Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/15336
Título : Teste Monte Carlo de normalidade univariado baseado em distâncias
Título(s) alternativo(s): Monte Carlo test of normality based on distance
Autor: Pereira Filho, Nelson de Almeida
Ferreira, Daniel Furtado
Palavras-chave: Simulação de Monte Carlo
Distribuições normais de probabilidade
Histogramas
Shapiro-wilk
Monte Carlo simulation
Normal probability distributions
Histograms
Publicador: Universidade Estadual Paulista
Data da publicação: Jul-2012
Referência: PEREIRA FILHO, N. de A.; FERREIRA, D. F. Teste Monte Carlo de normalidade univariado baseado em distâncias. Revista Brasileira de Biometria, São Paulo, v. 30, n. 3, p. 401-416, jul./set. 2012.
Resumo : As distribuições normais de probabilidade descrevem o comportamento de muitos fenômenos da vida real em vários campos da ciência. Ao se retirar uma amostra aleatória de uma população, no caso univariado, é comum se pressupor que os dados ou resíduos do modelo adotado são proveniente de uma população normalmente distribuída. Os gráficos, como histogramas e gráficos Q-Q, são maneiras bastante eficientes, porém subjetivas de se verificar a normalidade da distribuição dos dados ou dos resíduos do modelo considerado. No entanto, isso não é suficiente para se fazer inferência sobre a normalidade dos dados coletados ou dos resíduos de modelos ajustados. Existem inúmeros testes de normalidade na literatura. Entre eles o teste de Shapiro-Wilk, considerado como tendo propriedades ótimas. Entretanto, esse teste possui a limitação computacional de ser aplicável a um número de observações inferiores a 5.000. Este artigo tem como objetivo propor um teste de normalidade univariada, baseado nas distâncias entre os valores esperados das estatísticas de ordem dos valores observados na amostra e os valores esperados das estatísticas de ordem da distribuição normal padrão, que possa ser usado em quaisquer tamanhos de amostras. Também objetivou comparar o teste de normalidade Shapiro-Wilk com o teste de normalidade univariado proposto. A distribuição da estatística foi obtida via simulação Monte Carlo. Os resultados obtidos de poder e controle do erro tipo I, permitem que se conclua que a proposta é, em geral, mais eficiente que o teste Shapiro-Wilk e não possui a limitação prática de ser restrito a tamanho de amostra máximo de 5.000 unidades.
Abstract: The normal probability distributions describing the behavior of many real-life phenomena in various fields of science. When one considers a random sample of a population, in the univariate case, it is common to assume that the data or residuals of the model are normally distributed. Graphs such as histograms and Q-Qplots are quite effective, but subjective, to check the normality. However, this is not enough to assure the normality of the data or the residuals of some fitted model. There are several tests of normality in the literature. Among them, the Shapiro-Wilk is considered to pursue optimal properties. However, this test is computationally applicable to a number of observations up to 5,000. This paper aims to propose a univariate normality test, based on distances between the observed values of the sample order statistics and the expected values of the standard normal order statistics, that can be applied to any sample sizes with no theoretical restrictions. The distribution of the test statistic was obtained by Monte Carlo simulation. The results of power and type I error rates, allow the conclusion that the proposal test is generally more efficient than the Shapiro-Wilk test and does not have the practical limitation of being restricted to size up to 5,000.
URI: http://jaguar.fcav.unesp.br/RME/fasciculos/v30/v30_n3/A7_Nelson_Daniel.pdf
repositorio.ufla.br/jspui/handle/1/15336
Idioma: pt_BR
Aparece nas coleções:DEX - Artigos publicados em periódicos

Arquivos associados a este item:
Não existem arquivos associados a este item.


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.