Ajuste de Distribuição

Encontre qual distribuição de probabilidade melhor se ajusta aos seus dados — e veja quão bem se encaixa

Ajuste de distribuição responde à pergunta: que tipo de processo aleatório gerou meus dados? Eles têm distribuição normal (curva de sino)? Exponencial (decaimento sem memória)? Uniforme (resultados igualmente prováveis)? Conhecer a distribuição desbloqueia cálculos de probabilidade poderosos — "qual fração dos valores excede X?" ou "qual é o 95º percentil?"

Esta ferramenta carrega 60 medições de altura extraídas de uma distribuição quase normal. Clique em Vincular Dados e a IA ajustará três distribuições candidatas, sobreporá a melhor curva no histograma e relatará qual distribuição vence com seus parâmetros (μ, σ para normal).

Cole seu próprio CSV de coluna numérica para ajustar uma distribuição aos seus dados.

Tópicos relacionados

Criador de HistogramaCalculadora de EstatísticasCalculadora de Teste tCriador de Box Plot
O que é uma distribuição normal?
A distribuição normal (curva de sino) é a distribuição mais comum na natureza. É completamente descrita por dois parâmetros: a média μ (centro) e o desvio padrão σ (largura). Muitas medições naturais — alturas, pesos, notas em testes — são aproximadamente normalmente distribuídas.
O que é aderência (goodness of fit)?
Aderência mede quão bem uma distribuição teórica corresponde aos dados observados. Testes comuns incluem o teste de Kolmogorov-Smirnov (K-S) e o teste qui-quadrado. Uma estatística K-S menor (ou valor-p maior) significa um melhor ajuste.
Como uso a distribuição ajustada para previsões?
Depois de conhecer a distribuição e seus parâmetros, você pode responder a perguntas de probabilidade. Para uma distribuição normal com μ = 170 e σ = 8: "Qual fração de pessoas tem mais de 180 cm?" = P(X > 180) = P(Z > (180−170)/8) = P(Z > 1,25) ≈ 10,6%.
E se nenhuma das distribuições se ajustar bem?
Se os dados forem bimodais (dois picos), assimétricos ou limitados, nenhuma das três distribuições básicas pode se ajustar. Nesse caso, considere transformar os dados (ex.: transformação logarítmica para dados com assimetria positiva) ou usar uma abordagem não paramétrica. A IA sinalizará ajustes ruins e sugerirá alternativas.