Teste de Normalidade

O que é teste de normalidade?

Muitos métodos estatísticos — incluindo cartas de controle, índices de capacidade (Cpk/Ppk), testes t e ANOVA — pressupõem que os dados subjacentes seguem uma distribuição normal (gaussiana). O teste de normalidade verifica essa premissa antes da aplicação desses métodos. Violar a normalidade pode levar a intervalos de confiança, estimativas de capacidade e conclusões de testes de hipóteses incorretos.

O teste de Shapiro-Wilk é o teste de normalidade mais poderoso para amostras pequenas e moderadas (n < 5000). O teste de Anderson-Darling é sensível a desvios nas caudas, o que o torna útil em aplicações de confiabilidade e de valores extremos. O teste de Jarque-Bera examina a assimetria e a curtose, funcionando bem para amostras maiores.

Todos os testes compartilham a mesma estrutura de hipóteses: H₀ (nula) = os dados seguem distribuição normal; H₁ = os dados não são normais. Se o valor-p < α (tipicamente 0.05), rejeita-se a normalidade. O gráfico QQ fornece a confirmação visual: pontos situados sobre a linha diagonal indicam normalidade; desvios sistemáticos revelam a natureza da não normalidade.

Formula: Shapiro-Wilk: W = (Σ aᵢ x(ᵢ))² / Σ(xᵢ - x̄)² Anderson-Darling: A² = -n - Σ[(2i-1)/n](ln F(x(ᵢ)) + ln(1-F(x(n+1-i)))) reported as A*² = A²(1 + 0.75/n + 2.25/n²) Jarque-Bera: JB = (n/6)(S² + K²/4) where S = skewness, K = excess kurtosis Reject normality if p-value < α (typically 0.05)

Exemplo de cálculo

20 medições testadas: Shapiro-Wilk W = 0.965, p = 0.42; Anderson-Darling A² = 0.31, p = 0.52; Jarque-Bera JB = 1.2, p = 0.55. Todos os valores-p > 0.05 — não se rejeita a normalidade. O gráfico QQ mostra os pontos acompanhando de perto a diagonal. Os dados podem ser tratados como normalmente distribuídos.

Quando usar esta calculadora

• Antes de calcular Cpk ou Ppk — os índices assumem dados normais
• Antes de realizar testes t ou ANOVA — estes testes paramétricos assumem resíduos normais
• Ao configurar gráficos de controlo SPC — limites padrão assumem normalidade
• Durante inspeção de entrada quando dados parecem invulgares
• Ao preparar dados para análise de regressão — verificar normalidade dos resíduos valida os pressupostos

Erros comuns a evitar

• Rejeitar normalidade baseando-se apenas no valor p com amostras muito grandes — use sempre o QQ-plot
• Aceitar normalidade sem verificar com amostra pequena (n < 20) — testes têm baixa potência
• Aplicar testes de normalidade a dados inteiros ou muito arredondados — dados discretos podem falhar os testes
• Testar dados brutos quando deveria testar resíduos — para regressão e ANOVA, são os resíduos que precisam ser normais

Como interpretar os resultados

• Todos os testes mostram p > 0.05 e QQ-plot é linear — dados consistentes com normalidade
• Testes mostram p < 0.05 mas QQ-plot parece linear — com amostras grandes, desvios menores produzem valores p significativos
• QQ-plot mostra curva S — dados com caudas mais pesadas (leptocúrticos); considere distribuição t ou métodos robustos
• QQ-plot mostra curvatura sistemática — dados enviesados; tente transformação log ou Box-Cox
• Testes diferentes discordam — Shapiro-Wilk é o mais fiável para uso geral; use o QQ-plot como árbitro visual

Normas e referências relacionadas

• ISO 5479 — Interpretação estatística de dados: testes de desvio da distribuição normal, a norma internacional que cobre a metodologia de testes de normalidade
• Shapiro & Wilk (1965), Biometrika — O artigo original que introduziu a estatística W implementada aqui
• NIST/SEMATECH e-Handbook §1.3.5 — Procedimentos de referência para o teste de Anderson-Darling e o gráfico de probabilidade normal (Q-Q)
• Jarque & Bera (1987), International Statistical Review — O teste de normalidade baseado em assimetria e curtose usado para amostras maiores
• AIAG SPC Reference Manual — Exige verificar a normalidade antes de calcular índices de capacidade como Cpk e Ppk

Perguntas frequentes

O que devo fazer se meus dados falharem no teste de normalidade?

As opções incluem: (1) Transformar os dados com logaritmo, Box-Cox ou transformação de Johnson para obter normalidade. (2) Usar métodos não paramétricos que não pressupõem normalidade (por exemplo, Mann-Whitney em vez do teste t). (3) Ajustar uma distribuição diferente (Weibull, lognormal etc.) que descreva melhor os dados. (4) Para amostras grandes (n > 30), o Teorema Central do Limite frequentemente torna as violações de normalidade menos impactantes em testes baseados na média.

Por que testes de normalidade diferentes dão resultados diferentes?

Cada teste é sensível a aspectos distintos da não normalidade. O Shapiro-Wilk tem o melhor poder global para detectar desvios variados. O Anderson-Darling enfatiza os desvios nas caudas (importante para confiabilidade). O Jarque-Bera concentra-se na assimetria e na curtose. Com dados no limiar, um teste pode rejeitar enquanto os outros não rejeitam. Use o gráfico QQ como critério visual de desempate.