Seu carrinho está vazio
Adicione pacotes de prompts para continuar
Esta coleção definitiva de prompts estatísticos representa o padrão ouro para analistas de dados, pesquisadores e cientistas que buscam precisão absoluta em seus fluxos de trabalho. Cada prompt foi projetado sob princípios de rigor matemático e lógica instrucional, permitindo que dados brutos sejam transformados em conclusões robustas com profundidade analítica sem precedentes em ambientes de inteligência artificial. Otimize seus processos de validação, modelagem e visualização usando ferramentas que abrangem tudo, desde a probabilidade clássica até os métodos não paramétricos mais complexos. Ao integrar esse recurso ao seu arsenal técnico, você garante uma interpretação de dados isenta de preconceitos, baseada em metodologias comprovadas e visando a excelência na tomada de decisões estratégicas.
100 recursos incluídos
Atua como Cientista de Dados Sênior e Estatístico especializado em métodos não paramétricos. Sua principal tarefa é executar, analisar e interpretar um **Teste U de Mann-Whitney** para determinar se há diferenças estatisticamente significativas entre dois grupos independentes: [Nome_Grupo_A] e [Nome_Grupo_B]. Esta análise é crítica visto que a variável resposta [Metric_Variable_Name] não segue uma distribuição normal ou é medida em escala ordinal, invalidando o uso de testes paramétricos tradicionais. Para iniciar o procedimento, faça uma validação exaustiva dos pressupostos do teste: independência das observações, escala de medição das variáveis e semelhança na forma das distribuições para estabelecer se a comparação é feita nas medianas ou na distribuição geral. Leve em consideração os seguintes dados ou descrição da amostra: [Insert_Data_or_Statistical_Summary]. É vital que você lide adequadamente com os empates nas classificações, aplicando as correções estatísticas necessárias para evitar distorcer a estatística U. Calcule com precisão a estatística U para ambos os grupos (U1 e U2), identifique o valor mínimo e determine o valor p resultante. Se o tamanho da amostra for considerável (n > 20), utilize a aproximação à distribuição normal calculando o escore Z e aplique a correção de continuidade de Yates. O nível de significância estabelecido para esta análise é [Alpha_ej_0,05]. Você deve ser extremamente rigoroso ao relatar se os resultados nos permitem rejeitar a hipótese nula (H0) de que as distribuições de ambos os grupos são idênticas. Finalmente, gere um relatório de resultados estruturado que inclua: 1. Estatísticas descritivas não paramétricas (mediana, intervalo interquartil, intervalos médios). 2. Resultados dos testes (valor U, escore Z, valor p). 3. Cálculo do tamanho do efeito (r de Rosenthal ou Correlação Range-Bisserial) para quantificar a magnitude da diferença. 4. Uma conclusão técnica redigida em linguagem profissional adaptada ao contexto do [Contexto_do_projeto_ou_da_indústria], fornecendo recomendações claras baseadas na evidência estatística obtida.
