Resumo de Distribuições Minitab

Distribuições de Probabilidade
Frases
“Uma probabilidade razoável é a única certeza”

Samuel Howe
“A experiência não permite nunca atingir a

certeza absoluta. Não devemos procurar obter
mais que uma probabilidade .”
Bertrand Russel
Roteiro
1. Distribuições de Probabilidade
2. Aproximação da Binomial
3. Geração de Números Aleatórios
4. Ajuste de Distribuições
5. Referências
1
Distribuições de Probabilidade
Funcionalidades
Como pacote estatístico, o Minitab efetua os

seguintes cálculos referentes a distribuições de
probabilidade:
√ Probabilidade no ponto (distribuição discreta)
√ Densidade de probabilidade no ponto (distribuição
contínua)
√ Função de distribuição acumulada no ponto
√ Quantil correspondente a uma probabilidade
Calc > Probability Distributions è
2
Distribuições Discretas
Minitab: Outras:
• Binomial • Binomial Negativa
• Hipergeométrica • Geométrica
• Discreta • Bernoulli
• Inteira
• Poisson
Distribuições Discretas – Comandos

Probabilidade no ponto(s) P{X = k }
Probabilidade acumulada P{X ≤ k }
P{X ≤ a} = p
Quantil referente a
uma probabilidade
Valores de entrada
Distribuição Binomial
• Notação: X ~ binomial (n, p )

n
• Função de probabilidade: P{X = k } =   p k (1 − p) n − k
 p
• Esperança: np
• Variância: np (1 − p )
3
Distribuição Binomial – Exemplo
Montar tabela com os valores de distribuição
binomial com parâmetros n = 30 e p = 0,4
• Para gerar os valores dos pontos (k):
Calc > Make Patterned Data > Simple Set of Numbersè
Valores de k
Binomial – Probabilidades no Ponto
Parâmetros
Valores de entrada
Valores de saída
Binomial – Probabilidades Acumuladas
Parâmetros
Valores de entrada
Valores de saída
4
Binomial (30; 0,4) – Tabela
k P(X=k) P(X<=k)
0 0,000 0,000
1 0,000 0,000
2 0,000 0,000
3 0,000 0,000
4 0,001 0,002
5 0,004 0,006
6 0,012 0,017
7 0,026 0,044
8 0,050 0,094
9 0,082 0,176
10 0,115 0,291
11 0,140 0,431
12 0,147 0,578
13 0,136 0,715
14 0,110 0,825
15 0,078 0,903
16 0,049 0,952
17 0,027 0,979
18 0,013 0,992
19 0,005 0,997
20 0,002 0,999
21 0,001 1,000
22 0,000 1,000
23 0,000 1,000
Gráfico da Função de Probabilidade
Graph > Scatter Plot > Single è
Binomial (30; 0,4) – Gráfico Função de

Probabilidade
Função de Probabilidade - Binomial (30, 0,4)
0,16
0,14
0,12
0,10
P(X=k)
0,08
0,06
0,04
0,02
0,00
0 5 10 15 20 25 30
k
5
Quantis
Quantis da binomial(30; 0,4) para 0,056;
0,058; 0,060; ... ; 0,0672
• Para gerar os valores das probabilidades
Valores de
probabilidade
• Cálculo dos quantis
Parâmetros
Valores de entrada
Valores de saída
Binomial (30; 0,4) – Tabela de Quantis

p quantil
0,056 8
P{X ≤ a} = p
0,058 8
0,060 8
0,062 8
0,064 8
0,066 8
0,068 8
0,070 8
0,072 8
0,074 8
0,076 8
0,078 8
0,080 8
0,082 8
0,084 8
0,086 8
0,088 8
0,090 8
0,092 8
0,094 8
0,096 9
0,098 9
0,100 9
0,102 9
6
Distribuições Contínuas
• Qui-quadrado • Beta
• Normal • Exponencial
• F • Gama
• t de Student • Valor extremo
• Uniforme • Lognormal
• Logística
• Weibull
• outras
Distribuições Discretas – Comandos

