Gráfico de distribuição de probabilidade

O Gráfico de Distribuição de Probabilidade desenha a curva de densidade, massa ou acumulada de uma distribuição teórica a partir de parâmetros informados, sem dados. Abrange doze distribuições, incluindo normal, t, qui-quadrado, F, Weibull, lognormal, binomial e Poisson. Use-o para ver a forma de uma distribuição, explicar um plano de amostragem ou uma estatística de teste, ou ler probabilidades. As distribuições contínuas aparecem como curvas; a binomial e a de Poisson aparecem como barras.

Última revisão

Conclusão principal

Um gráfico de distribuição de probabilidade desenha a curva de densidade (ou massa) ou de distribuição acumulada de uma distribuição teórica, como normal, Weibull ou binomial, a partir de parâmetros informados, sem dados.

Nesta página
  1. Finalidade
  2. Principais recursos
  3. Métodos estatísticos
  4. Campos de entrada e opções
  5. Descrição da saída
  6. Exemplo prático

Finalidade

O Gráfico de Distribuição de Probabilidade desenha a curva de uma distribuição teórica para os parâmetros que você informa: sua densidade de probabilidade (ou, para contagens, sua massa de probabilidade) ou sua distribuição acumulada. Não são necessários dados. Use-o para ver como é uma distribuição antes de usá-la, para explicar um plano de amostragem ou uma estatística de teste, ou para ler quão provável é uma contagem ou uma medição sob um modelo assumido, por exemplo, o número de itens defeituosos em uma amostra de 50 quando o processo opera com 4% de defeituosos.

Principais recursos

  • Doze distribuições: normal, t de Student, qui-quadrado, F, exponencial, Weibull, lognormal, uniforme, gama, beta, binomial e Poisson.
  • Função densidade/massa de probabilidade ou função de distribuição acumulada.
  • Distribuições contínuas desenhadas como uma curva suave (a densidade é sombreada); binomial e Poisson desenhadas como barras em cada número inteiro.
  • A faixa horizontal é escolhida automaticamente para cobrir a distribuição do percentil 0.05 ao percentil 99.95.
  • Título gerado a partir da distribuição e da curva, ou o seu próprio título.

Métodos estatísticos

A ferramenta constrói a distribuição escolhida a partir dos parâmetros e a avalia com fórmulas padrão. Os parâmetros são: Normal — Parameter 1 = média, Parameter 2 = desvio padrão; t de Student e qui-quadrado — graus de liberdade; F — graus de liberdade do numerador e do denominador; exponencial — escala (a média); Weibull e gama — forma e escala; lognormal — localização e forma, isto é, a média e o desvio padrão de ln(X); uniforme — limite inferior e superior; beta — os dois parâmetros de forma α e β; binomial — número de tentativas n e probabilidade do evento p; Poisson — média λ. As distribuições com um parâmetro usam apenas o Parameter 1.

Para uma distribuição contínua, a curva é avaliada em 500 pontos igualmente espaçados entre os percentis 0.05 e 99.95. Para a binomial e a de Poisson, ela é avaliada em cada número inteiro dessa faixa: a massa de probabilidade P(X = k) dá a altura de cada barra, e a função acumulada P(X ≤ k) dá a altura de cada barra no gráfico da CDF. Para uma densidade, a área sob a curva em um intervalo é a probabilidade de cair nesse intervalo; a CDF fornece essa probabilidade diretamente como a diferença entre duas alturas.

Campos de entrada e opções

Campo

Descrição

Distribution

Obrigatório. Normal, Student's t, Chi-Square, F, Exponential, Weibull, Lognormal, Uniform, Gamma, Beta, Binomial ou Poisson.

Parameter 1

O significado depende da distribuição: ex.: média para a normal, graus de liberdade para t e qui-quadrado, forma para Weibull e gama, número de tentativas para a binomial, média para a de Poisson.

Parameter 2

Usado apenas por distribuições de dois parâmetros: ex.: desvio padrão para a normal, escala para Weibull e gama, probabilidade do evento para a binomial.

Plot

Probability density/mass function (padrão) ou Cumulative distribution function.

