Seo de Bioestatstica

Normalidade de variveis: mtodos de verificao e

comparao de alguns testes no-paramtricos por
simulao
Normality of variables: diagnosis methods and
comparison of some nonparametric tests by
simulation
Vanessa Bielefeldt Leotti Torman1,2, Rodrigo Coster2, Joo Riboldi1

RESUMO

Introduo: Os principais testes estatsticos tm como suposio a normalidade dos dados, que Revista HCPA. 2012;32(2):227-234
deve ser verificada antes da realizao das anlises principais.
1
Departamento de Estatstica,
Objetivo: Revisar as tcnicas de verificao da normalidade dos dados e comparar alguns testes de
Instituto de Matemtica,
aderncia normalidade para diferentes distribuies de origem e tamanho amostral.
Universidade Federal do Rio
Metodologia: Atravs da simulao de cinco distribuies (Normal, t-student, Qui-Quadrado, Grande do Sul, UFRGS.
Gama e Exponencial) e seis tamanhos amostrais (10, 30, 50, 100, 500 e 1000) foram simulados
5000 amostras de cada par distribuio-tamanho amostral e realizados os testes Qui-quadrado, 2
Unidade de Bioestatstica,
Kolmogorov-Smirnov, Lilliefors, Shapiro-Wilk, Shapiro-Francia, Cramer-von Mises, Anderson- Grupo de Pesquisa e Ps-
Darling e Jarque-Bera. Graduao, Hospital de Clnicas de
Porto Alegre.
Resultados: Os resultados obtidos mostram uma clara superioridade dos testes Shapiro-Francia e
Shapiro-Wilk, com percentuais de acerto de 72,41% e 72,15%, respectivamente. Entre os piores
Contato:
resultados encontramos o Kolmogorov-Smirnov e Qui-Quadrado, com percentual de acerto de
Vanessa Bielefeldt Leotti Torman
44,78% e 61,58%, respectivamente.
vanessa.leotti@ufrgs.br
Concluses: Para amostras pequenas recomenda-se que sejam utilizados procedimentos no Porto Alegre, RS, Brasil
paramtricos diretamente para a anlise, em funo da baixa performance dos testes de aderncia
normalidade, dado o baixo percentual de acertos. Para amostras maiores, recomenda-se o uso
dos testes Shapiro-Francia ou Shapiro-Wilk.
Palavras-chave: Distribuio normal; teste de aderncia; Qui-quadrado; Kolmogorov-Smirnov;
Lilliefors; Shapiro-Wilk; Shapiro-Francia; Cramer-von Mises; Anderson-Darling; Jarque-Bera;
poder; erro tipo I
ABSTRACT
Background: The main statistical tests have the normality assumption that must be verified before
performing the main analyzes.
Objective: To review the techniques of testing for normality of data and compare some adherence
tests for different true distributions and sample size.
Method: Through simulation of five distributions (Normal, t-Student, Chi-Square, Gamma and
Exponential) and six sample sizes (10, 30, 50, 100, 500 and 1000) were simulated 5000 samples
of each pair sample size-distribution and applied the Chi-square, Kolmogorov-Smirnov, Lilliefors,
Shapiro-Wilk, Shapiro-Francia, Cramer-von Mises, Anderson-Darling and Jarque-Bera tests.
Results: The results show a clear superiority of the Shapiro-Francia and Shapiro-Wilk tests, with
percentages of accuracy of 72.41% and 72.15% respectively. Among the worst results we find
the Kolmogorov-Smirnov and Chi-Square, with percentage of accuracy of 44.78% and 61.58%
respectively.

