de tratamentos.
2. Teste estatístico. Como os grupos em estudo são independentes e em número

maior do que dois, um teste estatístico para k grupos independentes é apro-
priado. Como os dados estão em categorias discretas, o teste qui-quadrado é
apropriado.
3. Nível de signicância. Sejam α = 0, 05 e n = 178 o número de sujeitos que

participaram do estudo.
4. Distribuição amostral. Sob a hipótese nula, a estatística de teste segue uma

distribuição qui-quadrado, e a Tabela 9.8 do Apêndice pode ser usada.
5. Região de rejeição. Consiste de todos os valores de χ2c que sejam tão grandes
que a probabilidade associada com sua ocorrência quando H0 é verdadeira é
menor ou igual a α = 0, 05.
6. Decisão. A tabela anterior contém as frequências de ocorrência e as frequências
2
esperadas entre parênteses. Com base nesses valores, temos que χc = 12, 80.
De acordo com a Tabela 9.8 com gl = 6, tal valor é signicativo a 5%. Por-
tanto, nossa decisão é rejeitar H0 . Concluímos que os escores pós-tratamento
variam como uma função das categorias de tratamentos.
Partição dos graus de liberdade em tabelas de contingência r × k

Se, ao analisar uma tabela de contingência r × k , H0 é rejeitada, então o
pesquisador pode concluir com segurança que os k grupos diferem sobre a variável
medida. Entretanto, apesar de se poder concluir com segurança que os k grupos são
diferentes, não sabemos onde está a diferença. Para sabermos, procedimentos de
partição para tabelas de contingência similares aos descritos no Capítulo 6 podem
ser usados.
Para cada tabela 2 × 2 gerada, deve-se testar a signicância pelo teste de
qui-quadrado. O valor de χ2c para a t-ésima partição é dado pela seguinte equação:
" j−1
i−1 X i−1 j−1
! j−1 i−1 i−1
!#2
X X X X X X
n Cj Ri nhm − Rh nim − Cm R i nhj − nij Rh
h=1 m=1 h=1 m=1 m=1 h=1 h=1
χ2t = j−1 j i−1 i
X X X X
Cj Ri Cm Cm Rh Rh
m=1 m=1 h=1 h=1
(8.1)
em que t = i + (r − 1)(j − 2) − 1. Cada uma das estatísticas χ2t é distribuída como
qui-quadrado com gl = 1.
Análise de resíduos
Quando o valor obtido de χ2c para uma tabela de contingência r×k é signi-
cativo, o método de partições pode ajudar o pesquisador a determinar onde estão
localizadas as diferenças dentro da tabela. O método exposto acima frequentemente
será suciente para delinear as diferenças. No entanto, para algumas tabelas, após
aplicar o método das partições, o pesquisador pode ainda desejar analisar mais os
dados em um esforço para entender melhor exatamente onde se encontram as dife-
renças. É possível complementar o método das partições analisando os resíduos (as
discrepâncias entre os valores observados e esperados) a m de determinar quais são
maiores do que se poderia esperar se ocorressem devido ao acaso. O resíduo para a
ij -ésima célula em uma tabela r×k é
nij − Eij
eij = p
Eij
em que Eij = Ri Cj /n. A variância deste resíduo pode ser estimada por
1 − Ri /n n − Ri
vij = = .
1 − Cj /n n − Cj
O resíduo ajustado ou resíduo padronizado para a ij -ésima célula pode ser

calculado como r
nij − Eij n − Cj
dij = p . (8.2)
Eij n − Ri
Quando o tamanho n da amostra torna-se grande, o dij tem uma distribuição
aproximadamente normal padrão. Então, a signicância de dij pode ser determi-
nada por meio da tabela 9.7 do Apêndice. O pesquisador que analisa os resíduos
deve levar em conta que os dij não são independente. Portanto, a interpretação dos
resultados deve ser cautelosa. Um procedimento prudente é combinar a análise dos
resíduos com a análise das partições.
Procedimento:
Estes são os passos no uso do teste qui-quadrado para k amostras ou grupos
independentes:
1. Organize as frequências observadas em uma tabela de contingência r × k,

usando as k colunas para os grupos ou amostras.
2. Determine a frequência esperada sob H0 para cada célula, encontrando o pro-

duto dos totais marginais comuns à célula e dividindo esta produto por n.
Isto é, encontre as frequências esperadas Eij . (Valores inados de n devido
a observações múltiplas de cada sujeito invalidam o teste.) Se as frequências
esperadas são pequenas, combine categorias como discutido na seção seguinte.
3. Calcule χ2c . Determine os graus de liberdade gl = (r − 1)(k − 1).
4. Determine a signicância de χ2c observada por meio da Tabela 9.8 do Apêndice.

2
Se a probabilidade dada para o valor observado de χc para o valor particular
de gl é menor ou igual a α, rejeite a hipótese nula H0 em favor de H1 .
5. Se H0 é rejeitada, o valor global de χ2c pode ser dividido através de partições

com o uso da equação (8.1) para determinar onde estão localizadas as diferen-
ças entre os grupos com relação às variáveis medidas na tabela de contingência.
2
Cada um dos χc das partições tem distribuição como qui-quadrado com gl = 1
quando n torna-se grande. Após serem feitas as partições da tabela, os resí-
duos podem ser analisados usando a equação (8.2).
Quando usar o teste qui-quadrado

A aplicação apropriada do teste qui-quadrado requer que as frequências espe-
radas em cada célula não sejam muito pequenas. Quando esta exigência é violada, os
2
resultados do teste não podem ser interpretados porque a distribuição amostra de χc
não é bom aproximada pela distribuição qui-quadrado. Cochran (1954) recomenda
que em testes qui-quadrado para os quais os graus de liberdade são maiores do que
1, não mais do que 20% das células devem ter uma frequência esperada menor do
que 5 e nenhuma célula deve ter uma frequência esperada menor do que 1.
Se estas exigências não são satisfeitas pelos dados na forma pela qual eles
foram originalmente coletados e uma amostra maior não pode ser obtida, o pesqui-
0
sador deve combinar categorias para aumentar os Eij s nas diversas células. Somente
após combinar categorias de modo que menos de 20% das células tenham frequên-
cias esperadas de menos que 5 e nenhuma célula tenha frequência esperada menor
do que 1, o pesquisador pode interpretar apropriadamente os resultados do teste
qui-quadrado. A combinação das categorias precisa ter alguma propriedade comum
ou identidade mútua se a interpretação do resultado do teste após a combinação
de linhas e colunas é para ter sentido. O pesquisador pode se preservar contra
a necessidade de combinar categorias se uma amostra sucientemente grande for
usada.
O teste qui-quadrado é insensível aos efeitos da ordem. Assim, quando as
categorias de respostas ou os grupos (ou ambos) são ordenados, o teste qui-quadrado
pode não ser o melhor teste. Cochran (1954) apresentou métodos que fortalecem os
testes qui-quadrado comuns quando H0 é testada contra alternativas especícas.
Finalmente, deve ser observado que o teste qui-quadrado é executado sobre
frequências. Então, é importante as equações da estatística de teste sobre as frequên-
cias dos dados. Não é correto usar porcentagem ou alguma outra transformação dos
dados na aplicação do teste.
Poder
Não existe, frequentemente, uma alternativa clara para o teste qui-quadrado
quando ele é usado para dados categóricos; assim, o poder do teste qui-quadrado
não pode, em geral, ser calculado. No entanto, Cochran (1952) mostrou que o poder
da distribuição limite do teste qui-quadrado tente para 1 quando o tamanho n da
amostra torna-se grande.
8.2 Teste de Kruskal-Wallis por postos

A análise de variância de Kruskal-Wallis por postos é um teste extremamente
útil para decidir se k amostras independentes provém de populações diferentes. Va-
lores amostrais quase sempre diferem um pouco, e a questão é se as diferenças entre
as amostras signicam genuínas diferenças entre as populações ou se elas represen-
tam meramente o tipo de variações que seriam esperadas entre amostras aleatórias
de uma mesma população. A técnica de Kruskal-Wallis testa a hipótese nula de que
as k amostras provém da mesma população ou de populações idênticas com a mesma
mediana. Para especicar a hipótese nula e sua alternativa mais explicitamente, seja
θj a mediana para o j-ésimo grupo ou amostra. Então podemos escrever a hipótese
nula de que as medianas são as mesmo como H0 : θ1 = θ2 = . . . = θk ; e a hipótese
alternativa pode ser escrita como H1 : θi 6= θj para alguns grupos i e j. Isto é,
se a hipótese alternativa é verdadeira, pelo menos um par de grupos tem medianas
diferentes. Sob a hipótese nula, o teste admite que as variáveis sob estudo têm a a
mesma distribuição contínua subjacente; assim, ele requer pelo menos mensuração
ordinal da variável.
Ao aplicar a análise de variância de Kruskal-Wallis por postos, os dados
são colocados em uma tabela de duas entradas com cada coluna representando cada
amostra ou grupo sucessivo. Então os dados seriam organizados da seguinte maneira:
Grupo
1 2 ... k
X11 X12 ... X1k
X21 X22 ... X2k
. .
. .
. .
.
.
Xn 1 1 . ... X nk k
Xn 2 2
em que Xij é o dado para a i-ésima observação no j-ésimo grupo e nj é o número de

observações no j-ésimo grupo.
No cálculo do teste de Kruskal-Wallis, cada uma das n observações é substi-
tuída por postos. Isto é, todos os escores de todas as k amostras são colocados juntos
e organizados através de postos em uma única série. O menor escore é substituído
pelo posto 1, o seguinte menor escore é substituído pelo posto 2 e o maior escore é
substituído pelo posto n, onde n é o número total de observações independentes nas

k amostras.
Quando isso é feito, a soma dos postos em cada amostra (coluna) é encon-
trada. Destas somas, podemos calcular o posto médio para cada amostra ou grupo.
Assim sendo, se as amostras são da mesma população ou de populações idênticas, os
postos médios devem ser quase os mesmos, enquanto que se as amostras viessem de
populações com medianas diferentes, os postos médios deveriam diferir. O teste de
Kruskal-Wallis trabalha com as diferenças entre os postos médios para determinar
se elas são tão discrepantes que provavelmente não tenham vindo de amostras que
tenham sido extraídas de uma mesma população.
Daremos duas formas para o teste de Kruskal-Wallis e os termos necessários
para calcular a estatística de Kruskal-Wallis:
k
12 X
KW = nj (R̄j − R̄)2
n(n + 1) j=1
" k
#
12 X
KW = nj R̄j2 − 3(n + 1) (8.3)
n(n + 1) j=1
onde k é o número de amostras ou grupos; nj

é o número de casos na j-ésima amostra;
N é o número de casos na amostra combinada (a soma dos n0j s); Rj soma dos postos
na j-ésima amostra; R̄j é a média dos postos na j-ésima amostra e R̄ = (n + 1)/2 é
a média dos postos na amostra combinada.
Se as k amostras são de fato extraídas da mesma população ou de populações
idênticas, isto é, se H0 é verdadeira, então a distribuição amostral da estatística KW
pode ser calculada e a probabilidade de observar diferentes valores de KW pode ser
tabelada. No entanto, quando há mais do que k = 3 grupos e quando o número
de observações em cada grupo excede cinco, a distribuição amostral de KW é bem
2
aproximada pela distribuição χ com gl = k − 1. A aproximação torna-se melhor
quando ambos, o número de grupos, k , e o número de observações dentro de cada
grupo, nj , crescem. Então, quando há mais do que cinco casos nos vários grupos,
isto é, quando todo nj > 5, e quando H0 é verdadeira, a probabilidade associada com
valores tão grandes quanto um observado KW , pode ser determinada pela Tabela
9.8 do Apêndice. Se o valor observado de KW é maior ou igual ao valor tabelado
2
de χ para o nível de signicância previamente determinado e para o observado gl ,
então H0 pode ser rejeitada neste nível de signicância.
Quando k = 3 e o número de casos em cada uma das três amostras é 5
ou menos, a probabilidade associada com KW pode ser obtida da Tabela 9.27 do
Apêndice. Essa tabela fornece valores signicativos selecionados de KW para va-
lores pequenos de n1 , n2 e n3 , isto é, para amostras com tamanho até 5. Estas
probabilidades signicativas são aquelas associadas com a ocorrência de valores tão
grandes ou maiores do que um valor tabelado de KW quando H0 é verdadeira.
Exemplo: Em estudos experimentais de tomada de decisão, pesquisadores

têm dedicado esforço teórico e empírico na compreensão de tarefas de decisão que
são aprendidas passo a passo. Em uma série de estudos nos quais foi exigido que os
sujeitos aprendessem a relação de duas informações com um resultado probabilístico,
uma tarefa exigida foi que os sujeitos aprendessem relações funcionais da forma
X + Y + c = Z , na qual X e Y foram relacionadas probabilisticamente ao critério Z
e c era constante arbitrária. Sujeitos aprendem a tarefa facilmente quando ambas as
informações X e Y são dadas. Entretanto, pesquisas anteriores sugeriram que se a
tarefa é dividida em duas partes, isto é, aprendendo a relação entre uma informação
e o resultado e então aprendendo a relação de ambas as informações com o resultado,
sujeitos devem ter diculdade considerável em aprender a tarefa composta. Em um
certo estudo, uma informação era um preditor válido (mas imperfeito) do resultado,
enquanto que a outra informação, Y , não estava relacionada com o resultado e não
era útil a menos que a informação X fosse apresentada ao mesmo tempo. Para se
entender a habilidade de pessoas em fazer predições neste tipo de tarefa e aprender
tarefas complexas de inferência, sujeitos foram divididos em três grupos - a um
são dadas ambas as informações, a outro é dada primeiro a informação válida e ao
terceiro é dada primeiro a informação irrelevante. Para este exemplo, os dados são o
desempenho de sujeitos na predição no estágio nal do experimento, no qual ambas
as informações são apresentadas. O índice de desempenho é uma estatística que dá
a precisão de julgamento do sujeito. A hipótese de pesquisa foi de que os três grupos
difeririam em seu desempenho nal na tarefa de predição.
Tabela 8.2: Índices de precisão de julgamento.

