O teste de hipóteses e o tribunal de justiça

Conduzir um teste de hipóteses é frequentemente comparado a um julgamento em um tribunal de justiça. Essa analogia é amplamente utilizada no ensino de estatística aplicada porque ajuda a compreender o papel das evidências quantitativas na tomada de decisão sob incerteza.

Figura 1 – Tribunal de justiça

Nesse contexto, o promotor — representado pelo profissional Lean Seis Sigma (belt) — tem como objetivo coletar e apresentar provas objetivas (dados, análises estatísticas e evidências empíricas) suficientes para demonstrar, acima de um nível aceitável de dúvida, que o réu — a suposta causa-raiz do problema — é de fato culpado.

Caso o promotor não consiga apresentar evidências suficientes, o júri — representado pelo champion ou sponsor do projeto — assume que não há base objetiva para condenação. Como consequência, o juiz — representado por pares técnicos mais experientes ou por um Master Black Belt — não terá fundamentos para emitir uma sentença condenatória.

Essa lógica é diretamente aplicável a projetos conduzidos pelo método DMAIC. Conforme destacado por Pyzdek e Keller (2018), decisões de melhoria devem ser sustentadas por evidências estatísticas robustas, especialmente quando envolvem mudanças deliberadas em variáveis críticas do processo.

Sempre que um time propõe uma mudança em uma variável de entrada do processo (x), com o objetivo de melhorar uma variável de saída (Y), é necessário demonstrar estatisticamente que a mudança produziu um efeito real, e não apenas uma variação aleatória. Esse princípio é central tanto na estatística inferencial quanto na prática do Seis Sigma (Montgomery, 2013; Harry & Schroeder, 2000).

Para isso, são coletados dados após a alteração em x, e esses dados são avaliados à luz de um critério previamente definido de risco estatístico — o nível de significância (α). O nível de significância representa a probabilidade máxima aceita de se rejeitar a hipótese nula quando ela é verdadeira, caracterizando o chamado erro do Tipo I (Montgomery, 2013).

Por que utilizar testes de hipóteses?

O uso de testes de hipóteses é fundamental porque eles permitem:

• Determinar se uma mudança em uma variável de entrada (x) provoca uma mudança estatisticamente significativa na variável de saída (Y);

• Avaliar, de forma objetiva, se existem diferenças estatisticamente relevantes entre duas ou mais condições ou saídas de um processo.

Essas aplicações são amplamente discutidas na literatura de Seis Sigma como elementos essenciais para a validação de causas-raiz e para a comprovação de resultados de melhoria (Harry & Schroeder, 2000; Pyzdek & Keller, 2018).

Nos projetos Lean Seis Sigma, os testes de hipóteses são utilizados de forma integrada ao ciclo DMAIC:

• Na fase Analisar, para investigar, quantificar e validar causas-raiz potenciais com base em evidências estatísticas, evitando decisões baseadas apenas em correlações aparentes.

• Nas fases Melhorar e Controlar, para validar estatisticamente o efeito das soluções implementadas e assegurar que os ganhos observados não são fruto de variação comum do processo (Montgomery, 2013).

Procedimento geral para testes de hipóteses

De forma estruturada, a condução de um teste de hipóteses segue, em linhas gerais, os seguintes passos, conforme descrito na literatura clássica de estatística aplicada:

1. A partir do contexto do problema, identificar o parâmetro de interesse;

2. Formular a hipótese nula (H₀);

3. Definir uma hipótese alternativa apropriada (H₁);

4. Escolher o nível de significância (α);

5. Selecionar a estatística de teste adequada;

6. Definir a região de rejeição da estatística;

7. Calcular as estatísticas amostrais necessárias e o valor da estatística de teste;

8. Decidir pela rejeição ou não rejeição de H₀, interpretando o resultado no contexto do problema analisado (Montgomery, 2013).

Figura 2 – Regiões de rejeição da hipótese nula H₀ em um teste bilateral com α = 0,05

A decisão final — rejeitar ou não a hipótese nula — equivale, na analogia do tribunal, à sentença do juiz. Ela não estabelece verdades absolutas, mas conclusões baseadas em evidências, sob um risco estatístico previamente aceito, reforçando o caráter científico e disciplinado da tomada de decisão em projetos Lean Seis Sigma.

Referências

• HARRY, M.; SCHROEDER, R. Six Sigma: The Breakthrough Strategy for Profitability. New York: Doubleday, 2000.

• MONTGOMERY, D. C. Introduction to Statistical Quality Control. 7. ed. Hoboken: Wiley, 2013.

• PYZDEK, T.; KELLER, P. The Six Sigma Handbook. 3. ed. New York: McGraw-Hill, 2018