Gráfico de probabilidade
O Probability Plot testa se os dados se ajustam a uma distribuição plotando os valores ordenados em uma escala em que a distribuição aparece como uma reta, com limites de confiança. Aceita nove distribuições, incluindo Normal, Lognormal, Weibull e Exponencial, e informa a estatística de Anderson-Darling e o valor-p de cada uma. Use-o antes de análises de capacidade, limites de controle ou testes t que pressupõem normalidade, e para escolher uma distribuição de confiabilidade.
Última revisão
Conclusão principal
Um gráfico de probabilidade verifica se os dados seguem uma distribuição escolhida, em geral a normal, plotando os dados ordenados em uma escala em que essa distribuição é uma reta, com estatística de Anderson-Darling e valor-p.
Nesta página
Finalidade
O Probability Plot (gráfico de probabilidade) verifica se os dados seguem uma distribuição escolhida, na maioria das vezes a distribuição normal. Os dados ordenados são plotados em uma escala na qual a distribuição escolhida aparece como uma reta: se os pontos acompanham a reta, a distribuição se ajusta. Use-o antes de análises de capacidade, limites de controle, intervalos de tolerância ou testes t que pressupõem normalidade, e para escolher uma distribuição (Weibull, lognormal, exponencial) para trabalhos de confiabilidade ou de capacidade não normal.
Principais recursos
- Nove distribuições: Normal, Lognormal, Weibull, Exponencial, Exponencial de 2 parâmetros, de Valor Extremo Mínimo, de Valor Extremo Máximo, Logística e Loglogística.
- Reta de referência ajustada com limites de confiança pontuais em um nível escolhido (padrão 95%).
- Estatística de Anderson-Darling (AD) e seu valor-p na legenda para cada distribuição, de modo que os ajustes possam ser comparados.
- Várias variáveis sobrepostas em um só gráfico, ou uma variável dividida em grupos por uma coluna By, cada uma com sua própria reta ajustada.
- Eixo de dados logarítmico para a Lognormal, a Weibull e a Loglogística, como no papel de probabilidade padrão.
Métodos estatísticos
Para cada variável ou grupo (com pelo menos 3 valores), os dados são ordenados, x₍₁₎ ≤ … ≤ x₍ₙ₎, e cada um recebe a posição de plotagem pᵢ = (i − 0.3) / (n + 0.4), a aproximação de posto mediano de Benard. O eixo vertical é a inversa da função de distribuição acumulada (CDF) da distribuição escolhida, rotulada em porcentagem, de modo que uma amostra dessa distribuição fica próxima de uma reta. A reta de referência é a CDF ajustada: para a Normal, a média amostral e o desvio padrão (divisor n − 1); para as outras distribuições, a máxima verossimilhança, com o limiar fixado em 0 para a Lognormal, a Weibull, a Exponencial e a Loglogística (que exigem valores positivos).
Os limites de confiança são traçados por cada ponto: no nível C, o limite inferior é o quantil α/2 de uma distribuição Beta(i, n − i + 1) e o limite superior é o quantil 1 − α/2 de uma distribuição Beta(i + 1, n − i), em que α = 1 − C/100. Pontos que saem dos limites são evidência contra a distribuição.
A estatística de Anderson-Darling AD = −n − (1/n) Σ (2i − 1)[ln F(x₍ᵢ₎) + ln(1 − F(x₍ₙ₊₁₋ᵢ₎))] mede o quanto os pontos estão distantes da CDF ajustada F, com peso extra nas caudas; quanto menor, melhor. A legenda mostra essa AD não ajustada para cada distribuição, como o Minitab faz. O valor-p vem de uma estatística modificada, como em D'Agostino e Stephens: para a Normal e a Lognormal (nos logaritmos), AD·(1 + 0.75/n + 2.25/n²) convertida com a aproximação de Stephens; para a Weibull e as duas distribuições de valor extremo, AD·(1 + 0.2/√n); para a Exponencial, AD·(1 + 0.6/n); para a Logística e a Loglogística, AD·(1 + 0.25/n). As três últimas são consultadas nas tabelas de valores críticos de Stephens e interpoladas, de modo que um valor-p fora da tabela é mostrado como um limite, como >0.250 ou <0.010. Para a Exponencial de 2 parâmetros, as n − 1 diferenças x₍ᵢ₎ − x₍₁₎ são testadas como exponenciais. Um valor-p abaixo de 0.05 é evidência de que os dados não seguem a distribuição; entre distribuições, o maior valor-p geralmente indica o ajuste mais próximo.