Treinamento
Informação irrelevante Informação Válida Ambas as informações
0,994 0,795 0,940
0,872 0,884 0,979
0,349 0,816 0,949
0,981 0,890
0,978
Tabela 8.3: Índices de precisão em postos.

Treinamento
Informação irrelevante Informação Válida Ambas as informações
12 2 7
4 5 10
1 3 8
11 6
9
Rj 17 21 40
R̄j 5,67 5,25 8
1. Hipótese nula. H0 : não há diferença no desempenho mediano de sujeitos nas

três tarefas de predição. H1 : os grupos diferem com relação ao desempenho
na tarefa de predição.
2. Teste estatístico. Como três grupos independentes estão sob estudo, é reque-
rido um teste para k amostras independentes. Além disso, como o índice de
precisão de julgamento é medido em uma escala ordinal, o teste de Kruskal-
Wallis é apropriado.
3. Nível de signicância. Sejam α = 0, 05 e n = 12 o número total de sujeitos

em estudo, sendo n1 = 3, n2 = 4 e n3 = 5 os tamanhos dos três grupos.
4. Distribuição amostral. Para k = 3 e nj sendo pequeno, a distribuição amostral

de KW é dada na Tabela 9.27 do Apêndice.
5. Região de rejeição. Consiste de todos os valores de KW que sejam tão grandes

que a probabilidade associada com sua ocorrência, quandoH0 é verdadeira,
sejam menor ou igual a α = 0, 05.
6. Decisão. Pelas tabelas anteriores, temos que KW = 1, 51. Uma consulta à

Tabela 9.27 revela que KW ≥ 1, 51 tem probabilidade de ocorrência sob hi-
pótese nula de nenhuma diferença entre os grupos maior do que 0,10. Então
não podemos rejeitar H0 para estes dados.
Observações empatadas
Quando ocorrem empates entre dois ou mais escores (independentemente do

grupo), a cada um deles é atribuída a média dos postos empatados.
Como a variância da distribuição amostral de KW é inuenciada por em-

pates, pode-se desejar fazer uma correção para empates no cálculo de KW . Para
corrigir o efeito dos empates, KW é calculado pela equação (8.3) e então dividido
por
g
X
(t3i − ti )
i=1
1−
n3 − n
em que g é o número de agrupamentos de postos diferentes empatados; ti é o número
de postos empatados no i-ésimo agrupamento; e n é o número de observações através
de todas as amostras.
Como é usual, a magnitude do fator de correção depende dos tamanhos

dos grupos de empates, isto é, dos valores de ti bem como das porcentagens de
observações envolvidas.
Então uma expressão geral de KW corrigida para empates é
" k
#
12 X
nj R̄j2 − 3(n + 1)
n(n + 1) j=1
KW = g (8.4)
X
(t3i − ti )
i=1
1−
n3 − n
O efeito da correção para empates é aumentar o valor de KW e assim tornar
o resultado mais signicativo do que ele teria sido se nenhuma correção tivesse sido
feita. Portanto, se é possível rejeitar H0 sem fazer a correção, será possível rejeitar
H0 a um nível de signicância ainda mais restringente, se a correção for usada.
Frequentemente, o efeito da correção pode ser desprezado. Se não mais do
que em torno de 25% das observações estão envolvidas nos empates, a probabilidade
associada com um KW calculado sem a correção para empates, isto é, pelo uso da
equação (8.3), raramente varia em mais do que 20% quando é feita a correção, isto
é, se KW é calculado com a equação acima.
Comparações múltiplas entre tratamentos

Quando o valor obtido de KW é signicativo, ele indica que pelo menos um
dos grupos é diferente de pelo menos um dos outros grupos. Mas ele não informa ao
pesquisador quais deles são diferentes, nem quantos grupos são diferentes de cada
um dos outros. O que é necessário é um procedimento que torne possível determinar
quais grupos são diferentes. Existe um procedimento simples para determinar quais
pares de grupos são diferentes. Começamos obtendo as diferenças |R̄u − R̄v | para
todos pares de grupos. Quando o tamanho da amostra é grande, estas diferenças
têm distribuição aproximadamente normal. No entanto, como há um grande nú-
mero de diferenças e porque as diferenças não são independentes, o procedimento de
comparação precisa ser ajustado apropriadamente. Suponha que a hipótese de não
diferença entre k grupos fosse testada e rejeitada no nível α de signicância. Pode-
mos testar a signicância de pares individuais de diferenças usando a desigualdade
a seguir. Se
s
n(n + 1) 1 1
|R̄u − R̄v | ≥ zα/k(k−1) +
12 nu nv
então podemos rejeitar a hipótese H0 : θu = θv e concluir que θu 6= θv . O valor
dezα/k(k−1) é o valor da abscissa da distribuição normal padrão acima da qual está
α/k(k − 1)% da distribuição. Os valores de z podem ser obtidos na Tabela 9.7 do
Apêndice.
Como muitas vezes é necessário obter valores baseados em probabilidades ex-
tremamente pequenas, especialmente quando k é grande, a Tabela 9.24 do Apêndice
pode ser usada no lugar da Tabela 9.7. Essa é uma tabela da distribuição normal
padrão que foi organizada de modo que os valores usados em comparações múltiplas
fossem obtidos facilmente. A tabela é organizada com base no número de compara-

ções que podem ser feitas. Os valores tabelados são os valores de z associados com
vários valores de α. O número de linhas (c) é o número de comparações. Quando
houver k grupos, haverá k(k − 1)/2 comparações possíveis.
Comparações de tratamentos versus controle

Algumas vezes um pesquisador inclui um grupo-controle ou grupo-padrão
como um dos k grupos. Um exemplo seria quando um pesquisador deseja conhecer
os efeitos de várias drogas sobre o comportamento. Apesar de que o maior interesse
possa ser o de determinar se os grupos são diferentes com relação à variável medida, a
principal preocupação pode ser se existe uma diferença entre o comportamento sob
administração de qualquer uma das drogas e o comportamento quando nenhuma
droga (ou um placebo) é administrada. Neste caso, o pesquisador ainda aplicaria aa
análise de variância de Kruskal-Wallis por postos se as suposições para seu uso forem
apropriadas. Entretanto, se H0 é rejeitada, o pesquisador quer saber se qualquer
dos grupos drogados difere do grupo-controle. Isto é, se θc é a mediana para o
grupo controle, e θu é a mediana para o u-ésimo grupo, o pesquisador gostaria de
testar H0 : θc = θu contra H1 : θc 6= θu (ou talvez H1 : θc > θu ). Com não estamos
interessados em comparar todos os grupos, o método de comparação múltipla precisa
ser ajustado para poder considerar o menor número de comparações. Quando há
k grupos no teste global, haverá k−1 comparações com um controle. As relações
apropriadas para as comparações múltiplas neste caso são as seguintes:
Para testar H1 : θc 6= θu ,
s
n(n + 1) 1 1
|R̄c − R̄u | ≥ zα/2(k−1) + .
12 nc nu
Para testar H1 : θc > θu ,

s
n(n + 1) 1 1
|R̄c − R̄u | ≥ zα/(k−1) + .
12 nc nu
Procedimento:
Estes são os passos no uso da análise de variância de Kruskal-Wallis por
postos:
1. Atribua postos a todas as observações para os k grupos em uma única sequên-

cia, com postos de 1 a n. (Às observações empatadas é atribuído o valor da
média dos postos empatados.)
2. Determine os valores Rj e R̄j para um dos k grupos.
3. Se uma grande proporção de observações estão empatadas, calcule o valor de

KW usando a equação (8.4); caso contrário, usa a equação (8.3).
4. O método para determinar a signicância do valor observado de KW depende

do número de grupos k e dos tamanhos dos grupos nj :
a) Se k = 3 e se n1 , n2 , n3 ≤ 5, a Tabela 9.27 do Apêndice deve ser usada

para determinar, sob a suposição de que H0 é verdadeira, a probabilidade
associada de um KW tão grande quanto aquele observado.
b) Em outros casos, a signicância de um valor tão grande quanto o valor

observado de KW pode ser conhecida consultando a Tabela 9.8, com gl =
k − 1.
5. Se a probabilidade associada com o valor observado de KW é igual ou menor

do que no nível de signicância α previamente estabelecido, rejeite H0 em favor
de H1 .
6. Se H0 é rejeitada, o método de múltiplas comparações pode ser usado para

determinar quais diferenças são signicativas. Se o teste envolve uma compa-
ração tratamento versus controle, as equações correspondes devem ser usadas.
Poder-eciência
Comparado com o teste paramétrico mais poderoso, o teste F , e sob condições
nas quais as suposições associadas com o modelo estatístico de análise de variância
paramétrica são satisfeitas, o teste de Kruskal-Wallis tem eciência assintótica de
95,5%.
8.3 O teste de Jonckheere

A análise de variância de Kruskal-Wallis por postos testa a hipótese de que
k grupos ou amostras independentes são as mesmas, contra a hipótese alternativa
de que um ou mais grupos diferem dos outros. No entanto, em algumas situações
experimentais, o pesquisador pode desejar considerar uma hipótese alternativa mais
especíca. Neste caso, a hipótese alternativa associada com a análise de variância
de Kruskal-Wallis por postos, apesar de válida, é muito geral. O teste de Jonckheere
para alternativas ordenadas testa a hipótese de que amostras (ou grupos) estão
ordenadas a priori em uma especíca sequência. Para especicar a hipótese nula e
sua alternativa mais explicitamente, seja θj a mediana populacional para o j-ésimo
grupo ou amostra. Então podemos escrever a hipóteses nula de que as medianas são
as mesmas como H0 : θ1 = θ2 = . . . = θk ; e a hipótese alternativa pode ser escrita
como H1 : θ1 ≤ θ2 ≤ θk , isto é, as medianas estão ordenadas pela magnitude. Se a
hipótese alternativa é verdadeira, pelo menos uma das desigual dadas é estrita (<).
É importante notar que a m de assegurar o uso apropriado do teste, o pesquisador
precisa ser capaz de especicar a priori a ordem dos grupos ou medidas. Isto quer
dizer que não se pode olhar para as k medianas e, com base nessa observação,
especicar a hipótese alternativa. A ordem precisa ser especicada antes dos dados
serem coletados.
Para aplicar o teste de Jonckheere, os dados das k amostras ou grupos in-
dependentes precisam estar pelo menos em escala ordinal, e sob a hipótese nula é
admitido que cada amostra vem da mesma população. Vamos admitir que existem
n casos ou observações dos quais nj estão no j-ésimo grupo.
Os dados são então colocados em uma tabela de dupla entrada, com cada
coluna representando cada amostra ou grupo sucessivo, organizados de acordo com
a ordem das medianas estabelecida na hipótese. Isto é, os grupos estão ordenados
sendo o primeiro grupo aquele com a menor mediana da hipótese alternativa e o
grupo k sendo aquele coma maior mediana da hipótese alternativa. Assim, os dados
seriam organizados da seguinte maneira:
Grupo
1 2 ... k
X11 X12 ... X1k
X21 X22 ... X2k
. .
. .
. .
.
.
Xn 1 1 . ... X nk k
Xn 2 2
O teste de Jonckheere envolve a contagem do número de vezes que uma obser-

vação no i-ésimo grupo ou amostra é precedida por uma observação no j-ésimo grupo
ou amostra. Apesar de o procedimento de contagem parecer bastante cansativo, ele é
de fato bem direto se os procedimentos de cálculo são executados sistematicamente.
Primeiro, denimos a estatística, algumas vezes chamada de conta de Mann-
Whitney,
ni
X
Uij = #(Xhi , j)
h=1
em que #(Xhi , j) é o número de vezes que o dado Xhi precede (é menor do que) um
dado na amostra j , onde i < j . A estatística J do teste de Jonckheere é então o
número total destas contas:
k
X k−1 X
X k
J= Uij = Uij
i<j i=1 j=i+1
A distribuição amostral de J tem sido tabelada para tamanhos pequenos de