Probabilidade no ponto(s) P{X = k }
Probabilidade acumulada P{X ≤ k }
P{X ≤ a} = p
Quantil referente a
uma probabilidade
Valores de entrada
Distribuição Normal
• Notação: X ~ N(µ, s 2)
1  1  x − µ  2

• Função de densidade: f ( x) = exp−   
2π σ  2  σ  
• Esperança: µ
• Variância: s 2
7
Cálculo de Probabilidades
• Para valores únicos, são mais fáceis de serem
obtidos através da janela Session:
√ Editor > Enable Commands
• Para cálculo de densidade:
PDF valor do quantil;
nome distribuição parâmetro 1 parâmetro 2.
• Para cálculo da função de distribuição acumulada
CDF valor do quantil;
• Para cálculo de quantil:
InvCDF valor da probabilidade;
Normal Padrão
MTB > PDF -1;
SUBC> Normal 0,0 1,0.
Probability Density Function

f (−1)
Normal with mean = 0 and standard deviation = 1
x f( x )
-1 0,241971
MTB > CDF -1;
P{X ≤ −1}
Cumulative Distribution Function
x P( X <= x )
-1 0,158655
MTB > InvCDF 0,05;
P{X ≤ a} = 0,05
Inverse Cumulative Distribution Function
P( X <= x ) x
0,05 -1,64485
X ~ N (100,100)
MTB > cdf 95;
SUBC> normal 100 10.

P{X < 95} Normal with mean = 100 and standard deviation = 10
x P( X <= x )
95 0,308538
P{ 90 < X < 110 } Cumulative Distribution Function
= 0,841345 – 0,158655 x P( X <= x )

90 0,158655
= 0,682690 110 0,841345
= 1 – 0,158655
P{X > 95} = 0,841345
8
Gráficos Densidade Normal
• Sobrepor gráficos das funções de densidade
N (100, 100), N (100, 25) e N(90, 25).
• Criar coluna das abcissas X:
Valores de X
• Calcular as probabilidades da coluna

N(100,100):
Calc > Probability Distributions > Normal è
Parâmetros
Valores de entrada
Valores de saída
• Repetir o procedimento de cálculo de

probabilidades para N(100, 25) e N(90, 25).
• Fazer gráfico sobreposto:
Graph > Scatterplot > Simple è
9
Funções de Densidade Normal
0,09 Variable
N(100, 100)
0,08 N(100, 25)
N(90, 25)
Densidade de Probabilidade
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
70 80 90 100 110 120 130

X
Parâmetro de locação: µ
Parâmetro de escala: s 2
Gráfico Função de Distribuição Acumulada
• Sobrepor gráficos das funções de distribuição

acumulada
N (100, 100), N (100, 25) e N(90, 25).
• Usar coluna das abcissas X montada para as
densidades;
• Calcular as probabilidades acumuladas da

coluna Ac N(100,100):
Calc > Probability Distributions > Normal è
Parâmetros
Valores de entrada
Valores de saída
10
• Repetir o procedimento de cálculo de
probabilidades para Ac N(100, 25) e Ac N(90, 25).
Função de Distribuição Acumulada Normal

Variable
1,0 Ac N(100, 100)
Ac N(100, 25)
Ac N(90, 25)
0,8
Probabilidade Acumulada
0,6
0,4
0,2
0,0
70 80 90 100 110 120 130

X
Distribuição Exponencial
• Notação: X ~ exponencial (?)

λ e − λ x x≥0
• Função de densidade: f ( x) = 
 0 c.c.
• Esperança: 1
λ
1
• Variância:
λ2
11
Distribuição Exponencial
• Notação: X ~ exponencial (ß)

 1 −β
x
 x≥0
• Função de densidade: f ( x) =  β e
 0
 c.c.
• Esperança: β
• Variância: β 2
Cálculos de Probabilidade
• O parâmetro da exponencial utilizado pelo

Minitab é a média da distribuição
• Podem ser obtidos através da janela Session:
• Para cálculo de densidade (ou probabilidade
acumulada ou quantil):
PDF(ou CDF ou InvCDF) valor;
exponencial média.
X ~ exponencial média 0,5

MTB > CDF 2;
P{X > 2}
SUBC> exponencial 0,5.
= 1 – 0,981684 Exponential with mean = 0,5

