Análise Estatística da Latência de Consultas SQL no Data Warehouse
Um estudo de caso aplicado à DataPulse Sistemas S.A.
Arthur Vinicius, Renan Schultz, Ian Gabriel
06 de julho de 2026
1 Introdução
A latência de consultas SQL é um dos principais indicadores de desempenho em ambientes de Data Warehouse (DW), pois impacta diretamente a experiência do usuário final, a eficiência dos processos de tomada de decisão baseados em dados e a percepção de qualidade do serviço prestado pela área de tecnologia. Em ambientes corporativos, onde relatórios gerenciais, dashboards e rotinas de ETL dependem de respostas rápidas do banco de dados, qualquer degradação de desempenho pode gerar atrasos em cadeia que comprometem processos de negócio críticos.
Para formalizar o compromisso de desempenho entre a área de infraestrutura e as áreas consumidoras de dados, a DataPulse Sistemas S.A. estabeleceu um Acordo de Nível de Serviço (SLA) determinando que a latência média das consultas SQL não deve ultrapassar 200 milissegundos (ms). Esse valor foi definido com base em estudos de capacidade e em benchmarks de mercado para operações consideradas de resposta rápida em sistemas analíticos.
O monitoramento contínuo de desempenho é uma prática essencial de Controle Estatístico de Processo (CEP), permitindo identificar, de forma antecipada, desvios que possam indicar degradação de hardware, aumento de volume de dados, má otimização de consultas, contenção de recursos ou problemas de escalabilidade. Ao longo dos últimos 24 meses, o processo foi monitorado e o desvio padrão histórico da latência foi estimado em σ = 15 ms, valor considerado estável e representativo do comportamento natural do sistema quando operando dentro da normalidade.
O presente estudo tem como objetivo avaliar, com base em uma nova amostra de 30 medições de latência, se existe evidência estatística suficiente para afirmar que a latência média atual do sistema é superior à meta estabelecida pelo SLA (200 ms). Para isso, será aplicado um teste de hipótese estatístico formal, com apoio de estatística descritiva, visualização de dados e comparação entre abordagens de teste.
2 Objetivos
2.1 Objetivo Geral
Avaliar, por meio de inferência estatística, se a latência média das consultas SQL do Data Warehouse da DataPulse Sistemas S.A. está estatisticamente acima do limite estabelecido pelo SLA (200 ms), utilizando um teste Z unilateral à direita com nível de significância de 5%.
2.2 Objetivos Específicos
- Descrever o comportamento da amostra de latências coletadas por meio de estatística descritiva;
- Construir uma representação gráfica da distribuição dos dados, sobrepondo a curva Normal teórica;
- Calcular o intervalo de confiança de 95% para a média populacional;
- Aplicar o teste Z unilateral à direita para testar a hipótese de que a latência média é superior a 200 ms;
- Comparar os resultados obtidos com o teste Z aos resultados do teste t de Student, discutindo as diferenças conceituais entre ambos;
- Interpretar os resultados sob a ótica de um engenheiro de software responsável pela operação do Data Warehouse;
- Propor recomendações técnicas de monitoramento e melhoria contínua do processo.
3 Fundamentação Teórica
3.1 Distribuição Normal
A Distribuição Normal (ou Gaussiana) é o modelo probabilístico mais utilizado em estatística aplicada para descrever fenômenos contínuos que resultam da soma de muitas pequenas variações independentes — como é o caso da latência de consultas em um banco de dados, que sofre influência de fatores como carga do servidor, plano de execução da consulta, cache, concorrência de processos e tráfego de rede. A distribuição é caracterizada por dois parâmetros: a média (\(\mu\)), que indica o centro da distribuição, e o desvio padrão (\(\sigma\)), que indica a dispersão dos valores em torno da média. Sua simetria em forma de sino permite que, sob determinadas condições (como o Teorema Central do Limite), a média amostral de praticamente qualquer processo se aproxime de uma distribuição Normal à medida que o tamanho da amostra aumenta, o que justifica seu uso extensivo em Controle Estatístico de Processo.
3.2 Inferência Estatística
A Inferência Estatística é o ramo da estatística que permite tirar conclusões sobre uma população a partir da análise de uma amostra. Como normalmente não é viável (nem necessário) medir a latência de todas as consultas executadas historicamente e futuramente no Data Warehouse, recorre-se a amostras representativas — como as 30 medições coletadas neste estudo — para estimar parâmetros populacionais (como a média verdadeira do processo) e testar hipóteses sobre o comportamento do sistema. A inferência é sempre acompanhada de um grau de incerteza, quantificado por meio de intervalos de confiança e níveis de significância, o que a diferencia de uma simples descrição dos dados observados.
