Teste de duas variâncias (teste F)
Um teste de hipóteses de duas variâncias avalia se as variâncias de duas populações independentes são iguais, comparando a razão das duas variâncias amostrais por meio da distribuição F, com graus de liberdade distintos para cada amostra, com base nas premissas de que as populações são normalmente distribuídas e independentes, e é muito aplicado em controle da qualidade, finanças e pesquisa experimental para avaliar a consistência e a variabilidade de processos.
Última revisão
Conclusão principal
Um teste de hipóteses de duas variâncias avalia se as variâncias de duas populações independentes são iguais, comparando a razão das duas variâncias amostrais por meio da distribuição F.
Nesta página
O que é o teste de duas variâncias?
Um teste de hipóteses de duas variâncias avalia se as variâncias de duas populações independentes são iguais, comparando a razão das duas variâncias amostrais por meio da distribuição F, com graus de liberdade distintos para cada amostra, com base nas premissas de que as populações são normalmente distribuídas e independentes, e é muito aplicado em controle da qualidade, finanças e pesquisa experimental para avaliar a consistência e a variabilidade de processos.
Quando usar o teste de duas variâncias?
O teste de variância de duas amostras é usado para determinar se dois conjuntos de dados amostrais têm variâncias iguais.
- Comparação de variabilidades: quando você precisa determinar se a variabilidade (variância) de duas populações independentes é significativamente diferente.
- Controle da qualidade: para comparar a consistência e a variabilidade de dois processos de produção ou lotes diferentes.
- Pesquisa experimental: ao avaliar se as condições experimentais ou os tratamentos resultam em diferentes níveis de variabilidade nos resultados.
- Finanças: para comparar o risco (variância dos retornos) de duas carteiras de investimento ou instrumentos financeiros diferentes.
- Premissas atendidas:
- Distribuição normal: as populações das quais as amostras são retiradas devem ter distribuição normal.
- Independência: as duas populações devem ser independentes entre si.
É útil em situações em que você quer comparar duas populações ou grupos quanto às suas variâncias, como nos cenários a seguir:
- Controle da qualidade: uma empresa de manufatura pode querer comparar as variâncias de duas linhas de produção para garantir que elas produzam com qualidade consistente.
- Ensaios clínicos: pesquisadores podem querer comparar as variâncias de dois grupos de pacientes para determinar se um novo tratamento tem efeito semelhante nos dois grupos.
- Educação: educadores podem querer comparar as variâncias das notas de provas entre dois grupos de alunos para ver se um grupo é mais consistente que o outro.
- Análise financeira: investidores podem querer comparar as variâncias dos retornos de duas carteiras de investimento para determinar se uma é mais volátil que a outra.
Diretrizes para o uso correto do teste de duas variâncias
- Amostragem aleatória: garanta que os dados amostrais sejam selecionados aleatoriamente para fazer generalizações válidas sobre a população.
- Distribuição dos dados: os dados amostrais não devem ser fortemente assimétricos, e os tamanhos amostrais devem ser maiores que 20. Se os tamanhos amostrais forem menores que 20, represente os dados em gráfico para verificar a assimetria e observações incomuns. Tenha cautela ao interpretar os resultados se os dados forem fortemente assimétricos ou tiverem muitas observações incomuns.
- Independência das observações: cada observação deve ser independente de todas as outras. Observações dependentes podem invalidar os resultados.
- Tamanho amostral adequado: garanta que o tamanho amostral seja grande o suficiente para fornecer estimativas precisas, intervalos de confiança estreitos e proteção adequada contra os erros do tipo I e do tipo II.
Alternativas: quando não usar o teste de duas variâncias
- O teste de variância de duas amostras é concebido para comparar as variâncias de duas amostras independentes. Se suas amostras forem dependentes, como em um estudo antes-depois ou em um delineamento de pares combinados, pode ser necessário usar um teste diferente, como o teste t pareado.
Exemplo de teste de duas variâncias
Um consultor da área de saúde pretende comparar as avaliações de satisfação dos pacientes entre dois hospitais. Para isso, ele reúne as avaliações de 20 pacientes de cada hospital e realiza um teste de variância de duas amostras para determinar se há diferença nos desvios padrão das avaliações dos pacientes. As etapas são as seguintes:
- Reunir os dados necessários.

- Agora, analise os dados no Zometric Statistical Software em https://statsai.zometric.com/.
- Para encontrar Two variance test, escolha Statistical module> Graphical analysis>Two variance test.
- Dentro da ferramenta, insira os dados junto com as outras entradas, como segue:

5. Depois de usar a ferramenta acima, obtenha a saída, como segue:



Como fazer o teste de duas variâncias
O guia é o seguinte:
- Faça login no Zometric Statistical Software em https://statsai.zometric.com/
- Na página inicial, escolha Statistical Tool> Graphical analysis >Two variance test
- Clique em Two variance test para acessar o painel (dashboard).
- Em seguida, atualize os dados manualmente ou copie todos os dados (Ctrl+C) de uma planilha do Excel e cole-os (Ctrl+V) aqui.
- Em seguida, você precisa informar os valores do nível de confiança e da razão hipotética.
- Por fim, clique em calculate na parte inferior da página para obter os resultados desejados.
No painel (dashboard) do teste de duas variâncias, a janela é dividida em duas partes.