= 0,018316 x P( X <= x )
2 0,981684

P{ 0,2 < X < 0,5 }
Exponential with mean = 0,5
= 0,632121 – 0,329680 x P( X <= x )

0,2 0,329680
= 0,302441 0,5 0,632121
MTB > InvCDF 0,5;

SUBC> exponencial 0,5.
Inverse Cumulative Distribution Function

P{ X ≤ a } = 0,50 Exponential with mean = 0,5
P( X <= x ) x
0,5 0,346574
12
Variáveis Discretas – Probabilidade
• No caso de variáveis discretas, o comando

PDF fornece a probabilidade em um ponto;
• A função de distribuição acumulada F(x)
permite o cálculo de probabilidades em
subconjuntos de pontos:
P{a = X = b} = F(b) – F(a)
= P{X = b} – P{ X = a}
X ~ binomial (10; 0,35)

MTB > pdf 7;
SUBC> binomial 10 0,35.
P{ X = 7 }
Binomial with n = 10 and p = 0,35
x P( X = x )
7 0,0212030
MTB > CDF 7;
P{ X < 8 }

= P{ X ≤ 7 } Binomial with n = 10 and p = 0,35
x P( X <= x )
7 0,995179
P{ 4 ≤ X < 7 } Cumulative Distribution Function
= P{ 3 < X ≤ 6 }
x P( X <= x )
3 0,513827
= 0,513827 –0,973976 6 0,973976
= 0,460149
Função Gama
∞
• Dada por: Γ(r ) = ∫ x r −1e − x dx
0
• Se r é inteiro positivo, então: Γ(r ) = (r − 1)!
13
Exemplo Função Gama
• Pode ser obtidos através da janela Session:

Let K nº = gamma(valor)
Print K nº
• Calcular G(2,3)
MTB > Let K1 = gamma(2,3)

MTB > print k1
Data Display
K1 1,16671
Distribuição de Weibull
• Notação: X ~ Weibull (ß, d)
 β  x  β −1 − x 
β
 δ 
x≥0
• Função de densidade: f ( x) =  δ  δ  e
 

 0 c.c.
• Esperança: δ Γ(1+ 1
β )
• Variância: δ 2 {Γ(1 + 2 β ) − [Γ(1 + 1
β )]2 }
• Parâmetro de forma: ß
• Parâmetro de escala: d
Gráficos Densidade de Weibull

Weibull com parâmetros de forma e de
escala iguais a: 1 e 1; 3,4 e 2; 4,5 e 6,2.
• Criar coluna das abcissas X_w:
First value: 0
Last value: 15
In steps of: 0,1
14
• Calcular as probabilidades das colunas
W(1, 1), W(3,4; 2) e W(4,5; 6,2):
Calc > Probability Distributions > Weibull è
Parâmetros
Valores de entrada
Valores de saída

Densidade de W(1; 1), W(3,4; 2) e W(4,5; 6,2)

Variable
0,9 W(1; 1)
W(3,4; 2)
0,8 W(4,5; 6,2)
0,7
W(ß, d)
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0 2 4 6 8 10 12 14 16
X_w
Parâmetro de forma: ß
Parâmetro de escala: d
15
Distribuição Gama
• Notação: X ~ Gama (r, ?)
 λr x r −1e − λx
 x>0
• Função de densidade: f ( x) =  Γ ( r )
 0 c.c.
• Esperança: r
λ
r
• Variância:
λ2
• Parâmetro de forma: r
• Parâmetro de escala: ?
Distribuição Gama – Minitab
• Notação: X ~ Gama (r, ß)

 x r −1e β
−x
 x>0
• Função de densidade: f ( x) =  Γ ( r ) β r
 0
 c.c.
• Esperança: rβ
• Variância: rβ 2
• Parâmetro de forma: r
• Parâmetro de escala: ß
Gráficos Densidade Gama

gama com parâmetros de forma e de escala
iguais a: 1 e 1; 2 e 0,5; 2 e 1.
• Criar coluna das abcissas X_g:
First value: 0
Last value: 6
In steps of: 0,1
16
• Calcular as probabilidades das colunas
G(1, 1), G(2; 0,5) e G(2; 1):
Calc > Probability Distributions > Weibull è
Parâmetros
Valores de entrada
Valores de saída

