Média (Media): 30.2
Variância (Variancia): 31.34
Desvio Padrão (DesvioPadrao): 5.60
Mediana (Mediana): 31.0
Mínimo (Minimo): 21
Máximo (Maximo): 42
Soma (Soma): 906
Contagem (Contagem): 30
Essas estatísticas fornecem uma visão geral das propriedades do conjunto de dados.
A estatística de teste (Dcalc) é 0.4. O valor crítico (Dtab) para o nível de significância de 5% é menor que 0.4, o que significa que não há evidência suficiente para rejeitar a hipótese nula de que os dados seguem uma distribuição normal. Portanto, os dados podem ser considerados como provenientes de uma distribuição normal.
O valor da estatística de teste Anderson-Darling (ad_statistic) é 0.40. Os valores críticos fornecidos pelo teste de Anderson-Darling para diferentes níveis de significância não ultrapassam 0.40. Isso sugere que os dados podem seguir uma distribuição normal a um nível de significância de 5%. Tabela de Cálculos:
A tabela apresenta os cálculos detalhados envolvendo os valores observados (xi), a frequência acumulada observada (Fa), a frequência relativa acumulada observada (Fra), a estatística z calculada (zcalc), a função de distribuição acumulada esperada (fesp) e as diferenças absolutas entre as frequências observadas e esperadas. Em resumo, os resultados indicam que os dados podem ser considerados como provenientes de uma distribuição normal, com base nos testes de Kolmogorov-Smirnov e Anderson-Darling. Portanto, é razoável assumir normalidade para este conjunto de dados.
O resultado do teste de Shapiro-Wilk indica que a variável em questão não segue uma distribuição normal. Isso significa que os dados não exibem um padrão de comportamento típico de uma distribuição normal.
Para fundamentar essa conclusão, o teste compara a distribuição dos dados com uma distribuição normal teórica. O valor calculado da estatística de teste (Wcalc) é 0.978, enquanto o valor crítico (Wc) para um nível de significância de 1% é 0.884. Como Wcalc é maior que Wc, isso sugere que os dados não são consistentes com uma distribuição normal.
A estatística de teste de Shapiro-Wilk (W) mede a diferença entre a distribuição empírica dos dados e a distribuição esperada em uma distribuição normal. Quanto mais próxima de 1 for a estatística de teste, mais próximos os dados estão de uma distribuição normal.
Além disso, algumas estatísticas descritivas dos dados também são apresentadas, incluindo média, variância, desvio padrão, mediana, valor máximo, valor mínimo, soma total e contagem de observações.
Em resumo, com base nos resultados do teste de Shapiro-Wilk, podemos concluir que a variável em questão não segue uma distribuição normal. É importante considerar esse resultado ao realizar análises estatísticas que pressupõem normalidade dos dados.
O resultado "True" indica que, com um nível de significância de 5% (α = 0.05), não há evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos explicar isso de forma mais detalhada:
Este é o conjunto de dados que está sendo analisado. Contém 24 observações.
Média (Media) = 27.5
Variância (Variancia) = 55.75
Desvio Padrão (DesvioPadrao) = 7.47
Mediana (Mediana) = 28.0
Mínimo (Minimo) = 15
Máximo (Maximo) = 46
Soma (Soma) = 660
Contagem (Contagem) = 24
O p-valor é uma medida que indica a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) seja verdadeira.
Neste caso, o p-valor é 0.8565, o que significa que há uma alta probabilidade de observar um resultado semelhante ou mais extemo apenas por acaso, mesmo se a distribuição dos dados seguir a distribuição normal.
O nível de significância (α) é o limiar que determina se rejeitamos ou não a hipótese nula (H0). Neste caso, α = 0.05, o que significa que estamos dispostos a aceitar uma probabilidade de 5% de cometer um erro do tipo I.
O p-valor (0.8565) é maior do que o nível de significância (α = 0.05). Isso significa que não temos evidências estatisticamente significativas para rejeitar a hipótese nula. Interpretação:
Portanto, com base na análise estatística, podemos concluir que os dados não fornecem evidências suficientes para sugerir que a distribuição dos dados não seja normal. Em resumo, o resultado "True" indica que, com um nível de significância de 5%, não temos razões estatísticas para rejeitar a hipótese nula, o que sugere que os dados podem ser consistentes com uma distribuição normal.