3.3 Intervalo de Confiança
Um Intervalo de Confiança (IC) fornece uma faixa de valores plausíveis para o parâmetro populacional (neste caso, a média de latência), associada a um determinado nível de confiança — tipicamente 95%. Isso significa que, se o processo de amostragem fosse repetido inúmeras vezes, aproximadamente 95% dos intervalos construídos conteriam o verdadeiro valor da média populacional. O IC é uma ferramenta complementar ao teste de hipótese, pois além de indicar se um valor de referência (como 200 ms) é estatisticamente plausível, também informa a magnitude e a precisão da estimativa.
3.4 Teste Z
O Teste Z é um teste de hipótese paramétrico utilizado para comparar a média de uma amostra com um valor de referência (ou entre duas amostras), sendo aplicável quando o desvio padrão populacional (\(\sigma\)) é conhecido e, idealmente, quando o tamanho amostral é suficientemente grande (\(n \geq 30\)), de forma que a distribuição amostral da média possa ser bem aproximada pela Normal, mesmo que a distribuição original dos dados não seja perfeitamente normal (Teorema Central do Limite). No contexto deste estudo, como o desvio padrão histórico do processo (σ = 15 ms) é conhecido a partir de 24 meses de monitoramento via CEP, o Teste Z é a escolha metodologicamente mais correta.
3.5 Teste t
O Teste t de Student é utilizado quando o desvio padrão populacional é desconhecido e precisa ser estimado a partir do próprio desvio padrão amostral. Ele é especialmente recomendado para amostras pequenas (\(n < 30\)), pois utiliza a distribuição t, que possui caudas mais pesadas que a Normal para compensar a incerteza adicional introduzida pela estimação do desvio padrão. À medida que o tamanho amostral aumenta, a distribuição t converge para a distribuição Normal, e os resultados dos dois testes tendem a se aproximar.
3.6 Quando usar cada teste
Em síntese, a escolha entre o Teste Z e o Teste t depende fundamentalmente de dois fatores: o conhecimento (ou não) do desvio padrão populacional e o tamanho da amostra. Quando o desvio padrão populacional é conhecido — como ocorre neste estudo, em que σ = 15 ms foi obtido por meio de CEP histórico — o Teste Z é o mais apropriado. Quando o desvio padrão populacional é desconhecido, o que é a situação mais comum na prática, o Teste t é o procedimento correto, independentemente do tamanho da amostra, embora suas diferenças percentuais em relação ao Teste Z se tornem pequenas para amostras grandes.
3.7 Hipóteses estatísticas
Todo teste de hipótese parte da formulação de duas afirmações mutuamente exclusivas:
- Hipótese Nula (\(H_0\)): representa o cenário de referência ou “status quo”, que assumimos verdadeiro até que haja evidência estatística suficiente em contrário. Neste estudo: \(H_0: \mu = 200\) ms.
- Hipótese Alternativa (\(H_1\)): representa a afirmação que buscamos evidenciar. Neste estudo, como o interesse é verificar se a latência aumentou além da meta, utiliza-se uma hipótese alternativa unilateral à direita: \(H_1: \mu > 200\) ms.
A decisão entre rejeitar ou não rejeitar \(H_0\) é tomada com base na comparação entre a estatística de teste calculada e um valor crítico, ou, de forma equivalente, entre o valor-p e o nível de significância (\(\alpha\)) pré-estabelecido.
4 Metodologia
- Origem dos dados: as 30 medições de latência foram coletadas em produção pelo time de monitoramento de infraestrutura da DataPulse Sistemas S.A., a partir do log de execução de consultas do Data Warehouse.
- Tamanho da amostra: \(n = 30\) observações.
- Variável analisada: latência de execução de consultas SQL, medida em milissegundos (ms), variável quantitativa contínua.
- Hipótese nula: \(H_0: \mu = 200\) ms (a latência média do processo está de acordo com o SLA).
- Hipótese alternativa: \(H_1: \mu > 200\) ms (a latência média do processo está acima do SLA).
- Nível de significância: \(\alpha = 0{,}05\) (5%), valor convencionalmente utilizado em estudos aplicados de engenharia e negócios, representando uma probabilidade de 5% de rejeitar \(H_0\) quando ela é, de fato, verdadeira (Erro Tipo I).
- Desvio padrão populacional: \(\sigma = 15\) ms, obtido historicamente via Controle Estatístico de Processo.
