Abre em uma nova aba
LSS Belgium horz white bg2

Operational Excellence por meio do Pensamento Estatístico

Descubra o Statoscopex, nosso software de análise estatística online. Ele é voltado para praticantes de Six Sigma e análise estatística que desejam avaliar e explorar ao máximo o potencial de tomada de decisão de um conjunto de dados.
O Statoscopex ajuda praticantes de Six Sigma e análise estatística a identificar fatores de influência, quantificar seus efeitos e avaliar sua relevância prática, permitindo decisões de melhoria mais bem fundamentadas.
Foto YB
Youri Buffe
Master Black Belt

Recursos Avançados para Seus Estudos Estatísticos

O Statoscopex oferece mais de 50 análises e 100 cálculos estatísticos por meio de suas funcionalidades de estudo de capabilidade e análise fatorial, incluindo:

Para as seguintes métricas: contínua, de contagem, binária.

  1. Determinação da precisão estatística da taxa de defeito de um processo
  2. Determinação do tamanho mínimo de amostra necessário para estimar a taxa de defeito de um processo

Para os seguintes parâmetros: média, desvio padrão, taxa de ocorrência, proporção.

  1. Determinação do intervalo de confiança do parâmetro
  2. Determinação do tamanho mínimo de amostra necessário para estimar o parâmetro estatístico com uma certa precisão

Para os seguintes parâmetros: média, desvio padrão, taxa de ocorrência, proporção.

  1. Tradução do objetivo de redução da taxa de defeitos em termos de efeito-alvo no parâmetro estatístico.
  2. Determinação do tamanho mínimo de amostra necessário para detectar o efeito no parâmetro estatístico que atinge o objetivo de redução da taxa de defeitos.

Para os seguintes parâmetros: média, desvio padrão, taxa de ocorrência, proporção.

  1. Detectar a existência de um efeito abaixo ou acima de um valor limite
  2. Determinar o tamanho mínimo de amostra necessário para detectar um efeito pelo menos igual a um certo tamanho
  3. Determinar o menor efeito detectável usando duas amostras (resolução)
  4. Determinar o poder de detecção de um efeito abaixo ou acima de um valor limite, usando amostras.

Técnicas utilizadas: teste t para duas amostras, teste de duas variâncias, teste de Poisson para duas amostras, teste de duas proporções

Para os seguintes parâmetros: média, desvio padrão, taxa de ocorrência, proporção.

  1. Detectar se um parâmetro difere do seu valor de referência
  2. Determinar o tamanho mínimo de amostra necessário para detectar se um parâmetro difere do seu valor de referência
  3. Determinar a menor diferença detectável entre o valor de um parâmetro e seu valor de referência, usando uma amostra (resolução)
  4. Determinar o poder de detecção do desvio de um parâmetro em relação ao seu valor de referência, usando uma amostra

Técnicas utilizadas: teste t para uma amostra, teste de variância, teste de Poisson para uma amostra, teste de proporção.

Calculadoras

Todas as análises do Statoscopex são executadas bem aqui. Abra a que você precisa — cada painel contém seu próprio formulário e os resultados aparecem no mesmo local.

Campo de aplicação: uma métrica de qualidade contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos a taxa de defeitos esperada (probabilística) a partir do que é observado em uma amostra. O cálculo também fornece a margem de erro (precisão estatística) sobre essa taxa de defeitos esperada.

Insira os seguintes dados:

  • n: tamanho da amostra
  • Xbar: a média da amostra
  • s: o desvio padrão da amostra
  • LSL: o limite inferior de especificação
  • USL: o limite superior de especificação

Campo de aplicação: uma métrica de qualidade contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos o tamanho mínimo de amostra a ser coletado para conhecer a taxa de defeitos esperada dentro de uma margem de erro aceitável (precisão estatística).

Insira os seguintes dados:

  • Margem de erro relativa: o % de erro aceitável na taxa de defeitos
  • Desempenho presumido: uma estimativa de ordem de grandeza do desempenho operacional, expressa como uma taxa de defeitos ou como Sigma

Campo de aplicação: uma métrica de qualidade baseada em contagem (Y) que segue uma distribuição de Poisson. Por exemplo: defeitos por PC, retenções por chamada telefônica, erros por documento, etc.

