Teste de normalidade

Verifica se uma amostra é compatível com uma distribuição normal usando os testes de Shapiro–Wilk, Kolmogorov–Smirnov (incluindo a correção de Lilliefors) e Anderson–Darling, e também gera um histograma e um gráfico Q–Q.

Esta página existe graças aos esforços das seguintes pessoas:

Timur

Timur

Criado: 2026-11-21 09:00:41, Ultima atualização: 2026-11-21 09:00:41
Creative Commons Attribution/Share-Alike License 3.0 (Unported)

Este conteúdo é licenciado de acordo com a Licença Creative Commons de Atribuição/CompartilhaIgual 3.0 (Unported). Isso significa que você pode redistribuir ou modificar livremente este conteúdo sob as mesmas condições de licença e precisa atribuir ao autor original colocando um hyperlink para este trabalho no seu site. Além disto, favor não modificar qualquer referência ao trabalho original (caso houver) que estiverem contidas neste conteúdo.

Esta calculadora on-line verifica se uma amostra é compatível com uma distribuição normal. Ela calcula os testes de Shapiro–Wilk, Kolmogorov–Smirnov (incluindo a correção de Lilliefors) e Anderson–Darling, e também produz um histograma com uma curva normal e um gráfico Q–Q normal.

As fórmulas e um pouco de teoria estão disponíveis abaixo da calculadora.

PLANETCALC, Teste de normalidade

Teste de normalidade

Números separados por vírgulas, ponto e vírgula, espaços ou quebras de linha. O separador decimal é o ponto.
Se o valor p for menor que α, a hipótese de normalidade é rejeitada.
Quando os parâmetros são estimados a partir da amostra, a correção de Lilliefors é usada.
Média a priori usada apenas para o teste clássico de Kolmogorov–Smirnov.
Desvio padrão, não variância; deve ser maior que zero.
Tamanho da amostra n
 
Média amostral x̄
 
Desvio padrão amostral s
 
Estimativa de σ por máxima verossimilhança
 
Dígitos após o ponto decimal: 6
Conclusão
 
O arquivo é muito grande; pode ocorrer lentidão do navegador durante o carregamento e a criação.
Histograma e densidade normal
O arquivo é muito grande; pode ocorrer lentidão do navegador durante o carregamento e a criação.
Gráfico Q–Q normal
O arquivo é muito grande; pode ocorrer lentidão do navegador durante o carregamento e a criação.

O que é testado exatamente

A distribuição normal (lei normal, distribuição gaussiana) é uma distribuição contínua com a densidade

f(x)=\frac{1}{\sigma\sqrt{2\pi}}\exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right),

em que \mu é a média, \sigma é o desvio padrão e \sigma>0. Seu gráfico é uma curva de sino simétrica centrada em \mu. Uma calculadora separada para a densidade e a função de distribuição normal está disponível aqui: Distribuição normal.

Suponha que pesamos vinte vezes o mesmo peso de calibração. As leituras da balança variam ligeiramente: 999,8 g, 1000,1 g, 1000,0 g e assim por diante. Podemos supor que o erro aleatório da balança siga uma distribuição normal. Mas vinte números não revelam a distribuição em si, apenas permitem verificar até que ponto as observações a contradizem.

Por isso, formulamos a hipótese nula H_0: a amostra provém de uma distribuição normal. A hipótese alternativa H_1 afirma o contrário. Para o teste clássico de Kolmogorov–Smirnov com parâmetros especificados, a hipótese é mais restrita: testa-se a distribuição específica N(\mu_0,\sigma_0^2), e não qualquer distribuição normal.

Cada teste produz uma estatística e um valor p. Em outras palavras, o valor p é a probabilidade, supondo que H_0 seja verdadeira, de obter um afastamento da normalidade tão forte ou mais forte que o observado em nossa amostra. Não é a probabilidade de a hipótese de normalidade ser verdadeira.

Mas como obter uma probabilidade a partir de um único número, a estatística do teste? Precisamos conhecer a distribuição nula da estatística, isto é, a distribuição dos valores que ela teria se H_0 fosse verdadeira. Imagine que retiramos repetidamente novas amostras do mesmo tamanho n de uma distribuição normal e recalculamos a estatística a cada vez. Em seguida, determinamos a proporção de valores que contradizem a normalidade pelo menos tão fortemente quanto o valor de nossa amostra. Essa proporção é o valor p.