amostra e é dada na Tabela 9.28 do Apêndice. As entradas nesta tabela dão as
probabilidades associadas com os valores de J tão grandes ou maiores do que os
valores tabelados para vários valores de J, os n0j s e a probabilidade de signicância.
Devemos notar que a tabela tem duas partes distintas. Na primeira parte estão
0
tabelados a distribuição de J para k = 3 e os nj s menores do que 9, e na segunda
0
parte estão tabelados a distribuição de J para k = 4, 5, 6 com nj s iguais ou maiores
do que 6. Se o valor observado de J é maior do que o valor tabelado para o nível de
signicância escolhido, então a hipótese H0 pode ser rejeitada em favor da hipótese
alternativa H1 .
Quando o tamanho da amostra torna-se grande, a distribuição amostral de
J é aproximadamente normal, com média e variância
k
X
2
n − n2j
j=1
µJ =
"4 k
#
1 X
σJ2 = n2 (2n + 3) − n2j (2nj + 3) .
72 j=1
Então a estatística
J − µJ
J∗ =
σJ
tem distribuição aproximadamente normal padrão. Portanto, a Tabela 9.7 do Apên-
∗
dice pode ser usada para testar hipóteses sobre J e, portanto, J . É claro que, como
as alternativas são ordenadas, o teste é considerado um teste unilateral.
Exemplo: Quando sacarose e NaCl são misturados, tem sido relatado que o
julgamento doce e salgado das misturas ca mascarado. Existem vários fatores
que afetam o quanto os julgamentos cam mascarados. Um é o tipo de composto
usado para mascarar e outro é a concentração do componente usado. Um terceiro
fator é a proporção relativa de estímulo neutro ou subjacente no teste de estímulo.
Experimentos envolvendo julgamentos de sabor são frequentemente tarefas psicofí-
sicas envolvendo muitos ensaios, alguns com estímulo relevante (ensaio com sinal)
e o resto com estímulos e a mistura (ensaio com sinal mais ruído). Em um experi-
mento com o objetivo de reconhecer o efeito da proporção relativa de estímulo puro
ou misturado nos julgamentos, Kroeze (1982) variou os números relativos de estí-
mulo puro e misturado em um experimento de sabor. Tais efeitos de frequência em
outras áreas comportamentais têm sido relatados e têm sido consistentes com uma
explanação derivada da teoria de nível de adaptação de Helson (1964). Em uma
série de quatro amostras independentes, a intensidade física (concentração) de NaCl
foi mantida constante em 0,32mol/l; no teste de estímulo, a concentração de saca-
rose foi também mantida constante em 0,32mol/l. Através dos grupos, a frequência
relativa [NaCl/(NaCl+sacarose)] dos ensaios de teste foi variada. Os julgamentos
individuais de salgado para as várias razões são dados na tabela a seguir. Kroese
colocou como hipótese de que o julgamento salgado cresceria quando a proporção
relativa de NaCl nos ensaios de testes decresce.
Tabela 8.4: Julgamentos individuais de sabor de salgado do estímulo mistura como

uma função da porcentagem de salinidade pura - NaCl.
Porcentagem de estímulo puro - NaCl

80 50 17 10
8,82 13,53 19,23 73,51
11,27 28,42 67,83 85,25
15,78 48,11 73,68 85,82
17,39 48,64 75,22 88,88
24,99 51,40 77,71 90,33
39,05 59,91 83,67 118,11
47,54 67,98 86,83
48,85 79,13 93,25
71,66 103,05
72,77
90,38
103,13
1. Hipótese nula. H0 : as misturas relativas de ensaios de NaCl e ensaios NaCl

+ sacarose não têm efeito no julgamento de salinidade. H1 : julgamento de
sujeitos sobre o sabor salgado são inversamente relacionados à proporção de
ensaios de teste de NaCl no experimento.
2. Teste estatístico. Como o pesquisador tem como hipótese um ordenação para

os julgamentos do sabor salgado, um teste para alternativas ordenadas é apro-
priado. Como o tete envolve grupos independentes, o teste de Jonckheere para
alternativas ordenadas é apropriado.
3. Nível de signicância. Sejam α = 0, 05. O número de sujeitos é n1 = 12,

n2 = 9, n3 = 8, n4 = 6 nos quatro grupos.
4. Distribuição amostral. Como as amostras são de tamanhos desiguais e o nú-

mero de grupos é maior do que três, a aproximação para grandes amostras
será usada para a distribuição amostral da estatística de Jonckheere; isto é, a
∗
estatística J será calculada e sua probabilidade de signicância determinada
pela Tabela 9.7 do Apêndice.
5. Região de rejeição. Consiste de todos os valores de J∗ que são maiores do que

1,645, o valor da distribuição normal padrão associada com α = 0, 05.
6. Decisão. Uij foram calculadas com o auxílio da tabela a seguir.

As estatísticas
Daí, J = 337, µJ = 225, σJ2 = 1140 e J ∗ = 3, 32. Como o valor de J ∗ excede o
valor crítico de 1,645, podemos rejeitar a hipótese de medianas iguais para os
quatro grupos e concluir que elas estão em ordem crescente de magnitude.
Tabela 8.5: Contagens de precedentes #(Xhi , j) para dados na tabela anterior.
Porcentagem de estímulo puro - NaCl

80 50 17 10
i 1 1 1 2 2 3
j 2 3 4 3 4 4
9 8 6 8,82 8 6 13,53 6 19,23 73,51
9 8 6 11,27 7 6 28,42 6 67,83 85,25
8 8 6 15,78 7 6 48,11 5 73,68 85,82
8 8 6 17,39 7 6 48,64 5 75,22 88,88
8 7 6 24,99 7 6 51,40 5 77,71 90,33
7 7 6 39,05 7 6 59,91 5 83,67 118,11
7 7 6 47,54 6 6 67,98 3 86,83
5 7 6 48,85 3 5 79,13 1 93,25
2 6 6 71,66 0 1 103,05
2 6 6 72,77
1 1 1 90,38
0 0 1 103,13
Uij 66 73 62 52 48 36
Observações empatadas
Quando ocorrem empates entre dois ou mais escores ao determinar as con-
tagens de precedentes, a contagem deve ser aumentada em 1/2 (no lugar de 1) para
cada empate. Assim como no teste de Kruskal-Wallis, a variância de J é afetada
pelos empates, mas, a menos que o número de empates seja grande ou que haja
muitos dados empatados em um único valor, o efeito sobre a distribuição amostral
∗
de J é desprezível.
Procedimento
Estes são os passos no uso do teste de Jonckheere para alternativas ordenadas:
1. Coloque os escores em uma tabela de dupla entrada na qual as k colunas

representam as amostras ou grupos organizados em sua ordem, a priori da
menor à maior mediana hipotetizada.
2. Calcule as contagens de precedentes e as contagens de Mann-Whitney (os Uij ).
3. Determine a estatística J do teste de Jonckheere a qual é a soma das contagens

determinadas no passo 2.
4. O método para determinar a signicância do valor observado de J depende do

número de grupos k e dos tamanhos dos grupos ou amostras nj :
a) Se k = 3 e se n1 , n2 , n3 ≤ 8, a Tabela 9.28 do Apêndice pode ser usada

para determinar, sob a suposição de que H0 é verdadeira, a probabilidade
associada de J ser tão grande quanto o valor observado.
0
b) Se k = 4, 5, 6 e os tamanhos das amostras (nj s) são iguais ou menores do
que sete, a Tabela 9.28 pode ser usada para determinar a probabilidade
associada de J ser tão grande quanto foi observado.
c) Se o número de grupos ou o número de observações em um grupo é muito

∗
grande para usar a Tabela 9.28, a estatística J deve ser calculada e a
probabilidade associada com o seu valor deve ser determinada com o uso da
∗
Tabela 9.7 do Apêndice. Se o valor de J (J ) é grande o suciente para que
se possa rejeitar H0 , o pesquisador pode aplicar as técnicas de comparação
múltipla. Entretanto, neste caso, as comparações são unilaterais e o valor
de Z precisa ser ajustado convenientemente.
5. Para facilitar o cálculo de J e J ∗, podemos desejar usar um programa compu-

tacional.
Poder-eciência
A eciência assintótica do teste de Jonckheere é 3/π = 95, 5% quando compa-
rado com um teste t (ou F ) apropriado para alternativas ordenadas. Assim, quando
o teste é comparado com o teste paramétrico apropriado para dados com distribuição
normal, a eciência do teste de Jonckheere é a mesma do teste de Kruskal-Wallis.
8.4 Discussão
Três testes estatísticos não-paramétricos para analisar dados de k grupos
independentes foram apresentados neste capítulo.
O primeiro deles, o teste de qui-quadrado para k amostras independentes,
é útil quando os dados são apresentados em frequências e quando a mensuração
das variáveis sob estudo está em uma escala nominal ou categórica. O teste qui-
quadrado também poderia ser usado quando os dados estão dispostos em categorias
discretas em uma escala ordinal; no entanto, algum dos outros métodos discutidos
neste capítulo pode ser mais apropriado em tais casos. O teste qui-quadrado teste se
as proporções ou frequências nas várias categorias são independentes das da condição
(amostra ou grupo) sob a qual elas foram observadas, isto é, ele testa a hipótese
nula de que as k amostras vêm de uma mesma população ou de populações idênticas
com relação à proporção de observações nas diversas categorias.
A análise de variância de Kruskal-Wallis por postos, o segundo teste discu-
tido, requer pelo menos mensuração ordinal da variável. Ele testa se k grupos ou
amostras independentes poderiam ter sido extraídos de uma mesma população com
distribuição contínua de respostas.
O terceiro teste discutido, o teste de Jonckheere para alternativas ordenadas,
requer que as variáveis sejam medidas em uma escala ordinal. Ele testa a hipótese de
que k amostras independentes poderiam ter sido extraídos de uma mesma população
com a mesma distribuição contínua contra a hipótese alternativa de que as medianas
das distribuições estão ordenadas em magnitude de acordo com alguma hipótese a
priori.
Não temos escolha possível entre esses dois últimos testes se os dados estão em
frequências em vez de escores, isto é, se temos dados enumerados ou se a mensuração
não é mais forte do que a nominal ou categórica. O teste qui-quadrado é o melhor
teste entre aqueles apresentados neste capítulo para tais dados.
Se existe uma ordem a priori para as medianas populacionais dos grupos, o
teste de Jonckheere será mais poderoso do que o teste de Kruskal-Wallis. Isto porque
ele é mais especíco para a hipótese sendo testada do que o teste de Kruskal-Wallis.
9
APÊNDICE: TABELAS
Tabela 9.1: Probabilidades binomiais para tamanho amostral n, probabilidade de

