O teste F responde a uma questão mais restrita do que o teste t: não se duas amostras têm médias diferentes, mas se têm diferentes quantidades de dispersão. Isso é importante por si só – resultados inconsistentes, medições ruidosas e processos instáveis são todos problemas de “variância” – e também é o teste que muitos livros recomendam executar antes de um teste t de duas amostras, para decidir se devem assumir variâncias iguais.
O que a estatística F mede
A estatística F é simplesmente a razão entre duas variâncias amostrais. Para um teste bicaudal – a escolha padrão e conservadora – a calculadora sempre coloca a variância maior no topo, então F é sempre ≥ 1: um valor próximo de 1 significa que as duas amostras têm dispersão semelhante, enquanto um F grande significa que uma amostra é consideravelmente mais variável que a outra. Como o teste é simétrico (qualquer grupo pode ser o mais barulhento), o valor p bicaudal dobra a probabilidade da cauda superior dessa proporção.
De dados versus de variações
Se você tiver as medidas brutas, use a guia Dos dados — a calculadora calcula a variância amostral de cada grupo (usando o divisor n − 1 padrão) automaticamente. Se você já possui estatísticas resumidas — digamos, de um relatório de laboratório ou de uma análise anterior — use a guia Das variações e insira diretamente a variação de cada grupo e o tamanho da amostra. Ambos os caminhos alimentam a mesma matemática subjacente do teste F.
Unicaudal vs. bicaudal e o que o teste F assume
Bilateral é o padrão: ele testa se as variações diferem em qualquer direção, sem assumir antecipadamente qual grupo é mais barulhento. Um teste unilateral só é válido se você se comprometeu, antes de ver os dados, com uma direção específica (por exemplo, "O Método 1 é mais barulhento que o Método 2") - ele usa a proporção exatamente como inserida, em vez de reordená-la para colocar a variação maior no topo. O teste F clássico assume que ambas as amostras são extraídas de populações normalmente distribuídas; é bastante sensível a essa suposição, portanto, com dados claramente não normais (grande distorção ou valores discrepantes), trate um valor p limítrofe com cautela e considere uma alternativa mais robusta como o teste de Levene.