Este é o conjunto de dados que está sendo analisado. Contém 50 observações.
Média (Media) = 30.14
Variância (Variancia) = 27.52
Desvio Padrão (DesvioPadrao) = 5.25
Mediana (Mediana) = 30.88
Mínimo (Minimo) = 19.62
Máximo (Maximo) = 38.53
Soma (Soma) = 602.86
Contagem (Contagem) = 50
O p-valor é uma medida que indica a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) seja verdadeira.
Neste caso, o p-valor é 0.7166, o que significa que há uma alta probabilidade de observar um resultado semelhante ou mais extremo apenas por acaso, mesmo se a distribuição dos dados seguir uma distribuição normal.
O nível de significância (α) é o limiar que determina se rejeitamos ou não a hipótese nula (H0). Neste caso, α = 0.05, o que significa que estamos dispostos a aceitar uma probabilidade de 5% de cometer um erro do tipo I.
O p-valor (0.7166) é maior do que o nível de significância (α = 0.05). Isso significa que não temos evidências estatisticamente significativas para rejeitar a hipótese nula. Interpretação:
Portanto, com base na análise estatística, podemos concluir que os dados não fornecem evidências suficientes para sugerir que a distribuição dos dados não seja normal. Em resumo, o resultado "True" indica que, com um nível de significância de 5%, não temos razões estatísticas para rejeitar a hipótese nula, o que sugere que os dados podem ser consistentes com uma distribuição normal.
O resultado "False" indica que, com um nível de significância de 5% (α = 0.05), temos evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Este é o conjunto de dados que está sendo analisado. Contém 500 observações.
Média (Media) = 3.68 Variância (Variancia) = 8.66 Desvio Padrão (DesvioPadrao) = 2.94 Mediana (Mediana) = 2.41 Mínimo (Minimo) = 0.86 Máximo (Maximo) = 13.62 Soma (Soma) = 73.50 Contagem (Contagem) = 500
O p-valor é uma medida que indica a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) seja verdadeira.
Neste caso, o p-valor é muito baixo (0.00025), o que significa que há uma probabilidade muito baixa de observar um resultado semelhante ou mais extremo apenas por acaso, mesmo se a distribuição dos dados seguir uma distribuição normal.
O nível de significância (α) é o limiar que determina se rejeitamos ou não a hipótese nula (H0). Neste caso, α = 0.05, o que significa que estamos dispostos a aceitar uma probabilidade de 5% de cometer um erro do tipo I.
O p-valor (0.00025) é muito menor do que o nível de significância (α = 0.05). Isso significa que temos evidências estatisticamente significativas para rejeitar a hipótese nula. Interpretação:
Portanto, com base na análise estatística, rejeitamos a hipótese nula (H0). Isso sugere que os dados não seguem uma distribuição normal. Em resumo, o resultado "False" indica que, com um nível de significância de 5%, temos evidências estatisticamente significativas para concluir que os dados não seguem uma distribuição normal.
O resultado "False" indica que, com um nível de significância de 5% (α = 0.05), temos evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Este é o conjunto de dados que está sendo analisado. Contém 50 observações.
Média (Media) = 0.19 Variância (Variancia) = 8.10 Desvio Padrão (DesvioPadrao) = 2.85 Mediana (Mediana) = -0.32 Mínimo (Minimo) = -5.20 Máximo (Maximo) = 10.47 Soma (Soma) = 3.78 Contagem (Contagem) = 50
O p-valor é uma medida que indica a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) seja verdadeira.
Neste caso, o p-valor é muito baixo (0.00023), o que significa que há uma probabilidade muito baixa de observar um resultado semelhante ou mais extremo apenas por acaso, mesmo se a distribuição dos dados seguir uma distribuição normal.
O nível de significância (α) é o limiar que determina se rejeitamos ou não a hipótese nula (H0). Neste caso, α = 0.05, o que significa que estamos dispostos a aceitar uma probabilidade de 5% de cometer um erro do tipo I.
O p-valor (0.00023) é muito menor do que o nível de significância (α = 0.05). Isso significa que temos evidências estatisticamente significativas para rejeitar a hipótese nula. Interpretação:
Portanto, com base na análise estatística, rejeitamos a hipótese nula (H0). Isso sugere que os dados não seguem uma distribuição normal. Em resumo, o resultado "False" indica que, com um nível de significância de 5%, temos evidências estatisticamente significativas para concluir que os dados não seguem uma distribuição normal.