A direção da desigualdade depende do teste: valores pequenos de W são suspeitos em Shapiro–Wilk, enquanto valores grandes de D e A^2 são suspeitos em Kolmogorov–Smirnov e Anderson–Darling. Portanto, não podemos simplesmente tomar a área à direita de cada estatística sob uma curva normal comum. Cada estatística tem sua própria distribuição nula, que depende de n; no caso de Kolmogorov–Smirnov, também depende de os parâmetros terem sido estimados a partir da amostra. Na prática, a calculadora não simula milhares de amostras: usa fórmulas exatas quando disponíveis e aproximações publicadas das distribuições nulas quando o cálculo exato é muito difícil. O método usado para obter o valor p é descrito abaixo para cada teste.

Em seguida, o valor p é comparado ao nível de significância \alpha escolhido:

  1. Se p<\alpha, a hipótese de normalidade é rejeitada. Nas condições escolhidas, a discrepância é grande demais para ser considerada uma flutuação aleatória plausível.
  2. Se p\geq\alpha, a hipótese de normalidade não é rejeitada. Mas também não fica provada: pode existir um afastamento, e a amostra pode simplesmente ser pequena demais para detectá-lo.

O que isso significa na prática? Se p=0{,}03 e \alpha=0{,}05, a normalidade é rejeitada. Se p=0{,}91, isso não significa uma probabilidade de 91 % de normalidade. Significa apenas que discrepâncias como essa, ou mais acentuadas, ocorrem com bastante frequência quando a hipótese nula é verdadeira.

Média amostral e dois desvios padrão

Para uma amostra x_1,\ldots,x_n, a calculadora calcula a média amostral

\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i

e o desvio padrão amostral corrigido

s=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_i-\bar{x})^2},

em que n é o tamanho da amostra. O divisor n-1 é usado nos testes de Lilliefors e Anderson–Darling.

Para traçar a curva normal sobre o histograma, a calculadora usa a estimativa de máxima verossimilhança de \sigma:

\hat{\sigma}=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i-\bar{x})^2}.

Assim, s e \hat{\sigma} diferem em seus divisores: n-1 e n. A calculadora mostra os dois valores. Para n grande, a diferença quase desaparece, mas para amostras pequenas é melhor não varrê-la para debaixo do tapete.

Teste de Shapiro–Wilk

O teste de Shapiro–Wilk foi desenvolvido especificamente para testar a normalidade. Primeiro, os valores da amostra são ordenados: x_{(1)}\leq x_{(2)}\leq\ldots\leq x_{(n)}. Em seguida, calcula-se a seguinte estatística1

W=\frac{\left(\sum_{i=1}^{n}a_i x_{(i)}\right)^2}{\sum_{i=1}^{n}(x_i-\bar{x})^2},

em que x_{(i)} são os valores ordenados da amostra, \bar{x} é a média amostral e a_i são coeficientes que dependem do tamanho da amostra e são derivados das propriedades das estatísticas de ordem de uma distribuição normal.

O numerador compara a amostra ordenada com o padrão esperado para dados normais, enquanto o denominador mede sua dispersão total. Os valores de W ficam entre zero e um; valores pequenos de W indicam um afastamento da normalidade. No entanto, a decisão não se baseia em um limite arbitrário como «W>0{,}9 significa normal», mas no valor p.

Como os afastamentos da normalidade correspondem a valores pequenos de W, o valor p aqui é a cauda esquerda da distribuição nula:

p=P(W\leq W_{\mathrm{obs}}\mid H_0),

em que W_{\mathrm{obs}} é o valor calculado para nossa amostra. Por exemplo, p=0{,}01 significa que, se H_0 for verdadeira, apenas 1 % das amostras do mesmo tamanho produzirá um valor de W tão pequeno ou menor.

A calculadora aplica esse teste quando 3\leq n\leq5000. A distribuição nula exata de W é muito complexa, por isso usa-se a aproximação de Royston: 1-W é transformado usando um logaritmo e coeficientes dependentes de n em uma escala normal, que é usada para calcular a probabilidade da cauda esquerda.2 Para n>5000, a linha do teste mostra um traço, enquanto as demais verificações continuam funcionando.