sucesso p e k sucessos. A vírgula decimal foi omitida. Lê-se: 0,xxxx.
p
n k 0, 01 0, 05 0, 10 0, 15 0, 20 0, 25 0, 30 1/3 0, 4 0, 45 0, 50
2 0 9801 9025 8100 7225 6400 5625 4900 4444 3600 3025 2500 2 2
1 0198 0950 1800 2550 3200 3750 4200 4444 4800 4950 5000 1
2 0001 0025 0100 0225 0400 0625 0900 1111 1600 2025 2500 0
3 0 9703 8574 7290 6141 5120 4219 3430 2963 2160 1664 1250 3 3
1 0294 1354 2430 3251 3840 4219 4410 4444 4320 4084 3750 2
2 0003 0071 0270 0575 0960 1406 1890 2222 2880 3341 3750 1
3 0000 0001 0010 0034 0080 0156 0270 0370 0640 0911 1250 0
4 0 9606 8145 6561 5220 4096 3164 2401 1975 1296 0915 0625 4 4
1 0388 1715 2916 3685 4085 4219 4116 3951 3456 2995 2500 3
2 0006 0135 0486 0975 1536 2109 2646 2963 3456 3675 3750 2
3 0000 0005 0036 0115 0256 0469 0756 0988 1536 2005 2500 1
4 0000 0000 0001 0005 0016 0039 0081 0123 0256 0410 0625 0
5 0 9510 7738 5905 4437 3277 2373 1681 1317 0778 0503 0312 5 5
1 0480 2036 3280 3915 4096 3955 3602 3292 2592 2059 1562 4
2 0010 0214 0729 1382 2048 2637 3087 3292 3456 3369 3125 3
3 0000 0011 0081 0244 0512 0879 1323 1646 2304 2757 3125 2
4 0000 0000 0004 0022 0064 0146 0283 0412 0768 1128 1562 1
5 0000 0000 0000 0001 0003 0010 0024 0041 0102 0185 0312 0
6 0 9415 7351 5314 3771 2621 1780 1176 0878 0467 0277 0156 6 6
1 0571 2321 3543 3993 3992 3560 3025 2634 1866 1359 0938 5
2 0014 0305 0984 1762 2458 2966 3241 3292 3110 2780 2344 4
3 0000 0021 0146 0415 0819 1318 1852 2195 2765 3032 3125 3
4 0000 0001 0012 0055 0154 0330 0595 0823 1382 1861 2344 2
5 0000 0000 0001 0004 0015 0044 0102 0165 0369 0609 0938 1
6 0000 0000 0000 0000 0001 0002 0007 0014 0041 0082 0156 0
7 0 9321 6983 4783 3206 2097 1335 0824 0585 0280 0152 0078 7 7
1 0659 2573 3720 3960 3670 3115 2471 2048 1306 0872 0547 6
2 0020 0406 1240 2097 2753 3115 3177 3073 2613 2140 1641 5
3 0000 0036 0230 0617 1147 1730 2269 2561 2903 2918 2734 4
4 0000 0002 0026 0109 0287 0577 0972 1280 1935 2388 2734 3
5 0000 0000 0002 0012 0043 0115 0250 0384 0774 1172 1641 2
6 0000 0000 0000 0001 0004 0013 0036 0064 0172 0320 0547 1
7 0000 0000 0000 0000 0000 0001 0002 0005 0016 0037 0078 0
0, 99 0, 95 0, 90 0, 85 0, 80 0, 75 0, 70 2/3 0, 6 0, 55 0, 50 k n
p
APÊNDICE: TABELAS 101
Tabela 9.2: Probabilidades binomiais (continuação)
p
n k 0, 01 0, 05 0, 10 0, 15 0, 20 0, 25 0, 30 1/3 0, 4 0, 45 0, 50
8 0 9227 6634 4305 2725 1678 1001 0576 0390 0168 0084 0039 8 8
1 0746 2793 3826 3847 3355 2670 1977 1561 0896 0548 0312 7
2 0026 0515 1488 2376 2936 3115 2965 2731 2090 1569 1094 6
3 0001 0054 0331 0839 1468 2076 2541 2731 2787 2568 2188 5
4 0000 0004 0046 0185 0459 0865 1361 1707 2322 2627 2734 4
5 0000 0000 0004 0026 0092 0231 0467 0683 1239 1719 2188 3
6 0000 0000 0000 0002 0011 0038 0100 0171 0413 0703 1094 2
7 0000 0000 0000 0000 0001 0004 0012 0024 0079 0164 0312 1
8 0000 0000 0000 0000 0000 0000 0001 0002 0007 0017 0039 0
9 0 9135 6302 3874 2316 1342 0751 0404 0260 0101 0046 0020 9 9
1 0830 2985 3874 3679 3020 2253 1556 1171 0605 0339 0176 8
2 0034 0629 1722 2597 3020 3003 2668 2341 1612 1110 0703 7
3 0001 0077 0446 1069 1762 2336 2668 2731 2508 2119 1641 6
4 0000 0006 0074 0283 0661 1168 1715 2048 2508 2600 2461 5
5 0000 0000 0008 0050 0165 0389 0735 1024 1672 2128 2461 4
6 0000 0000 0001 0006 0028 0087 0210 0341 0743 1160 1641 3
7 0000 0000 0000 0000 0003 0012 0039 0073 0212 0407 0703 2
8 0000 0000 0000 0000 0000 0001 0004 0009 0035 0083 0176 1
9 0000 0000 0000 0000 0000 0000 0000 0001 0003 0008 0020 0
10 0 9044 5987 3487 1969 1074 0563 0282 0173 0060 0025 0010 10 10
1 0914 3151 3874 3474 2684 1877 1211 0867 0403 0207 0098 9
2 0042 0746 1937 2759 3020 2816 2335 1951 1209 0763 0439 8
3 0001 0105 0574 1298 2013 2503 2668 2601 2150 1665 1172 7
4 0000 0010 0112 0401 0881 1460 2001 2276 2508 2384 2051 6
5 0000 0001 0015 0085 0264 0584 1029 1366 2007 2340 2461 5
6 0000 0000 0001 0012 0055 0162 0368 0569 1115 1596 2051 4
7 0000 0000 0000 0001 0008 0031 0090 0163 0425 0746 1172 3
8 0000 0000 0000 0000 0001 0004 0014 0030 0106 0229 0439 2
9 0000 0000 0000 0000 0000 0000 0001 0003 0016 0042 0098 1
10 0000 0000 0000 0000 0000 0000 0000 0000 0001 0003 0010 0
15 0 8601 4633 2059 0874 0352 0134 0047 0023 0005 0001 0000 15 15
1 1303 3658 3432 2312 1319 0668 0305 0171 0047 0016 0005 14
2 0092 1348 2669 2856 2309 1559 0916 0599 0219 0090 0032 13
3 0004 0307 1285 2184 2501 2252 1700 1299 0634 0318 0139 12
4 0000 0049 0428 1156 1876 2252 2186 1948 1268 0780 0417 11
5 0000 0006 0105 0449 1032 1651 2061 2143 1859 1404 0916 10
6 0000 0000 0019 0132 0430 0917 1472 1786 2066 1914 1527 9
7 0000 0000 0003 0030 0138 0390 0811 1148 1771 2013 1964 8
8 0000 0000 0000 0005 0035 0131 0348 0574 1181 1647 1964 7
9 0000 0000 0000 0001 0007 0034 0116 0223 0612 1048 1527 6
10 0000 0000 0000 0000 0001 0007 0030 0067 0245 0515 0916 5
11 0000 0000 0000 0000 0000 0001 0006 0015 0074 0191 0417 4
12 0000 0000 0000 0000 0000 0000 0001 0003 0016 0052 0139 3
13 0000 0000 0000 0000 0000 0000 0000 0000 0003 0010 0032 2
14 0000 0000 0000 0000 0000 0000 0000 0000 0000 0001 0005 1
15 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0
0, 99 0, 95 0, 90 0, 85 0, 80 0, 75 0, 70 2/3 0, 6 0, 55 0, 50 k n
p
p
n k 0, 01 0, 05 0, 10 0, 15 0, 20 0, 25 0, 30 1/3 0, 4 0, 45 0, 50
20 0 8179 3585 1216 0388 0115 0032 0008 0003 0000 0000 0000 20 20
1 1652 3774 2702 1368 0576 0211 0068 0030 0005 0001 0000 19
2 0159 1887 2852 2293 1369 0669 0278 0143 0031 0008 0002 18
3 0010 0596 1901 2428 2054 1339 0716 0429 0123 0040 0011 17
4 0000 0133 0898 1821 2182 1897 1304 0911 0350 0139 0046 16
5 0000 0022 0319 1028 1746 2023 1789 1457 0746 0365 0148 15
6 0000 0003 0089 0454 1091 1686 1916 1821 1244 0746 0370 14
7 0000 0000 0020 0160 0545 1124 1643 1480 1659 1221 0739 13
8 0000 0000 0004 0046 0222 0609 1144 0987 1797 1623 1201 12
9 0000 0000 0001 0011 0074 0271 0654 0543 1597 1771 1602 11
10 0000 0000 0000 0002 0020 0099 0308 0247 1171 1593 1762 10
11 0000 0000 0000 0000 0005 0030 0120 0092 0710 1185 1602 9
12 0000 0000 0000 0000 0001 0008 0039 0028 0355 0727 1201 8
13 0000 0000 0000 0000 0000 0002 0010 0007 0146 0366 0739 7
14 0000 0000 0000 0000 0000 0000 0002 0001 0049 0150 0370 6
15 0000 0000 0000 0000 0000 0000 0000 0000 0013 0049 0148 5
16 0000 0000 0000 0000 0000 0000 0000 0000 0003 0013 0046 4
17 0000 0000 0000 0000 0000 0000 0000 0000 0000 0002 0011 3
18 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0002 2
19 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 1
20 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0
25 0 7778 2774 0718 0172 0038 0008 0001 0000 0000 0000 0000 25 25
1 1964 3650 1994 0759 0236 0063 0014 0005 0000 0000 0000 24
2 0238 2305 2659 1607 0708 0251 0074 0030 0004 0001 0000 23
3 0018 0930 2265 2174 1358 0641 0243 0114 0019 0004 0001 22
4 0001 0269 1384 2110 1867 1175 0572 0313 0071 0018 0004 21
5 0000 0060 0646 1564 1960 1645 1030 0658 0199 0063 0016 20
6 0000 0010 0239 0920 1633 1828 1472 1096 0442 0172 0053 19
7 0000 0001 0072 0441 1108 1654 1712 1487 0800 0381 0143 18
8 0000 0000 0018 0175 0623 1241 1651 1673 1200 0701 0322 17
9 0000 0000 0004 0058 0294 0781 1336 1580 1511 1084 0609 16
10 0000 0000 0001 0016 0118 0417 0916 1264 1612 1419 0974 15
11 0000 0000 0000 0004 0040 0189 0536 0862 1465 1583 1328 14
12 0000 0000 0000 0001 0012 0074 0268 0503 1140 1511 1550 13
13 0000 0000 0000 0000 0003 0025 0115 0251 0760 1236 1550 12
14 0000 0000 0000 0000 0001 0007 0042 0108 0434 0867 1328 11
15 0000 0000 0000 0000 0000 0002 0013 0040 0212 0520 0974 10
16 0000 0000 0000 0000 0000 0000 0004 0012 0088 0266 0609 9
17 0000 0000 0000 0000 0000 0000 0001 0003 0031 0115 0322 8
18 0000 0000 0000 0000 0000 0000 0000 0001 0009 0042 0143 7
19 0000 0000 0000 0000 0000 0000 0000 0000 0002 0013 0053 6
20 0000 0000 0000 0000 0000 0000 0000 0000 0000 0003 0016 5
21 0000 0000 0000 0000 0000 0000 0000 0000 0000 0001 0004 4
22 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0001 3
23 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 2
24 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 1
25 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0
0, 99 0, 95 0, 90 0, 85 0, 80 0, 75 0, 70 2/3 0, 6 0, 55 0, 50 k n
p
p
n k 0, 01 0, 05 0, 10 0, 15 0, 20 0, 25 0, 30 1/3 0, 4 0, 45 0, 50
30 0 7397 2146 0424 0076 0012 0002 0000 0000 0000 0000 0000 30 30
1 2242 3389 1413 0404 0093 0018 0003 0001 0000 0000 0000 29
2 0328 2586 2277 1034 0337 0086 0018 0006 0000 0000 0000 28
3 0031 1270 2361 1703 0785 0269 0072 0026 0003 0000 0000 27
4 0002 0451 1771 2028 1325 0604 0208 0089 0012 0002 0000 26
5 0000 0124 1023 1861 1723 1047 0464 0232 0041 0008 0001 25
6 0000 0027 0474 1368 1795 1455 0829 0484 0115 0029 0006 24
7 0000 0005 0180 0828 1538 1662 1219 0829 0263 0081 0019 23
8 0000 0001 0058 0420 1106 1593 1501 1192 0505 0191 0055 22
9 0000 0000 0016 0181 0676 1298 1573 1457 0823 0382 0133 21
10 0000 0000 0004 0067 0355 0909 1416 1530 1152 0656 0280 20
11 0000 0000 0001 0022 0161 0551 1103 1391 1396 0976 0509 19
12 0000 0000 0000 0006 0064 0291 0749 1101 1474 1265 0805 18
13 0000 0000 0000 0001 0022 0134 0444 0762 1360 1433 1115 17
14 0000 0000 0000 0000 0007 0054 0231 0436 1101 1424 1354 16
15 0000 0000 0000 0000 0002 0019 0106 0247 0783 1242 1445 15
16 0000 0000 0000 0000 0000 0006 0042 0116 0489 0953 1354 14
17 0000 0000 0000 0000 0000 0002 0015 0048 0269 0642 1115 13
18 0000 0000 0000 0000 0000 0000 0005 0017 0129 0379 0805 12
19 0000 0000 0000 0000 0000 0000 0001 0005 0054 0196 0509 11
20 0000 0000 0000 0000 0000 0000 0000 0001 0020 0088 0280 10
21 0000 0000 0000 0000 0000 0000 0000 0000 0006 0034 0133 9
22 0000 0000 0000 0000 0000 0000 0000 0000 0001 0012 0055 8
23 0000 0000 0000 0000 0000 0000 0000 0000 0000 0003 0019 7
24 0000 0000 0000 0000 0000 0000 0000 0000 0000 0001 0006 6
25 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0001 5
26 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 4
27 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 3
28 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 2
29 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 1
30 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0
0, 99 0, 95 0, 90 0, 85 0, 80 0, 75 0, 70 2/3 0, 6 0, 55 0, 50 k n
p
1
Tabela 9.5: Probabilidades acumuladas para o teste Binomial, P [X ≤ k] = P [X ≥ n − k], para p=q= 2
.
k
n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
4 062 312 688 938 1,0
5 031 188 500 812 969 1,0
6 016 109 344 656 891 984 1,0
7 008 062 227 500 773 938 992 1,0
8 004 035 145 363 637 855 965 996 1,0
9 002 020 090 254 500 746 910 980 998 1,0
10 001 011 055 172 377 623 828 945 989 999 1,0
11 006 033 113 274 500 726 887 967 994 999 1,0
12 003 019 073 194 387 613 806 927 981 997 999 1,0
13 002 011 046 133 291 500 709 867 954 989 998 999 1,0
14 001 006 029 090 212 395 605 788 910 971 994 999 999 1,0
15 004 018 059 151 304 500 696 849 941 982 996 999 999 1,0
16 002 011 038 105 227 402 598 773 895 962 989 998 999 999 1,0
17 001 006 025 072 166 315 500 685 834 928 975 994 999 999 999 1,0
18 001 004 015 048 119 240 407 593 760 881 952 985 996 999 999 999
19 002 010 032 084 180 324 500 676 820 916 968 990 998 999 999
20 001 006 021 058 132 252 412 588 748 868 942 979 994 999 999
Tabela 9.6: (Continuação)
k
n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
21 001 004 013 039 095 192 332 500 668 808 905 961 987 996 999
22 002 008 026 067 143 262 416 584 738 857 933 974 992 998
23 001 005 017 047 105 202 339 500 661 798 895 953 983 995
24 001 003 011 032 076 154 271 419 581 729 846 924 968 989
25 002 007 022 054 115 212 345 500 655 788 885 946 978
APÊNDICE: TABELAS
26 001 005 014 038 084 163 279 423 577 721 837 916 962
27 001 003 010 026 061 124 221 351 500 649 779 876 939
28 002 006 018 044 092 172 286 425 575 714 828 908
29 001 004 012 031 068 132 229 356 500 644 771 868
30 001 003 008 021 049 100 181 292 428 572 708 819
31 002 005 015 035 075 141 237 360 500 640 763
32 001 004 010 025 055 108 189 298 430 570 702
33 001 002 007 018 040 081 148 243 364 500 636
34 001 005 012 029 061 115 196 304 432 568
35 001 003 008 020 045 088 155 250 368 500
105
Tabela 9.7: Probabilidades (α) da distribuição normal padrão N (0, 1) para valores
do quantil Zt padronizado de acordo com o seguinte evento: P (Z > Zt ) = α.
Zt 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2
Tabela 9.8: Quantis superiores da distribuição de qui-quadrado (χα ) com ν graus de
liberdade e para diferentes valores da probabilidade (α) de acordo com o seguinte
2 2
evento: P (χ > χα ) = α.
ν 0,995 0,990 0,975 0,950 0,900 0,750 0,500