Atua como consultor especialista em bioestatística e métodos não paramétricos. Seu objetivo é realizar uma análise exaustiva utilizando o Teste Exato de Fisher para avaliar a associação entre duas variáveis categóricas dicotômicas, especialmente indicada para amostras pequenas onde as frequências esperadas em uma tabela de contingência 2x2 são menores que 5, invalidando o teste Qui-quadrado de Pearson. Contexto do estudo: A análise enquadra-se em [Descrever a área de estudo, por exemplo: Ensaios Clínicos, Controlo de Qualidade ou Ciências Sociais]. O objetivo é determinar se existe independência estatística significativa entre a variável independente [Nome da variável preditora] e a variável dependente [Nome da variável resultado]. É imperativo que a análise considere a distribuição hipergeométrica subjacente para calcular a probabilidade exata de observar a configuração de dados dada ou uma configuração mais extrema. Dados de entrada para a Tabela de Contingência 2x2: - Grupo A / Condição 1: [Valor A] - Grupo A / Condição 2: [Valor B] - Grupo B / Condição 1: [Valor C] - Grupo B / Condição 2: [Valor D] Verifique se a soma total da amostra é [Amostra Total] e prossiga para calcular a probabilidade bicaudal p (valor de p), a menos que seja especificado que o estudo requer uma abordagem unilateral devido à direcionalidade hipotética anterior. Interpretação técnica necessária: Uma vez calculado o valor p, compare-o com um nível de significância alfa de [Nível de significância, por ex. 0,05]. Se p < alfa, rejeite a hipótese nula (H0) de independência e conclua que existe associação significativa. Adicionalmente, calcule e interprete o Odds Ratio (OR) com seu respectivo intervalo de confiança de 95%, explicando o que esse valor significa em termos da magnitude do efeito e do risco relativo para o contexto de [População alvo]. Apresentação dos resultados: Gere um relatório detalhado que inclua: 1) Resumo dos dados observados. 2) O valor exato de p obtido. 3) A decisão estatística baseada em evidências. 4) Uma conclusão narrativa em linguagem técnica mas compreensível sobre as implicações da descoberta para [Objetivo final da pesquisa]. Não se esqueça de mencionar por que o Teste Exato de Fisher é a escolha metodológica correta em relação a outros testes não paramétricos neste cenário específico.
Atua como especialista em bioestatística e análise avançada de dados com especialização em Inferência Paramétrica e modelos lineares. Seu objetivo é realizar uma análise de variância (ANOVA) abrangente e profissional no conjunto de dados detalhado abaixo: [Conjunto de dados]. Deve-se avaliar com precisão matemática se existem diferenças estatisticamente significativas entre as médias dos grupos definidos pelo fator categórico [Variável_Independente] em relação à variável resposta numérica contínua denominada [Variável_Dependente]. Primeiro, antes de prosseguir com o cálculo da estatística F, é imperativo que você realize uma validação rigorosa das premissas fundamentais do modelo ANOVA. Isto inclui necessariamente o teste de normalidade dos resíduos através do teste [Test_Normality: Shapiro-Wilk ou Kolmogorov-Smirnov] e a avaliação da homocedasticidade (homogeneidade das variâncias) através do [Test_Homoscedasticity: Levene ou Bartlett]. Se os dados não atenderem a esses pré-requisitos, você deverá sugerir transformações matemáticas específicas ou propor o uso de uma alternativa não paramétrica apropriada para garantir a validade da inferência. Uma vez validadas as suposições, execute o procedimento [ANOVA_Type: One-factor, Two-factor or Repeated Measures] usando um nível de confiança de [Confidence_Level: 95% ou 99%]. Gere a tabela ANOVA completa que divide com precisão os Graus de Liberdade (GL), Soma dos Quadrados (SS), Quadrado Médio (MS), o valor da estatística F e o valor p resultante. Interpretar os resultados de forma técnica, estabelecendo claramente se há evidências suficientes para rejeitar a hipótese nula de igualdade de médias com base no alfa de [Nível_Significância]. No cenário de obtenção de um resultado estatisticamente significativo, deverá proceder automaticamente à realização de uma análise post-hoc de comparações múltiplas utilizando o método [Post_Hoc_Method: Tukey, Bonferroni ou Scheffé]. Esta análise deve identificar especificamente quais grupos diferem entre si, fornecendo intervalos de confiança para as diferenças e correspondentes valores de p ajustados. Não pule o cálculo dos tamanhos dos efeitos (como Eta-quadrado ou Omega-quadrado) para determinar a relevância prática das descobertas encontradas. Por fim, sintetize todas as informações em um relatório executivo estruturado. Este relatório deve incluir uma seção de conclusões onde você explica as implicações da análise e uma recomendação para visualização dos dados, sugerindo o uso de boxplots com barras de erro ou gráficos de interação, se necessário. Certifique-se de que a linguagem seja técnica, mas compreensível para a tomada de decisões baseada em dados.