- Software utilizado: R (linguagem de programação
estatística), com os pacotes
tidyverse,ggplot2,dplyr,knitrekableExtra, em ambiente RStudio, com documento reprodutível gerado em R Markdown.
5 Base de Dados
O bloco abaixo apresenta a criação do vetor de dados e sua organização em um data frame para facilitar a manipulação e apresentação.
| Observação | Latência (ms) |
|---|---|
| 1 | 195 |
| 2 | 205 |
| 3 | 198 |
| 4 | 210 |
| 5 | 200 |
| 6 | 215 |
| 7 | 195 |
| 8 | 205 |
| 9 | 200 |
| 10 | 198 |
| 11 | 200 |
| 12 | 198 |
| 13 | 210 |
| 14 | 195 |
| 15 | 205 |
| 16 | 200 |
| 17 | 215 |
| 18 | 200 |
| 19 | 198 |
| 20 | 205 |
| 21 | 192 |
| 22 | 210 |
| 23 | 195 |
| 24 | 200 |
| 25 | 198 |
| 26 | 210 |
| 27 | 192 |
| 28 | 205 |
| 29 | 200 |
| 30 | 195 |
6 Estatística Descritiva
Nesta seção são calculadas as principais medidas de tendência central, dispersão e posição relativa dos dados.
| Medida Estatística | Valor |
|---|---|
| Média | 201.47 |
| Mediana | 200 |
| Moda | 200 |
| Mínimo | 192 |
| Máximo | 215 |
| Amplitude | 23 |
| Variância | 40.81 |
| Desvio Padrão | 6.39 |
| Coeficiente de Variação (%) | 3.17 |
| 1º Quartil (Q1) | 198 |
| 3º Quartil (Q3) | 205 |
| Intervalo Interquartil (IQR) | 7 |
A média amostral observada foi de aproximadamente 201.47 ms, valor numericamente superior à meta de 200 ms estabelecida pelo SLA. O desvio padrão amostral (6.39 ms) é inferior ao desvio padrão histórico de 15 ms, e o coeficiente de variação de 3.17% indica baixa dispersão relativa dos dados, sugerindo um processo estável. A diferença entre média e mediana (200 ms) é pequena, o que é consistente com uma distribuição aproximadamente simétrica.
7 Visualização dos Dados
O gráfico a seguir apresenta o histograma da amostra de latências, com a curva Normal teórica sobreposta (utilizando a média e o desvio padrão amostrais) e uma linha vertical indicando a meta estabelecida pelo SLA (200 ms).
Figura 1 — Distribuição da latência com curva Normal sobreposta e meta de SLA
A visualização evidencia que a maior parte das observações concentra-se próxima ao valor de 200 ms, porém com uma leve assimetria à direita, com diversas observações acima da meta estabelecida (205, 210 e 215 ms), o que motiva a investigação estatística formal realizada nas seções seguintes.
8 Intervalo de Confiança
O Intervalo de Confiança de 95% para a média populacional, considerando o desvio padrão conhecido (\(\sigma = 15\)), é calculado pela fórmula:
\[ IC = \bar{x} \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}} \]
Onde \(z_{\alpha/2}\) corresponde ao valor crítico da distribuição Normal padrão para um nível de confiança de 95% (bilateral), isto é, \(z_{0{,}025} \approx 1{,}96\).
Passo 1 — Erro padrão da média:
\[ EP = \frac{\sigma}{\sqrt{n}} = \frac{15}{\sqrt{30}} = 2.7386 \]
Passo 2 — Margem de erro:
\[ ME = z_{\alpha/2} \cdot EP = 1.96 \times 2.7386 = 5.37 \]
Passo 3 — Substituição na fórmula do Intervalo de Confiança:
\[ IC = \bar{x} \pm ME = 201.47 \pm 5.37 \]
Passo 4 — Resultado final:
\[ IC_{95\%} = \left(196.1;\ 206.83\right) \]
| Item | Valor |
|---|---|
| Média amostral (x̄) |
201.470
|
Interpretação: com 95% de confiança, a média populacional da latência de consultas SQL do Data Warehouse está compreendida entre 196.1 ms e 206.83 ms. Como o valor de referência do SLA (200 ms) está contido dentro desse intervalo, isso já sugere, de forma preliminar, que a diferença entre a média observada e a meta pode não ser estatisticamente significativa — hipótese que será testada formalmente na seção seguinte.
9 Teste Z
9.1 Formulação das hipóteses
\[ H_0: \mu = 200 \text{ ms} \qquad \text{(a latência média está de acordo com o SLA)} \]
\[ H_1: \mu > 200 \text{ ms} \qquad \text{(a latência média está acima do SLA)} \]
Trata-se de um teste unilateral à direita, pois o interesse do estudo é detectar exclusivamente um aumento da latência em relação à meta, e não qualquer tipo de desvio (para mais ou para menos).