1 0,000039 0,000157 0,000982 0,003932 0,015791 0,101532 0,455
2 0,010025 0,020101 0,050636 0,102587 0,210721 0,575364 1,386
3 0,071721 0,114831 0,215793 0,351843 0,584369 1,213 2,366
4 0,206989 0,297109 0,484418 0,710723 1,064 1,923 3,357
5 0,411742 0,554298 0,831212 1,145 1,610 2,675 4,351
6 0,675727 0,872090 1,237 1,635 2,204 3,455 5,348
7 0,989256 1,239 1,690 2,167 2,833 4,255 6,346
8 1,344 1,646 2,180 2,733 3,490 5,071 7,344
9 1,735 2,088 2,700 3,325 4,168 5,899 8,343
10 2,156 2,558 3,247 3,940 4,865 6,737 9,342
11 2,603 3,053 3,816 4,575 5,578 7,584 10,341
12 3,074 3,571 4,404 5,226 6,304 8,438 11,340
13 3,565 4,107 5,009 5,892 7,042 9,299 12,340
14 4,075 4,660 5,629 6,571 7,790 10,165 13,339
15 4,601 5,229 6,262 7,261 8,547 11,037 14,339
16 5,142 5,812 6,908 7,962 9,312 11,912 15,338
17 5,697 6,408 7,564 8,672 10,085 12,792 16,338
18 6,265 7,015 8,231 9,390 10,865 13,675 17,338
19 6,844 7,633 8,907 10,117 11,651 14,562 18,338
20 7,434 8,260 9,591 10,851 12,443 15,452 19,337
21 8,034 8,897 10,283 11,591 13,240 16,344 20,337
22 8,643 9,542 10,982 12,338 14,041 17,240 21,337
23 9,260 10,196 11,689 13,091 14,848 18,137 22,337
24 9,886 10,856 12,401 13,848 15,659 19,037 23,337
25 10,520 11,524 13,120 14,611 16,473 19,939 24,337
26 11,160 12,198 13,844 15,379 17,292 20,843 25,336
27 11,808 12,879 14,573 16,151 18,114 21,749 26,336
28 12,461 13,565 15,308 16,928 18,939 22,657 27,336
29 13,121 14,256 16,047 17,708 19,768 23,567 28,336
30 13,787 14,953 16,791 18,493 20,599 24,478 29,336
40 20,707 22,164 24,433 26,509 29,051 33,660 39,335
50 27,991 29,707 32,357 34,764 37,689 42,942 49,335
60 35,534 37,485 40,482 43,188 46,459 52,294 59,335
120 83,852 86,923 91,573 95,705 100,624 109,220 119,334
240 187,324 191,990 198,984 205,135 212,386 224,882 239,334
480 403,949 410,874 421,189 430,198 440,745 458,754 479,334
960 850,891 861,015 876,028 889,081 904,291 930,093 959,333
2
Tabela 9.9: Quantis superiores da distribuição de qui-quadrado (χα ) com ν graus de
liberdade e para diferentes valores da probabilidade (α) de acordo com o seguinte
2 2
evento: P (χ > χα ) = α.
ν 0,500 0,250 0,100 0,050 0,025 0,010 0,005

1 0,454940 1,323 2,706 3,841 5,024 6,635 7,879
2 1,386 2,773 4,605 5,991 7,378 9,210 10,597
3 2,366 4,108 6,251 7,815 9,348 11,345 12,838
4 3,357 5,385 7,779 9,488 11,143 13,277 14,860
5 4,351 6,626 9,236 11,070 12,833 15,086 16,750
6 5,348 7,841 10,645 12,592 14,449 16,812 18,548
7 6,346 9,037 12,017 14,067 16,013 18,475 20,278
8 7,344 10,219 13,362 15,507 17,535 20,090 21,955
9 8,343 11,389 14,684 16,919 19,023 21,666 23,589
10 9,342 12,549 15,987 18,307 20,483 23,209 25,188
11 10,341 13,701 17,275 19,675 21,920 24,725 26,757
12 11,340 14,845 18,549 21,026 23,337 26,217 28,300
13 12,340 15,984 19,812 22,362 24,736 27,688 29,819
14 13,339 17,117 21,064 23,685 26,119 29,141 31,319
15 14,339 18,245 22,307 24,996 27,488 30,578 32,801
16 15,338 19,369 23,542 26,296 28,845 32,000 34,267
17 16,338 20,489 24,769 27,587 30,191 33,409 35,718
18 17,338 21,605 25,989 28,869 31,526 34,805 37,156
19 18,338 22,718 27,204 30,144 32,852 36,191 38,582
20 19,337 23,828 28,412 31,410 34,170 37,566 39,997
21 20,337 24,935 29,615 32,671 35,479 38,932 41,401
22 21,337 26,039 30,813 33,924 36,781 40,289 42,796
23 22,337 27,141 32,007 35,172 38,076 41,638 44,181
24 23,337 28,241 33,196 36,415 39,364 42,980 45,559
25 24,337 29,339 34,382 37,652 40,646 44,314 46,928
26 25,336 30,435 35,563 38,885 41,923 45,642 48,290
27 26,336 31,528 36,741 40,113 43,195 46,963 49,645
28 27,336 32,620 37,916 41,337 44,461 48,278 50,993
29 28,336 33,711 39,087 42,557 45,722 49,588 52,336
30 29,336 34,800 40,256 43,773 46,979 50,892 53,672
40 39,335 45,616 51,805 55,758 59,342 63,691 66,766
50 49,335 56,334 63,167 67,505 71,420 76,154 79,490
60 59,335 66,981 74,397 79,082 83,298 88,379 91,952
120 119,334 130,055 140,233 146,567 152,211 158,950 163,648
240 239,334 254,392 268,471 277,138 284,802 293,888 300,182
480 479,334 500,519 520,111 532,075 542,599 555,006 563,561
960 959,333 989,180 1016,566 1033,193 1047,760 1064,867 1076,621
Tabela 9.10: Valores críticos de D no teste de uma amostra de Kolmogorov-Smirnov.
Tamanho da amostra (n) Nível de signicância para D = max|F0 (X) − Sn (X)|

0,20 0,15 0,10 0,05 0,01
1 0,900 0,925 0,950 0,975 0,995

2 0,684 0,726 0,776 0,842 0,929
3 0,565 0,597 0,642 0,708 0,828
4 0,494 0,525 0,564 0,624 0,733
5 0,446 0,474 0,510 0,565 0,669
6 0,410 0,436 0,470 0,521 0,618

7 0,381 0,405 0,438 0,486 0,577
8 0,358 0,381 0,411 0,457 0,543
9 0,339 0,360 0,388 0,432 0,514
10 0,322 0,342 0,368 0,410 0,490
11 0,307 0,326 0,352 0,391 0,468

12 0,295 0,313 0,338 0,375 0,450
13 0,284 0,302 0,325 0,361 0,433
14 0,274 0,292 0,314 0,349 0,418
15 0,266 0,283 0,304 0,338 0,404
16 0,258 0,274 0,295 0,328 0,392

17 0,250 0,266 0,286 0,318 0,381
18 0,244 0,259 0,278 0,309 0,371
19 0,237 0,252 0,272 0,301 0,363
20 0,231 0,246 0,264 0,294 0,356
25 0,21 0,22 0,24 0,27 0,32

30 0,19 0,20 0,22 0,24 0,29
35 0,18 0,19 0,21 0,23 0,27
1, 07 1, 14 1, 22 1, 36 1, 63
Acima de 35 √ √ √ √ √
n n n n n
+
Tabela 9.11: Valores críticos de T para o teste de postos com sinal de Wilcoxon.
+
Probabilidade de que T seja maior ou igual à soma c.
n
c 3 4 5 6 7 8 9 10 11 12 13 14 15
3 0,6250
4 0,3750
5 0,2500 0,5625
6 0,1250 0,4375
7 0,3125
8 0,1875 0,5000
9 0,1250 0,4063
10 0,0625 0,3125
11 0,2188 0,5000
12 0,1563 0,4219
13 0,0938 0,3438
14 0,0625 0,2813 0,5313
15 0,0313 0,2188 0,4688
16 0,1563 0,4063
17 0,1094 0,3438
18 0,0781 0,2891 0,5273
19 0,0469 0,2344 0,4727
20 0,0313 0,1875 0,4219
21 0,0156 0,1484 0,3711
22 0,1094 0,3203
23 0,0781 0,2734 0,5000
24 0,0547 0,2305 0,4551
25 0,0391 0,1914 0,4102
26 0,0234 0,1563 0,3672
27 0,0156 0,1250 0,3262
28 0,0078 0,0977 0,2852 0,5000
29 0,0742 0,2480 0,4609
30 0,0547 0,2129 0,4229
31 0,0391 0,1797 0,3848
32 0,0273 0,1504 0,3477
33 0,0195 0,1250 0,3125 0,5171
n
c 3 4 5 6 7 8 9 10 11 12 13 14 15
34 0,0117 0,1016 0,2783 0,4829
35 0,0078 0,0820 0,2461 0,4492
36 0,0039 0,0645 0,2158 0,4155
37 0,0488 0,1875 0,3823
38 0,0371 0,1611 0,3501
39 0,0273 0,1377 0,3188 0,5151
40 0,0195 0,1162 0,2886 0,4849
41 0,0137 0,0967 0,2598 0,4548
42 0,0098 0,0801 0,2324 0,4250
43 0,0059 0,0654 0,2065 0,3955
44 0,0039 0,0527 0,1826 0,3667
45 0,0020 0,0420 0,1602 0,3386
46 0,0322 0,1392 0,3110 0,5000
47 0,0244 0,1201 0,2847 0,4730
48 0,0186 0,1030 0,2593 0,4463
49 0,0137 0,0874 0,2349 0,4197
50 0,0098 0,0737 0,2119 0,3934
51 0,0068 0,0615 0,1902 0,3677
52 0,0049 0,0508 0,1697 0,3424
53 0,0029 0,0415 0,1506 0,3177 0,5000
54 0,0020 0,0337 0,1331 0,2939 0,4758
55 0,0010 0,0269 0,1167 0,2709 0,4516
56 0,0210 0,1018 0,2487 0,4276
57 0,0161 0,0881 0,2274 0,4039
58 0,0122 0,0757 0,2072 0,3804
59 0,0093 0,0647 0,1879 0,3574
60 0,0068 0,0549 0,1698 0,3349 0,5110
61 0,0049 0,0461 0,1527 0,3129 0,4890
62 0,0034 0,0386 0,1367 0,2915 0,4670
n
c 3 4 5 6 7 8 9 10 11 12 13 14 15
63 0,0024 0,0320 0,1219 0,2708 0,4452
64 0,0015 0,0261 0,1082 0,2508 0,4235
65 0,0010 0,0212 0,0955 0,2316 0,4020
66 0,0005 0,0171 0,0839 0,2131 0,3808
67 0,0134 0,0732 0,1955 0,3599
68 0,0105 0,0636 0,1788 0,3394
69 0,0081 0,0549 0,1629 0,3193
70 0,0061 0,0471 0,1479 0,2997
71 0,0046 0,0402 0,1338 0,2807
72 0,0034 0,0341 0,1206 0,2622
73 0,0024 0,0287 0,1083 0,2444
74 0,0017 0,0239 0,0969 0,2271
75 0,0012 0,0199 0,0863 0,2106
76 0,0007 0,0164 0,0765 0,1947
77 0,0005 0,0133 0,0676 0,1796
78 0,0002 0,0107 0,0594 0,1651
79 0,0085 0,0520 0,1514
80 0,0067 0,0453 0,1384
81 0,0052 0,0392 0,1262
82 0,0040 0,0338 0,1147
83 0,0031 0,0290 0,1039
84 0,0023 0,0247 0,0938
85 0,0017 0,0209 0,0844
86 0,0012 0,0176 0,0757
87 0,0009 0,0148 0,0677
88 0,0006 0,0123 0,0603
89 0,0004 0,0101 0,0535
90 0,0002 0,0083 0,0473
91 0,0001 0,0067 0,0416
n
c 3 4 5 6 7 8 9 10 11 12 13 14 15
92 0,0054 0,0365
93 0,0043 0,0319
94 0,0034 0,0277
95 0,0026 0,0240
96 0,0020 0,0206
97 0,0015 0,0177
98 0,0012 0,0151
99 0,0009 0,0128
100 0,0006 0,0108
101 0,0004 0,0090
102 0,0003 0,0075
103 0,0002 0,0062
104 0,0001 0,0051
105 0,0042
106 0,0034
107 0,0027
108 0,0021
109 0,0017
110 0,0013
111 0,0010
112 0,0008
113 0,0006
114 0,0004
115 0,0003
116 0,0002
117 0,0002
118 0,0001
119 0,0001
120 0,0000
Tabela 9.15: Probabilidades da cauda inferior e da cauda superior para Wx . As entradas são P [Wx ≤ cL ] e P [Wx ≥ cU ]. Wx é
o posto-soma para o menor grupo.
m=3
cL n=3 cU n=4 cU n=5 cU n=6 cU n=7 cU n=8 cU n=9 cU n=10 cU n=11 cU n=12 cU
6 0,0500 15 0,0286 18 0,0179 21 0,0119 24 0,0083 27 0,0061 30 0,0045 33 0,0035 36 0,0027 39 0,0022 42
7 0,1000 14 0,0571 17 0,0357 20 0,0238 23 0,0167 26 0,0121 29 0,0091 32 0,0070 35 0,0055 38 0,0044 41
8 0,2000 13 0,1143 16 0,0714 19 0,0476 22 0,0333 25 0,0242 28 0,0182 31 0,0140 34 0,0110 37 0,0088 40
9 0,3500 12 0,2000 15 0,1250 18 0,0833 21 0,0583 24 0,0424 27 0,0318 30 0,0245 33 0,0192 36 0,0154 39
10 0,5000 11 0,3143 14 0,1964 17 0,1310 20 0,0917 23 0,0667 26 0,0500 29 0,0385 32 0,0302 35 0,0242 38
11 0,6500 10 0,4286 13 0,2857 16 0,1905 19 0,1333 22 0,0970 25 0,0727 28 0,0559 31 0,0440 34 0,0352 37
12 0,8000 9 0,5714 12 0,3929 15 0,2738 18 0,1917 21 0,1394 24 0,1045 27 0,0804 30 0,0632 33 0,0505 36
13 0,9000 8 0,6857 11 0,5000 14 0,3571 17 0,2583 20 0,1879 23 0,1409 26 0,1084 29 0,0852 32 0,0681 35
14 0,9500 7 0,8000 10 0,6071 13 0,4524 16 0,3333 19 0,2485 22 0,1864 25 0,1434 28 0,1126 31 0,0901 34
15 1,0000 6 0,8857 9 0,7143 12 0,5476 15 0,4167 18 0,3152 21 0,2409 24 0,1853 27 0,1456 30 0,1165 33
16 0,9424 8 0,8036 11 0,6429 14 0,5000 17 0,3879 20 0,3000 23 0,2343 26 0,1841 29 0,1473 32
17 0,9714 7 0,8750 10 0,7262 13 0,5833 16 0,4606 19 0,3636 22 0,2867 25 0,2280 28 0,1824 31
18 1,0000 6 0,9286 9 0,8095 12 0,6667 15 0,5394 18 0,4318 21 0,3462 24 0,2275 27 0,2242 30
19 0,9643 8 0,8690 11 0,7417 14 0,6121 17 0,5000 20 0,4056 23 0,3297 26 0,2681 29
20 0,9821 7 0,9167 10 0,8083 13 0,6848 16 0,5682 19 0,4685 22 0,3846 25 0,3165 28
21 1,0000 6 0,9524 9 0,8667 12 0,7515 15 0,6364 18 0,5315 21 0,4423 24 0,3670 27
22 0,9762 8 0,9083 11 0,8121 14 0,7000 17 0,5944 20 0,5000 23 0,4198 26
23 0,9881 7 0,9417 10 0,8606 13 0,7591 16 0,6538 19 0,5577 22 0,4725 25
24 1,0000 6 0,9667 9 0,9030 12 0,8136 15 0,7133 18 0,6154 21 0,5275 24
m=4
cL n=4 cU n=5 cU n=6 cU n=7 cU n=8 cU n=9 cU n=10 cU n=11 cU n=12 cU
10 0,0143 26 0,0079 30 0,0048 34 0,0030 38 0,0020 42 0,0014 46 0,0010 50 0,0007 54 0,0005 58
11 0,0286 25 0,0159 29 0,0095 33 0,0061 37 0,0040 41 0,0028 45 0,0020 49 0,0015 53 0,0011 57
12 0,0571 24 0,0317 28 0,0190 32 0,0121 36 0,0081 40 0,0056 44 0,0040 48 0,0029 52 0,0022 56
13 0,1000 23 0,0556 27 0,0333 31 0,0212 35 0,0141 39 0,0098 43 0,0070 47 0,0051 51 0,0038 55
14 0,1714 22 0,0952 26 0,0571 30 0,0364 34 0,0242 38 0,0168 42 0,0120 46 0,0088 50 0,0066 54
APÊNDICE: TABELAS
15 0,2429 21 0,1429 25 0,0857 29 0,0545 33 0,0364 37 0,0252 41 0,0180 45 0,0132 49 0,0099 53