O resultado "True" indica que, com um nível de significância de 5% (α = 0.05), não há evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Este é o conjunto de dados que está sendo analisado. Contém 36 observações.
Média (Media) = 42.64 Variância (Variancia) = 49.01 Desvio Padrão (DesvioPadrao) = 7.00 Mediana (Mediana) = 42.0 Mínimo (Minimo) = 30 Máximo (Maximo) = 55 Soma (Soma) = 1535 Contagem (Contagem) = 36
O p-valor é uma medida que indica a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) seja verdadeira.
Neste caso, o p-valor é maior que o nível de significância (α = 0.05), o que significa que há uma alta probabilidade de observar um resultado semelhante ou mais extremo apenas por acaso, mesmo se a distribuição dos dados não seguir uma distribuição normal.
O nível de significância (α) é o limiar que determina se rejeitamos ou não a hipótese nula (H0). Neste caso, α = 0.05, o que significa que estamos dispostos a aceitar uma probabilidade de 5% de cometer um erro do tipo I.
O p-valor (maior que α) indica que não temos evidências estatisticamente significativas para rejeitar a hipótese nula. Interpretação:
Portanto, com base na análise estatística, aceitamos a hipótese nula (H0). Isso sugere que os dados podem seguir uma distribuição normal. Em resumo, o resultado "True" indica que, com um nível de significância de 5%, não temos razões estatísticas para rejeitar a hipótese nula, o que sugere que os dados podem ser consistentes com uma distribuição normal.
O resultado "True" indica que, com um nível de significância de 5% (α = 0.05), não há evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Este é o conjunto de dados que está sendo analisado. Contém 50 observações.
Média (Media) = 30.19 Variância (Variancia) = 15.68 Desvio Padrão (DesvioPadrao) = 3.96 Mediana (Mediana) = 29.75 Mínimo (Minimo) = 23.11 Máximo (Maximo) = 39.85 Soma (Soma) = 1509.45 Contagem (Contagem) = 50
O p-valor é uma medida que indica a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) seja verdadeira.
Neste caso, o p-valor é maior que o nível de significância (α = 0.05), o que significa que há uma alta probabilidade de observar um resultado semelhante ou mais extremo apenas por acaso, mesmo se a distribuição dos dados não seguir uma distribuição normal.
O nível de significância (α) é o limiar que determina se rejeitamos ou não a hipótese nula (H0). Neste caso, α = 0.05, o que significa que estamos dispostos a aceitar uma probabilidade de 5% de cometer um erro do tipo I.
O p-valor (maior que α) indica que não temos evidências estatisticamente significativas para rejeitar a hipótese nula. Interpretação:
Portanto, com base na análise estatística, aceitamos a hipótese nula (H0). Isso sugere que os dados podem seguir uma distribuição normal. Em resumo, o resultado "True" indica que, com um nível de significância de 5%, não temos razões estatísticas para rejeitar a hipótese nula, o que sugere que os dados podem ser consistentes com uma distribuição normal.
O resultado "False" indica que, com um nível de significância de 5% (α = 0.05), temos evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Este é o conjunto de dados que está sendo analisado. Contém 50 observações.
Média (Media) = 4.01 Variância (Variancia) = 5.83 Desvio Padrão (DesvioPadrao) = 2.41 Mediana (Mediana) = 3.40 Mínimo (Minimo) = 0.43 Máximo (Maximo) = 10.23 Soma (Soma) = 200.57 Contagem (Contagem) = 50
O p-valor é uma medida que indica a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) seja verdadeira.
Neste caso, o p-valor é menor que o nível de significância (α = 0.05), o que significa que há uma baixa probabilidade de observar um resultado semelhante ou mais extremo apenas por acaso, mesmo se a distribuição dos dados seguir uma distribuição normal.
O nível de significância (α) é o limiar que determina se rejeitamos ou não a hipótese nula (H0). Neste caso, α = 0.05, o que significa que estamos dispostos a aceitar uma probabilidade de 5% de cometer um erro do tipo I.
O p-valor (menor que α) indica que temos evidências estatisticamente significativas para rejeitar a hipótese nula. Interpretação:
Portanto, com base na análise estatística, rejeitamos a hipótese nula (H0). Isso sugere que os dados não seguem uma distribuição normal. Em resumo, o resultado "False" indica que, com um nível de significância de 5%, temos evidências estatisticamente significativas para concluir que os dados não seguem uma distribuição normal.