Densidades Gama
Variable
0,9 G(1, 1)
G(2; 0,5)
0,8 G(2, 1)
0,7
G(r, ß)
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0 1 2 3 4 5 6
X_g
Parâmetro de forma: r
Parâmetro de escala: ß
17
Aproximação da Binomial
Aproximação pela Poisson
• Se n ? 8 e p ? 0, com np ? ? então a
variável aleatória XB ~ Binomial (n, p) pode
ser aproximada por XP ~ Poisson (?), neste
caso ? ˜ np.
Exemplo
• Calcule os valores de P{X = x} e P{X = x}

para X ~ Binomial (70; 0,01)
• Calcule as mesmas probabilidades usando a
Poisson (XP)
• Verifique a aproximação comparando os
gráficos das funções de distribuição acumulada
das duas variáveis
18
• Gerar coluna das abcissas X_b:
First value: 0
Last value: 70
In steps of: 1
• Calcular as probabilidade binomiais
• Calcular as probabilidades Poisson
• Gráficos de distribuição acumulada.

Graph > Scatter Plot > Singleè
19
Distribuição Acumulada Exata e Aproximada Função de Probabilidade Exata e Aproximada
Variable
1,0 0,5
P(X_b=x)
P(X_p=x)
0,9 0,4
0,8 0,3
Y-Data
Y-Data
0,7 0,2
0,6 0,1
0,5 0,0
0 2 4 6 8 10 0 1 2 3 4 5
x_b x_b
Abcissas entre 0 e 10 Abcissas entre 0 e 3
• Não é a representação correta da função de

distribuição de uma variável discreta
• Se o valor de p se aproxima de , deve-se fazer

uma transformação para assegurar a qualidade
da aproximação da binomial pela Poisson:
XB ~ binomial (n, p)
YB ~ binomial (n, 1-p)
• Desta maneira:
P{XB = k} = P{YB = n – k }
• Assim pode-se aproximar YB pela Poisson,
com o mesmo procedimento anterior
Exemplo
• Seja XB ~ binomial (70; 0,98)
• Calcular as seguintes probabilidades exatas,
comparando-as com sua aproximação pela
Poisson
• P{XB = 68}
• P{XB = 65}
• P{65 < XB = 68}
20
XB ~ binomial (70; 0,98)
MTB > pdf 68;
P{ X B = 68 }
x P( X = x )
68 0,244540
MTB > CDF 65;

P{ X B ≤ 65 }
x P( X <= x )
65 0,0132298
MTB > cdf 68;
P{ 65 < X B ≤ 68 }

= 0,409559 –0,0132298
= 0,396329
x P( X <= x )
68 0,409559
YB ~ binomial (70; 0,02) ˜ YP ~ Poisson (1,4)

MTB > pdf 2;
SUBC> poisson 1,4.

P{ X B = 68 }
≈ P{ YP = 70 − 68 }
Poisson with mean = 1,4
x P( X = x )
2 0,241665
P{ X B ≤ 65 }
Poisson with mean = 1,4
≈ P{ YP ≥ 5 } = 1 − P{YP ≤ 4}
x P( X <= x )
4 0,985747
1 0,591833
= 1 – 0,985747
= 0,014253
P{ 65 < X B ≤ 68 }
≈ P{ 2 ≤ YP < 5 } = P{1 < YP ≤ 4} = 0,985747 – 0,591833
= 0,393914
Comparação
Aproximação
Probabilidades Exata
Poisson
P{XB = 68} 0,2445 0,2417
P{XB = 65} 0,0132 0,0143
P{65 < XB = 68} 0,3963 0,3939
21
Aproximação pela Normal
• Há situações em que a variável aleatória

XB ~ Binomial (n, p) pode ser aproximada
por XN ~ Normal (np, np(1-p)).
• Em geral a aproximação é aceitável quando
np = 5 e np(1-p) = 5, sendo melhor quanto
maior for o valor de n.
Correção de Continuidade
P{XB = k} ˜ P{ k – 0,5 = XB = k + 0,5}
XB ~ binomial (100; 0,5) ˜ XN ~ normal (50,25)

