Operational Excellence através do Pensamento Estatístico

Descubra o Statoscopex, o nosso software de análise estatística online. Destina-se a profissionais de Six Sigma e análise estatística que pretendem avaliar e explorar plenamente o potencial de tomada de decisão de um conjunto de dados.

Aceder aos calculadores

O Statoscopex ajuda os profissionais de Six Sigma e estatística a identificar fatores de influência, quantificar os seus efeitos e avaliar a sua relevância prática, permitindo decisões de melhoria mais bem informadas.

Youri Buffe

Master Black Belt

Funcionalidades Avançadas para os Seus Estudos Estatísticos

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

Estudo de Capacidade

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

Determinação da precisão estatística da taxa de defeitos de um processo
Determinação da dimensão mínima da amostra necessária para estimar a taxa de defeitos de um processo

Estimação do parâmetro estatístico

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

Determinação do intervalo de confiança do parâmetro
Determinação da dimensão mínima da amostra necessária para estimar o parâmetro estatístico com uma determinada precisão

Efeito útil

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

Tradução do objetivo de redução da taxa de defeitos em termos do efeito pretendido no parâmetro estatístico.
Determinação da dimensão mínima da amostra necessária para detetar o efeito no parâmetro estatístico que atinge o objetivo de redução da taxa de defeitos.

Deteção de um efeito

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

Detetar a existência de um efeito abaixo ou acima de um valor limite
Determinar a dimensão mínima da amostra necessária para detetar um efeito pelo menos igual a uma determinada dimensão
Determinar o menor efeito detetável utilizando duas amostras (resolução)
Determinar o poder de deteção de um efeito abaixo ou acima de um valor limite, utilizando amostras.

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

Deteção de um desvio relativamente a um alvo

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

Detetar se um parâmetro difere do seu valor de referência
Determinar a dimensão mínima da amostra necessária para detetar se um parâmetro difere do seu valor de referência
Determinar a menor diferença detetável entre o valor de um parâmetro e o seu valor de referência, utilizando uma amostra (resolução)
Determinar o poder de deteção do desvio de um parâmetro relativamente ao seu valor de referência, utilizando uma amostra

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

Estudo Statoscopex

O Statoscopex executa estudos de capacidade e análises fatoriais nos quatro parâmetros estatísticos. Escolha uma família para ir diretamente aos seus calculadores.

Estudo de Capacidade

O Statoscopex realiza uma análise completa de capacidade estimando a média, o desvio-padrão, a taxa de ocorrência e a proporção numa única visualização.

6 calculadores

Abrir

→

Estudo da Média

Módulo dedicado para análise precisa, testes de hipóteses e deteção de alterações ou efeitos na média do processo.

8 calculadores

Abrir

→

Estudo do Desvio-Padrão

Ferramentas focadas na variabilidade: estudar, testar e detetar alterações ou desvios em relação ao desvio-padrão esperado.

6 calculadores

Abrir

→

Estudo da Taxa de Ocorrência

Analisa taxas baseadas em contagens ou eventos, deteta desvios de uma taxa-alvo e estima parâmetros de ocorrência com cálculo de poder.

6 calculadores

Abrir

→

Estudo da Proporção

Análise especializada de resultados binários ou proporções, incluindo deteção de desvios, intervalos de confiança e avaliação do tamanho do efeito.

6 calculadores

Abrir

→

Calculadores

Todas as análises do Statoscopex são executadas diretamente aqui. Abra a que necessita — cada painel contém o seu próprio formulário e os resultados aparecem no próprio local.

Estudo de capacidade

6 calculadores

Métrica contínua — Taxa de defeitos e precisão

Taxa de defeitos esperada do processo e a precisão estatística dessa estimativa.

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 numa 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

Métrica contínua — Dimensão mínima da amostra

Dimensão da amostra necessária para estimar o parâmetro com uma dada precisão.