O resultado "False" indica que, com um nível de significância de 5% (α = 0.05), temos evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Este é o conjunto de dados que está sendo analisado. Contém 50 observações.
Média (Media) = 7.60 Variância (Variancia) = 1376.46 Desvio Padrão (DesvioPadrao) = 37.10 Mediana (Mediana) = 0.16 Mínimo (Minimo) = -6.55 Máximo (Maximo) = 259.46 Soma (Soma) = 380.14 Contagem (Contagem) = 50
O p-valor é uma medida que indica a probabilidade de obter um resultado igual ou mais extremo do que o observado, assumindo que a hipótese nula (H0) seja verdadeira.
Neste caso, o p-valor é menor que o nível de significância (α = 0.05), o que significa que há uma baixa probabilidade de observar um resultado semelhante ou mais extremo apenas por acaso, mesmo se a distribuição dos dados seguir uma distribuição normal.
O nível de significância (α) é o limiar que determina se rejeitamos ou não a hipótese nula (H0). Neste caso, α = 0.05, o que significa que estamos dispostos a aceitar uma probabilidade de 5% de cometer um erro do tipo I.
O p-valor (menor que α) indica que temos evidências estatisticamente significativas para rejeitar a hipótese nula.
Portanto, com base na análise estatística, rejeitamos a hipótese nula (H0). Isso sugere que os dados não seguem uma distribuição normal. Em resumo, o resultado "False" indica que, com um nível de significância de 5%, temos evidências estatisticamente significativas para concluir que os dados não seguem uma distribuição normal.
O resultado "True" indica que, com um nível de significância de 5% (α = 0.05), não há evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Foram fornecidos dois conjuntos de dados (Normal e Normal2), cada um contendo 50 observações.
Não foram fornecidas estatísticas descritivas neste caso.
H0: As variâncias dos dois conjuntos de dados são iguais. H1: As variâncias dos dois conjuntos de dados não são iguais.
A estatística de Bartlett é calculada para testar a igualdade das variâncias entre os conjuntos de dados.
Neste caso, o valor calculado (Bcalc) foi menor ou igual ao valor crítico da distribuição qui-quadrado (X2c), o que indica que não temos evidências estatisticamente significativas para rejeitar a hipótese nula.
O valor crítico da distribuição qui-quadrado (X2c) é obtido com base no nível de significância (α) e nos graus de liberdade do teste.
Como Bcalc foi menor ou igual a X2c, aceitamos a hipótese nula (H0). Isso sugere que não há evidência suficiente para concluir que as variâncias dos dois conjuntos de dados são diferentes. Em resumo, o resultado "True" indica que, com um nível de significância de 5%, não temos razões estatísticas para rejeitar a hipótese nula. Portanto, não há evidência suficiente para concluir que as variâncias dos dois conjuntos de dados são diferentes.
O resultado "False" indica que, com um nível de significância de 5% (α = 0.05), temos evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Foram fornecidos dois conjuntos de dados (Normal e Normal2), cada um contendo 50 observações.
Não foram fornecidas estatísticas descritivas neste caso.
H0: As variâncias dos dois conjuntos de dados são iguais. H1: As variâncias dos dois conjuntos de dados não são iguais.
A estatística de Bartlett é calculada para testar a igualdade das variâncias entre os conjuntos de dados.
Neste caso, o valor calculado (Bcalc) foi maior do que o valor crítico da distribuição qui-quadrado (X2c), o que indica que temos evidências estatisticamente significativas para rejeitar a hipótese nula.
O valor crítico da distribuição qui-quadrado (X2c) é obtido com base no nível de significância (α) e nos graus de liberdade do teste.
Como Bcalc foi maior do que X2c, rejeitamos a hipótese nula (H0). Isso sugere que há evidência estatística suficiente para concluir que as variâncias dos dois conjuntos de dados são diferentes. Em resumo, o resultado "False" indica que, com um nível de significância de 5%, temos evidência estatisticamente significativa para concluir que as variâncias dos dois conjuntos de dados não são iguais.
O resultado "True" indica que, com um nível de significância de 5% (α = 0.05), não há evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Foi fornecido um conjunto de dados chamado "normal" com 50 observações, geradas a partir de uma distribuição normal com média 30 e desvio padrão 5.
