AVALIAÇÃO DE TESTES DE NORMALIDADE IMPLEMENTADOS NO PROGRAMA R POR SIMULAÇÃO MONTE CARLO (pp.33-41)

  • Renata Guidi Carradori
  • Patrícia de Siqueira Ramos

Resumo

A distribuição normal é o modelo probabilístico contínuo mais importante porque a maioria dos métodos estatísticos é baseado nesse modelo e a maioria dos fenômenos aleatórios pode ser descrita de forma aproximada por ele. Há 
vários testes de normalidade que, muitas vezes, produzem resultados diferentes podendo rejeitar ou não a hipótese nula de normalidade. O objetivo do trabalho foi avaliar as taxas de erro tipo I e poder dos testes de normalidade 
Shapiro-Wilk, Anderson-Darling, D'Agostino-Pearson e Lilliefors implementados no programa R para decidir quais apresentam o melhor desempenho. As simulações de diferentes tamanhos amostrais e algumas distribuições simétricas e 
assimétricas foram feitas no programa R para avaliar as taxas de erro tipo I e poder dos testes. Sob normalidade, os quatro testes foram exatos e, em relação ao poder, o desempenho foi afetado pelo tamanho da amostra e pelo tipo de 
distribuição. Em distribuições simétricas, o teste D'Agostino-Pearson (DG) foi um pouco mais poderoso do que o teste Shapiro-Wilk (SW) enquanto que, nas distribuições assimétricas, ocorreu o contrário, porém, os dois foram superiores 
aos outros. Entretanto, o teste SW pode ser mais indicado pois o teste DG só pode ser aplicado para amostras maiores do que 30.Palavras-chave: Normalidade Univariada, Programa Estatístico Livre, Teste de Shapiro-Wilk.