9.2 Cálculo manual da estatística Z
A estatística de teste é calculada por:
\[ Z = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}} \]
Passo 1 — Substituição dos valores na fórmula:
\[ Z = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}} = \frac{201.47 - 200}{15 / \sqrt{30}} \]
Passo 2 — Estatística Z calculada:
\[ Z = 0.5356 \]
Passo 3 — Valor crítico (teste unilateral à direita, \(= 0{,}05\)):
\[ Z_{c} = z_{(1-\alpha)} = 1.645 \]
Passo 4 — Valor-p:
\[ p = P(Z > 0.5356) = 0.2961 \]
Passo 5 — Regra de decisão:
Rejeita-se \(H_0\) se \(p < \) (ou, equivalentemente, se \(Z_{calculado} > Z_{c}\)). Como \(p = 0.2961 > = 0.05\), a decisão é: Não se rejeita H0.
| Item | Valor |
|---|---|
| Média sob H0 (μ0) | 200 |
| Média amostral (x̄) |
201.47
|
Interpretação: a estatística Z calculada foi de 0.5356, inferior ao valor crítico de 1.6449 para um teste unilateral à direita com \(\alpha = 0{,}05\). Da mesma forma, o valor-p obtido (0.2961) é maior que \(\alpha = 0{,}05\). Assim, a decisão estatística é: Não se rejeita H0, ou seja, não há evidência estatística suficiente, ao nível de significância de 5%, para afirmar que a latência média das consultas SQL está acima da meta de 200 ms estabelecida pelo SLA.
10 Comparação com o Teste t
Embora o cenário descrito no estudo (σ conhecido) favoreça teoricamente o uso do Teste Z, é instrutivo comparar os resultados com os do Teste t de Student, aplicado utilizando o desvio padrão amostral (e não o populacional), como normalmente ocorre na prática quando σ não é conhecido. A estatística do teste t é dada por:
\[ t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}} \]
onde \(s\) é o desvio padrão amostral (6.39 ms), estimado diretamente a partir dos dados coletados, em contraste com o \(\) populacional conhecido (15 ms) utilizado no Teste Z.
\[ t = \frac{201.47 - 200}{6.39 / \sqrt{30}} = 1.2575 \]
| Métrica | Teste Z (σ conhecido) | Teste t (σ estimado) |
|---|---|---|
| Estatística de teste | 0.5356 | 1.2575 |
| Valor-p | 0.2961 | 0.1093 |
| Limite inferior do IC (95%, unilateral) | 196.1 | 199.48 |
| Decisão (α = 0,05) | Não se rejeita H0 | Não se rejeita H0 |
Por que os resultados são semelhantes? Com uma amostra de tamanho \(n = 30\), a distribuição t de Student já se aproxima consideravelmente da distribuição Normal padrão, fazendo com que os valores críticos e os valores-p dos dois testes sejam bastante próximos. Além disso, o desvio padrão amostral calculado (6.39 ms) é próximo do desvio padrão populacional histórico (σ = 15 ms), o que reduz ainda mais a diferença entre as duas abordagens.
Quando usar cada teste, na prática: o Teste Z deve ser utilizado quando o desvio padrão populacional é conhecido de forma confiável — como neste estudo, por meio de um processo consolidado de CEP ao longo de 24 meses. Já o Teste t deve ser a escolha padrão sempre que o desvio padrão populacional não for conhecido, sendo estimado a partir da própria amostra, o que é a situação mais comum na maioria dos estudos aplicados em engenharia e negócios.
11 Discussão
Sob a ótica de um engenheiro de software responsável pela operação e confiabilidade do Data Warehouse, os resultados obtidos permitem as seguintes considerações:
O banco está atendendo o SLA? Com base no teste Z realizado, não há evidência estatística, ao nível de significância de 5%, de que a latência média do sistema esteja acima da meta de 200 ms. Embora a média amostral observada (201.47 ms) seja numericamente superior a 200 ms, essa diferença está dentro da margem de variação esperada para o processo, considerando o desvio padrão histórico conhecido. Portanto, sob o critério estatístico adotado, o SLA está sendo atendido.
Existem evidências suficientes para afirmar que a latência aumentou? Não. O valor-p obtido (0.2961) é superior ao nível de significância adotado (0.05), o que significa que a diferença observada entre a média amostral e a meta de 200 ms é compatível com a variação natural (aleatória) do processo, não caracterizando um aumento estatisticamente significativo da latência.