Não foram fornecidas estatísticas descritivas neste caso.
H0: A média populacional é igual a 30. H1: A média populacional é diferente de 30.
A estatística de Z-Score é calculada para testar a igualdade das médias.
Neste caso, o valor calculado (Zcalc) foi menor ou igual ao valor crítico de Z (Zc), o que indica que não temos evidências estatisticamente significativas para rejeitar a hipótese nula.
O valor crítico de Z (Zc) é obtido com base no nível de significância (α) e nos graus de liberdade do teste.
Como Zcalc foi menor ou igual a Zc, aceitamos a hipótese nula (H0). Isso sugere que não há evidência suficiente para concluir que a média populacional é diferente de 30. Em resumo, o resultado "True" indica que, com um nível de significância de 5%, não temos razões estatísticas para rejeitar a hipótese nula. Portanto, não há evidência suficiente para concluir que a média populacional é diferente de 30.
O resultado "False" indica que, com um nível de significância de 5% (α = 0.05), temos evidência estatisticamente significativa para rejeitar a hipótese nula (H0). Vamos analisar os resultados para entender por que isso aconteceu:
Foi fornecido um conjunto de dados chamado "normal" com 50 observações, geradas a partir de uma distribuição normal com média 30 e desvio padrão 5.
Não foram fornecidas estatísticas descritivas neste caso.
H0: A média populacional é igual a 35. H1: A média populacional é diferente de 35.
A estatística de Z-Score é calculada para testar a igualdade das médias.
Neste caso, o valor calculado (Zcalc) foi maior do que o valor crítico de Z (Zc), o que indica que temos evidências estatisticamente significativas para rejeitar a hipótese nula.
O valor crítico de Z (Zc) é obtido com base no nível de significância (α) e nos graus de liberdade do teste.
Como Zcalc foi maior que Zc, rejeitamos a hipótese nula (H0). Isso sugere que há evidência estatística suficiente para concluir que a média populacional é diferente de 35. Em resumo, o resultado "False" indica que, com um nível de significância de 5%, temos evidência estatisticamente significativa para concluir que a média populacional é diferente de 35.
O teste de comparação de médias populacionais independentes (T de Student) foi conduzido com sucesso com base nos conjuntos de dados fornecidos. Vamos analisar os resultados:
Para este caso de teste, foram fornecidos dois conjuntos de dados, denominados t11 e t12. Cada conjunto possui 55 observações, geradas a partir de uma distribuição normal com média de 30 e desvio padrão de 5.
H0: As médias populacionais dos dois conjuntos são iguais (M1 = M2). H1: As médias populacionais dos dois conjuntos são diferentes (M1 ≠ M2).
Para os conjuntos t11 e t12, foram calculadas diversas estatísticas descritivas, como média, variância, desvio padrão, máximos, mínimos e somas.
Primeiramente, é realizado o teste de Bartlett para verificar se as variâncias dos dois conjuntos são iguais. Neste caso, o teste de Bartlett foi bem-sucedido. Escolha do Caso:
Como o teste de Bartlett foi bem-sucedido, estamos no "Caso 2", onde as variâncias dos dois conjuntos são iguais (Sigma²1 == Sigma²2).
O estatístico T é calculado para comparar as médias dos dois conjuntos, levando em conta que as variâncias são iguais.
O valor crítico de T (Tc) é obtido com base no nível de significância (α) e nos graus de liberdade do teste.
Como Tcalc foi maior ou igual a Tc, aceitamos a hipótese nula (H0). Isso sugere que não há evidência estatística suficiente para concluir que as médias populacionais dos dois conjuntos são diferentes. Portanto, o resultado "True" indica que, com um nível de significância de 5%, aceitamos a hipótese nula de que as médias populacionais dos dois conjuntos são iguais.
O teste de comparação de médias populacionais independentes (T de Student) foi conduzido com base nos conjuntos de dados fornecidos. Vamos analisar os resultados:
Para este caso de teste, foram fornecidos dois conjuntos de dados, denominados t21 e t22. Cada conjunto possui 25 observações.
H0: As médias populacionais dos dois conjuntos são iguais (M1 = M2). H1: As médias populacionais dos dois conjuntos são diferentes (M1 ≠ M2).
