Questão de Estatística — Inferência estatística — CESPE / CEBRASPE 2025
- Código
- ce223267
- Banca
- CESPE / CEBRASPE
- Órgão
- EMBRAPA
- Ano
- 2025
- Nível
- Superior
- CCerto
- EErrado
GabaritoC — Certo
❌ ERRADO. A afirmação está incorreta porque a ANOVA clássica (paramétrica) exige que os resíduos sigam distribuição normal, independentemente do tamanho da amostra. Quando a variável não é normal, a alternativa correta é usar um teste não paramétrico, como o teste de Kruskal-Wallis, e não simplesmente aumentar o tamanho da amostra.
A ANOVA (Análise de Variância) é uma técnica paramétrica criada por Fisher para comparar as médias de três ou mais grupos. Ela testa a hipótese nula de que todas as médias populacionais são iguais () contra a hipótese alternativa de que pelo menos uma difere. Para que os resultados sejam válidos, a ANOVA depende de três pressupostos fundamentais sobre os erros:
Independência: os erros são independentes entre si;
Normalidade: os erros seguem distribuição normal com média zero;
Homoscedasticidade: as variâncias dos erros são iguais entre os grupos.
Esses pressupostos decorrem da própria construção do modelo estatístico. Se a variável aleatória não é normal, os erros também não serão normais, violando o segundo pressuposto. Nesse caso, a ANOVA paramétrica não é adequada, independentemente do tamanho da amostra. O Teorema Central do Limite garante que a média amostral se aproxima da normalidade para amostras grandes, mas isso não corrige a não normalidade dos erros nem torna a ANOVA robusta a essa violação — a distribuição da estatística F depende da normalidade dos resíduos.
A alternativa correta para comparar médias (ou mais precisamente, para testar diferenças entre grupos) quando a normalidade não é satisfeita é o teste de Kruskal-Wallis, que é a versão não paramétrica da ANOVA de um fator. Esse teste não exige normalidade nem homoscedasticidade, apenas que as observações sejam independentes e que a variável esteja em escala ordinal (ou superior). Ele funciona ordenando todas as observações e atribuindo postos, comparando as médias dos postos entre os grupos.
A pegadinha da banca está em sugerir que "amostras grandes o suficiente" resolveriam o problema da não normalidade. Isso confunde o Teorema Central do Limite (que se aplica à distribuição da média amostral) com os pressupostos da ANOVA (que se referem aos erros do modelo). Aumentar o tamanho da amostra não torna os erros normais — apenas reduz a variância das estimativas. Portanto, a afirmação está errada.
A banca explora a confusão entre o Teorema Central do Limite e os pressupostos da ANOVA. O candidato pode pensar: "com amostra grande, a normalidade não importa". Mas o TCL garante a normalidade assintótica da média amostral, não dos erros do modelo. A ANOVA exige normalidade dos resíduos, e isso não é contornado com n grande. Quando a variável não é normal, o caminho é usar Kruskal-Wallis (não paramétrico).
Na prova, ao ver "variável não normal" + "comparar médias", lembre-se imediatamente de Kruskal-Wallis. Guarde a tabela:
Situação | Teste paramétrico | Alternativa não paramétrica |
|---|---|---|
Comparar 2 grupos | Teste t | Mann-Whitney (Wilcoxon) |
Comparar 3+ grupos | ANOVA | Kruskal-Wallis |
❌ ERRADO. A afirmação está incorreta: a ANOVA paramétrica exige normalidade dos resíduos, e amostras grandes não eliminam essa exigência. Para variáveis não normais, usa-se o teste de Kruskal-Wallis.
Link permanente: /questoes/ce223267