16 0,3429 20 0,2063 24 0,1286 28 0,0818 32 0,0545 36 0,0378 40 0,0270 44 0,0198 48 0,0148 52
17 0,4429 19 0,2778 23 0,1762 27 0,1152 31 0,0768 35 0,0531 39 0,0380 43 0,0278 47 0,0209 51
18 0,5571 18 0,3651 22 0,2381 26 0,1576 30 0,1071 34 0,0741 38 0,0529 42 0,0388 46 0,0291 50
19 0,6571 17 0,4524 21 0,3048 25 0,2061 29 0,1414 33 0,0993 37 0,0709 41 0,0520 45 0,0390 49
20 0,7571 16 0,5476 20 0,3810 24 0,2636 28 0,1838 32 0,1301 36 0,0939 40 0,0689 44 0,0516 48
21 0,8286 15 0,6349 19 0,4571 23 0,3242 27 0,2303 31 0,1650 35 0,1199 39 0,0886 43 0,0665 47
22 0,9000 14 0,7222 18 0,5429 22 0,3939 26 0,2848 30 0,2070 34 0,1518 38 0,1128 42 0,0852 46
23 0,9429 13 0,7937 17 0,6190 21 0,4636 25 0,3414 29 0,2517 33 0,1868 37 0,1399 41 0,1060 45
24 0,9714 12 0,8571 16 0,6952 20 0,5364 24 0,4040 28 0,3021 32 0,2268 36 0,1714 40 0,1308 44
25 0,9857 11 0,9048 15 0,7619 19 0,6061 23 0,4667 27 0,3552 31 0,2697 35 0,2059 39 0,1582 43
26 1,0000 10 0,9444 14 0,8238 18 0,6758 22 0,5333 26 0,4126 30 0,3177 34 0,2447 38 0,1896 42
27 0,9683 13 0,8714 17 0,7364 21 0,5960 25 0,4699 29 0,3666 33 0,2857 37 0,2231 41
28 0,9841 12 0,9143 16 0,7939 20 0,6586 24 0,5301 28 0,4196 32 0,3304 36 0,2604 40
29 0,9921 11 0,9429 15 0,8424 19 0,7152 23 0,5874 27 0,4725 31 0,3766 35 0,2995 39
30 1,0000 10 0,9667 14 0,8848 18 0,7697 22 0,6448 26 0,5275 30 0,4256 34 0,3418 38
31 0,9810 13 0,9182 17 0,8162 21 0,6979 25 0,5804 29 0,4747 33 0,3852 37
32 0,9905 12 0,9455 16 0,8586 20 0,7483 24 0,6334 28 0,5253 32 0,4308 36
33 0,9952 11 0,9636 15 0,8929 19 0,7930 23 0,6823 27 0,5744 31 0,4764 35
115
34 1,0000 10 0,9788 14 0,9232 18 0,8350 22 0,7303 26 0,6234 30 0,5236 34

