Gráfico de identificação de distribuição (censura à direita)
Informe os tempos de falha com uma coluna de censura. A ferramenta ajusta as distribuições Weibull, Lognormal, Exponential, Normal, Logistic e Loglogistic por máxima verossimilhança, plota as estimativas de Nelson-Aalen na escala de probabilidade de cada distribuição com a reta ajustada e os limites de confiança, e as classifica pelo coeficiente de correlação. Use-a antes da análise de distribuição paramétrica ou do Distribution Overview Plot. Pequenas diferenças entre as melhores distribuições provam pouco.
Última revisão
Conclusão principal
O Distribution ID Plot (Right Censoring) ajuda a escolher uma distribuição de vida ajustando seis distribuições a tempos de falha com censura à direita e traçando um gráfico de probabilidade para cada uma; o mais reto se ajusta melhor.
Nesta página
Finalidade
O Distribution ID Plot (Right Censoring) ajuda a escolher uma distribuição de vida antes de estimar a confiabilidade ou os percentis. Ele ajusta seis distribuições comuns aos mesmos dados de tempo até a falha, incluindo unidades que foram retiradas ou ainda estavam em operação (censuradas à direita), e traça um gráfico de probabilidade para cada uma. A distribuição cujos pontos ficam mais próximos de uma reta é a que melhor se ajusta. Use-o como primeiro passo antes da análise de distribuição paramétrica (Parametric Distribution Analysis) ou do Distribution Overview Plot.
Principais recursos
- Ajusta as distribuições Weibull, Lognormal, Exponential, Normal, Logistic e Loglogistic em uma única execução.
- Trata dados censurados à direita por meio de uma coluna de censura e de um valor de censura.
- Classifica as distribuições pelo coeficiente de correlação de seus gráficos de probabilidade.
- Um painel de gráfico de probabilidade por distribuição, com a reta ajustada, seus limites de confiança e os pontos de falha.
- Informa qualquer distribuição que não pôde ser ajustada aos dados.
Métodos estatísticos
Na coluna de censura, as linhas iguais ao valor de censura são censuradas à direita (a unidade ainda não havia falhado quando foi vista pela última vez) e todas as demais são falhas. Cada uma das seis distribuições é ajustada a todas as linhas por máxima verossimilhança, na qual uma falha contribui com sua densidade f(t) e uma unidade censurada contribui com sua probabilidade de sobrevivência S(t) = 1 − F(t).
Os pontos plotados são os tempos de falha com estimativas não paramétricas da probabilidade acumulada de falha pelo método de Nelson-Aalen, que considera as unidades censuradas em risco em cada tempo de falha. Cada painel transforma os eixos de modo que sua distribuição apareça como uma reta: o eixo do tempo é logarítmico para Weibull, Lognormal e Loglogistic, e linear para Normal, Logistic e Exponential, e o eixo de probabilidade usa a escala correspondente (rotulada em porcentagem). A linha vermelha é a função de distribuição acumulada da distribuição ajustada na mesma escala. Cada painel também mostra limites de confiança bilaterais (pontilhados) no Confidence level, como o Minitab os desenha: para cada porcentagem p, o percentil t_p da distribuição ajustada, com sua variância obtida pelo método delta a partir da Hessiana inversa do log da verossimilhança, e o intervalo formado em ln(t_p) para Weibull, Lognormal, Exponential e Loglogistic e em t_p para Normal e Logistic. Pontos bem fora dos limites indicam um ajuste ruim.
O coeficiente de correlação de cada painel é a correlação de Pearson entre os valores x plotados (o tempo, ou ln(tempo) em um eixo logarítmico) e as probabilidades transformadas dos pontos de falha. Valores próximos de 1 significam que os pontos ficam próximos de uma reta. Pequenas diferenças entre as melhores distribuições não provam que uma se ajusta melhor; observe os painéis, especialmente as caudas, e considere o conhecimento de engenharia, por exemplo, que Weibull é a escolha usual para tempos de falha.
Campos de entrada e opções
Campo | Descrição |
Variable | Obrigatório. Tempo até a falha, ou tempo até a censura para unidades retiradas ou ainda em operação. |
Use censoring column | Obrigatório. As linhas iguais ao valor de censura são censuradas à direita; todas as demais são falhas. Toda linha precisa de um valor. |
Censoring value | O valor na coluna de censura que marca uma unidade censurada. O padrão é 0, portanto 1 = falha. |
Confidence level (%) | Padrão 95; de 50 a 99.99. Define os limites de confiança desenhados em torno de cada reta ajustada. |

Figura 1 — Opções do exemplo: tempos de ensaio de enrolamentos a 80 °C (Temp80) com a coluna de censura Cens80, valor de censura 0.