Aqui determinamos a taxa de defeitos esperada (probabilística) a partir do que é observado em uma amostra. O cálculo também fornece a margem de erro (precisão estatística) sobre essa taxa de defeitos esperada (método de aproximação normal). Insira os seguintes dados:

  • n: tamanho da amostra
  • λ̂: a taxa de ocorrência na amostra; tipicamente defeitos por unidade (DPU).

Campo de aplicação: uma métrica de qualidade baseada em contagem (Y) que segue uma distribuição de Poisson. Por exemplo: defeitos por PC, retenções por chamada telefônica, erros por documento, etc.

Aqui determinamos o tamanho mínimo de amostra a ser coletado para conhecer a taxa de defeitos esperada dentro de uma margem de erro aceitável (precisão estatística) (método de aproximação normal).

Insira os seguintes dados:

  • Margem de erro relativa: o % de erro aceitável na taxa de defeitos
  • Desempenho presumido: uma estimativa de ordem de grandeza do desempenho operacional, expressa como uma taxa de defeitos ou como Sigma

Campo de aplicação: uma métrica de qualidade binária (Y) que segue uma distribuição binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Aqui determinamos a taxa de defeitos esperada (probabilística) a partir do que é observado em uma amostra. O cálculo também fornece a margem de erro (precisão estatística) sobre essa taxa de defeitos esperada (método de aproximação normal). Insira os seguintes dados:

  • n: tamanho da amostra
  • p: a proporção de unidades defeituosas na amostra

Se nenhuma unidade defeituosa foi observada na amostra, insira um valor de p igual a 1/(n+2).

Campo de aplicação: uma métrica de qualidade binária (Y) que segue uma distribuição binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Aqui determinamos o tamanho mínimo de amostra a ser coletado para conhecer a taxa de defeitos esperada dentro de uma margem de erro aceitável (precisão estatística) (método de aproximação normal).

Insira os seguintes dados:

  • Margem de erro relativa: o % de erro aceitável na taxa de defeitos
  • Desempenho presumido: uma estimativa de ordem de grandeza do desempenho operacional, expressa como uma taxa de defeitos ou como Sigma

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos o intervalo de confiança 1-α da média µ a partir do que é observado em uma amostra.

Insira os seguintes dados:

  • α: o risco de que o verdadeiro valor da média fique fora do intervalo de confiança. Para um intervalo de confiança de 95%, insira α = 5%
  • n: tamanho da amostra
  • Xbar: a média da amostra
  • σ ou s: o desvio padrão real (se conhecido) ou o desvio padrão da amostra

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos o tamanho mínimo de amostra a ser coletado para conhecer a média µ dentro de uma margem de erro escolhida (precisão estatística).

Insira os seguintes dados:

  • σ ou s: o desvio padrão real (se conhecido) ou o desvio padrão da amostra
  • Margem de erro: a meia-largura desejada do intervalo de confiança 1-α da média
  • α: o risco de que o verdadeiro valor da média fique fora do intervalo de confiança. Portanto, ele define o nível de confiança 1-α da margem de erro. Para um intervalo de confiança de 95%, insira α = 5%

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos o deslocamento na média necessário, a um desvio padrão constante, para atingir a redução meta na taxa de defeitos.

Insira os seguintes dados:

Cálculo resumido (se você já conhece a taxa de defeitos inicial):

  • Di: a taxa de defeitos inicial
  • Dc: a taxa de defeitos meta
  • σ: o desvio padrão de Y

Cálculo detalhado:

  • LSL: o limite inferior de especificação
  • USL: o limite superior de especificação
  • µi: a média inicial (atual)
  • σ: o desvio padrão de Y
  • τred. (%): a redução desejada na taxa de defeitos

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos o tamanho mínimo da amostra necessário para detectar o deslocamento na média que atenderia, com desvio padrão constante, à redução meta na taxa de defeitos.

Insira os seguintes dados:

  • α: o risco de concluir incorretamente que o efeito necessário existe
  • β: o risco de não detectar o efeito necessário
  • Di: a taxa de defeitos inicial
  • Dc: a taxa de defeitos meta

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos se um deslocamento na média acima ou abaixo de um determinado limite pode ser concluído, a partir das diferenças entre as médias observadas em duas amostras. Isso normalmente testa o efeito de duas condições operacionais diferentes (o efeito de um X, de uma solução, etc.). O teste usado aqui é o teste t para duas amostras.