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 da amostra a recolher para saber 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 da ordem de grandeza do desempenho operacional, expressa como uma taxa de defeitos ou como Sigma

Métrica de contagem — Taxa de defeitos e precisão

Taxa de defeitos esperada do processo e a precisão estatística dessa estimativa.

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

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

Métrica de contagem — Dimensão mínima da amostra

Dimensão da amostra necessária para estimar o parâmetro com uma dada precisão.

Aqui determinamos o tamanho mínimo da amostra a recolher para saber 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 da ordem de grandeza do desempenho operacional, expressa como uma taxa de defeitos ou como Sigma

Métrica binária — Taxa de defeitos e precisão

Taxa de defeitos esperada do processo e a precisão estatística dessa estimativa.

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

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).

Métrica binária — Dimensão mínima da amostra

Dimensão da amostra necessária para estimar o parâmetro com uma dada precisão.

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 da amostra a recolher para saber 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 da ordem de grandeza do desempenho operacional, expressa como uma taxa de defeitos ou como Sigma

Média

8 calculadores

Estimação — Intervalo de confiança

Intervalo de confiança do parâmetro a partir de uma amostra observada.

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 da média µ a partir do que é observado numa amostra.

Insira os seguintes dados:

α: o risco de o verdadeiro valor da média ficar 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 verdadeiro desvio padrão (se conhecido) ou o desvio padrão da amostra

Estimação — Dimensão mínima da amostra

Dimensão da amostra necessária para estimar o parâmetro com uma dada precisão.

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 recolher para saber a média µ dentro de uma margem de erro escolhida (precisão estatística).

Insira os seguintes dados:

σ ou s: o verdadeiro desvio padrão (se conhecido) ou o desvio padrão da amostra
Margem de erro: a metade da largura desejada do intervalo de confiança de 1-α da média
α: o risco de o verdadeiro valor da média ficar fora do intervalo de confiança. Define, portanto, o nível de confiança de 1-α da margem de erro. Para um intervalo de confiança de 95%, insira α = 5%

Efeito útil — Efeito pretendido a partir do objetivo

Traduz um objetivo de redução da taxa de defeitos no efeito necessário sobre o parâmetro.

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

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

Insira os seguintes dados:

Cálculo sumário (se já souber a taxa de defeitos inicial):

Di: a taxa de defeitos inicial
Dc: a taxa de defeitos pretendida
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 pretendida na taxa de defeitos

Efeito útil — Dimensão da amostra para o objetivo

Dimensão mínima da amostra necessária para detetar o efeito que cumpre o objetivo.

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 detetar o deslocamento na média que satisfaria, a desvio padrão constante, a redução de taxa de defeitos pretendida.

Insira os seguintes dados:

α: o risco de concluir incorretamente que o efeito necessário existe
β: o risco de não detetar o efeito necessário
Di: a taxa de defeitos inicial
Dc: a taxa de defeitos pretendida

Deteção de um efeito — Teste do efeito

Testa se um efeito observado entre duas amostras é real e superior a um limite escolhido.

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

Aqui determinamos se é possível concluir que existe um deslocamento na média acima ou abaixo de um dado limite, a partir das diferenças entre as médias observadas em duas amostras. Isto testa tipicamente o efeito de duas condições operacionais diferentes (o efeito de um X, de uma solução, e assim por diante). O teste utilizado 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 verdadeiro efeito ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%
Emin: o limite do efeito procurado

Deteção de um efeito — Dimensão da amostra, resolução e poder

Dimensão mínima da amostra para um efeito de determinado tamanho, menor efeito detetável e poder de deteção.

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

Aqui determinamos, para um teste t para duas amostras:

O tamanho mínimo da amostra necessário para detetar um deslocamento na média acima de um dado limite
O menor deslocamento detetável na média (resolução) para dadas amostras
O poder para detetar um deslocamento na média acima ou abaixo de um dado limite, para dadas amostras

Insira os seguintes dados:

1/ Para o tamanho da amostra:

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

2/ Para o efeito mínimo detetável:

α: o risco de detetar incorretamente um efeito
β: o risco de não detetar 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 detetar: o efeito mínimo (útil) que deseja detetar

Deteção de um desvio relativamente a um alvo — Teste do desvio

Testa se um desvio observado relativamente a um valor de referência é real e suficientemente relevante.