Teste de Kolmogorov–Smirnov e correção de Lilliefors

A função de distribuição empírica é a proporção de observações que não excedem x:

F_n(x)=\frac{1}{n}\sum_{i=1}^{n}I(x_i\leq x),

em que I(x_i\leq x) é igual a um se a condição for verdadeira e a zero caso contrário, e n é o tamanho da amostra.

O teste de Kolmogorov–Smirnov (KS) compara a função empírica F_n(x) com a função de distribuição normal teórica F(x):

D=\sup_x\left|F_n(x)-F(x)\right|.

Aqui, D é a maior distância vertical entre as duas funções de distribuição, e \sup significa que o máximo é tomado sobre todos os valores possíveis de x. Quanto maior D, maior a discrepância.

E aqui há uma nuance importante. De onde vêm a média e o desvio padrão usados em F(x)?

  1. Os parâmetros são conhecidos antecipadamente. Usam-se os valores especificados \mu_0 e \sigma_0, obtendo o teste clássico de Kolmogorov–Smirnov. Por exemplo, a especificação técnica de um instrumento pode exigir um erro com média 0 e desvio padrão 0,1 g. Testamos esse modelo específico, em vez de ajustá-lo a novas medições. Para n\leq100, a calculadora usa um valor p exato; para amostras maiores, aproximações numéricas.
  2. Os parâmetros são estimados a partir da mesma amostra. Em vez de \mu_0 e \sigma_0, usamos \bar{x} e s. Nesse caso, aplica-se o teste de Lilliefors. A estatística D tem a mesma aparência, mas sua distribuição sob a hipótese nula é diferente, e o valor p também.3 O valor p comum de Kolmogorov–Smirnov não deve ser usado após o ajuste dos parâmetros; esse cálculo seria tolerante demais com os dados.

Nas duas versões, valores grandes de D são suspeitos, portanto usa-se a cauda direita da distribuição nula:

p=P(D\geq D_{\mathrm{obs}}\mid H_0),

em que D_{\mathrm{obs}} é a discrepância máxima observada entre as funções de distribuição. Mas as distribuições nulas são diferentes. No teste clássico, os parâmetros \mu_0 e \sigma_0 são fixos. No teste de Lilliefors, os parâmetros são estimados novamente para cada amostra normal hipotética, e a distância D costuma ser menor, porque a curva é ajustada especificamente a essa amostra. O mesmo valor numérico de D pode, portanto, produzir valores p diferentes nos dois modos.

Em outras palavras, a correção de Lilliefors não ajusta o próprio número D, mas corrige a maneira de obter uma decisão a partir desse número. Na calculadora, o teste de Lilliefors é calculado para n\geq5, e sua cauda direita e seu valor p são encontrados por aproximações analíticas.

Teste de Anderson–Darling

O teste de Anderson–Darling também compara uma amostra com uma distribuição teórica, mas dá mais peso às suas caudas. Para uma distribuição normal com média e desvio padrão estimados a partir da amostra, a estatística é

A^2=-n-\frac{1}{n}\sum_{i=1}^{n}(2i-1)\left[\ln F(x_{(i)})+\ln\left(1-F(x_{(n+1-i)})\right)\right],

em que x_{(i)} são os valores ordenados da amostra, F é a função de distribuição normal com parâmetros \bar{x} e s, e n é o tamanho da amostra.

Antes de calcular o valor p, a estatística é corrigida de acordo com o tamanho da amostra:

A^{2*}=A^2\left(1+\frac{0{,}75}{n}+\frac{2{,}25}{n^2}\right).

A calculadora mostra o A^2 original na tabela, mas obtém o valor p a partir da estatística corrigida. Valores grandes de A^{2*} falam contra a normalidade, portanto novamente é necessária a cauda direita:

p=P(A^{2*}\geq A^{2*}_{\mathrm{obs}}\mid H_0).