http://seer.ufrgs.br/hcpa Rev HCPA 2012;32(2) 227

 Torman et al
Conclusions: For small samples it is recommended to use non-parametric procedures directly
for the analyzes, due to the low performance of the tests of adherence to normality, given the
low percentage of accuracy. For larger samples, we recommend the use of the Shapiro-Francia
and Shapiro-Wilk tests.
Keywords: Normal distribution; godness-of-fit tests; chi-square; Kolmogorov-Smirnov; Lilliefors;
Shapiro-Wilk; Shapiro-Francia; Cramer-von Mises; Anderson-Darling; Jarque-Bera; power; type I error
Toda varivel aleatria, seja idade de um grupo de pessoas
ou a ocorrncia de um determinado desfecho, assume uma
determinada distribuio de frequncias na populao,
que podem ter formas variadas (1). Na literatura estatstica
encontra-se muitas distribuies tericas. Essas so modelos
que procuram representar o comportamento de determinado
evento em funo da frequncia de sua ocorrncia. No caso das
variveis contnuas, esse evento ser um intervalo de valores.
As distribuies de frequncias so, na verdade, distribuies
de probabilidade, onde para um evento teremos uma
probabilidade de ocorrncia associada. Em outras palavras, a
partir de uma distribuio de probabilidade completamente
especificada, pode-se calcular a probabilidade de uma varivel
aleatria assumir determinado intervalo de valores.
Nesse artigo o objeto de estudo a mais conhecida
distribuio de probabilidades: a distribuio Normal ou
Gaussiana. A suposio de normalidade da(s) varivel(is)
aleatria(s) exigida para a realizao de muitos mtodos de
inferncia estatstica, tais como:
- No caso de uma amostra de uma nica populao, a
suposio de normalidade exigida quando deseja-se obter
intervalo de confiana ou executar teste de hiptese sobre a
mdia dessa populao baseados na estatstica t.
- No caso de duas amostras de populaes independentes,
para realizar o teste t de comparao de mdias para amostras
independentes, necessrio que a varivel aleatria assuma
distribuio normal em ambas as populaes (grupos).
- No caso de duas amostras pareadas (ou relacionadas),
para utilizar o teste t de comparao das mdias, necessrio
que a varivel aleatria da diferena entre as duas amostras
tenha distribuio normal.
- No caso de trs ou mais amostras de populaes
independentes, para comparamos as mdias das populaes
atravs da Anlise de Varincia em classificao simples (One-
Way ANOVA), entre outras suposies, tem-se que pressupor
que a varivel aleatria tenha distribuio normal em cada
uma das populaes (grupos).
- Na estimao da correlao linear de Pearson, o teste de
significncia do coeficiente de correlao somente vlido se
ambas as variveis aleatrias tiverem distribuio Normal.
- Nos modelos de regresso linear, uma das suposies de
que os resduos do modelo tenham distribuio Normal.
228 Rev HCPA 2012;32(2)
Assim, importante termos mtodos para verificar se
distribuio dos dados que estamos estudando se ajusta a
uma distribuio normal. H metodologias descritivas, como
a anlise visual de alguns grficos, e tambm testes no-
paramtricos de aderncia, que testam objetivamente a
hiptese de normalidade. Este artigo pretende revisar essas
metodologias existentes e comparar o desempenho de alguns
testes no-paramtricos por simulao.
Cumpre ressaltar que os testes t de Student so classificados
como testes paramtricos porque exigem uma distribuio
de probabilidade especfica para a varivel aleatria, no
caso a distribuio Normal. Entretanto, existem outras
tcnicas paramtricas que suportam outras distribuies
de probabilidade. Assim, quando os dados no so normais,
tm-se pelo menos duas solues: a primeira procurar
outro teste paramtrico cuja distribuio de probabilidade
assumida se ajuste melhor aos dados; a segunda usar testes
no-paramtricos, como o teste de Mann-Whitney, que no
fazem pressuposio sobre a distribuio dos dados. Como
nos programas estatsticos mais conhecidos, como o SPSS,
os outros testes paramtricos no esto implementados,
usualmente a segunda opo adotada. Assim, a classificao
de paramtrico ou no-paramtrico referente ao tipo de
teste estatstico, e no varivel aleatria. No correto dizer
que uma especfica varivel paramtrica ou no-paramtrica.
Na prxima sesso, os mtodos disponveis para a
verificao da hiptese de normalidade sero revisados e o
estudo de simulao procedido ser descrito. Aps, tem-se
a sesso que apresentar os resultados da simulao, e na
sequncia, as concluses do trabalho.
Mtodos
O primeiro mtodo para verificao do formato da
distribuio de uma varivel contnua a construo do
histograma. O histograma um grfico de barras justapostas em
que no eixo horizontal est a varivel de interesse dividida em
classes e no eixo vertical a frequncia da classe correspondente
(2). Este grfico est disponvel na maioria dos programas
estatsticos. No SPSS verso 18.0, uma das maneiras de obter
esse grfico atravs do menu Analyze -> Descriptive Statistics ->
Explore -> Plots marcando-se Histogram. Atravs do histograma,
buscamos verificar se a forma de sino da distribuio Normal
est presente.
Na Figura 1, tem-se dois exemplos de histogramas provenientes
http://seer.ufrgs.br/hcpa
 Normalidade de variveis: verificao e comparao