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

Aqui determinamos se uma média difere do seu valor hipotético, a partir da média observada numa amostra. O teste utilizado aqui é o

teste t para uma amostra.

Insira os seguintes dados:

µ0: o valor hipotético 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 verdadeiro desvio padrão se conhecido
α: o risco de a verdadeira média ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%

Deteção de um desvio relativamente a um alvo — Dimensão da amostra, resolução e poder

Dimensão mínima da amostra para um efeito de determinado tamanho, menor efeito detetável e poder de deteção.

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

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

O tamanho mínimo de amostra necessário para detetar se a média está acima ou abaixo da média hipotetizada
O menor desvio detetável entre a média e a média hipotetizada, para amostras dadas
O poder de detetar um desvio entre a média e a média hipotetizada, para amostras dadas

Introduzir os seguintes dados:

1/ Para a determinação do tamanho da amostra:

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

2/ Para a determinação do desvio mínimo detetável:

α: o risco de detetar incorretamente um desvio
β: o risco de não detetar o desvio
n: o tamanho da amostra
σ: o desvio padrão amostral, se não for conhecido de outra forma

3/ Para a determinação do poder:

n: o tamanho da amostra
σ: o desvio padrão amostral, se não for conhecido de outra forma
εmin a detetar: o desvio mínimo (útil) que deseja detetar

Desvio-padrão

6 calculadores

Estimação — Intervalo de confiança

Intervalo de confiança do parâmetro a partir de uma amostra observada.

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 do desvio padrão σ a partir do que é observado numa amostra.

Insira os seguintes dados:

α: o risco de o verdadeiro valor do desvio padrão ficar fora do intervalo de confiança. Para um intervalo de confiança de 95%, introduza α = 5%
s: o desvio padrão de Y na amostra
n: tamanho da amostra

Estimação — Dimensão mínima da amostra

Dimensão da amostra necessária para estimar o parâmetro com uma dada precisão.

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 recolher para 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 metade da largura desejada do intervalo de confiança de 1-α da média
α: o risco de o verdadeiro valor do desvio padrão ficar fora do intervalo de confiança. Define, portanto, o nível de confiança 1-α da margem de erro. Para um intervalo de confiança de 95%, introduza α = 5%

Efeito útil — Efeito pretendido a partir do objetivo

Traduz um objetivo de redução da taxa de defeitos no efeito necessário sobre o parâmetro.

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 atingir a redução de meta na taxa de defeitos.

Insira os seguintes dados:

Cálculo sumário (se já souber a taxa de defeitos inicial):

Di: a taxa de defeitos inicial
Dc: a taxa de defeitos pretendida

Cálculo detalhado:

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

Deteção de um efeito — Teste do efeito

Testa se um efeito observado entre duas amostras é real e superior a um limite escolhido.

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 limiar, a partir das diferenças entre os desvios padrão observados em duas amostras. Isto testa tipicamente o efeito de duas condições operacionais diferentes (o efeito de um X, de uma solução, etc.). O teste utilizado 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 verdadeiro efeito ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%
Emin: o limite do efeito procurado

Deteção de um efeito — Dimensão da amostra e resolução

Dimensão mínima da amostra para um efeito de determinado tamanho e o menor efeito que uma dada amostra pode detetar.

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 detetar uma diminuição ou aumento no desvio padrão acima ou abaixo de um determinado limiar
A menor redução detetável no desvio padrão (resolução), para amostras dadas

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

Insira os seguintes dados:

1/ Para o tamanho da amostra: E

_mín

a detetar: o efeito mínimo (útil) que deseja detetar

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

Deteção de um desvio relativamente a um alvo — Teste do desvio

Testa se um desvio observado relativamente a um valor de referência é real e suficientemente relevante.

