Use o gráfico de probabilidade para comparar os ajustes das distribuições comuns a fim de escolher a distribuição que melhor se ajusta. Se os pontos de dados estiverem em uma linha relativamente reta no gráfico de probabilidade, então você pode concluir que é razoável modelar seus dados usando essa distribuição. Portanto, a melhor distribuição de ajuste é aquela em que os pontos seguem mais de perto a linha ajustada.
Os pontos no gráfico são os percentis estimados para as falhas com base em um método não paramétrico. Quando você segura o ponteiro sobre um ponto de dados, o Minitab exibe o tempo de falha observado e a probabilidade acumulada estimada.
A linha é baseada na distribuição ajustada. Neste exemplo, Weibull, lognormal, exponencial e normal são as distribuições ajustadas. Quando você segura o ponteiro sobre a linha ajustada, o Minitab exibe uma tabela de percentis para vários percentuais.
Para o método de estimativa de máxima verosimilhança (MLE), o Minitab exibe a estatística de Anderson-Darling (adj) para avaliar o ajuste de cada distribuição.
Quando você usa o método de estimativa de mínimos quadrados (LSXY), o Minitab exibe o coeficiente de correlação de Pearson, que é um número positivo que não pode ser maior que 1. Valores mais altos de coeficientes de correlação indicam que a distribuição oferece um ajuste melhor.
Observação
Para mais informações sobre como interpretar a estatística Anderson-Darling (adj), acesse "Goodness-of-fit".
Saída do exemplo
Interpretação
Para os dados de enrolamentos de motor, os gráficos de probabilidade mostram que a distribuição de Weibull e a distribuição lognormal se ajustam muito melhor aos dados do que a distribuição exponencial ou a distribuição normal. A distribuição lognormal parece se encaixar melhor nesses dados.