P{ X B = 68 } Normal with mean = 50 and standard deviation = 5
≈ P{ 67,5 ≤ X N ≤ 68,5 } x P( X <= x )
68,5 0,999892
= 0,999892 – 0,999767 67,5 0,999767
60,5 0,982136
= 0,000053
P{ 60 < X B ≤ 68 }
P{ X B ≤ 60 }
≈ P{ 60,5 < X N ≤ 68,5 }
≈ P{ X N ≤ 60,5 }
= 0,999892 – 0,982136
= 0,982136 = 0,017756
22
Comparação
Aproximação
Probabilidades Exata
Poisson
P{XB = 68} 0,0001 0,0000
P{XB = 60} 0,9824 0,9821
P{60 < XB = 68} 0,0175 0,0178
Comparação da Aproximação e Exata
• Criar coluna X_bn de 0 a 100

First value: 0
Last value: 100
In steps of: 1
• Criar coluna X_corr = X_bn +0,5

Calc > Calculator è
• Calcular na coluna
XB(100; 0,5) as
probabilidades acumuladas
binomiais (exatas)
• Calcular na coluna
XN(50; 25) as
probabilidades acumuladas
aproximadas pela normal
(com correção de
continuidade)
23
• Construir gráfico das distribuições acumuladas
sobrepostas XB(100, 0,5) e XN(50, 25)
Distribuição Acumulada de XB(100,0,5) e XN(50,25)
1,0
0,8
Probabilidade A cumulada
0,6
0,4
Variable
XB(100,0,5) * X_b
XN(50,25) * X_co
0,2
0,0
40 45 50 55 60
Valores de X
Abcissas entre 40 e 60
Comparação entre Aproximações (1)
• Distribuição exata: XB ~ (70; 0,01)

√ Aproximação normal: coluna XN(50; 25)
√ Aproximação de Poisson: calculada a coluna
YP(50) para uma variável YP ~ Poisson(50)
• Comparação gráfica entre as 3 distribuições
Aproximação Poisson e Normal de Binomial (70, 0,01)
1,0
0,8
0,6
Y-Data
0,4
Variable
0,2 P(X_b<=k) * x_b
P(X_p<=x) * x_b
XN(7;0,693) * x_b
0,0
0 2 4 6 8 10
X-Data
24
Comparação entre Aproximações (2)
• Distribuição exata: XB ~ (100; 0,5)

√ Aproximação normal: coluna XN(50; 25)
√ Aproximação de Poisson: calculada a coluna
YP(50) para uma variável YP ~ Poisson(50)
• Comparação gráfica entre as 3 distribuições
Aproximações Normal e Poisson da Binomial (100, 0,5)
1,0
0,8
0,6
Y-Data
0,4 Variable
XB(100; 0,5) * x_b
XP(50) * x_bn
XN(50,25) * x_cor
0,2
0,0
30 40 50 60 70
X-Data
Aproximações – Comentários
Mantidas as condições de qualidade de cada
aproximação, temos:
• A aproximação de Poisson é melhor que a
aproximação normal para valores de p nas
proximidades de 0 e 1.
• A aproximação Normal é melhor que a
aproximação de Poisson para valores
intermediários de p.
25
Geração de Números Aleatórios
Gerador de Números Aleatórios

• São usados para simular modelos, estudar
estimadores, etc.
• O Minitab executa sua geração de acordo a
várias distribuições de probabilidade:
Discretas Contínuas
• Binomial • Uniforme
• Hipergeométrica • Normal
• Discreta • Exponencial
• Poisson • Lognormal
• outras • outras
Calc > Random Data è
26
Exemplo 1 – Geração de Normais
• Gerar 2 amostras de uma N(86,6; 4,62) de

tamanho 29 e armazenar nas colunas N1 e N2
√ Calcular a média e o desvio padrão amostral
√ Construir o histograma das amostras em painéis
separados
√ Comparar os histogramas com a função de
densidade exata
Geração de Amostras Normais

Calc > Random Data è
Os resultados serão exclusivos a cada procedimento
Média e Desvio Padrão Amostrais
MTB > Describe 'N1' 'N2';