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 do seu valor hipotetizado, a partir do desvio padrão observado numa amostra. O teste utilizado aqui é o teste de uma variância (teste F).

Insira os seguintes dados:

σ0: o valor hipotetizado 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 o verdadeiro desvio padrão ficar fora do intervalo de confiança calculado; introduza 5% para um intervalo de confiança de 95%

Taxa de ocorrência

6 calculadores

Efeito útil — Efeito pretendido a partir do objetivo

Traduz um objetivo de redução da taxa de defeitos no efeito necessário sobre o parâmetro.

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

Insira os seguintes dados:

Cálculo sumário (se já souber a taxa de defeitos inicial):

Di: a taxa de defeitos inicial
Dc: a taxa de defeitos pretendida

Cálculo detalhado:

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

Efeito útil — Dimensão da amostra para o objetivo

Dimensão mínima da amostra necessária para detetar o efeito que cumpre o objetivo.

Aqui determinamos o tamanho mínimo de amostra necessário para detetar a redução na taxa de ocorrência que corresponderia à redução de 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 detetar o efeito necessário
Di: a taxa de defeitos inicial
Dc: a taxa de defeitos pretendida

Deteção de um efeito — Teste do efeito

Testa se um efeito observado entre duas amostras é real e superior a um limite escolhido.

Aqui determinamos se é possível concluir uma diminuição ou aumento na taxa de ocorrência acima ou abaixo de um determinado limiar, a partir das diferenças entre as taxas de ocorrência observadas em duas amostras. Isto testa tipicamente 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 verdadeiro efeito ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%
Emin: o limiar do efeito procurado, λ2 – λ1

Deteção de um efeito — Dimensão da amostra, resolução e poder

Dimensão mínima da amostra para um efeito de determinado tamanho, menor efeito detetável e poder de deteção.

Domínio de aplicação: métrica de qualidade (Y) de contagem segundo uma lei de Poisson. Por exemplo: número de defeitos por PC, número de chamadas em espera por chamada telefónica, número de erros por documento, etc.

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

O tamanho mínimo de amostra necessário para detetar uma diminuição ou aumento na taxa de ocorrência acima de um determinado limiar
A menor diminuição ou aumento detetável na taxa de ocorrência, para amostras dadas
O poder de detetar uma diminuição ou aumento na taxa de ocorrência acima ou abaixo de um determinado limiar, para amostras dadas

Introduzir os seguintes dados:

1/ Para a determinação do tamanho da amostra:

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

2/ Para a determinação do efeito mínimo detetável:

α: o risco de detetar incorretamente um efeito
β: o risco de não detetar 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 limiar de efeito a detetar, Emin = λ2 – λ1

Deteção de um desvio relativamente a um alvo — Teste do desvio

Testa se um desvio observado relativamente a um valor de referência é real e suficientemente relevante.

Domínio de aplicação: métrica (Y) de contagem segundo uma lei de Poisson. Por exemplo: número de defeitos por PC, número de chamadas em espera por chamada telefónica, número de erros por documento, etc.

Determinamos aqui se uma taxa de ocorrência difere do seu valor hipotetizado, com base na taxa de ocorrência observada numa amostra. O teste implementado aqui é o teste de Poisson para uma amostra.

Introduzir 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 verdadeira média ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%

Deteção de um desvio relativamente a um alvo — Dimensão da amostra, resolução e poder

Dimensão mínima da amostra para um efeito de determinado tamanho, menor efeito detetável e poder de deteção.