de amostras de tamanho 100, onde, na Figura 1-a tem-se forma simtrica da Normal est presente na Figura 1-a, mas
dados gerados de uma distribuio Normal, e na Figura 1-b, no na Figura 1-b, como esperado.
dados gerados de uma distribuio Gama. Verifica-se que a

Figura 1 - Exemplos de Histogramas

Outro grfico que pode ser utilizado para avaliar a solicitou o Histograma anteriormente.
normalidade de uma varivel o grfico Quantil-Quantil,
Na Figura 2, tem-se dois exemplos de Q-Q Plots
ou Q-Q Plot. Neste grfico, no eixo horizontal tem-se os
provenientes de amostras de tamanho 100, novamente
valores observados da varivel, e no eixo vertical, os valores
de dados gerados de uma distribuio Normal (Figura 2-a),
esperados caso a varivel tenha distribuio Normal. Se
e dados gerados de uma distribuio Gama (Figura 2-b).
h uma boa aderncia dos dados distribuio Normal os
Verifica-se que os pontos de aproximam bem da reta no
pontos esto prximos a reta de referncia apresentada no
caso da varivel com distribuio Normal, mas h um grande
grfico. No SPSS verso 18.0, obtm-se o Q-Q Plot marcando-
desvio para a varivel com distribuio Gama.
se Normality Plots with Tests, na mesma janela onde se

