La prueba F responde una pregunta más específica que una prueba t: no si dos muestras tienen promedios diferentes, sino si tienen cantidades diferentes de dispersión. Eso importa por sí solo — la producción inconsistente, las mediciones ruidosas y los procesos inestables son todos problemas de 'varianza' — y también es la prueba que muchos libros de texto recomiendan ejecutar antes de una prueba t de dos muestras, para decidir si asumir varianzas iguales.

Qué mide el estadístico F

El estadístico F es simplemente la razón de dos varianzas muestrales. Para una prueba de dos colas — la opción estándar y conservadora — la calculadora siempre coloca la varianza mayor arriba, así que F siempre es ≥ 1: un valor cercano a 1 significa que las dos muestras tienen dispersión similar, mientras que una F grande significa que una muestra es considerablemente más variable que la otra. Debido a que la prueba es simétrica (cualquiera de los dos grupos podría ser el más ruidoso), el valor p de dos colas duplica la probabilidad de la cola superior de esa razón.

Desde datos vs. desde varianzas

Si tienes las mediciones en bruto, usa la pestaña Desde Datos — la calculadora computa automáticamente la varianza muestral de cada grupo (usando el divisor estándar n − 1). Si ya tienes estadísticas resumen — digamos, de un reporte de laboratorio o un análisis previo — usa la pestaña Desde Varianzas e ingresa directamente la varianza y el tamaño de muestra de cada grupo. Ambos caminos alimentan la misma matemática subyacente de la prueba F.

Una cola vs. dos colas, y qué asume la prueba F

Dos colas es la opción por defecto estándar: prueba si las varianzas difieren en cualquier dirección, sin asumir de antemano cuál grupo es más ruidoso. Una prueba de una cola solo es válida si te comprometiste, antes de ver los datos, con una dirección específica (p. ej., "el Método 1 es más ruidoso que el Método 2") — usa la razón exactamente como se ingresó en lugar de reordenar para poner la varianza mayor arriba. La prueba F clásica asume que ambas muestras provienen de poblaciones normalmente distribuidas; es bastante sensible a esa suposición, así que con datos claramente no normales (asimetría fuerte o valores atípicos), trata un valor p límite con cautela y considera una alternativa más robusta como la prueba de Levene.