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.
Resultado
—
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.
Aquele ponto destoante é mesmo um erro?
Quase toda coleta de dados produz, de vez em quando, um valor que salta aos olhos por estar longe demais dos demais. A tentação de simplesmente apagá-lo é grande, mas perigosa: descartar dados por intuição vicia a análise. O teste de Grubbs oferece um critério objetivo para decidir se o ponto mais extremo merece ser tratado como outlier.
O teste mede a que distância da média está o valor mais afastado, contada em desvios-padrão, e chama isso de estatística G. Esse número é comparado com um valor crítico que depende do tamanho da amostra e do nível de confiança, derivado da distribuição t. Se G supera o crítico, o afastamento é grande demais para ser atribuído à variação normal e o ponto é sinalizado como discrepante.
Informe os dados e o nível de confiança. A ferramenta calcula G, o valor crítico e indica se o ponto mais extremo é um outlier. Duas ressalvas importam: o teste pressupõe que os dados, sem o suspeito, seriam normais, e foi pensado para detectar um outlier por vez — para mais de um, há variantes específicas que devem ser preferidas.
Ferramentas Relacionadas
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.
Teste de Normalidade de D'Agostino-Pearson (K²)
Calcula o teste de normalidade omnibus de D'Agostino-Pearson, que combina duas pistas de não normalidade num único veredito: a assimetria (os dados pendem para um lado?) e a curtose (as caudas são pesadas ou leves demais?). Cada uma vira um escore z padronizado, e a soma dos seus quadrados, a estatística K², segue uma qui-quadrado com 2 graus de liberdade. É mais informativo que olhar assimetria e curtose isoladas. Informe a amostra (pelo menos 8 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.
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.