Na parte esquerda fica o painel de dados (Data Pane). No Data Pane, cada linha forma um subgrupo. Os dados podem ser inseridos manualmente, ou você pode copiar todos os dados (Ctrl+C) de uma planilha do Excel e colá-los (Ctrl+V) aqui.
Load example: Os dados de exemplo serão carregados.
Load File: É usado para carregar diretamente os dados do Excel.
Na parte direita, há várias opções, descritas a seguir:
- Confidence level: Em testes de hipóteses, o nível de confiança representa o grau de certeza ou de confiança que temos em nossa análise estatística. É um valor de probabilidade que indica a verossimilhança de o verdadeiro parâmetro populacional estar dentro da faixa de valores especificada. Normalmente, o nível de confiança é expresso em porcentagem e denotado por (1 - α), em que α é o nível de significância ou a probabilidade de rejeitar uma hipótese nula verdadeira. Por exemplo, se temos um nível de confiança de 95%, estamos dizendo que temos 95% de confiança de que o verdadeiro parâmetro populacional está dentro de nossa estimativa por intervalo, e há 5% de chance de cometer um erro do tipo I (rejeitar uma hipótese nula verdadeira). Na prática, um nível de confiança mais alto significa que temos mais confiança em nossa análise estatística e em seus resultados. No entanto, aumentar o nível de confiança também aumenta a largura do intervalo de confiança, dificultando a detecção de efeitos pequenos. Portanto, a escolha do nível de confiança depende do contexto do estudo e dos objetivos do pesquisador.
- Hypothesized ratio: Em um teste de duas variâncias, a razão hipotética é o valor usado para testar a hipótese nula de que as variâncias de duas populações são iguais. Ela representa a razão esperada entre as duas variâncias populacionais sob a hipótese nula.
- Alternative hypothesis: Em testes de hipóteses, a hipótese alternativa (também chamada de hipótese de pesquisa) é uma afirmação que representa uma conclusão diferente da hipótese nula. A hipótese nula normalmente representa o status quo ou a suposição de que não há diferença ou relação significativa entre dois ou mais grupos ou variáveis. A hipótese alternativa é a afirmação que está sendo testada e propõe que há uma diferença ou relação significativa entre os grupos ou variáveis estudados.
- Summary plot: Um gráfico de resumo é uma representação visual abrangente usada para exibir resultados estatísticos de forma compacta e informativa. No contexto da comparação dos desvios padrão ou das variâncias entre duas ou mais amostras. Ao combinar intervalos de confiança, boxplots e resultados do teste estatístico, ele fornece uma visão geral clara e completa dos dados. No gráfico apresentado, vemos que o Hospital A tem menos variabilidade e estimativas mais precisas em comparação com o Hospital B, como indica o intervalo de confiança mais estreito para o desvio padrão. Essa informação é crucial para identificar áreas que exigem atenção e tomar decisões fundamentadas com base na análise estatística dos dados.
- Individual value plot: Um gráfico de valores individuais (IVP) é uma ferramenta gráfica mais indicada para amostras pequenas (menos de 50 observações) que exibe pontos de dados individuais para facilitar o exame detalhado da distribuição, da tendência central, da variabilidade e dos outliers, sendo também eficaz para comparar distribuições entre vários grupos pequenos.
- Histogram: Em testes de hipóteses, um histograma é uma representação gráfica da distribuição de uma amostra de dados. É uma ferramenta visual usada para examinar a forma e as características dos dados. Os histogramas são melhores quando o tamanho amostral é maior que 20. Um histograma é criado dividindo os dados em um conjunto de intervalos, ou classes, e contando o número de pontos de dados que caem em cada classe. As classes geralmente têm a mesma largura, e a altura de cada barra do histograma representa a frequência dos pontos de dados que caem nessa classe.
- Box plot: Um boxplot é uma representação gráfica dos dados que exibe a distribuição de um conjunto de dados, incluindo sua mediana, quartis e quaisquer outliers. Em testes de hipóteses, um boxplot pode ser usado para comparar visualmente a distribuição de uma amostra com uma distribuição conhecida ou esperada, como a distribuição normal. Isso pode ajudar a determinar se os dados amostrais são significativamente diferentes do esperado. A caixa em um boxplot representa os 50% centrais dos dados, com a borda inferior da caixa indicando o primeiro quartil (Q1), a borda superior indicando o terceiro quartil (Q3) e a linha dentro da caixa indicando a mediana. Os bigodes se estendem da caixa até os valores mínimo e máximo do conjunto de dados, excluindo quaisquer outliers, que são plotados como pontos individuais além dos bigodes.
- Download as Excel: Exibe o resultado em formato Excel, que pode ser facilmente editado e recarregado para os cálculos por meio da opção load file.
Perguntas frequentes
O que é um teste de duas variâncias?
Um teste de duas variâncias avalia se as variâncias de duas populações independentes são iguais, comparando a razão das duas variâncias amostrais por meio da distribuição F, com graus de liberdade separados para cada amostra. É usado em controle da qualidade, finanças e pesquisa experimental para comparar a consistência e a variabilidade.
Quais são as premissas de um teste de duas variâncias?
As populações devem ter distribuição normal e ser independentes entre si, as amostras devem ser selecionadas aleatoriamente e cada observação deve ser independente de todas as outras. Os dados amostrais não devem ser fortemente assimétricos, e os tamanhos amostrais devem ser maiores que 20; com menos, represente os dados em gráfico para verificar a assimetria e observações incomuns.
Quando usar um teste de duas variâncias?
Use-o para determinar se dois grupos independentes diferem em variabilidade, por exemplo para comparar a consistência de duas linhas de produção ou lotes, se tratamentos produzem diferentes variabilidades nos resultados, ou a volatilidade dos retornos de duas carteiras de investimento. Para amostras dependentes, como em delineamentos antes-depois, é necessário um teste diferente.
O que é a razão hipotética em um teste de duas variâncias?
A razão hipotética é a razão esperada entre as duas variâncias populacionais sob a hipótese nula. O teste verifica se a razão observada entre as variâncias amostrais é consistente com ela; testar se as variâncias são iguais corresponde a uma razão de 1.