A distribuição nula de A^{2*} não é normal. Para ela usa-se a aproximação por partes de Stephens: dependendo do intervalo que contém A^{2*}_{\mathrm{obs}}, uma de cinco fórmulas aproxima a probabilidade necessária.4 O teste é calculado para n\geq8.

Histograma com curva normal

Um histograma mostra como as observações estão distribuídas entre intervalos. A calculadora o representa em unidades de densidade: a altura de cada barra é

\frac{k}{nh},

em que k é o número de observações no intervalo, n é o tamanho da amostra e h é a largura do intervalo. Portanto, a área de cada barra é igual à proporção de observações nesse intervalo, e a área total do histograma é igual a um. Isso permite sobrepor a densidade da distribuição normal N(\bar{x},\hat{\sigma}^2): ambas as grandezas usam a mesma escala.

Vejamos um exemplo. Se 4 de 20 medições caírem em um intervalo de 0,4 g de largura, a altura da barra será 4/(20\cdot0{,}4)=0{,}5. Sua área será 0{,}5\cdot0{,}4=0{,}2, ou seja, o intervalo contém 20 % da amostra.

A largura dos intervalos é selecionada automaticamente pela regra de Freedman–Diaconis:

h=\frac{2\,IQR}{n^{1/3}},\qquad IQR=Q_3-Q_1,

em que IQR é o intervalo interquartil, e Q_1 e Q_3 são o primeiro e o terceiro quartis da amostra. Se essa largura não puder ser obtida, por exemplo quando o intervalo interquartil é zero, o número de intervalos é escolhido como \lceil\sqrt{n}\rceil.5

No que prestar atenção? Em assimetria perceptível, vários picos separados, grandes lacunas e valores atípicos. Mas não exija um sino perfeito: uma amostra pequena de uma distribuição estritamente normal pode produzir um histograma bastante torto. O acaso também tem direito a algumas irregularidades.

Gráfico Q–Q normal

Um gráfico Q–Q (gráfico quantil-quantil) compara os quantis da amostra com os quantis de uma distribuição teórica. Para um gráfico Q–Q normal, a calculadora representa os pontos

\left(\Phi^{-1}(p_i),\;x_{(i)}\right),\qquad p_i=\frac{i-0{,}375}{n+0{,}25},\qquad i=1,\ldots,n,

em que \Phi^{-1} é a função inversa da distribuição normal padrão e x_{(i)} é a amostra ordenada. As probabilidades p_i são chamadas posições de representação (plotting positions): indicam a qual quantil teórico a i-ésima menor observação deve ser associada.

Essa fórmula é a regra proposta pelo estatístico sueco Gunnar Blom.6 Por que os números estranhos 0,375 e 0,25? A escolha mais simples, p_i=i/n, daria p_n=1 para a última observação, e o quantil normal correspondente \Phi^{-1}(1) seria infinito — um ponto assim não pode ser desenhado. As posições de Blom não chegam a zero nem a um, são simétricas em relação a 1/2 e aproximam bem as posições esperadas das estatísticas de ordem de uma amostra normal.

Por exemplo, com n=4, obtemos p_1\approx0{,}147, p_2\approx0{,}382, p_3\approx0{,}618 e p_4\approx0{,}853. Assim, o mínimo é associado aproximadamente ao quantil de 14,7 % e o máximo ao de 85,3 %, em vez de um ponto infinito no final da distribuição.

A reta de referência passa pelos primeiro e terceiro quartis correspondentes dos quantis teóricos e amostrais. Essa escolha é mais resistente a valores atípicos do que uma reta baseada apenas na média e no desvio padrão.

Como ler o gráfico:

  1. Pontos próximos da reta — não há contradições visuais sérias com a normalidade. Naturalmente, não se exige uma coincidência exata.
  2. Uma curvatura suave — a distribuição pode ser assimétrica.
  3. Um desvio em forma de S — as caudas da amostra diferem das caudas normais: são mais pesadas ou mais leves.
  4. Pontos individuais distantes do padrão geral — possíveis valores atípicos.
  5. Degraus — os dados contêm muitos valores repetidos ou a grandeza é discreta por natureza.

O gráfico Q–Q é especialmente útil quando um histograma depende da escolha dos intervalos. Ele não substitui os testes, mas ajuda a entender como exatamente os dados diferem de dados normais.

