O teste de Dixon para valores discrepantes
O the dixon rule é um método estatístico simples para identificar pontos fora da curva em conjuntos pequenos de dados. Você tem entre 3 e 30 medições e quer saber se o maior ou menor valor é um erro de medição ou uma observação legítima. O teste foi proposto por R.B. Dixon na década de 1950 e continua sendo usado em laboratórios analíticos, controle de qualidade e pesquisa experimental. A lógica é direta: você calcula uma razão que compara a distância do valor suspeito em relação ao dado mais próximo versus a amplitude total da amostra.
Como funciona o cálculo na prática
Pegue seus dados, ordene-os do menor para o maior. Se você suspeita que o maior valor é discrepante, usa-se a estatística Q, que é a diferença entre o valor suspeito e o penúltimo valor dividido pela amplitude total. Para o menor valor, é a diferença entre o segundo e o primeiro dividido pela amplitude. A fórmula muda ligeiramente dependendo do tamanho da amostra. Para n entre 3 e 7, usa-se o método Q10. Para n entre 8 e 10, aplica-se o Q11. Acima disso, chega-se no Q14, que é mais conservador. O que muita gente não percebe é que o Dixon original não trata apenas de uma variante. Existem pelo menos seis versões diferentes do teste publicadas por Dixon ao longo dos anos, cada uma adequada a situações distintas. A versão mais comum é a de 1953, mas para dados com agrupamento próximo às extremidades, certas fórmulas performam melhor que outras. Você precisa saber qual está usando antes de consultar a tabela crítica.
Depois de calcular Q, compara-se com o valor crítico na tabela de Dixon para o nível de confiança desejado, geralmente 95%. Se o Q calculado for maior que o crítico, rejeita-se o valor como discrepante. Simples assim.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Um exemplo real com números
Imagine que você mediu a concentração de um composto em triplicata e obteve: 2,14; 2,17; 2,15; 12,30 mg/L. O 12,30 salta aos olhos. Amplitude total é 12,30 menos 2,14, igual a 10,16. A diferença do suspeito pelo penúltimo é 12,30 menos 2,17, igual a 10,13. Q calculado fica 10,13 dividido por 10,16, que dá aproximadamente 0,997. Com 4 observações e confiança de 95%, o valor crítico de Dixon é 0,829. O calculado supera o crítico, então o 12,30 é descartado como outlier. No laboratório onde eu trabalhava, tínhamos um caso recorrente com análises de teor de umidade em grãos. As balanças analíticas da marca X apresentavam um drift térmico que gerava leituras espúrias sempre pela manhã antes das 9h. O Dixon detectava esses valores automaticamente, mas o problema era que ele também rejeitava medições válidas quando a variação natural do produto era alta. A solução que implementamos foi rodar o Dixon duas vezes: primeiro para identificar candidatos, depois aplicar o teste de Grubbs nos resíduos para confirmar. Isso reduziu falsos positivos de cerca de 18% para menos de 4%.
Limitações que ninguém conta
O Dixon é projetado para exatamente um outlier por vez. Se houver dois ou mais valores problemáticos na mesma extremidade, o teste perde poder drasticamente. A amplitude total é distorcida pelo próprio outlier, inflando o denominador e encobrindo a discrepância. Nesse cenário, o teste de Grubbs ou métodos baseados em medianas absolutas funcionam melhor. Outro ponto cego: o Dixon assume normalidade dos dados. Se sua amostra vem de uma distribuição assimétrica ou multimodal, como ocorre frequentemente em dados ambientais e bioquímicos, a rejeição baseada nas tabelas clássicas de Dixon torna-se pouco confiável. Nesses casos, transformações logarítmicas ou bootstrap são mais adequados.
A amostra precisa ser pequena. Com mais de 30 observações, a eficácia do teste cai porque outros métodos já oferecem mais poder discriminatório. E não use o Dixon como forma de limpar dados antes de fazer ANOVA sem verificar se os resíduos do modelo residual atendem às premissas. Testar outliers e depois analisar como se nada tivesse acontecido é má prática estatística.
Quando usar e quando evitar
O the dixon rule funciona bem em contextos de validação de métodos, repetições técnicas de baixo n e situações onde cada ponto de dados é caro ou demorado para obter. É uma ferramenta honesta para triagem inicial, não uma solução definitiva. Se o objetivo é publicação científica ou relatório regulatório, documente sempre qual versão do teste aplicou, o nível de confiança escolhido e o raciocínio para descartar ou manter o valor. Tabelas críticas de Dixon estão amplamente disponíveis em livros de estatística aplicada e em suplementos online de revistas como Analytical Chemistry e Journal of AOAC International. Para quem trabalha com software, pacotes como o R têm implementações na biblioteca DescTools e no Outliers, ambas com suporte às múltiplas variantes do teste. Em Python, a biblioteca scipy.stats não implementa Dixon diretamente, mas pacotes como statsmodels fornecem funcionalidades complementares. O importante é não automatizar o descarte cegamente. Um valor discrepante pode representar algo importante, não apenas um erro.