m=5
cL n=5 cU n=6 cU n=7 cU n=8 cU n=9 cU n=10 cU
15 0,0040 40 0,0022 45 0,0013 50 0,0008 55 0,0005 60 0,0003 65
16 0,0079 39 0,0043 44 0,0025 49 0,0016 54 0,0010 59 0,0007 64
17 0,0159 38 0,0087 43 0,0051 48 0,0031 53 0,0020 58 0,0013 63
18 0,0278 37 0,0152 42 0,0088 47 0,0054 52 0,0035 57 0,0023 62
19 0,0476 36 0,0260 41 0,0152 46 0,0093 51 0,0060 56 0,0040 61
20 0,0754 35 0,0411 40 0,0240 45 0,0148 50 0,0095 55 0,0063 60
21 0,1111 34 0,0628 39 0,0366 44 0,0225 49 0,0145 54 0,0097 59
22 0,1548 33 0,0887 38 0,0530 43 0,0326 48 0,0210 53 0,0140 58
23 0,2103 32 0,1234 37 0,0745 42 0,0466 47 0,0300 52 0,0200 57
24 0,2738 31 0,1645 36 0,1010 41 0,0637 46 0,0415 51 0,0276 56
25 0,3452 30 0,2143 35 0,1338 40 0,0855 45 0,0559 50 0,0376 55
26 0,4206 29 0,2684 34 0,1717 39 0,1111 44 0,0734 49 0,0496 54
27 0,5000 28 0,3312 33 0,2159 38 0,1422 43 0,0949 48 0,0646 53
28 0,5794 27 0,3961 32 0,2652 37 0,1772 42 0,1199 47 0,0823 52
29 0,6548 26 0,4654 31 0,3194 36 0,2176 41 0,1489 46 0,1032 51
30 0,7262 25 0,5346 30 0,3775 35 0,2618 40 0,1818 45 0,1272 50
31 0,7897 24 0,6039 29 0,4381 34 0,3108 39 0,2188 44 0,1548 49
32 0,8452 23 0,6688 28 0,5000 33 0,3621 38 0,2592 43 0,1855 48
33 0,8889 22 0,7316 27 0,5619 32 0,4165 37 0,3032 42 0,2198 47
34 0,9246 21 0,7857 26 0,6225 31 0,4716 36 0,3497 41 0,2567 46
35 0,9524 20 0,8355 25 0,6806 30 0,5284 35 0,3986 40 0,2970 45
36 0,9722 19 0,8766 24 0,7348 29 0,5835 34 0,4491 39 0,3393 44
37 0,9841 18 0,9113 23 0,7841 28 0,6379 33 0,5000 38 0,3839 43
38 0,9921 17 0,9372 22 0,8283 27 0,6892 32 0,5509 37 0,4296 42
39 0,9960 16 0,9589 21 0,8662 26 0,7382 31 0,6014 36 0,4765 41
40 1,0000 15 0,9740 20 0,8990 25 0,7824 30 0,6503 35 0,5235 40
m=6
cL n=6 cU n=7 cU n=8 cU n=9 cU n=10 cU
21 0,0011 57 0,0006 63 0,0003 69 0,0002 75 0,0001 81
22 0,0022 56 0,0012 62 0,0007 68 0,0004 74 0,0002 80
23 0,0043 55 0,0023 61 0,0013 67 0,0008 73 0,0005 79
24 0,0076 54 0,0041 60 0,0023 66 0,0014 72 0,0009 78
25 0,0130 53 0,0070 59 0,0040 65 0,0024 71 0,0015 77
26 0,0206 52 0,0111 58 0,0063 64 0,0038 70 0,0024 76
27 0,0325 51 0,0175 57 0,0100 63 0,0060 69 0,0037 75
28 0,0465 50 0,0256 56 0,0147 62 0,0088 68 0,0055 74
29 0,0660 49 0,0367 55 0,0213 61 0,0128 67 0,0080 73
30 0,0898 48 0,0507 54 0,0296 60 0,0180 66 0,0112 72
31 0,1201 47 0,0688 53 0,0406 59 0,0248 65 0,0156 71
32 0,1548 46 0,0903 52 0,0539 58 0,0332 64 0,0210 70
33 0,1970 45 0,1171 51 0,0709 57 0,0440 63 0,0280 69
34 0,2424 44 0,1474 50 0,0906 56 0,0567 62 0,0363 68
35 0,2944 43 0,1830 49 0,1142 55 0,0723 61 0,0467 67
36 0,3496 42 0,2226 48 0,1412 54 0,0905 60 0,0589 66
37 0,4091 41 0,2669 47 0,1725 53 0,1119 59 0,0736 65
38 0,4686 40 0,3141 46 0,2068 52 0,1361 58 0,0903 64
39 0,5314 39 0,3654 45 0,2454 51 0,1638 57 0,1099 63
40 0,5909 38 0,4178 44 0,2864 50 0,1942 56 0,1317 62
41 0,6505 37 0,4726 43 0,3310 49 0,2280 55 0,1566 61
42 0,7056 36 0,5274 42 0,3773 48 0,2643 54 0,1838 60
43 0,7576 35 0,5822 41 0,4259 47 0,3035 53 0,2139 59
44 0,8030 34 0,6346 40 0,4749 46 0,3445 52 0,2461 58
45 0,8452 33 0,6859 39 0,5251 45 0,3878 51 0,2811 57
46 0,8799 32 0,7331 38 0,5741 44 0,4320 50 0,3177 56
47 0,9102 31 0,7774 37 0,6227 43 0,4773 49 0,3564 55
48 0,9340 30 0,8170 36 0,6690 42 0,5227 48 0,3962 54
49 0,9535 29 0,8526 35 0,7136 41 0,5680 47 0,4374 53
50 0,9675 28 0,8829 34 0,7546 40 0,6122 46 0,4789 52
51 0,9794 27 0,9097 33 0,7932 39 0,6555 45 0,5211 51
m=7
cL n=7 cU n=8 cU n=9 cU n=10 cU
28 0,0003 77 0,0002 84 0,0001 91 0,0001 98
29 0,0006 76 0,0003 83 0,0002 90 0,0001 97
30 0,0012 75 0,0006 82 0,0003 89 0,0002 96
31 0,0020 74 0,0011 81 0,0006 88 0,0004 95
32 0,0035 73 0,0019 80 0,0010 87 0,0006 94
33 0,0055 72 0,0030 79 0,0017 86 0,0010 93
34 0,0087 71 0,0047 78 0,0026 85 0,0015 92
35 0,0131 70 0,0070 77 0,0039 84 0,0023 91
36 0,0189 69 0,0103 76 0,0058 83 0,0034 90
37 0,0265 68 0,0145 75 0,0082 82 0,0048 89
38 0,0364 67 0,0200 74 0,0115 81 0,0068 88
39 0,0487 66 0,0270 73 0,0156 80 0,0093 87
40 0,0641 65 0,0361 72 0,0209 79 0,0125 86
41 0,0825 64 0,0469 71 0,0274 78 0,0165 85
42 0,1043 63 0,0603 70 0,0356 77 0,0215 84
43 0,1297 62 0,0760 69 0,0454 76 0,0277 83
44 0,1588 61 0,0946 68 0,0571 75 0,0351 82
45 0,1914 60 0,1159 67 0,0708 74 0,0439 81
46 0,2279 59 0,1405 66 0,0869 73 0,0544 80
47 0,2675 58 0,1678 65 0,1052 72 0,0665 79
48 0,3100 57 0,1984 64 0,1261 71 0,0806 78
49 0,3552 56 0,2317 63 0,1496 70 0,0966 77
50 0,4024 55 0,2679 62 0,1755 69 0,1148 76
51 0,4508 54 0,3063 61 0,2039 68 0,1349 75
52 0,5000 53 0,3472 60 0,2349 67 0,1574 74
53 0,5492 52 0,3894 59 0,2680 66 0,1819 73
54 0,5976 51 0,4333 58 0,3032 65 0,2087 72
55 0,6448 50 0,4775 57 0,3403 64 0,2374 71
56 0,6900 49 0,5225 56 0,3788 63 0,2681 70
57 0,7325 48 0,5667 55 0,4185 62 0,3004 69
58 0,7721 47 0,6106 54 0,4591 61 0,3345 68
59 0,8086 46 0,6528 53 0,5000 60 0,3698 67
60 0,8412 45 0,6937 52 0,5409 59 0,4063 66
61 0,8703 44 0,7321 51 0,5815 58 0,4434 65
62 0,8957 43 0,7683 50 0,6212 57 0,4811 64
63 0,9175 42 0,8016 49 0,6597 56 0,5189 63
m=8
cL n=8 cU n=9 cU n=10 cU
36 0,0001 100 0,0000 108 0,0000 116
37 0,0002 99 0,0001 107 0,0000 115
38 0,0003 98 0,0002 106 0,0001 114
39 0,0005 97 0,0003 105 0,0002 113
40 0,0009 96 0,0005 104 0,0003 112
41 0,0015 95 0,0008 103 0,0004 111
42 0,0023 94 0,0012 102 0,0007 110
43 0,0035 93 0,0019 101 0,0010 109
44 0,0052 92 0,0028 100 0,0015 108
45 0,0074 91 0,0039 99 0,0022 107
46 0,0103 90 0,0056 98 0,0031 106
47 0,0141 89 0,0076 97 0,0043 105
48 0,0190 88 0,0103 96 0,0058 104
49 0,0249 87 0,0137 95 0,0078 103
50 0,0325 86 0,0180 94 0,0103 102
51 0,0415 85 0,0232 93 0,0133 101
52 0,0524 84 0,0296 92 0,0171 100
53 0,0652 83 0,0372 91 0,0217 99
54 0,0803 82 0,0464 90 0,0273 98
55 0,0974 81 0,0570 89 0,0338 97
56 0,1172 80 0,0694 88 0,0416 96
57 0,1393 79 0,0836 87 0,0506 95
58 0,1641 78 0,0998 86 0,0610 94
59 0,1911 77 0,1179 85 0,0729 93
60 0,2209 76 0,1383 84 0,0864 92
61 0,2527 75 0,1606 83 0,1015 91
62 0,2869 74 0,1852 82 0,1185 90
63 0,3227 73 0,2117 81 0,1371 89
64 0,3605 72 0,2404 80 0,1577 88
65 0,3992 71 0,2707 79 0,1800 87
66 0,4392 70 0,3029 78 0,2041 86
67 0,4796 69 0,3365 77 0,2299 85
68 0,5204 68 0,3715 76 0,2574 84
69 0,5608 67 0,4074 75 0,2863 83
70 0,6008 66 0,4442 74 0,3167 82
71 0,6395 65 0,4813 73 0,3482 81
72 0,6773 64 0,5187 72 0,3809 80
73 0,7131 63 0,5558 71 0,4143 79
74 0,7473 62 0,5926 70 0,4484 78
75 0,7791 61 0,6285 69 0,4827 77
76 0,8089 60 0,6635 68 0,5173 76
m=9
cL n=9 cU n=10 cU cL n=9 cU n=10 cU
45 0,0000 126 0,0000 135 68 0,0680 103 0,0394 112
46 0,0000 125 0,0000 134 69 0,0807 102 0,0474 111
47 0,0001 124 0,0000 133 70 0,0951 101 0,0564 110
48 0,0001 123 0,0001 132 71 0,1112 100 0,0667 109
49 0,0002 122 0,0001 131 72 0,1290 99 0,0782 108
50 0,0004 121 0,0002 130 73 0,1487 98 0,0912 107
51 0,0006 120 0,0003 129 74 0,1701 97 0,1055 106
52 0,0009 119 0,0005 128 75 0,1933 96 0,1214 105
53 0,0014 118 0,0007 127 76 0,2181 95 0,1388 104
54 0,0020 117 0,0011 126 77 0,2447 94 0,1577 103
55 0,0028 116 0,0015 125 78 0,2729 93 0,1781 102
56 0,0039 115 0,0021 124 79 0,3024 92 0,2001 101
57 0,0053 114 0,0028 123 80 0,3332 91 0,2235 100
58 0,0071 113 0,0038 122 81 0,3652 90 0,2483 99
59 0,0094 112 0,0051 121 82 0,3981 89 0,2745 98
60 0,0122 111 0,0066 120 83 0,4317 88 0,3019 97
61 0,0157 110 0,0086 119 84 0,4657 87 0,3304 96
62 0,0200 109 0,0110 118 85 0,5000 86 0,3598 95
63 0,0252 108 0,0140 117 86 0,5343 85 0,3901 94
64 0,0313 107 0,0175 116 87 0,5683 84 0,4211 93
65 0,0385 106 0,0217 115 88 0,6019 83 0,4524 92
66 0,0470 105 0,0267 114 89 0,6348 82 0,4841 91
67 0,0567 104 0,0326 113 90 0,6668 81 0,5159 90
m = 10
cL n=10 cU cL n=10 cU
55 0,0000 155 81 0,0376 129
56 0,0000 154 82 0,0446 128
57 0,0000 153 83 0,0526 127
58 0,0000 152 84 0,0615 126
59 0,0001 151 85 0,0716 125
60 0,0001 150 86 0,0827 124
61 0,0002 149 87 0,0952 123
62 0,0002 148 88 0,1088 122
63 0,0004 147 89 0,1237 121
64 0,0005 146 90 0,1399 120
65 0,0008 145 91 0,1575 119
66 0,0010 144 92 0,1763 118
67 0,0014 143 93 0,1965 117
68 0,0019 142 94 0,2179 116
69 0,0026 141 95 0,2406 115
70 0,0034 140 96 0,2644 114
71 0,0045 139 97 0,2894 113
72 0,0057 138 98 0,3153 112
73 0,0073 137 99 0,3421 111
74 0,0093 136 100 0,3697 110
75 0,0116 135 101 0,3980 109
76 0,0144 134 102 0,4267 108
77 0,0177 133 103 0,4559 107
78 0,0216 132 104 0,4853 106
79 0,0262 131 105 0,5147 105
80 0,0315 130
Tabela 9.23: Valores críticos para a análise de variância de Friedman pela estatística
de postos Fr .
k n α ≤ 0, 10 α ≤ 0, 05 α ≤ 0, 01
3 3 6,00 6,00 −
4 6,00 6,50 8,00
5 5,20 6,40 8,40
6 5,33 7,00 9,00
7 5,43 7,14 8,86
8 5,25 6,25 9,00
9 5,56 6,22 8,67
10 5,00 6,20 9,60
11 4,91 6,54 8,91
12 5,17 6,17 8,67
13 4,77 6,00 9,39
∞ 4,61 5,99 9,21

4 2 6,00 6,00 −
3 6,60 7,40 8,60
4 6,30 7,80 9,60
5 6,36 7,80 9,96
6 6,40 7,60 10,00
7 6,26 7,80 10,37
8 6,30 7,50 10,35
∞ 6,25 7,82 11,34

5 3 7,47 8,53 10,13
4 7,60 8,80 11,00
5 7,68 8,96 11,52
∞ 7,78 9,49 13,28

Tabela 9.24: Valores críticos z para c comparações múltiplas.
α
Bilateral 0,30 0,25 0,20 0,15 0,10 0,05
c Unilateral 0,15 0,125 0,10 0,075 0,05 0,025
1 1,036 1,150 1,282 1,440 1,645 1,960
2 1,440 1,534 1,645 1,780 1,960 2,241
3 1,645 1,732 1,834 1,960 2,128 2,394
4 1,780 1,863 1,960 2,080 2,241 2,498
5 1,881 1,960 2,054 2,170 2,326 2,576
6 1,960 2,037 2,128 2,241 2,394 2,638
7 2,026 2,100 2,189 2,300 2,450 2,690
8 2,080 2,154 2,241 2,350 2,498 2,734
9 2,128 2,200 2,287 2,394 2,539 2,773
10 2,170 2,241 2,326 2,432 2,576 2,807
11 2,208 2,278 2,362 2,467 2,608 2,838
12 2,241 2,301 2,394 2,498 2,638 2,866
15 2,326 2,394 2,475 2,576 2,713 2,935
21 2,450 2,515 2,593 2,690 2,823 3,038
28 2,552 2,615 2,690 2,785 2,913 3,125
Tabela 9.25: Valores críticos q(α, c) para c comparações múltiplas dependentes.
Bilateral Unilateral
c α: 0,05 0,01 0,05 0,01
1 1,96 2,58 1,65 2,33
2 2,21 2,79 1,92 2,56
3 2,35 2,92 2,06 2,69
4 2,44 3,00 2,16 2,77
5 2,51 3,06 2,24 2,84
6 2,57 3,11 2,29 2,89
7 2,61 3,15 2,34 2,94
8 2,65 3,19 2,38 2,97
9 2,69 3,22 2,42 3,00
10 2,72 3,25 2,45 3,03
11 2,74 3,27 2,48 3,06
12 2,77 3,29 2,50 3,08
15 2,83 3,35 2,57 3,14
20 2,91 3,42 2,64 3,21
Tabela 9.26: Valores críticos para a estatística L de Page. P [L ≥ La ] = α.
k=3 k=4 k=5 k=6 k=7 k=8 k=9 k = 10

α α α α α α α α
n 0,05 0,01 0,001 0,05 0,01 0,001 0,05 0,01 0,001 0,05 0,01 0,001 0,05 0,01 0,001 0,05 0,01 0,001 0,05 0,01 0,001 0,05 0,01 0,001
2 28 58 60 103 106 109 166 173 178 252 261 269 362 376 388 500 520 544 670 696 726
3 41 42 84 87 89 150 155 160 244 252 260 370 382 394 532 549 567 736 761 790 987 1019 1056
4 54 55 56 111 114 117 197 204 210 321 331 341 487 501 516 701 722 743 971 999 1032 1301 1339 1382
5 66 68 70 137 141 145 244 251 259 397 409 420 603 620 637 869 893 917 1204 1236 1273 1614 1656 1704
6 79 81 83 163 167 173 291 299 307 474 486 499 719 737 757 1037 1063 1090 1436 1472 1512 1927 1972 2025
7 91 93 96 189 193 198 338 346 355 550 563 577 835 855 876 1204 1232 1262 1668 1706 1750 2238 2288 2344
8 104 106 109 214 220 225 384 393 403 625 640 655 950 972 994 1371 1401 1433 1900 1940 1987 2549 2602 2662
9 116 119 121 240 246 252 431 441 451 701 717 733 1065 1088 1113 1537 1569 1603 2131 2174 2223 2859 2915 2980
APÊNDICE: TABELAS
10 128 131 134 266 272 278 477 487 499 777 793 811 1180 1205 1230 1703 1736 1773 2361 2407 2459 3169 3228 3296
11 141 144 147 292 298 305 523 534 546 852 869 888 1295 1321 1348 1868 1905 1943 2592 2639 2694 3478 3541 3612
12 153 156 160 317 324 331 570 581 593 928 946 965 1410 1437 1465 2035 2072 2112 2822 2872 2929 3788 3852 3927
13 165 169 172
14 178 181 185
15 190 194 197
16 202 206 210
17 215 218 223
18 227 231 235
19 239 243 248
20 251 256 260
125
Tabela 9.27: Valores críticos para análise de variância de Kruskal-Wallis pela esta-
tística de postos KW .
Tamanhos das amostras α

n1 n2 n3 0,10 0,05 0,01 0,005 0,001
2 2 2 4,25
3 2 1 4,29
3 2 2 4,71 4,71
3 3 1 4,57 5,14
3 3 2 4,56 5,36
3 3 3 4,62 5,60 7,20 7,20
4 2 1 4,50
4 2 2 4,46 5,33
4 3 1 4,06 5,21
4 3 2 4,51 5,44 6,44 7,00
4 3 3 4,71 5,73 6,75 7,32 8,02
4 4 1 4,17 4,97 6,67
4 4 2 4,55 5,45 7,04 7,28
4 4 3 4,55 5,60 7,14 7,59 8,32
4 4 4 4,65 5,69 7,66 8,00 8,65
5 2 1 4,20 5,00
5 2 2 4,36 5,16 6,53
5 3 1 4,02 4,96
5 3 2 4,65 5,25 6,82 7,18
5 3 3 4,53 5,65 7,08 7,51 8,24
5 4 1 3,99 4,99 6,95 7,36
5 4 2 4,54 5,27 7,12 7,57 8,11
5 4 3 4,55 5,63 7,44 7,91 8,50
5 4 4 4,62 5,62 7,76 8,14 9,00
5 5 1 4,11 5,13 7,31 7,75
5 5 2 4,62 5,34 7,27 8,13 8,68
5 5 3 4,54 5,71 7,54 8,24 9,06
5 5 4 4,53 5,64 7,77 8,37 9,32
5 5 5 4,56 5,78 7,98 8,72 9,68
Grandes amostras 4,61 5,99 9,21 10,60 13,82

Tabela 9.28: Valores críticos para a estatística J de Jonckheere.