Insira os seguintes dados:

  • n1 e n2: o tamanho de cada amostra
  • Xbar1 e Xbar2: a média de Y em cada amostra
  • s1 e s2: o desvio padrão de Y em cada amostra
  • α: o risco de o efeito real ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%
  • Emin: o limite do efeito buscado

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos, para um teste t de duas amostras:

  • O tamanho mínimo de amostra necessário para detectar um deslocamento na média acima de um determinado limite
  • O menor deslocamento detectável na média (resolução) para amostras fornecidas
  • O poder de detectar um deslocamento na média acima ou abaixo de um determinado limite, para amostras fornecidas

Insira os seguintes dados:

1/ Para o tamanho da amostra:

  • α: o risco de detectar incorretamente um efeito
  • β: o risco de não detectar o efeito
  • σ: desvio padrão (conhecido ou estimado)
  • Emin a detectar: o efeito mínimo (útil) que você deseja detectar

2/ Para o efeito mínimo detectável:

  • α: o risco de detectar incorretamente um efeito
  • β: o risco de não detectar o efeito
  • n1 e n2: o tamanho de cada amostra
  • σ1 e σ2: o desvio padrão de cada amostra, se não for conhecido de outra forma

3/ Para o poder:

  • n1 e n2: o tamanho de cada amostra
  • σ1 e σ2: o desvio padrão de cada amostra, se não for conhecido de outra forma
  • Emin a detectar: o efeito mínimo (útil) que você deseja detectar

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos se uma média difere de seu valor hipotetizado, a partir da média observada em uma amostra. O teste usado aqui é o

teste t para uma amostra.

Insira os seguintes dados:

  • µ0: o valor hipotetizado da média
  • n: o tamanho da amostra
  • Xbar: a média de Y calculada na amostra
  • s ou σ: o desvio padrão de Y calculado na amostra, ou o desvio padrão real, se conhecido
  • α: o risco de a média real ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%

Campo de aplicação: métrica (Y) contínua seguindo uma distribuição normal. Por exemplos: duração, temperatura, tamanho, etc.

Determinamos aqui, no âmbito da aplicação de um teste t para uma amostra:

  • O tamanho mínimo da amostra necessário para detectar se a média está acima ou abaixo da média hipotetizada
  • O menor desvio detectável entre a média e a média hipotetizada, para amostras fornecidas
  • O poder de detectar um desvio entre a média e a média hipotetizada, para amostras fornecidas

Insira os seguintes dados:

1/ Para a determinação do tamanho da amostra:

  • α: o risco de detectar incorretamente um desvio
  • β: o risco de não detectar o desvio
  • σ: desvio padrão (conhecido ou estimado)
  • εmin a detectar: o desvio mínimo (útil) que você deseja detectar

2/ Para a determinação do desvio mínimo detectável:

  • α: o risco de detectar incorretamente um desvio
  • β: o risco de não detectar o desvio
  • n: o tamanho da amostra
  • σ: o desvio padrão da amostra, caso não seja conhecido de outra forma

3/ Para a determinação do poder:

  • n: o tamanho da amostra
  • σ: o desvio padrão da amostra, caso não seja conhecido de outra forma
  • εmin a detectar: o desvio mínimo (útil) que você deseja detectar

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos o intervalo de confiança de 1-α do desvio padrão σ a partir do que é observado em uma amostra.

Insira os seguintes dados:

  • α: o risco de que o valor real do desvio padrão fique fora do intervalo de confiança. Para um intervalo de confiança de 95%, insira α = 5%
  • s: o desvio padrão de Y na amostra
  • n: tamanho da amostra

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos o tamanho mínimo da amostra a ser coletada a fim de conhecer o desvio padrão σ dentro de uma margem de erro escolhida (precisão estatística).

Insira os seguintes dados:

  • s: o desvio padrão de Y na amostra
  • Margem de erro: a meia-largura desejada do intervalo de confiança 1-α da média
  • α: o risco de que o valor real do desvio padrão fique fora do intervalo de confiança. Ele estabelece, portanto, o nível de confiança 1-α da margem de erro. Para um intervalo de confiança de 95%, insira α = 5%

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos a redução necessária no desvio padrão, com média constante, para atender à redução meta na taxa de defeitos.