Figura 2 - Exemplos de Q-Q Plots

http://seer.ufrgs.br/hcpa Rev HCPA 2012;32(2) 229


Os mtodos grficos citados anteriormente tm a
desvantagem de serem subjetivos, pois dependem de
interpretao visual. Para um resultado mais objetivo, pode-
se usar testes no-paramtricos de aderncia distribuio
Normal. Algum deles so: Qui-quadrado de Pearson (QQ),
Kolmogorov-Smirnov (KS), Lilliefors (LF) que apenas uma
correo para o teste KS), Shapiro-Wilk (SW), Shapiro-Francia
(SF), Cramer-von Mises (CM), Anderson-Darling (AD) e Jarque-
Bera (JB).
Apenas os quatro primeiros testes citados esto disponveis
no SPSS verso 18.0, sendo que o teste qui-quadrado
bastante trabalhoso pois necessita que se classifique a varivel
manualmente, bem como o clculo das frequncias esperadas.
O teste Kolmogorov-Smirnov pode ser obtido em Analyze ->
Nonparametric Testes -> Legacy Dialogs -> 1-Sample KS. Os
testes de Lilliefors e Shapiro-Wilk so exibidos marcando-se
Normality Plots with Tests, da mesma maneira utilizada para
obter o Q-Q Plot. Todos os testes citados esto disponveis no
Quadro 1 - Sada do SPSS para os testes de normalidade.
Considerando um nvel de significncia de 5%, atravs do
Quadro 1, percebe-se que tanto os dois testes no rejeitam
a hiptese de normalidade para a varivel com distribuio
Normal e rejeitam esta hiptese para a varivel com
distribuio Gama. Entretanto, em algumas situaes os testes
podem discordar na deciso estatstica. Zar (8) no recomenda
o uso dos testes qui-quadrado e Kolmogorov-Smirnov, pois os
mesmos tm poder muito baixo, ou seja, em muitas situaes
onde os dados realmente no provm de uma distribuio
normal, estes testes no conseguem rejeitar a hiptese de
nulidade.
Assim, torna-se interessante verificar o desempenho dos
mesmos atravs de simulao, para tentar identificar algum
com melhor desempenho. Para tanto, procedeu-se um estudo
de simulao com a seguinte configurao:
1) Foram simuladas variveis de 6 distribuies diferentes:
Normal (0,1), Qui-quadrado (3), t-student (10), Gama (10,1/3)
e Exponencial (5).
2) Para todas as variveis foram utilizados 6 tamanhos
amostrais distintos: 10, 30, 50, 100, 500 e 1000.
230 Rev HCPA 2012;32(2)
Torman et al
programa R verso 2.15.0 (3), atravs das funes pearson.test,
ks.test, lillie.test, shapiro.test, sf.test, cvm.test, ad.test e jarque.
beta.test, respectivamente. As funes ks.test e shapiro.test
esto disponveis na instalao bsica do R, j a funo jarque.
bera.test pertence ao pacote tseries (4) e as demais funes
pertencem ao pacote nortest (5).
Estes testes de aderncia tm estatsticas de teste e critrios
de deciso diferentes, entretanto tm em comum as hipteses
testadas: a hiptese de nulidade de que a varivel aleatria
adere distribuio Normal, contra a hiptese alternativa
de que a varivel aleatria no adere distribuio Normal.
A maneira mais fcil de tomar a deciso observar o valor-p
dos testes e comparar com o nvel de significncia adotado.
Se o valor-p do teste for menor que o nvel de significncia
escolhido, rejeita-se a hiptese de normalidade. Mais detalhes
sobre estes testes podem ser encontrados em (6) e (7).
Procedendo-se os testes de Lilliefors e Shapiro-Wilk para os
dados mostrados na Figura 1, tem-se os resultados do Quadro 1.
3) Para cada distribuio e tamanho amostral, simulou-se
5000 amostras.
Para analisar a eficincia dos testes foi averiguado o
percentual de vezes que a deciso correta foi tomada,
utilizando 5% como nvel de significncia. Isto significa que
para a distribuio normal foi avaliado a proporo de no
rejeies da hiptese de nulidade, isto , o complementar da
probabilidade do erro tipo I, ou seja, a especificidade do teste,
enquanto para as demais distribuies foi avaliada a proporo
de rejeies da hiptese de nulidade, ou seja, o poder ou
sensibilidade do teste. As simulaes foram procedidas no
programa R 2.15.0.
Resultados do estudo de simulao
As funes densidades de probabilidade das distribuies
no-normais simuladas, bem como a densidade da distribuio
Normal com mesma mdia e varincia de cada uma dessas
distribuies encontram-se na Figura 3. Percebe-se que a
distribuio mais similar Normal (representada em vermelho
em todos os grficos) a t-student (10) e a mais discrepante
a Exponencial (5).
http://seer.ufrgs.br/hcpa
 Normalidade de variveis: verificao e comparao
Figura 3 - Funes densidade das distribuies simuladas (em preto) e distribuio normal
com mesma mdia e varincia (em vermelho).
Os resultados obtidos nas simulaes foram sintetizados e
apresentados na Figura 4, Tabela 1 e 2.
Na Figura 4 encontramos o percentual de acertos de cada
teste para cada distribuio e tamanho amostral. Em relao s
amostras provenientes da distribuio Normal, percebe-se que
o teste de Kolmogorov-Smirnov tem um comportamento no
esperado em relao ao erro tipo I pois, mesmo realizando-se
o teste com 5% de significncia, este no rejeitou a hiptese
de normalidade em nenhuma amostra independentemente do
tamanho amostral. Com exceo desse teste, todos os demais
parecem ter taxas de erro tipo I adequadas, prximas do
valor nominal de 5%, pois o percentual de acerto foi prximo
do esperado (95%) para a maioria dos tamanhos amostrais
considerados. Em relao s demais distribuies simuladas,
o teste Kolmogorov-Smirnov apresentou o menor poder
independentemente da distribuio para amostras menores
que 500, sendo portanto no recomendvel, concordando
com Zar (8).
Para a distribuio t-student os testes diferem bastante
mesmo para o maior tamanho amostral, tendo o percentual de
acerto variado desde 1,72% (Kolmogorov-Smirnov) at 94,36%
http://seer.ufrgs.br/hcpa Rev HCPA 2012;32(2)
(Jarque-Bera), conforme a Tabela 1. A dificuldade dos testes em
identificarem corretamente a falta de normalidade quando os
dados seguem a distribuio t-student se deve ao fato das duas
distribuies possurem densidades muito parecidas. Levando
em considerao todos os tamanhos amostrais, o teste que
melhor identificou os dados provenientes da distribuio
t-student foi o Shapiro-Francia, com 39,26% de acertos, e nas
distribuies restantes o teste Shapiro-Wilk obteve melhores
resultados.
Outro resultado importante que verifica-se na Tabela 1
o percentual total de acertos de cada teste, onde o teste de
Shapiro-Francia obteve melhor percentual de acertos (72,41%),
seguido pelo teste Shapiro-Wilk, (72,15%). J entre os piores
resultados, encontram-se o teste Qui-quadrado (61,58%) e o
KS (44,78%).
possvel perceber tambm que o desempenho dos testes
pode ser muito ruim para tamanhos de amostrais pequenos.
Para as distribuies mais parecidas com a Normal (Gama e t),
mesmo os melhores testes s conseguem ter poder acima de
70% a partir de n=500.
231
 Torman et al