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

O tamanho mínimo de amostra necessário para detetar se a taxa de ocorrência está acima ou abaixo do seu valor hipotetizado
O menor desvio detetável entre a taxa de ocorrência e o seu valor hipotetizado, para amostras dadas
O poder de detetar um desvio entre a taxa de ocorrência e o seu valor hipotetizado, para amostras dadas

Introduzir os seguintes dados:

1/ Para a determinação do tamanho da amostra:

α: o risco de detetar incorretamente um desvio
β: o risco de não detetar 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 detetável:

α: o risco de detetar incorretamente um desvio
β: o risco de não detetar 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

Proporção

6 calculadores

Efeito útil — Efeito pretendido a partir do objetivo

Traduz um objetivo de redução da taxa de defeitos no efeito necessário sobre o parâmetro.

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

Determinamos aqui o objetivo de redução da proporção necessário para atingir o objetivo de redução da taxa de defeituosos.

Introduzir os seguintes dados:

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

Efeito útil — Dimensão da amostra para o objetivo

Dimensão mínima da amostra necessária para detetar o efeito que cumpre o objetivo.

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

Determinamos aqui o tamanho mínimo da amostra necessário para detetar a redução na proporção que satisfaria a redução pretendida na taxa de defeitos.

Insira os seguintes dados:

α: o risco de concluir incorretamente que o efeito necessário existe
β: o risco de não detetar o efeito necessário
Di: a taxa de defeitos inicial
Dc: a taxa de defeitos pretendida

Deteção de um efeito — Teste do efeito

Testa se um efeito observado entre duas amostras é real e superior a um limite escolhido.

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

Determinamos aqui se é possível concluir que existe uma diminuição ou um aumento da proporção acima ou abaixo de um determinado limite, a partir das diferenças entre as proporções observadas em duas amostras. Isto testa tipicamente o efeito de duas condições operacionais diferentes (o efeito de um X, de uma solução, etc.). O teste utilizado 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 verdadeiro efeito ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%
Emin: o limite do efeito procurado, π2 – π1

Deteção de um efeito — Dimensão da amostra, resolução e poder

Dimensão mínima da amostra para um efeito de determinado tamanho, menor efeito detetável e poder de deteção.

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

Determinamos aqui, para um teste de duas proporções:

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

Introduzir os seguintes dados:

1/ Para a determinação do tamanho da amostra:

α: o risco de detetar incorretamente um efeito
β: o risco de não detetar o efeito
π1: a proporção de referência
π2: a proporção de comparação correspondente ao limite do efeito a detetar, Emin = π2 – π1

2/ Para a determinação do efeito mínimo detetável:

α: o risco de detetar incorretamente um efeito
β: o risco de não detetar 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 do efeito a detetar, Emin = π2 – π1

Deteção de um desvio relativamente a um alvo — Teste do desvio

Testa se um desvio observado relativamente a um valor de referência é real e suficientemente relevante.

Domínio de aplicação: métrica de qualidade (Y) binária de acordo com uma distribuição binomial. Por exemplo: chamadas abandonadas, faturas incorretas, peças defeituosas, etc.

Determinamos aqui se uma proporção difere do seu valor hipotetizado, com base na proporção observada numa amostra. O teste implementado aqui é o teste de uma proporção.

Introduzir 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 verdadeira média ficar fora do intervalo de confiança calculado; insira 5% para um intervalo de confiança de 95%

Deteção de um desvio relativamente a um alvo — Dimensão da amostra, resolução e poder

Dimensão mínima da amostra para um efeito de determinado tamanho, menor efeito detetável e poder de deteção.

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

Determinamos aqui, para um teste de uma proporção:

O tamanho mínimo da amostra necessário para detetar se a proporção está acima ou abaixo do seu valor hipotetizado
O menor desvio detetável entre a proporção e o seu valor hipotetizado, para uma determinada amostra
O poder para detetar um desvio entre a proporção e o seu valor hipotetizado, para uma determinada amostra

Insira os seguintes dados:

1/ Para o tamanho da amostra:

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

2/ Para o desvio mínimo detetável:

α: o risco de detetar incorretamente um desvio
β: o risco de não detetar 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