SUBC> Mean;
SUBC> StDeviation.
Descriptive Statistics: N1; N2
Variable Mean StDev

N1 86,869 4,235
N2 86,160 4,783
Valores exatos:
Média: 86,6
Desvio padrão: 4,6
27
Construção Histogramas
Histogramas de N1 e N2
N1
0,08
0,06
0,04
0,02
0,00
N2
0,08
0,06
0,04
0,02
0,00
78 81 84 87 90 93 96 99
Usar densidade no eixo Y

Edit Panels > Arrangement >
Rows: 2/ Columns: 1
Comparação com Distribuição Exata
• Clicando com o botão direito do mouse no

gráfico:
Add > Distribution Fit è
28
Histogramas de N1 e N2
Normal
N1
0,08
0,06
0,04
0,02
0,00
N2
0,08
0,06
0,04
0,02
0,00
78 81 84 87 90 93 96 99
Exemplo 2 – Geração de Exponenciais
• Gerar 3 amostras de tamanho 34 de uma

exponencial com média 128 e armazenar nas
colunas E1, E2 e E3.
separados
densidade exata
Geração de Amostras Exponenciais
• Repetir os procedimentos de geração de números

aleatórios para amostra exponencial
29
MTB > describe 'E1'-'E3';
SUBC> mean;
SUBC> StDev.
Descriptive Statistics: E1; E2; E3
Variable Mean StDev

E1 116,3 137,0
E2 119,4 121,4
E3 124,1 134,4
Valores exatos:
Média: 128
Desvio padrão: 128
Histogramas de E1, E2 e E3
0 80 160 240 320 400 480 560
E1 E2
0,0048
0,0036
0,0024
0,0012
Density
0,0000
E3
0,0048
0,0036
0,0024
0,0012
0,0000
0 80 160 240 320 400 480 560

gráfico:
30
Histogramas de E1, E2 e E3
Exponential
0 80 160 240 320 400 480 560
E1 E2
0,008
0,006
0,004
0,002
Density
0,000
E3
0,008
0,006
0,004
0,002
0,000
0 80 160 240 320 400 480 560
Exemplo 3 – Geração de Weibull
• Gerar 2 amostras de tamanho 43 de uma

Weibull com parâmetro de forma 2,3 e
parâmetro de escala 148 e armazenar nas
colunas W1 e W2.
separados
densidade exata
Geração de Amostras Exponenciais
• Repetir os procedimentos de geração de números

aleatórios para amostra exponencial
31
MTB > describe 'W1' 'W2';
SUBC> mean;
SUBC> StDev.
Descriptive Statistics: W1; W2
Variable Mean StDev

W1 134,88 63,81
W2 144,47 56,17
Valores exatos: MTB

MTB
>
>
let k1 = 2,3
let k2 = 148
MTB > let k3 = k2*gamma(1+1/k1)
MTB > print k3
Média Data Display
K3 131,115
MTB > let k4=k2**2*(gamma(1+2/k1)-(gamma(1+1/k1))**2)

MTB > let k5 = sqrt(k4)
Desvio padrão MTB > print k5
Data Display
K5 60,4552
Histogramas de W1 e W2
W1
0,008
0,006
0,004
0,002
Density
0,000
W2
0,008
0,006
0,004
0,002
0,000
0 60 120 180 240

Edit Panels > Arrangement >
Rows: 2/ Columns: 1

gráfico:
32
Histogramas de W1 e W2
Weibull
W1
0,008
0,006
0,004
0,002
Density
0,000
W2
0,008
0,006
0,004
0,002
0,000
0 60 120 180 240
Ajuste de Distribuições
Verificação de Normalidade
• Muitos procedimentos estatístico adotam a

hipótese de normalidade dos dados
• Assim, é freqüente a necessidade de verificação
de normalidade dos dados
• No Minitab, uma das maneiras de verificar a
adequação do modelo (normal e outros) é
através do Probability Plot
33
• Teste de normalidade da coluna N1:
Graph > Probability Plot > Single è
Probability Plot of N1
Normal - 95% CI Parâmetros estimados
99
Mean 86,87
StDev 4,235
95 N 29 Estatística
AD 0,149
90
P-Value 0,959 de teste
80
70
Percent
60
50
40 P-valor p/ o teste:
30
20 H0: dados normais
10
5
H1: Dados não-normais
1
75 80 85 90 95 100
N1
• Se os pontos estiverem próximos à reta, há

indicação de normalidade
• Os outliers aparecem como pontos distantes
do padrão geral
• Repetição do procedimento para coluna E1:

