Tecnologista Pleno 2 - Área de Atuação: Biodiversidade
Com referência à análise de componentes principais (PCA, na sigla em inglês) e sua aplicação na redução de dimensionalidade, julgue o item subsequente.Os testes paramétricos são sempre mais adequados que os testes não paramétricos, independentemente da distribuição dos dados e do tamanho da amostra.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Testes paramétricos e não paramétricos: escolha adequada
❌ ERRADO. A afirmação de que os testes paramétricos são sempre mais adequados que os não paramétricos, independentemente da distribuição dos dados e do tamanho da amostra, é falsa. A escolha entre testes paramétricos e não paramétricos depende justamente das premissas que os dados atendem: os paramétricos exigem, em geral, distribuição normal (ou aproximadamente normal) e amostras razoavelmente grandes; quando essas premissas são violadas, os testes não paramétricos são mais adequados e robustos. Não há superioridade absoluta de uma classe sobre a outra.
A questão, embora mencione PCA no enunciado, cobra na verdade um conceito fundamental de inferência estatística: a distinção entre testes paramétricos e não paramétricos e os critérios para sua escolha. Vamos entender isso a fundo.
O que são testes paramétricos? São procedimentos de inferência que assumem uma distribuição de probabilidade específica para a população da qual a amostra foi retirada — em geral, a distribuição normal. Exemplos clássicos: teste t de Student (comparação de médias), ANOVA (comparação de mais de duas médias), testes de correlação de Pearson. Eles estimam parâmetros populacionais (média, variância) e, por isso, tendem a ter maior poder estatístico quando as premissas são satisfeitas.
O que são testes não paramétricos? São procedimentos que não dependem de suposições fortes sobre a distribuição dos dados — por isso também são chamados de testes de distribuição livre. Trabalham com postos (ranks), sinais ou frequências, em vez dos valores brutos. Exemplos: teste de Mann-Whitney (alternativa ao teste t para duas amostras independentes), teste de Wilcoxon (alternativa ao teste t para amostras pareadas), teste de Kruskal-Wallis (alternativa à ANOVA), teste do sinal, teste de Kolmogorov-Smirnov, entre outros.
Quando usar cada um? A regra prática é:
Se os dados atendem às premissas dos testes paramétricos (normalidade, homocedasticidade, independência) e a amostra é suficientemente grande, os testes paramétricos são preferíveis por terem maior poder.
Se os dados violam essas premissas (distribuição muito assimétrica, presença de outliers, amostras pequenas, dados ordinais), os testes não paramétricos são mais adequados, pois não dependem dessas suposições e são mais robustos.
A afirmação do item é categórica e absoluta: "sempre mais adequados", "independentemente da distribuição dos dados e do tamanho da amostra". Isso é falso, pois exatamente quando a distribuição não é normal ou a amostra é pequena, os testes não paramétricos são a escolha correta.
Premissa (P)
Distribuição normal e amostra grande
Distribuição não normal ou amostra pequena
Paramétrico é sempre mais adequado?
Resultado
Caso 1
V
F
F
Afirmação falsa
Caso 2
F
V
F
Afirmação falsa
Caso 3
V
V
F
Afirmação falsa
NÃO CAIA NESSA!
A banca explora a generalização indevida: o candidato pode pensar que "paramétrico é sempre melhor" por ser mais poderoso, mas esquece que o poder só se mantém quando as premissas são atendidas. A palavra "sempre" é o gatilho: qualquer exceção derruba a afirmação. E a exceção é justamente o caso de dados não normais ou amostras pequenas, em que os testes não paramétricos são mais adequados.
Por que a regra é assim? Os testes paramétricos baseiam-se em estatísticas cuja distribuição amostral é conhecida sob a hipótese nula, mas essa distribuição só é válida se as premissas forem verdadeiras. Se a normalidade não se sustenta, as conclusões podem ser inválidas (erro tipo I e tipo II distorcidos). Os testes não paramétricos, por não assumirem distribuição, mantêm o nível de significância mais próximo do nominal mesmo com dados não normais, sendo mais confiáveis nesses cenários.
Conclusão: A afirmação está errada. A escolha entre testes paramétricos e não paramétricos é condicionada à distribuição dos dados e ao tamanho da amostra, não havendo superioridade absoluta de um sobre o outro.