Insira os seguintes dados:

Cálculo resumido (se você já conhece a taxa de defeitos inicial):

  • Di: a taxa de defeitos inicial
  • Dc: a taxa de defeitos meta

Cálculo detalhado:

  • SL: o limite de especificação em Y (inferior ou superior)
  • LSL: o limite inferior de especificação de Y
  • USL: o limite superior de especificação de Y
  • µ: a média
  • σi: o desvio padrão inicial (atual)
  • τred. (%): a redução desejada na taxa de defeitos

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos se é possível concluir uma diminuição ou aumento no desvio padrão acima ou abaixo de um determinado limite, a partir das diferenças entre os desvios padrão observados em duas amostras. Isso normalmente testa o efeito de duas condições operacionais diferentes (o efeito de um X, de uma solução e assim por diante). O teste usado aqui é o

teste de duas variâncias (teste F)

.

Insira os seguintes dados:

  • n1 e n2: o tamanho de cada amostra
  • s1 e s2: o desvio padrão de Y em cada amostra
  • α: o risco de o efeito real ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%
  • Emin: o limite do efeito buscado

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos, para um teste de duas variâncias (teste F):

  • O tamanho mínimo de amostra necessário para detectar uma diminuição ou aumento no desvio padrão acima ou abaixo de um determinado limite
  • A menor redução detectável no desvio padrão (resolução), para dadas amostras

Os cálculos supõem um poder de 79.16% e α = 5%.

Insira os seguintes dados:

1/ Para o tamanho da amostra: E

mín

a detectar: o efeito mínimo (útil) que você deseja detectar

2/ Para o efeito mínimo detectável: n1 e n2: o tamanho de cada amostra

Campo de aplicação: uma métrica contínua (Y) que segue uma distribuição normal. Por exemplo: duração, temperatura, tamanho, etc.

Aqui determinamos se um desvio padrão difere de seu valor hipotético, a partir do desvio padrão observado em uma amostra. O teste usado aqui é o teste de uma variância (teste F).

Insira os seguintes dados:

  • σ0: o valor hipotético do desvio padrão
  • n: o tamanho da amostra
  • Xbar: a média de Y calculada na amostra
  • s: o desvio padrão de Y calculado na amostra
  • α: o risco de que o desvio padrão real fique fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%

Campo de aplicação: uma métrica de qualidade baseada em contagem (Y) que segue uma distribuição de Poisson. Por exemplo: defeitos por PC, retenções por chamada telefônica, erros por documento, etc.

Aqui determinamos a redução na taxa de ocorrência necessária para atingir a meta de redução na taxa de defeitos.

Insira os seguintes dados:

Cálculo resumido (se você já conhece a taxa de defeitos inicial):

  • Di: a taxa de defeitos inicial
  • Dc: a taxa de defeitos meta

Cálculo detalhado:

  • λi: a taxa de ocorrência inicial (atual)
  • τred. (%): a redução desejada na taxa de defeitos

Campo de aplicação: uma métrica de qualidade baseada em contagem (Y) que segue uma distribuição de Poisson. Por exemplo: defeitos por PC, retenções por chamada telefônica, erros por documento, etc.

Aqui determinamos o tamanho mínimo de amostra necessário para detectar a redução na taxa de ocorrência que atenderia à meta de redução na taxa de defeitos.

Insira os seguintes dados:

  • α: o risco de concluir incorretamente que o efeito necessário existe
  • β: o risco de não detectar o efeito necessário
  • Di: a taxa de defeitos inicial
  • Dc: a taxa de defeitos meta

Campo de aplicação: uma métrica de qualidade baseada em contagem (Y) que segue uma distribuição de Poisson. Por exemplo: defeitos por PC, retenções por chamada telefônica, erros por documento, etc.

Aqui determinamos se uma diminuição ou aumento na taxa de ocorrência acima ou abaixo de um determinado limite pode ser concluído, a partir das diferenças entre as taxas de ocorrência observadas em duas amostras. Isso geralmente testa o efeito de duas condições operacionais diferentes (o efeito de um X, de uma solução, etc.). O teste utilizado aqui é o teste de Poisson para duas amostras.

