scipy.stats.

ppcc_plot

scipy.stats.ppcc_plot(x, a, b, dist='tukeylambda', plot=None, N=80)

计算并可选地绘制概率图相关系数。

概率图相关系数 (PPCC) 图可用于确定单参数分布族的最佳形状参数。它不能用于没有形状参数（如正态分布）或具有多个形状参数的分布。

默认情况下使用 Tukey-Lambda 分布 (stats.tukeylambda)。Tukey-Lambda PPCC 图通过一个近似正态分布从长尾分布插值到短尾分布，因此在实践中特别有用。

参数:

xarray_like

输入数组。

a, b标量

要使用的形状参数的下限和上限。

diststr 或 stats.distributions 实例，可选

分布或分布函数名称。 看起来足够像 stats.distributions 实例的对象（即它们有一个 ppf 方法）也可以接受。 默认是 'tukeylambda'。

绘图对象，可选

如果给出，绘制 PPCC 与形状参数的关系。plot 是一个对象，必须具有“plot”和“text”方法。可以使用 matplotlib.pyplot 模块或 Matplotlib Axes 对象，或者具有相同方法的自定义对象。默认值为 None，这意味着不创建绘图。

Nint, 可选

水平轴上的点数（从 a 到 b 等间距分布）。

返回:

svalsndarray

计算了 ppcc 的形状值。

ppccndarray

计算的概率图相关系数值。

参见

ppcc_max, probplot, boxcox_normplot, tukeylambda

参考文献

J.J. Filliben, “概率图相关系数检验正态性”, 技术计量学, 第17卷, 第111-117页, 1975年。

示例

Try it in your browser!

首先，我们从形状参数为2.5的Weibull分布生成一些随机数据，并绘制数据的直方图：

>>> import numpy as np
>>> from scipy import stats
>>> import matplotlib.pyplot as plt
>>> rng = np.random.default_rng()
>>> c = 2.5
>>> x = stats.weibull_min.rvs(c, scale=4, size=2000, random_state=rng)

查看数据的直方图。

>>> fig1, ax = plt.subplots(figsize=(9, 4))
>>> ax.hist(x, bins=50)
>>> ax.set_title('Histogram of x')
>>> plt.show()

现在我们通过PPCC图、相关概率图和Box-Cox正态图来探索这些数据。我们在预计PPCC值最大的地方（即上述使用的形状参数``c``处）绘制了一条红线：

>>> fig2 = plt.figure(figsize=(12, 4))
>>> ax1 = fig2.add_subplot(1, 3, 1)
>>> ax2 = fig2.add_subplot(1, 3, 2)
>>> ax3 = fig2.add_subplot(1, 3, 3)
>>> res = stats.probplot(x, plot=ax1)
>>> res = stats.boxcox_normplot(x, -4, 4, plot=ax2)
>>> res = stats.ppcc_plot(x, c/2, 2*c, dist='weibull_min', plot=ax3)
>>> ax3.axvline(c, color='r')
>>> plt.show()

Go BackOpen In Tab