Title

Opcional. O padrão é um título gerado a partir da distribuição e da curva escolhidas.

probability-distribution-plot-inputs


Figura 1 — Opções do exemplo: distribuição binomial com 50 tentativas e probabilidade do evento 0.04.

Descrição da saída

  • <Distribution> Distribution — Probability Density: a curva de densidade (eixo rotulado Probability density); para binomial e Poisson, <Distribution> Distribution — Probability Mass, com a probabilidade de cada contagem como barras (eixo rotulado Probability).
  • <Distribution> Distribution — Cumulative Distribution: a probabilidade acumulada P(X ≤ x).
  • Exportação em PDF por meio de Download.

probability-distribution-plot-output


Figura 2 — Probabilidade de 0 a 8 itens defeituosos em uma amostra de 50 quando o processo tem 4% de defeituosos (binomial, n = 50, p = 0.04).

probability-distribution-plot-extra


Figura 3 — A mesma distribuição com Plot = Cumulative distribution function: P(X ≤ k) para k = 0 a 8.

Exemplo prático

O processo de um fornecedor opera com cerca de 4% de defeituosos. A inspeção de recebimento retira uma amostra de 50 peças de cada lote, e o engenheiro da qualidade quer saber quantos itens defeituosos esperar e com que frequência um lote desse processo apresentaria 3 ou mais. Distribution = Binomial, Parameter 1 = 50 (tentativas), Parameter 2 = 0.04 (probabilidade do evento), Plot = Probability density/mass function.

As barras vão de 0 a 8 itens defeituosos. As contagens mais prováveis são 1 (probabilidade 0.271) e 2 (0.276), em linha com a média n·p = 2. Uma amostra sem itens defeituosos ocorre em 13.0% das vezes; portanto, uma amostra limpa diz pouco sobre se o processo melhorou. Mudar Plot para Cumulative distribution function dá P(X ≤ 2) = 0.677, de modo que 32.3% das amostras desse processo conteriam 3 ou mais itens defeituosos, e 13.9% conteriam 4 ou mais.

Para o plano de inspeção, isso significa que um número de aceitação de 2 rejeitaria cerca de um lote em três mesmo quando o fornecedor opera em seu normal de 4%. Se esses lotes devem normalmente ser aprovados, o número de aceitação deve ser maior ou o plano de amostragem deve ser reprojetado; a Amostragem de Aceitação e as ferramentas de NQA/AQL calculam isso em relação aos níveis de qualidade acordados.

Perguntas frequentes

Para que serve um gráfico de distribuição de probabilidade?

Ele mostra como é uma distribuição teórica para determinados parâmetros, sem nenhum dado. Use-o para ver a forma de uma distribuição antes de usá-la, para explicar um plano de amostragem ou uma estatística de teste, ou para ler quão provável é uma contagem ou uma medição sob um modelo assumido, como o número de itens defeituosos em uma amostra de 50 de um processo com 4% de defeituosos.

Quais distribuições um gráfico de distribuição de probabilidade pode mostrar?

Doze: normal, t de Student, qui-quadrado, F, exponencial, Weibull, lognormal, uniforme, gama, beta, binomial e Poisson. Parameter 1 e Parameter 2 dependem da distribuição, por exemplo, média e desvio padrão para a normal, forma e escala para Weibull e gama, e número de tentativas e probabilidade do evento para a binomial. As distribuições de um parâmetro usam apenas o Parameter 1.

Qual é a diferença entre os gráficos PDF e CDF?

A função densidade (ou massa) de probabilidade mostra a altura da distribuição em cada valor; para uma densidade, a área sob a curva em um intervalo é a probabilidade de cair nele, e para a binomial ou a de Poisson cada barra é P(X = k). A função de distribuição acumulada mostra P(X menor ou igual a x), de modo que uma probabilidade é a diferença entre duas alturas.

Como ler um gráfico de distribuição de probabilidade binomial?

Em um exemplo prático com 50 tentativas e probabilidade do evento de 0.04, as contagens mais prováveis são 1 (0.271) e 2 (0.276), em linha com a média n vezes p = 2, e zero itens defeituosos ocorre em 13.0% das vezes. O gráfico acumulado dá P(X menor ou igual a 2) = 0.677, de modo que 32.3% das amostras conteriam 3 ou mais itens defeituosos.