Probability Plot of E1
Normal - 95% CI
Parâmetros estimados
99
Mean 116,3
StDev 137,0
95 N 34
AD 2,879
90
P-Value <0,005
80
70
Percent
60
50
40 P-valor p/ o teste:
30
20
H0: dados normais
10
5 H1: Dados não-normais

1
-400 -200 0 200 400 600
E1
H0 Rejeitada
• Pontos afastam-se da reta

• Teste rejeita a hipótese de normalidade
34
Exemplo 4 – Ajuste de Modelo
• Repetir o teste de normalidade para as colunas
E2, E3, W1 e W2
Probability Plot of E2; E3; W1; W2 E2

Normal - 95% CI Mean 119,4
StDev 121,4
E2 E3 N 34
99 99
AD 2,130
90 90 P-Value <0,005
E3
50 50 Mean 124,1
StDev 134,4
N 34
10 10
AD 2,014
H0 Rejeitada
Percent
1 1 P-Value <0,005
-200 0 200 400 -200 0 200 400 600 W1
Mean 134,9
W1 W2
99 99 StDev 63,81
N 43
90 90 AD 1,281
P-Value <0,005
50 50 W2
Mean 144,5
10 10 StDev 56,17
N 43
1 1 AD 0,543
Sem evidência pra
-100 0 100 200 300 0 100 200 300 P-Value 0,154
rejeitar H0
• O histograma de W2 apresenta uma maior

simetria comparado com o de W1
• Verificar o ajuste à exponencial das colunas

E1, E2 e E3
35
Probability Plot of E1; E2; E3 H0: modelo exponencial
Exponential - 95% CI
H1: outro modelo
E1 E2 E1
Mean 116,3
90 90
N 34
50 50 AD 0,621
P-Value 0,341
E2
10 10 Mean 119,4
N 34 Não há evidências
AD 1,253
Percent
1
1 10 100 1000
1
0,01 0,10 1,00 10,00 100,00 1000,00
P-Value 0,057 para rejeitar H0
E3
E3
Mean 124,1
90 N 34
AD 0,935
50 P-Value 0,136
10
1
1 10 100 1000
• Apesar de haver pontos fora da banda de

confiança do gráfico, as estatísticas de teste
não permitem rejeitar a hipótese de modelo
exponencial
• Verificar o ajuste ao modelo Weibull das

colunas W1 e W2
Probability Plot of W1; W2 H0: modelo Weibull

Weibull - 95% CI
10 100 1000
H1: outro modelo
W1 W2 W1
99 99
Shape 2,263
Scale 151,8
90
80
90
80
N 43 Há evidências
AD 1,521
70
60
70
60 P-Value <0,010 para rejeitar H0
50 50 W2
40 40 Shape 2,786
Percent
30 30 Scale 161,1
20 20 N 43
AD 0,678 Não há evidências
10 10 P-Value 0,074
para rejeitar H0
5 5
3 3
2 2
1 1
10 100 1000
• No caso de W1, a quantidade de pontos fora

da banda de confiança do gráfico, pode ter
influenciado a estatística de teste a rejeitar a
hipótese de modelo Weibull.
36
Exemplo 5 – Amostra Binomial
• Gere 3 amostras de tamanho 25 de uma

distribuição binomial com parâmetros n =
70 e p = 0,4 e as armazene nas colunas B1,
B2 e B3
• Verifique a normalidade dos elementos

padronizados de cada amostra
• Geração das amostras binomiais

Calc > Random Data > Binomial è
Padronização
• No caso da binomial a padronização exata é
dada por: xi − np
zi =
np(1 − p)
• No exemplo a média e o desvio padrão são:
MTB > let k1 = 70*0,4