Exemplo de cálculo

Vamos manter os 20 valores padrão da calculadora — medições hipotéticas de uma grandeza próxima de 5. Escolhemos \alpha=0{,}05 e o modo que estima os parâmetros a partir da amostra. Obtemos os seguintes resultados:

Teste Estatística Valor p Decisão
Shapiro–Wilk W=0{,}978405 0.911875 A normalidade não é rejeitada
Lilliefors D=0{,}102608 0.840087 A normalidade não é rejeitada
Anderson–Darling A^2=0{,}216283 0.819790 A normalidade não é rejeitada

Todos os valores p estão bem acima de 0,05. Portanto, esses dados não fornecem motivos para rejeitar a normalidade. Isso não é o mesmo que afirmar que os números são necessariamente normais. Os valores padrão podem ser apagados; servem apenas como ilustração.

E se um teste rejeitar a normalidade e os outros dois não? Isso não é motivo para uma votação de dois contra um. Os testes diferem em sua sensibilidade à assimetria, às caudas e a outros afastamentos, além de terem restrições diferentes quanto ao tamanho da amostra. Observe o gráfico Q–Q, o histograma e a natureza dos dados. A linha de resumo da calculadora apenas informa se pelo menos um teste aplicável rejeita a normalidade; é um resumo dos resultados, não um quarto teste com seu próprio valor p.

Condições de aplicabilidade

  1. As observações devem ser independentes. Se cada medição depender da anterior, os valores p comuns podem ser enganosos. Para séries temporais, primeiro é necessário considerar sua estrutura.
  2. O tamanho da amostra é importante. Com n pequeno, um teste pode não perceber um afastamento real da normalidade. Com n muito grande, pode rejeitar a normalidade por causa de um afastamento praticamente insignificante para sua tarefa. Considere os valores p junto com os gráficos e o bom senso.
  3. Os testes têm limites numéricos. Nesta calculadora, Shapiro–Wilk se aplica para 3\leq n\leq5000, Lilliefors para n\geq5 e Anderson–Darling para n\geq8. O teste clássico de Kolmogorov–Smirnov requer \mu_0 e \sigma_0>0 especificados antecipadamente. Alguns valores p são calculados por aproximações, como indicado nas observações da tabela de resultados.
  4. Valores idênticos não são adequados. Se toda a amostra consistir em um único número repetido, o desvio padrão será zero e não existirá uma distribuição normal ajustada. A calculadora informa um erro nesse caso.
  5. Não remova valores atípicos apenas para obter um valor p atraente. Primeiro verifique se um valor atípico é um erro de medição ou de entrada. Se a observação for real, removê-la altera o problema original.
  6. Rejeitar a normalidade não é o fim da análise. Uma transformação dos dados, outro modelo de distribuição ou métodos não paramétricos podem ajudar. Para estimar uma média com uma amostra grande, o teorema central do limite frequentemente ajuda. Sua relação com os intervalos de confiança é explicada no artigo Construção de intervalos de confiança.

  1. NIST/SEMATECH. e-Handbook of Statistical Methods. Seção «Anderson-Darling and Shapiro-Wilk tests». NIST ↩

  2. Royston P. Remark AS R94: A Remark on Algorithm AS 181: The W-test for Normality. Applied Statistics, 1995, vol. 44, pp. 547–551. DOI ↩

  3. Dallal G. E., Wilkinson L. An Analytic Approximation to the Distribution of Lilliefors’ Test Statistic for Normality. The American Statistician, 1986, vol. 40, pp. 294–296. DOI ↩

  4. Stephens M. A. EDF Statistics for Goodness of Fit and Some Comparisons. Journal of the American Statistical Association, 1974, vol. 69, pp. 730–737. DOI ↩

  5. Freedman D., Diaconis P. On the Histogram as a Density Estimator: L^2 Theory. Zeitschrift für Wahrscheinlichkeitstheorie und Verwandte Gebiete, 1981, vol. 57, pp. 453–476. DOI ↩

  6. Blom G. Statistical Estimates and Transformed Beta-Variables. New York: John Wiley & Sons, 1958. ↩

URL copiado para a área de transferência
PLANETCALC, Teste de normalidade

Comentários