Tabela 1 - Percentual de acerto dos testes para cada distribuio e tamanho amostral.

232 Rev HCPA 2012;32(2) http://seer.ufrgs.br/hcpa

 Normalidade de variveis: verificao e comparao

Figura 4 - Percentual de acerto em funo dos tamanhos amostrais.

http://seer.ufrgs.br/hcpa Rev HCPA 2012;32(2) 233

 Torman et al

Tabela 2 - Percentual de acerto dos testes para cada tamanho amostral.

Concluses comparou-se alguns deles atravs de simulao. Os resultados

do estudo de simulao procedidos permitem recomendar o
Neste trabalho buscou-se apresentar mtodos de
uso dos testes de Shapiro-Wilk e Shapiro-Francia. importante
verificao da normalidade de variveis, como os grficos
tambm salientar que o desempenho dos testes foi em geral
Histograma e Q-Q Plot. A anlise visual tem a desvantagem
muito ruim para tamanhos amostrais pequenos. Para amostras
de ser subjetiva e um mtodo mais objetivo a realizao de
de tamanho menor ou igual a 10, recomenda-se no proceder
testes no-paramtricos de aderncia distribuio Normal.
ao teste de normalidade e partir diretamente para uma
Como estes testes podem conduzir a concluses diferentes,
estratgia no-paramtrica de anlise.

Referncias

1. Callegari-Jacques SM. Bioestatstica
princpios e aplicaes. Porto Alegre:
Artmed; 2003.
2. Soares JF. Introduo estatstica
mdica. Belo Horizonte, MG:
COOPMED; 2002.
3. Team RDC. R: A Language and
Environment for Statistical
Computing. Vienna, Austria; 2011.
Disponvel em: http://www.R-project.
org/
4. Trapletti A, Hornik K. tseries: Time
Series Analysis and Computational
Finance. 2012. Disponvel em: http://
CRAN.R-project.org/package=tseries
5. Gross J. nortest: Tests for Normality.
2012. Disponvel em: http://CRAN.R-
project.org/package=nortest
6. Thode HC. Testing for normality. New
York: Marcel Dekker; 2002.
7. DAgostino RB, Stephens MA.
Goodness-of-fit techniques. New York:
M. Dekker; 1986.
8. Zar JH. Biostatistical analysis. Upper
Saddle River, N.J.: Prentice Hall; 1999.
Recebido: 16/02/2012

Aceito: 16/04/2012

234 Rev HCPA 2012;32(2) http://seer.ufrgs.br/hcpa