MTB > let k2 = sqrt(70*0,4*0,60)
MTB > print k1 k2
Data Display
K1 28,0000
K2 4,09878
37
• No Minitab, a padronização é obtida por:
Calc > Standardize è
Média Desvio padrão
• Gráfico de probabilidade normal para as colunas

Bp1, Bp2 e Bp3
Probability Plot of Bp1; Bp2; Bp3 H0: Normalidade dados

Normal - 95% CI
H1: outro modelo
Bp1 Bp2 Bp1
99 99
Mean 0,4001
90 90 StDev 1,271
N 25
AD 0,535
50 50
P-Value 0,154
Bp2
10 10
Mean 0,3123
Percent
1 1 StDev 1,065
-4 -2 0 2 4 -2 0 2 4 N 25
Bp3
AD
P-Value
0,492
0,199
Não há evidências
99
90
Bp3 para rejeitar H0
Mean 0,02928
StDev 1,237
50 N 25
AD 0,235
10 P-Value 0,768
1
-4 -2 0 2 4
• Há evidências de que os dados padronizados

são normais.
• Os pontos do gráfico encontram-se dentro da
região de confiança
38
Referências
Bibliografia Recomendada
• Bussab, W. O. e Morettin, P. A. (Saraiva)

Estatística básica
• Montgomery, D. C. e Runger, G. C. (LTC)

Estatística aplicada e probabilidade para
engenheiros
39

Resumo de Distribuições Minitab

Enviado por

Direitos autorais:

Formatos disponíveis

Resumo de Distribuições Minitab

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Resumo de Distribuições Minitab

Enviado por

Direitos autorais:

Formatos disponíveis

Distribuições de Probabilidade

“Uma probabilidade razoável é a única certeza”

“A experiência não permite nunca atingir a

Como pacote estatístico, o Minitab efetua os

Calc > Probability Distributions è

Distribuições Discretas – Comandos

Probabilidade acumulada P{X ≤ k }

• Notação: X ~ binomial (n, p )

Binomial – Probabilidades no Ponto

Binomial – Probabilidades Acumuladas

Gráfico da Função de Probabilidade

Graph > Scatter Plot > Single è

Binomial (30; 0,4) – Gráfico Função de

• Cálculo dos quantis

Binomial (30; 0,4) – Tabela de Quantis

Distribuições Discretas – Comandos

Probabilidade acumulada P{X ≤ k }

Probability Density Function

MTB > CDF -1;

Cumulative Distribution Function

Normal with mean = 0 and standard deviation = 1

MTB > InvCDF 0,05;

Inverse Cumulative Distribution Function

Normal with mean = 0 and standard deviation = 1

Cumulative Distribution Function

P{ 90 < X < 110 } Cumulative Distribution Function

Normal with mean = 100 and standard deviation = 10

= 0,841345 – 0,158655 x P( X <= x )

• Calcular as probabilidades da coluna

• Repetir o procedimento de cálculo de

70 80 90 100 110 120 130

Gráfico Função de Distribuição Acumulada

• Sobrepor gráficos das funções de distribuição

• Calcular as probabilidades acumuladas da

Função de Distribuição Acumulada Normal

70 80 90 100 110 120 130

• Notação: X ~ exponencial (?)

• Notação: X ~ exponencial (ß)

• O parâmetro da exponencial utilizado pelo

X ~ exponencial média 0,5

Cumulative Distribution Function

= 1 – 0,981684 Exponential with mean = 0,5

Cumulative Distribution Function

= 0,632121 – 0,329680 x P( X <= x )

MTB > InvCDF 0,5;

Inverse Cumulative Distribution Function

• No caso de variáveis discretas, o comando

X ~ binomial (10; 0,35)

Binomial with n = 10 and p = 0,35

MTB > CDF 7;

Cumulative Distribution Function

P{ 4 ≤ X < 7 } Cumulative Distribution Function

• Se r é inteiro positivo, então: Γ(r ) = (r − 1)!

• Pode ser obtidos através da janela Session:

MTB > Let K1 = gamma(2,3)

Gráficos Densidade de Weibull

• Fazer gráfico sobreposto:

Densidade de W(1; 1), W(3,4; 2) e W(4,5; 6,2)