Capítulo 30 — Laboratório II
Mapa da aula
Aula 30 publicada. Mapa, exemplo, EX088.
flowchart TD
N0["30.1 A pergunta sobre a rapidez da resposta"]
N1["30.2 Análise"]
N2["Laboratório — Reportes repetidos após respostas rápi"]
N3["30.3 Recomendações"]
N4["Síntese"]
N0 --> N1 --> N2 --> N3 --> N4
N4 --> EX["Exemplo resolvido"]
EX --> Q["Exercício EX088"]
Desenho lógico
flowchart LR
N0["30.1 A pergunta sobre a rapidez da resposta"]
N1["30.2 Análise"]
N2["Laboratório — Reportes repetidos após respostas rápi"]
N3["30.3 Recomendações"]
N4["Síntese"]
N0 --> N1 --> N2 --> N3 --> N4 --> Q["EX088"]
[30.1 A pergunta sobre a rapidez da resposta]
|
v
[30.2 Análise]
|
v
[Laboratório — Reportes repetidos após respostas rápi]
|
v
[30.3 Recomendações]
|
v
[Síntese]
|
v
[Exemplo resolvido] --> [Exercício EX088]
Objetivos de aprendizagem
Você vai (1) analisar o efeito da rapidez da resposta sobre os reportes posteriores; (2) apresentar resultados com sua incerteza; (3) recomendar mudanças a partir das evidências.
30.1 A pergunta sobre a rapidez da resposta
As entrevistas sugeriram que o retorno importa. No segundo laboratório, Nadia analisa os registros da TI para ver se os funcionários que receberam resposta em até um dia tinham mais probabilidade de reportar de novo em três meses do que os que receberam resposta tardia ou nenhuma. Os dados são registros sintéticos que refletem o padrão do ano, com os funcionários identificados apenas por códigos aleatórios. Ela sabe que a comparação é observacional: quem recebeu respostas rápidas pode diferir dos demais, por exemplo por trabalhar em unidades próximas da TI.
30.2 Análise
O laboratório conta os reportes repetidos em dois grupos. Dos 40 funcionários cujo primeiro reporte recebeu resposta em até um dia, 26 reportaram de novo; dos 30 que receberam resposta tardia ou nenhuma, 9 reportaram de novo. Nadia calcula as proporções e um intervalo de Wilson para cada uma. Os intervalos não se sobrepõem, o que sugere uma diferença real, embora não necessariamente causal. Ela observa que o resultado é compatível com as entrevistas, o que reforça sua confiança de que o retorno importa. Os intervalos vão de 50% a 78% e de 17% a 48%. Ela confere as contagens duas vezes.
Laboratório — Reportes repetidos após respostas rápidas e lentas
# Repeat reporting after fast vs slow replies, with Wilson intervals (synthetic).
from math import sqrt
def wilson(k, n, z=1.96):
p = k / n; d = 1 + z * z / n; c = (p + z * z / (2 * n)) / d; h = z * sqrt(p * (1 - p) / n + z * z / (4 * n * n)) / d
return c - h, c + h
for name, k, n in (("fast reply", 26, 40), ("slow or none", 9, 30)):
lo, hi = wilson(k, n); print(f"{name}: {k}/{n} = {k / n:.0%} (95% CI {lo:.0%} to {hi:.0%})")
Execute com python3 lab_reply.py. Saída verificada:
fast reply: 26/40 = 65% (95% CI 50% to 78%)
slow or none: 9/30 = 30% (95% CI 17% to 48%)
30.3 Recomendações
Nadia recomenda que a TI responda a todos os reportes em até um dia útil, usando modelos curtos para ganhar tempo, e que a caixa postal compartilhada seja monitorada pelas duas pessoas da TI, para evitar atrasos durante as férias. Ela sugere conferir a medida de novo depois de seis meses. Apresenta o resultado aos gestores como evidência a favor de uma mudança barata, com limites honestos quanto à causalidade. Os gestores aprovam os modelos, e a TI concorda em acompanhar os tempos de resposta como parte da revisão trimestral. Os modelos ficam prontos em uma semana.
Exemplo resolvido
Nadia compara os reportes repetidos após respostas rápidas e lentas, encontra 65% contra 30% com intervalos que não se sobrepõem e recomenda respostas rápidas.
Caso sintético. Os dados são sintéticos.
Erros e limites
Dados observacionais não provam causalidade. Os grupos podem diferir.
Exercícios
- EX088 — Taxas dos grupos. Que taxas de repetição os dois grupos mostraram? Rubrica: 3 = 65% após respostas rápidas e 30% após lentas ou nenhuma;; 2 = 26/40 e 9/30;; 1 = vago;; 0 = nenhuma.
- EX089 — Resultado dos intervalos. O que os intervalos mostraram? Rubrica: 3 = não se sobrepuseram;; 2 = separados;; 1 = sobreposição;; 0 = nenhuma.
- EX090 — Cautela quanto à causalidade. Por que o resultado não pode provar causalidade? Rubrica: 3 = os dados são observacionais e os grupos podem diferir;; 2 = observacionais;; 1 = vago;; 0 = nenhuma.
Síntese
A análise observacional, lida com cautela, pode sustentar mudanças baratas baseadas em evidências.
Continue estudando — aula 30 (capítulo 30 de 40)
← Capítulo 29 · Índice das aulas · Capítulo 31 →
Continue para a próxima aula já escrita.