Interpretar os principais resultados para Identificação de distribuição individual

Conclua as etapas a seguir para interpretar Identificação de distribuição individual. Os principais resultados incluem gráficos de probabilidade e valores de p.

Etapa 1: Visualize o ajuste da distribuição

Use o gráfico de probabilidade normal para avaliar o quanto seus dados se aproximam de cada distribuição.

Se a distribuição for um bom ajuste para os dados, os pontos devem cair próximos à linha de distribuição ajustada. Pontos distantes da linha reta indicam que o ajuste é inaceitável.

Bom ajuste
Ajuste ruim

Além dos gráficos de probabilidade, use as medidas de qualidade do ajuste, como os valores de p e o seu conhecimento prático do processo, para avaliar o ajuste de distribuição.

Etapa 2: Avalie o ajuste da distribuição

Use o valor de p para avaliar o ajuste da distribuição.

Para cada distribuição ou transformação, compare o valor de p com o nível de significância. Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica um risco de 5% de concluir que os dados não seguem a distribuição quando eles realmente a seguem.
P ≤ α: Os dados não seguem a distribuição (Rejeitar H0)
Se o valor de p for inferior ou igual ao nível de significância, você deve rejeitar a hipótese nula e concluir que os seus dados não seguem a distribuição.
P > α: Não é possível concluir que os dados não seguem a distribuição (Falha ao rejeitar H0)
Se o valor de p for maior do que o nível de significância, você deixa de rejeitar a hipótese nula. Não há evidências suficientes para concluir que os dados não seguem a distribuição. É possível assumir que os dados seguem a distribuição.
Ao selecionar uma distribuição para modelar seus dados, também confie em seu conhecimento do processo. Se várias distribuições fornecem um bom ajuste, use as seguintes estratégias para escolher uma distribuição:
  • Escolha a distribuição que seja mais comumente usada em seu setor ou aplicativo.
  • Escolha a distribuição que fornece os resultados mais conservadores. Por exemplo, se você está realizando análise de capacidade, pode realizá-la usando diferentes distribuições e, em seguida, escolher a distribuição que produz a maioria dos índices de capacidade conservadores. Para obter mais informações, acesse Percentis de distribuição para Identificação de distribuição individual e clique em "Porcentagens e percentis".
  • Escolha a distribuição mais simples que se ajusta bem os seus dados. Por exemplo, se distribuições de 2 parâmetros e de 3 parâmetros fornecem ambas um bom ajuste, é possível escolher a distribuição de 2 parâmetros mais simples.
Importante

Tenha cuidado ao interpretar os resultados a partir de uma amostra muito pequena ou muito grande. Se você tem uma amostra muito pequena, um teste de qualidade de ajuste pode não ter poder suficiente para detectar desvios significativos da distribuição. Se você tem uma amostra muito grande, o teste pode ser tão poderosa a ponto de detectar até mesmo pequenos desvios da distribuição que não têm nenhuma significância prática. Além dos gráficos de probabilidade, utilize os valores de p para avaliar o ajuste de distribuição.

Identificação de Distribuição para Cálcio

Exponencial de 2 Parâmetros

* AVISO * A matriz de variância/covariância dos parâmetros estimados não existe. O parâmetro do limite é presumido como fixo para cálculos de intervalos de confiança. Gama de 3 Parâmetros
* AVISO * A matriz de variância/covariância dos parâmetros estimados não existe. O parâmetro do limite é presumido como fixo para cálculos de intervalos de confiança. Gráfico de Identificação de Distribuição para Cálcio

Gráfico de Identificação de Distribuição para Cálcio

Gráfico de Identificação de Distribuição para Cálcio

Gráfico de Identificação de Distribuição para Cálcio

Estatísticas Descritivas N N* Média DesvPad Mediana Mínimo Máximo Assimetria Curtose 50 0 50,782 2,76477 50,4 46,8 58,1 0,644923 -0,287071
Transformação de Box-Cox: λ = -4 Função da transformação de Johnson: 0,804604 + 0,893699 × Ln( ( X - 46,2931 ) / ( 59,8636 - X ) )
Teste de Qualidade de Ajuste Distribuição AD P TRV P Normal 0,754 0,046 Transformação de Box-Cox 0,414 0,324 Lognormal 0,650 0,085 Lognormal de 3 Parâmetros 0,341 * 0,017 Exponencial 20,614 <0,003 Exponencial de 2 Parâmetros 1,684 0,014 0,000 Weibull 1,442 <0,010 Weibull de 3 Parâmetros 0,230 >0,500 0,000 Menor Valor Extremo 1,656 <0,010 Maior Valor Extremo 0,394 >0,250 Gama 0,702 0,071 Gama de 3 Parâmetros 0,268 * 0,006 Logística 0,726 0,034 Loglogística 0,659 0,050 Loglogística de 3 Parâmetros 0,432 * 0,027 Transformação de Johnson 0,124 0,986
Estimativas de MV dos Parâmetros da Distribuição Distribuição Localização Forma Escala Limite Normal* 50,78200 2,76477 Transformação de Box-Cox* 0,00000 0,00000 Lognormal* 3,92612 0,05368 Lognormal de 3 Parâmetros 1,69295 0,46849 44,74011 Exponencial 50,78200 Exponencial de 2 Parâmetros 4,06326 46,71873 Weibull 17,82470 52,13681 Weibull de 3 Parâmetros 1,47605 4,53647 46,66579 Menor Valor Extremo 52,22257 2,95894 Maior Valor Extremo 49,50370 2,16992 Gama 351,04421 0,14466 Gama de 3 Parâmetros 2,99218 1,63698 45,88376 Logística 50,57182 1,59483 Loglogística 3,92259 0,03121 Loglogística de 3 Parâmetros 1,54860 0,32763 45,46180 Transformação de Johnson* 0,02897 0,97293 * Escala: Estimativa de MV ajustado
Principais resultados: P

Nestes resultados, várias distribuições têm um valor de p maior do que 0,05. A distribuição Weibull para 3 parâmetros (P > 0,500) e a distribuição de maior valor extremo (P > 0,250) têm os maiores valores de p, e parecem ajustar os dados de amostra melhor do que as outras distribuições. Além disso, a transformação de Box-Cox (P = 0,353) e a transformação Johnson (P = 0,986) são eficazes na transformação dos dados para seguir uma distribuição normal.

Observação

Para várias distribuições, o Minitab também exibe resultados para a distribuição de um parâmetro adicional. Por exemplo, para a distribuição lognormal, o Minitab exibe resultados para ambas as versões de 2 parâmetros e de 3 parâmetros da distribuição. Para distribuições que tenham parâmetros adicionais, use o valor de p do teste da razão de verossimilhança (LRT P) para determinar se a adição de outro parâmetro melhora significativamente o ajuste da distribuição. Um valor de p de LRT que seja inferior a 0,05 indica que a melhoria no ajuste é significativa. Para obter mais informações, acesse Qualidade do ajuste para identificação individual de distribuição e clique em "LRT P".

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política