Campos de entrada e opções
Campo | Descrição |
Variables | Obrigatório. Uma coluna numérica, ou várias para sobreposição (um gráfico de probabilidade “Multiple”). |
By (grouping) column | Opcional. Uma reta ajustada por grupo. Usado somente quando uma única variável é selecionada. |
Distribution | Normal (padrão), Lognormal, Weibull, Exponencial, Exponencial de 2 parâmetros, de Valor Extremo Mínimo, de Valor Extremo Máximo, Logística ou Loglogística. |
Confidence level (%) | Padrão 95; de 1 a 99.99. Nível dos limites de confiança. |
Display confidence interval bounds | Marcada por padrão. Traça os limites como linhas pontilhadas. |
Title | Título do gráfico. O padrão é “Probability Plot”. |
Data Options: Subset (optional) | Exclude matching rows (padrão) ou Include only matching rows; Row numbers (ex.: 3,7,12-15) e/ou uma Condition (ex.: Tensile_Strength_MPa > 205) selecionam as linhas. |

Figura 1 — Opções do exemplo: Tensile_Strength_MPa em um gráfico de probabilidade Normal com limites de 95%.
Descrição da saída
- Probability Plot — os dados (eixo horizontal) contra a porcentagem na escala de probabilidade da distribuição, com a reta ajustada e os limites de confiança pontilhados. A legenda informa a estatística AD de cada série e seu valor-p.
- Exportação em PDF por meio de Download.

Figura 2 — Gráfico de probabilidade Normal da resistência à tração de 40 corpos de prova: AD = 0.213, p = 0.842.
Exemplo prático
Antes de definir limites de controle e calcular a capacidade, um engenheiro verifica se a resistência à tração de 40 corpos de prova de teste pode ser tratada como normal. Variables = Tensile_Strength_MPa, Distribution = Normal, Confidence level 95, limites exibidos.
Os pontos acompanham a reta e permanecem dentro dos limites pontilhados em toda a faixa, de 200.61 a 247.97 MPa. A legenda mostra AD = 0.213 com p = 0.842, muito acima de 0.05: não há evidência contra a normalidade. A reta ajustada tem média de 227.97 MPa e desvio padrão de 10.61 MPa, portanto podem ser usados métodos de capacidade e de cartas de controle baseados na normal. Pontos que se afastassem da reta em qualquer extremidade indicariam uma distribuição assimétrica ou de caudas pesadas.
A mesma planilha contém 40 tempos até a falha (horas). Plotar Time_to_Failure_hr contra várias distribuições resulta em AD = 0.210 com p > 0.250 para a Weibull (forma 3.23, escala 192.96 horas), AD = 0.158 com p = 0.947 para a Normal, AD = 1.228 com p < 0.005 para a Lognormal e AD = 7.628 com p < 0.010 para a Exponencial. A Exponencial, que pressupõe uma taxa de falhas constante, claramente não se ajusta, nem a Lognormal. A Weibull e a Normal se ajustam bem; para tempos de falha, a Weibull é a escolha habitual, pois uma forma acima de 1 descreve desgaste e ela não pode prever vidas negativas.
Perguntas frequentes
Como interpretar um gráfico de probabilidade?
Se os pontos acompanham a reta ajustada e permanecem dentro dos limites de confiança, a distribuição se ajusta. Pontos que saem dos limites são evidência contra ela, e pontos que se afastam da reta em qualquer extremidade sugerem uma distribuição assimétrica ou de caudas pesadas. A legenda informa a estatística de Anderson-Darling e o valor-p; um valor-p abaixo de 0.05 é evidência de que os dados não seguem a distribuição.
Quando usar um gráfico de probabilidade?
Use-o para verificar a normalidade antes de análises de capacidade, limites de controle, intervalos de tolerância ou testes t que pressupõem dados normais. Também é usado para escolher uma distribuição, como Weibull, lognormal ou exponencial, para trabalhos de confiabilidade ou de capacidade não normal. Cada variável ou grupo precisa de pelo menos 3 valores, e várias variáveis ou grupos podem ser sobrepostos.
Como comparar distribuições em um gráfico de probabilidade?
Plote os mesmos dados contra várias distribuições e compare as estatísticas de Anderson-Darling e os valores-p; uma AD menor e um valor-p maior geralmente indicam um ajuste mais próximo. Em um exemplo prático com 40 tempos de falha, a Weibull (p > 0.250) e a Normal (p = 0.947) se ajustam bem, enquanto a Lognormal e a Exponencial (p < 0.010) não.
Quais distribuições um gráfico de probabilidade pode testar?
Nove: Normal, Lognormal, Weibull, Exponencial, Exponencial de 2 parâmetros, de Valor Extremo Mínimo, de Valor Extremo Máximo, Logística e Loglogística. A Lognormal, a Weibull, a Exponencial e a Loglogística exigem valores positivos, e a Lognormal, a Weibull e a Loglogística usam um eixo de dados logarítmico, como no papel de probabilidade padrão.