Insira os seguintes dados:

  • n1 e n2: o tamanho de cada amostra
  • d1 e d2: o número de defeitos contados em cada amostra
  • α: o risco de o efeito real ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%
  • Emin: o limite do efeito buscado, λ2 – λ1

Campo de aplicação: métrica de qualidade (Y) de contagem seguindo uma distribuição de Poisson. Por exemplo: número de defeitos por PC, número de chamadas colocadas em espera, número de erros por documento, etc.

Determinamos aqui, no âmbito da aplicação de um teste de Poisson para duas amostras:

  • O tamanho mínimo de amostra necessário para detectar uma diminuição ou aumento na taxa de ocorrência acima de um determinado limite
  • A menor diminuição ou aumento detectável na taxa de ocorrência, para determinadas amostras
  • O poder estatístico para detectar uma diminuição ou aumento na taxa de ocorrência acima ou abaixo de um determinado limite, para determinadas amostras

Insira os seguintes dados:

1/ Para a determinação do tamanho da amostra:

  • α: o risco de detectar incorretamente um efeito
  • β: o risco de não detectar o efeito
  • λ1: a taxa de ocorrência de referência
  • λ2: a taxa de ocorrência de comparação correspondente ao limite de efeito a detectar, Emin = λ2 – λ1

2/ Para a determinação do efeito mínimo detectável:

  • α: o risco de detectar incorretamente um efeito
  • β: o risco de não detectar o efeito
  • n1 e n2: o tamanho de cada amostra
  • λ1: a taxa de ocorrência de referência

3/ Para a determinação do poder:

  • n1 e n2: o tamanho de cada amostra
  • λ1: a taxa de ocorrência de referência
  • λ2: a taxa de ocorrência de comparação correspondente ao limite de efeito a detectar, Emin = λ2 – λ1

Campo de aplicação: métrica (Y) de contagem seguindo uma distribuição de Poisson. Por exemplo: número de defeitos por PC, número de chamadas colocadas em espera, número de erros por documento, etc.

Aqui determinamos se uma taxa de ocorrência difere de seu valor hipotetizado, a partir da taxa de ocorrência observada em uma amostra. O teste aplicado aqui é o teste de Poisson para uma amostra.

Insira os seguintes dados:

  • λ0: o valor hipotetizado da taxa de ocorrência
  • n: o tamanho da amostra
  • d: o número de defeitos contados na amostra
  • α: o risco de a média real ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%

Campo de aplicação: métrica (Y) de contagem seguindo uma distribuição de Poisson. Por exemplo: número de defeitos por PC, número de chamadas colocadas em espera, número de erros por documento, etc.

Determinamos aqui, no âmbito da aplicação de um teste de Poisson para uma amostra:

  • O tamanho mínimo de amostra necessário para detectar se a taxa de ocorrência está acima ou abaixo do seu valor hipotetizado
  • O menor desvio detectável entre a taxa de ocorrência e o seu valor hipotetizado, para determinadas amostras
  • O poder estatístico para detectar um desvio entre a taxa de ocorrência e o seu valor hipotetizado, para determinadas amostras

Insira os seguintes dados:

1/ Para a determinação do tamanho da amostra:

  • α: o risco de detectar incorretamente um desvio
  • β: o risco de não detectar o desvio
  • λ0: a taxa de ocorrência hipotetizada
  • λ: a taxa de ocorrência de comparação tal que εmin = λ – λ0

2/ Para a determinação do desvio mínimo detectável:

  • α: o risco de detectar incorretamente um desvio
  • β: o risco de não detectar o desvio
  • n: o tamanho da amostra
  • λ0: a taxa de ocorrência hipotetizada

3/ Para a determinação do poder:

  • n: o tamanho da amostra
  • λ0: a taxa de ocorrência hipotetizada
  • λ: a taxa de ocorrência de comparação tal que εmin = λ – λ0

Campo de aplicação: métrica (Y) binária seguindo uma distribuição binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Determinamos aqui a meta de redução da proporção necessária para atingir a meta de redução da taxa de defeituosos.

