scipy.stats.

ppcc_plot

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

计算概率图相关系数，并选择性地绘图。

概率图相关系数 (PPCC) 图可用于确定一个单参数分布族的最优形状参数。不能将其用于没有形状参数（例如正态分布）或形状参数为多个的分布。

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插值长尾分布和短尾分布，因此在实践中特别有用。

参数:

x类数组

输入数组。

a, b缩放

要使用的形状参数的下限和上限。

disttype=\"str\" 或 stats.distributions 实例，可选

分布或分布函数名称。看起来像 stats.distributions 实例的对象（即它们具有 ppf 方法）也可接受。默认值是 'tukeylambda'。

plot对象，可选

如果已提供，绘制 PPCC 与形状参数的对比图。 plot 是必须具有方法 “plot” 和 “text” 的对象。 matplotlib.pyplot 模块或 Matplotlib Axes 对象可以用作或具有相同方法的自定义对象。默认值是无，表示不创建任何对比图。

Nint，可选

横轴上的点数量（从 a 到 b 均匀分布）。

返回:

svalsndarray

已计算 ppcc 的形状值。

ppccndarray

已计算的概率对比图相关系数值。

另请参见

ppcc_max，probplot，boxcox_normplot，tukeylambda

参考

J.J. Filliben， “Technometrics 的正态性检验概率对比图相关系数检验”，第 17 卷，第 111-117 页，1975 年。

示例

在浏览器中试试看！

首先，我们从形状参数为 2.5 的 Weibull 分布中生成一些随机数据，然后绘制数据的直方图

>>> 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)

看看数据的直方图。

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

现在，我们使用 PPCC 对比图以及相关的概率对比图和 Box-Cox 正态图来探索这些数据。我们在预期 PPCC 值最大的地方（上面使用的形状参数 c 处）绘制一条红线

>>> 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()

返回在新标签页中打开