Descrição da saída
- Correlation ranking — cada distribuição e seu coeficiente de correlação, da melhor para a pior.
- Messages — qualquer distribuição que não pôde ser ajustada, com o motivo.
- Distribution ID Plot — um painel de gráfico de probabilidade por distribuição na ordem do ranking, com sua correlação (r) no título, mostrando os pontos de falha, a reta ajustada e seus limites de confiança.
- Exportação em PDF por meio de Download.

Figura 2 — Ranking de correlação e gráficos de probabilidade para 50 tempos de ensaio de enrolamentos: Normal, Weibull e Loglogistic estão próximas de 0.989; Exponential é claramente a pior, com 0.956.
Exemplo prático
Um engenheiro de confiabilidade ensaia 50 enrolamentos de motores de turbina a 80 °C. 37 falham durante o ensaio e 13 são retirados antes de falhar, portanto seus tempos são censurados. Antes de estimar os percentis de vida, o engenheiro quer saber qual distribuição descreve os dados. Ele define Variable = Temp80, Use censoring column = Cens80 e Censoring value = 0, já que Cens80 vale 1 para uma falha e 0 para um enrolamento retirado.
Os coeficientes de correlação são Normal 0.9890, Weibull 0.9886, Loglogistic 0.9883, Lognormal 0.9844, Logistic 0.9837 e Exponential 0.9559. As quatro primeiras estão praticamente empatadas, portanto os dados sozinhos não permitem escolher entre elas. A Exponential é claramente a pior: seu painel mostra uma forte curvatura, de modo que a taxa de falhas não é constante e um modelo que pressupõe falhas aleatórias seria enganoso.
Para o engenheiro, a Weibull é uma escolha sensata: ela se ajusta tão bem quanto as outras, não pode dar tempos negativos e seu parâmetro de forma mostra se as falhas são precoces, aleatórias ou de desgaste. Como as distribuições candidatas diferem mais nas caudas, o engenheiro examina os painéis nas extremidades inferior e superior e, se os percentis extremos importarem, compara as estimativas de mais de uma distribuição. O próximo passo é um Distribution Overview Plot ou uma análise de distribuição paramétrica (Parametric Distribution Analysis) com Weibull.
Perguntas frequentes
Como interpretar o coeficiente de correlação em um gráfico de identificação de distribuição?
É a correlação de Pearson entre os valores x plotados e as probabilidades transformadas dos pontos de falha. Valores próximos de 1 significam que os pontos ficam próximos de uma reta. Pequenas diferenças entre as melhores distribuições não provam que uma se ajusta melhor; observe os painéis, especialmente as caudas, e use o conhecimento de engenharia.
Como as unidades censuradas à direita são tratadas?
Na coluna de censura, as linhas iguais ao valor de censura (padrão 0) são censuradas à direita, ou seja, a unidade ainda não havia falhado quando foi vista pela última vez; todas as demais são falhas. No ajuste por máxima verossimilhança, uma falha contribui com sua densidade e uma unidade censurada com sua probabilidade de sobrevivência, e os pontos do gráfico de Nelson-Aalen consideram as unidades censuradas em risco.
Qual distribuição escolher quando várias se ajustam igualmente bem?
No exemplo dos enrolamentos, Normal, Weibull, Loglogistic e Lognormal ficaram praticamente empatadas, enquanto a Exponential foi claramente a pior, mostrando que a taxa de falhas não é constante. A Weibull foi uma escolha sensata: ajustou-se tão bem quanto as outras, não pode dar tempos negativos e seu parâmetro de forma mostra se as falhas são precoces, aleatórias ou de desgaste.
O que vem depois de um Distribution ID Plot?
O próximo passo é um Distribution Overview Plot ou uma análise de distribuição paramétrica (Parametric Distribution Analysis) com a distribuição escolhida, para estimar a confiabilidade ou os percentis de vida. As distribuições candidatas diferem mais nas caudas; portanto, se os percentis extremos importarem, examine os painéis nas extremidades inferior e superior e compare as estimativas de mais de uma distribuição.