Insira os seguintes dados:

  • πi: a taxa de defeitos inicial
  • τred.: a redução desejada na taxa de defeitos

Campo de aplicação: uma métrica binária (Y) seguindo uma distribuição binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Aqui determinamos o tamanho mínimo de amostra necessário para detectar a redução na proporção que atenderia à meta de redução na taxa de defeitos.

Insira os seguintes dados:

  • α: o risco de concluir incorretamente que o efeito necessário existe
  • β: o risco de não detectar o efeito necessário
  • Di: a taxa de defeitos inicial
  • Dc: a taxa de defeitos meta

Campo de aplicação: uma métrica binária (Y) seguindo uma distribuição binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Aqui determinamos se uma diminuição ou aumento na proporção acima ou abaixo de um determinado limite pode ser concluído, a partir das diferenças entre as proporções observadas em duas amostras. Isso normalmente testa o efeito de duas condições operacionais diferentes (o efeito de um X, de uma solução, e assim por diante). O teste usado aqui é o

teste de duas proporções

.

Insira os seguintes dados:

  • n1 e n2: o tamanho de cada amostra
  • D1 e D2: o número de unidades defeituosas contadas em cada amostra
  • α: o risco de o efeito real ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%
  • Emin: o limite do efeito buscado, π2 – π1

Campo de aplicação: uma métrica binária (Y) seguindo uma distribuição binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Aqui determinamos, para um teste de duas proporções:

  • O tamanho mínimo de amostra necessário para detectar uma diminuição ou aumento na proporção acima de um determinado limite
  • A menor diminuição ou aumento detectável na proporção (resolução), para amostras dadas
  • O poder para detectar um efeito na proporção acima ou abaixo de um determinado limite, para amostras dadas

Insira os seguintes dados:

1/ Para a determinação do tamanho da amostra:

  • α: o risco de detectar incorretamente um efeito
  • β: o risco de não detectar o efeito
  • π1: a proporção de referência
  • π2: a proporção de comparação correspondente ao limite de efeito a ser detectado, Emin = π2 – π1

2/ Para a determinação do efeito mínimo detectável:

  • α: o risco de detectar incorretamente um efeito
  • β: o risco de não detectar o efeito
  • n1 e n2: o tamanho de cada amostra
  • π1: a proporção de referência

3/ Para a determinação do poder:

  • n1 e n2: o tamanho de cada amostra
  • π1: a proporção de referência
  • π2: a proporção de comparação correspondente ao limite de efeito a ser detectado, Emin = π2 – π1

Campo de aplicação: métrica de qualidade (Y) binária seguindo uma lei binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Aqui determinamos se uma proporção difere de seu valor hipotetizado, a partir da proporção observada em uma amostra. O teste aplicado aqui é o teste de uma proporção.

Insira os seguintes dados:

  • π0: o valor hipotetizado da proporção
  • n: o tamanho da amostra
  • D: o número de unidades defeituosas contadas na amostra
  • α: o risco de a média real ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%

Campo de aplicação: uma métrica de qualidade binária (Y) que segue uma distribuição binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Aqui determinamos, para um teste de uma proporção:

  • O tamanho mínimo de amostra necessário para detectar se a proporção está acima ou abaixo do seu valor hipotetizado
  • O menor desvio detectável entre a proporção e seu valor hipotetizado, para uma determinada amostra
  • O poder para detectar um desvio entre a proporção e seu valor hipotetizado, para uma determinada amostra

Insira os seguintes dados:

1/ Para o tamanho da amostra:

  • α: o risco de detectar incorretamente um desvio
  • β: o risco de não detectar o desvio
  • π0: a proporção hipotetizada
  • π: a proporção de comparação tal que εmin = π – π0

2/ Para o desvio mínimo detectável:

  • α: o risco de detectar incorretamente um desvio
  • β: o risco de não detectar o desvio
  • n: o tamanho da amostra
  • π0: a proporção hipotetizada

3/ Para o poder:

  • n: o tamanho da amostra
  • π0: a proporção hipotetizada
  • π: a proporção de comparação tal que εmin = π – π0
enENarARcsCSdaDAdeDEesESfiFIfrFRitITnlNLnoNOplPLpt-brPTpt-ptPTskSKslSLsvSVtrTR
No results