Teste de Kolmogorov-Smirnov (vs Normal)
Calcula o teste de Kolmogorov-Smirnov de uma amostra contra uma distribuição normal de média e desvio especificados. Ele mede a maior distância vertical entre a distribuição acumulada empírica dos seus dados e a curva normal teórica — a estatística D. Diferente de testes que olham só assimetria ou curtose, o KS compara as distribuições inteiras, ponto a ponto. Informe a amostra e os parâmetros da normal (média e desvio-padrão) a testar.
Resultado
—
Teste de Kolmogorov-Smirnov (vs Normal)
Calcula o teste de Kolmogorov-Smirnov de uma amostra contra uma distribuição normal de média e desvio especificados. Ele mede a maior distância vertical entre a distribuição acumulada empírica dos seus dados e a curva normal teórica — a estatística D. Diferente de testes que olham só assimetria ou curtose, o KS compara as distribuições inteiras, ponto a ponto. Informe a amostra e os parâmetros da normal (média e desvio-padrão) a testar.
Comparar seus dados com a curva normal inteira
Testar normalidade pode significar coisas diferentes. Alguns testes olham para um aspecto específico, como a assimetria; o de Kolmogorov-Smirnov olha para a distribuição como um todo. Ele pergunta o quanto a forma acumulada dos seus dados se distancia, em qualquer ponto, da forma de uma distribuição normal de média e desvio que você especifica.
A ideia é construir a função de distribuição acumulada empírica dos dados, aquela curva em degraus, e sobrepô-la à curva suave da normal teórica. A estatística D é simplesmente a maior distância vertical entre as duas ao longo de todo o eixo. Se os dados realmente vierem daquela normal, as curvas andarão coladas e o D será pequeno; qualquer desvio sistemático de forma afasta as curvas.
Informe a amostra e os parâmetros da normal contra a qual quer testar: a média e o desvio-padrão. A ferramenta devolve a estatística D e um valor-p assintótico. Uma observação técnica: quando a média e o desvio são estimados dos próprios dados, em vez de conhecidos de antemão, o teste fica conservador, e variantes como a de Lilliefors são mais apropriadas.
Ferramentas Relacionadas
Teste de Kolmogorov-Smirnov (Duas Amostras)
Calcula o teste de Kolmogorov-Smirnov para duas amostras, que verifica se elas vêm da mesma distribuição — sem supor qual seja essa distribuição. Ele compara as funções de distribuição acumulada empíricas das duas amostras e toma a maior distância vertical entre elas, a estatística D. Diferente do teste t, que só compara médias, o KS é sensível a qualquer diferença de forma, dispersão ou posição. Informe as duas amostras de valores.
Teste de Anderson-Darling (Normalidade)
Calcula o teste de Anderson-Darling, um dos testes de normalidade mais poderosos disponíveis. Ele mede o quanto a distribuição empírica dos seus dados se afasta da curva normal, dando peso extra às caudas — justamente onde outros testes costumam falhar em perceber desvios. A ferramenta devolve a estatística A², a versão ajustada A²* (corrigida para o tamanho da amostra) e um valor-p aproximado. Quanto menor o A², mais compatível com a normal. Informe pelo menos 8 valores.
Teste de Grubbs (Outlier)
Calcula o teste de Grubbs, usado para identificar se o valor mais extremo de uma amostra é um outlier estatístico, sob a suposição de que os dados seriam normais sem ele. Ele compara o desvio do ponto mais distante da média, em unidades de desvio-padrão, com um valor crítico derivado da distribuição t. Se a estatística G ultrapassa o crítico, o ponto é sinalizado como discrepante. É o teste clássico para limpeza de dados antes de uma análise. Informe os dados e o nível de confiança.
Os resultados desta ferramenta têm caráter apenas informativo e educativo e não constituem aconselhamento profissional, financeiro, médico, jurídico, tributário ou contábil. Confirme decisões importantes com um profissional qualificado e fontes oficiais.