0,10 0,05 0,01 0,005
2 2 2 10 11 12 −
2 2 3 13 14 15 16
2 2 4 16 17 19 20
2 2 5 18 20 22 23
2 2 6 21 23 25 27
2 2 7 24 26 29 30
2 2 8 27 29 32 33
2 3 3 16 18 19 20
2 3 4 20 21 23 25
2 3 5 23 25 27 29
2 3 6 26 28 31 33
2 3 7 30 32 35 37
2 3 8 33 35 39 41
2 4 4 24 25 28 29
2 4 5 27 29 33 34
2 4 6 31 34 37 39
2 4 7 35 38 42 44
2 4 8 36 42 46 49
2 5 5 32 34 38 40
2 5 6 36 39 43 45
2 5 7 41 44 48 51
2 5 8 45 48 53 56
2 6 6 42 44 49 51
2 6 7 47 50 55 57
2 6 8 52 55 61 64
2 7 7 52 56 61 64
2 7 8 58 62 68 71
2 8 8 64 68 75 78
3 3 3 20 22 24 25
3 3 4 24 26 29 30
3 3 5 28 30 33 35
3 3 6 32 34 38 40
3 3 7 36 38 42 44
3 3 8 40 42 47 49
3 4 4 29 31 34 36
3 4 5 33 35 39 41
3 4 6 38 40 44 46
3 4 7 42 45 49 52
3 4 8 47 50 55 57
3 5 5 38 41 45 47
3 5 6 43 46 51 53
3 5 7 48 51 57 59
3 5 8 53 57 63 65
3 6 6 49 52 57 60
3 6 7 54 58 64 67
3 6 8 60 64 70 73
3 7 7 61 64 71 74
3 7 8 67 71 78 81
3 8 8 74 78 86 89
4 4 4 34 36 40 42
4 4 5 39 41 45 48
4 4 6 44 47 51 54
4 4 7 49 52 57 60
4 4 8 54 57 63 66
4 5 5 44 47 52 55
4 5 6 50 53 58 61
4 5 7 56 59 65 68
4 5 8 61 65 71 75
4 6 6 56 60 66 69
4 6 7 62 66 73 76
4 6 8 68 73 80 83
4 7 7 69 73 81 84
4 7 8 76 80 88 92
4 8 8 83 88 97 100

0,10 0,05 0,01 0,005
5 5 5 50 54 59 62
5 5 6 57 60 66 69
5 5 7 63 67 73 76
5 5 8 69 73 80 84
5 6 6 63 67 74 77
5 6 7 70 74 82 85
5 6 8 77 81 89 93
5 7 7 77 82 90 94
5 7 8 85 89 98 102
5 8 8 92 98 107 111
6 6 6 71 75 82 86
6 6 7 78 82 91 94
6 6 8 85 90 99 103
6 7 7 86 91 100 103
6 7 8 94 99 109 113
6 8 8 102 108 118 122
7 7 7 94 99 109 113
7 7 8 102 108 119 123
7 8 8 111 117 129 133
8 8 8 121 127 139 144
2 2 2 2 18 19 21 22
2 2 2 2 2 28 30 33 34
2 2 2 2 2 2 40 43 46 49
3 3 3 3 37 39 43 45
3 3 3 3 3 3 85 89 97 101
4 4 4 4 63 66 72 76
4 4 4 4 4 100 105 115 119
4 4 4 4 4 4 146 153 166 171
5 5 5 5 95 100 109 113
5 5 5 5 5 152 159 173 178
5 5 5 5 5 5 223 233 251 258
6 6 6 6 134 140 153 158
6 6 6 6 6 215 225 243 250
6 6 6 6 6 6 316 329 353 362
Referências Bibliográcas
[1] BARTHOL, R. P.; KU, N. D. Specic regression under a non-related stress.

American Psychologist, 10:482, 1953.
[2] COCHRAN, W. G. The comparison of percentages in matched samples. Bio-
metrika, 37:256266, 1950.
[3] COCHRAN, W. G. The χ2 test of goodness of t. Annals of Mathematical
Statistics, pages 315345, 1952.
[4] COCHRAN, W. G. Some methods for strengthening the common χ2 tests.
Biometrics, 10:417451, 1954.
[5] CRAIG, J. C. Vibratory temporal integration as a function of pattern discri-
minability. Perception & Psychophysics, 35:579582, 1984.
[6] DODD, B. Lip reading in infants: Attention to speech presented in- and out-
of-synchrony. Cognitive Psychology, 11:478484, 1979.
[7] EVERITT, B. S. The analysis of contingency tables. Chapman and Hall,
London, 1977.
[8] HELSON, H. Adaptation-level theory. Harper & Row, New York, 1979.
[9] KROEZE, J. H. A. The inuence of relative frequencies of pure and mixed

stimuli on mixture suppression in taste. Perception & Psychophysics, 31:276
278, 1982.
[10] LEHMANN, E. L. Nonparametrics: statistical methods based on ranks. Holden-

Day, San Francisco, 1975.
[11] MANN, L. The baiting crowd in episode of threatened suicide. Journal of

Personality and Social Psychology, pages 703709, 1981.
[12] MASSEY, F. J., Jr. The kolmogorov-smirnov test for goodness of t. Journal
of the American Statistical Association, pages 4670, 1951.
[13] McLEAN, P. D.; HAKSTIAN, A. R. Clinical depression: Comparative e-
cacy of outpatient treatments. Journal of Consulting and Clinical Psychology,
47:818836, 1979.
[14] MORRISON, D. G.; SCHMITTLEIN, D. C. Jobs, strikes and wars: Proba-

bility models for duration. Organizational Behavior and Human Performance,
25:224251, 1980.
[15] QUALLS, W. J. A study of joint decision making between husbands and wives in
a housing purchase decision. Universidade de Indiana, EUA, 1982. Dissertação
não publicada.
[16] SHIFFMANN, S. Relapse following smoking cessation: A situational analysis.

Journal of Counseling and Clinical Psychology, pages 7186, 1982.
[17] SIEGEL, S.; CASTELLAN JR., N. J. Estatística não-paramétrica para ciências
do comportamento. Artmed, Porto Alegre, 2006. 448 p.
[18] YATES, F. Contingency tables involving small numbers and the χ2 test. Journal
of the Royal Statistical Society, 1:217235, 1934.

(Ferreira, 2021) Introdução À Estatística Não Paramétrica

Enviado por

Direitos autorais:

Formatos disponíveis

(Ferreira, 2021) Introdução À Estatística Não Paramétrica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

(Ferreira, 2021) Introdução À Estatística Não Paramétrica

Enviado por

Direitos autorais:

Formatos disponíveis

DEPARTAMENTO DE ESTATÍSTICA

INSTITUTO DE CIÊNCIAS EXATAS

INTRODUÇÃO À ESTATÍSTICA NÃO-PARAMÉTRICA

Prof. Dr. Eric Batista Ferreira

LISTA DE TABELAS vii

3 ESCOLHA DE UM TESTE ESTATÍSTICO 9

4 TESTES PARA UMA AMOSTRA 19

5 TESTES PARA DUAS AMOSTRAS EMPARELHADAS 31

5.3 O teste de postos com sinal de Wilcoxon . . . . . . . . . . . . . . . . 39

6 TESTES PARA DUAS AMOSTRAS INDEPENDENTES 49

7 TESTES PARA K AMOSTRAS RELACIONADAS 65

8 TESTES PARA K AMOSTRAS INDEPENDENTES 81

3.1 Tipos de mensuração e suas relações. . . . . . . . . . . . . . . . . . . 17

4.1 Método escolhido para dar o nó sob estresse. . . . . . . . . . . . . . . 22

6.1 Tabela de contingência 2 × 2. . . . . . . . . . . . . . . . . . . . . . . 50

8.1 Frequências do nível de respostas ao tratamento. . . . . . . . . . . . . 82

9.1 Probabilidades binomiais para tamanho amostral n, probabilidade de

9.27 Valores críticos para análise de variância de Kruskal-Wallis pela esta-

1.1 Esquema que ilustra ambas visões paramétrica e não-paramétrica da

2.1 (a) Ilustração do teste unilateral superior. (b) Ilustração do teste

Uma função Estatística moderna é a Inferência Estatística, que está relacio-

Figura 1.1: Esquema que ilustra ambas visões paramétrica e não-paramétrica da

Um pouco mais recentemente assistimos ao desenvolvimento de técnicas de

Para chegar a uma decisão objetiva sobre se uma determinada hipótese é

3. Especique um nível de signicância (α) e um tamanho para a amostra (n).

4. Encontre a distribuição amostral do teste estatístico sob a suposição de que

6. Colete os dados. Usando os dados obtidos da(s) amostra(s), calcule o valor

2.1 A hipótese nula

2.2 Escolha do teste estatístico

2.3 Nível de signicância e tamanho da amostra

Pode ser visto, então, que α dá a probabilidade de errar ou de falsamente

De forma análoga, pode-se cometer o erro de aceitar H0 , quando ela é falsa.

O ideal seria que valores de α e β fossem escolhidos pelo pesquisador antes

Os vários testes estatísticos válidos disponíveis oferecem diferentes equilíbrios

Poder = 1 − P [erro tipo II] =1−β

2.4 Distribuição amostral

2.5 Região de rejeição

grandes decréscimos no desempenho levariam à rejeição de H0 . Como uma diferença

Para escolher um teste estatístico adequado a cada situação é necessário

3.1 Modelo estatístico

 as observações sejam independentes;

 a distribuição de origem dos dados deve ser normal;

 no caso da comparação entre dois grupos, as populações precisam ter a mesma

 as variáveis precisam ser medidas, pelo menos, em escala intervalar .

1 Os tipos de escala serão discutidos a seguir.

Uma vantagem da eciência assintótica relativa é que o limite frequente-

Por exemplo, se um pesquisador coleta dados compostos de escores numéricos

A teoria da mensuração consiste de um conjunto de teorias separadas ou

3.3.1 Escala nominal ou categórica

Exemplos: Um sistema psiquiátrico de diagnósticos constitui uma escala

Os números em camisetas de futebol e os números em carteiras de identidade

Propriedades formais: Em uma escala nominal, as operações de escalo-

Considere um conjunto de objetos x1 , x2 , . . . , xn . Suponha que o objeto xi

A(xi ) = A(xj ), se xi e xj estão na mesma classe

A(xi ) 6= A(xj ), se xi e xj estão em classes diferentes

L(xi ) = L(xj ), se e somente se A(xi ) = A(xj )

3.3.2 Escala ordinal ou escala por postos

Exemplos: As classes econômicas como classe média-alta, classe média-

Propriedades formais: Incorpora não somente a relação de equivalência

3. Especique um nível de signicância (α) e um tamanho para a amostra (n).

2.3 Nível de signicância e tamanho da amostra

as observações sejam independentes;

a distribuição de origem dos dados deve ser normal;

no caso da comparação entre dois grupos, as populações precisam ter a mesma

as variáveis precisam ser medidas, pelo menos, em escala intervalar .

Uma vantagem da eciência assintótica relativa é que o limite frequente-

A(xi ) > A(xj ), se xi excede xj na quantidade do atributo

Então uma escala ordinal é um sistema de identicação, L(x), dos objetos

são 0, 1, 2, . . . , 100, e o que aprovado é qualquer escore ≥ 70 e reprovado inclui

A(xi ) > A(xj ), se xi excede xj na quantidade do atributo

Então uma escala intervalar é um sistema de identicação L(x) de objetos tendo as

Verique que a razão das diferenças entre atributos é igual à razão

A(xi ) > A(xj ), se xi excede xj na quantidade do atributo

Então uma escala de razão é um sistema de identicação L(x) dos objetos se

Escala Relações de denição

2. Os testes estatísticos não-paramétricos não são sistemáticos, são especícos

1. Há diferença signicativa entre a posição (tendência central) da amostra e da

2. Há diferença signicativa entre as frequências observadas e as frequências que

3. Há diferença signicativa entre proporções observadas e esperadas em uma

Em geral, perguntamos Qual é a probabilidade de se obter valores tão ou

3. Nível de signicância. Seja α = 0, 01 e n o número de casos, n = 18.