Quais limitações existem? É importante destacar algumas limitações do estudo: (i) a amostra de 30 observações, embora estatisticamente suficiente para a aplicação do Teorema Central do Limite, representa uma janela de tempo limitada, podendo não capturar variações sazonais de carga (por exemplo, picos de acesso em horários específicos ou eventos promocionais); (ii) o uso do desvio padrão histórico (σ = 15 ms) pressupõe que o processo mantém o mesmo comportamento de variabilidade observado nos últimos 24 meses, o que pode não se sustentar caso tenham ocorrido mudanças recentes de infraestrutura, versão do SGBD ou volume de dados; (iii) o teste estatístico avalia apenas a média do processo, não capturando eventuais aumentos na variabilidade (desvio padrão) ou na ocorrência de valores extremos (outliers) que também impactam a experiência do usuário.
12 Recomendações
Com base nos resultados obtidos e nas boas práticas de engenharia de confiabilidade, recomenda-se:
- Monitoramento contínuo: manter a coleta sistemática de métricas de latência, preferencialmente em tempo real, para identificar tendências antes que se tornem violações efetivas do SLA;
- Utilização de ferramentas de APM (Application Performance Monitoring): adotar ferramentas especializadas de observabilidade (como Datadog, New Relic, Dynatrace ou soluções open-source como Prometheus e Grafana) para monitorar latência, throughput e uso de recursos de forma integrada;
- Reestimativa periódica do desvio padrão (σ): reavaliar o valor de σ sempre que houver mudanças relevantes de infraestrutura (upgrade de hardware, migração de banco de dados, alterações no volume de dados ou na arquitetura do DW), garantindo que os limites de controle estatístico permaneçam representativos do processo atual;
- Novas coletas amostrais periódicas: repetir a análise estatística em intervalos regulares (mensal ou trimestral), de forma a acompanhar a evolução do processo ao longo do tempo;
- Aplicação de Controle Estatístico de Processo (CEP): implementar cartas de controle (como as cartas de Shewhart, \(\bar{X}\) e R) para monitorar continuamente a média e a variabilidade do processo, permitindo a detecção precoce de causas especiais de variação.
13 Conclusão
O presente estudo teve como objetivo avaliar, por meio de inferência estatística, se a latência média das consultas SQL do Data Warehouse da DataPulse Sistemas S.A. encontra-se estatisticamente acima da meta de 200 ms estabelecida pelo SLA. A partir de uma amostra de 30 medições e utilizando um teste Z unilateral à direita, com nível de significância de 5%, concluiu-se que não há evidência estatística suficiente para rejeitar a hipótese nula, ou seja, o processo pode ser considerado, sob o critério estatístico adotado, compatível com a meta estabelecida.
A comparação com o Teste t de Student corroborou os resultados obtidos pelo Teste Z, reforçando a robustez da conclusão diante de diferentes abordagens metodológicas. Ainda assim, destaca-se que a proximidade entre a média observada e o limite do SLA reforça a importância da manutenção de um processo contínuo de monitoramento estatístico, de modo a identificar precocemente eventuais tendências de degradação de desempenho antes que estas se tornem estatisticamente — e operacionalmente — significativas. A aplicação de técnicas de Controle Estatístico de Processo, aliada ao uso de ferramentas modernas de observabilidade, constitui uma estratégia eficaz para garantir a sustentabilidade do nível de serviço acordado ao longo do tempo.
14 Referências
ANTHROPIC. Claude. Disponível em: https://www.anthropic.com. Acesso em: 06 jul. 2026.
BUSSAB, W. de O.; MORETTIN, P. A. Estatística Básica. 9. ed. São Paulo: Saraiva Educação, 2017.
MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros. 6. ed. Rio de Janeiro: LTC, 2016.
MONTGOMERY, D. C. Introduction to Statistical Quality Control. 8. ed. Hoboken: John Wiley & Sons, 2019.
R CORE TEAM. R: A Language and Environment for Statistical Computing. Vienna: R Foundation for Statistical Computing, 2024. Disponível em: https://www.R-project.org/. Acesso em: 06 jul. 2026.
RPUBS. RPubs — Publish your R Markdown documents online. Disponível em: https://rpubs.com. Acesso em: 06 jul. 2026.
WICKHAM, H. ggplot2: Elegant Graphics for Data Analysis. 2. ed. Nova York: Springer-Verlag, 2016.
WICKHAM, H.; GROLEMUND, G. R for Data Science. Sebastopol: O’Reilly Media, 2017.