Para os conjuntos t21 e t22, foram calculadas diversas estatísticas descritivas, como média, variância, desvio padrão, máximos, mínimos e somas.
Primeiramente, é realizado o teste de Bartlett para verificar se as variâncias dos dois conjuntos são iguais. Neste caso, o teste de Bartlett falhou em aceitar a hipótese nula.
Como o teste de Bartlett falhou em aceitar a hipótese nula, estamos no "Caso 1", onde as variâncias dos dois conjuntos são diferentes (Sigma²1 != Sigma²2).
O estatístico T é calculado levando em conta que as variâncias são diferentes.
O valor crítico de T (Tc) é obtido com base no nível de significância (α) e nos graus de liberdade do teste.
Como Tcalc foi menor que Tc, rejeitamos a hipótese nula (H0). Isso sugere que há evidência estatística suficiente para concluir que as médias populacionais dos dois conjuntos são diferentes. Portanto, o resultado "False" indica que, com um nível de significância de 5%, rejeitamos a hipótese nula de que as médias populacionais dos dois conjuntos são iguais.
O teste de comparação de médias populacionais independentes (T de Student) foi conduzido com base nos conjuntos de dados fornecidos (t31 e t32). Vamos analisar os resultados:
Foram fornecidos dois conjuntos de dados, t31 e t32. Cada conjunto possui 25 observações.
H0: As médias populacionais dos dois conjuntos são iguais (M1 = M2). H1: As médias populacionais dos dois conjuntos são diferentes (M1 ≠ M2).
Para os conjuntos t31 e t32, foram calculadas diversas estatísticas descritivas, como média, variância, desvio padrão, máximos, mínimos e somas.
Primeiramente, é realizado o teste de Bartlett para verificar se as variâncias dos dois conjuntos são iguais. Neste caso, o teste de Bartlett falhou em aceitar a hipótese nula.
Como o teste de Bartlett falhou em aceitar a hipótese nula, estamos no "Caso 1", onde as variâncias dos dois conjuntos são diferentes (Sigma²1 != Sigma²2).
O estatístico T é calculado levando em conta que as variâncias são diferentes.
O valor crítico de T (Tc) é obtido com base no nível de significância (α) e nos graus de liberdade do teste.
Como Tcalc foi menor que Tc, não rejeitamos a hipótese nula (H0). Isso sugere que não há evidência estatística suficiente para concluir que as médias populacionais dos dois conjuntos são diferentes. Portanto, o resultado "False" indica que, com um nível de significância de 5%, não rejeitamos a hipótese nula de que as médias populacionais dos dois conjuntos são iguais.
Foram gerados dois conjuntos de dados (t11 e t12), cada um com 50 observações, seguindo uma distribuição normal com média 30 e desvio padrão 5.
O teste foi bem-sucedido (p-valor >= alpha). Isso significa que não há evidência estatística para rejeitar a hipótese nula de que os conjuntos de dados seguem a mesma distribuição.
O teste de Bartlett foi bem-sucedido (variâncias iguais).
O teste T de Student foi bem-sucedido (p-valor >= alpha). Não há evidência estatística para rejeitar a hipótese nula de que as médias das diferenças são iguais a zero.
Foram gerados dois conjuntos de dados (t31 e t32), cada um com 500 observações. O primeiro segue uma distribuição normal com média 30 e desvio padrão 5, e o segundo com média 30 e desvio padrão 10.
Para ambos os conjuntos de dados, o teste foi bem-sucedido (p-valor >= alpha). Isso significa que não há evidência estatística para rejeitar a hipótese nula de que os conjuntos de dados seguem a mesma distribuição.
O teste de Bartlett falhou em aceitar a hipótese nula, indicando que as variâncias dos conjuntos podem ser diferentes.
Uma vez que o teste de Bartlett indicou que as variâncias não são iguais, é utilizado o caso onde as variâncias são diferentes.
O teste T de Student para dados emparelhados falhou em aceitar a hipótese nula, indicando que há evidência estatística para rejeitar a hipótese nula de que a média das diferenças é igual a zero. Portanto, as médias dos conjuntos não são iguais.
Resumindo, os conjuntos de dados t31 e t32 provavelmente não têm a mesma média, pois o teste T de Student rejeitou a hipótese nula de que a média das diferenças é igual a zero. Além disso, as amostras não possuem variâncias iguais, conforme indicado pelo teste de Bartlett.