The probability plot (Chambers et a

The probability plot (Chambers et al., 1983) is a graphical technique for assessing whether or not a data set follows a given distribution such as the normal or Weibull.
The data are plotted against a theoretical distribution in such a way that the points should form approximately a straight line. Departures from this straight line indicate departures from the specified distribution.

The correlation coefficient associated with the linear fit to the data in the probability plot is a measure of the goodness of the fit. Estimates of the location and scale parameters of the distribution are given by the intercept and slope. Probability plots can be generated for several competing distributions to see which provides the best fit, and the probability plot generating the highest correlation coefficient is the best choice since it generates the straightest probability plot.

For distributions with shape parameters (not counting location and scale parameters), the shape parameters must be known in order to generate the probability plot. For distributions with a single shape parameter, the probability plot correlation coefficient (PPCC) plot provides an excellent method for estimating the shape parameter.

We cover the special case of the normal probability plot separately due to its importance in many statistical applications.

ผลลัพธ์ (ไทย) 1:

พล็อตความน่าเป็น (แชมเบอร์สและ al., 1983) เป็นเทคนิคกราฟิกสำหรับการประเมินหรือไม่ข้อมูลชุดไปแจกจ่ายให้เช่นปกติหรือแบบเวย์บูลข้อมูลถูกลงจุดกับการกระจายทฤษฎีในลักษณะคะแนนควรเป็นแนวเส้นตรงประมาณ ออกจากเส้นนี้บ่งชี้ออกจากแจกจ่ายระบุสัมประสิทธิ์สหสัมพันธ์ที่เกี่ยวข้องกับพอดีเส้นข้อมูลในพล็อตความน่าเป็นเป็นการวัดของความกตัญญูพอดี ประเมินของพารามิเตอร์ที่ตั้งและขนาดของการกระจายได้ โดยความชันและจุดตัดแกน ความน่าเป็นผืนสามารถสร้างขึ้นสำหรับการกระจายการแข่งขันหลายดูซึ่งเป็นขนาดที่พอดี และพล็อตความน่าเป็นการสร้างของสัมประสิทธิ์สหสัมพันธ์สูงสุดเป็นทางเลือกดีที่สุดตั้งแต่สร้างพล็อตความน่าเป็น straightestพารามิเตอร์รูปร่างต้องรู้จักการสร้างพล็อตความน่าเป็นสำหรับการกระจายด้วยพารามิเตอร์รูปร่าง (ไม่ตรวจนับพารามิเตอร์ขนาดและสถาน), สำหรับการกระจายด้วยพารามิเตอร์รูปร่างเดียว ความน่าเป็นพล็อตพล็อตสัมประสิทธิ์สหสัมพันธ์ (PPCC) มีวิธีดีสำหรับการประมาณพารามิเตอร์รูปร่างเราครอบคลุมกรณีพิเศษของพล็อตความน่าเป็นปกติแยกต่างหากเนื่องจากความสำคัญในโปรแกรมประยุกต์ทางสถิติมากมาย

ผลลัพธ์ (ไทย) 2:

พล็อตน่าจะเป็น (Chambers et al., 1983) เป็นเทคนิคแบบกราฟิกสำหรับการประเมินหรือไม่ว่าข้อมูลชุดดังต่อไปนี้ได้รับการจัดจำหน่ายเช่นปกติหรือ Weibull.
ข้อมูลจะถูกพล็อตกับการกระจายทฤษฎีในลักษณะที่ว่าจุดที่ควร รูปแบบประมาณเป็นเส้นตรง ออกจากเส้นตรงนี้แสดงให้เห็นออกจากการกระจายที่ระบุ. ค่าสัมประสิทธิ์สหสัมพันธ์ที่เกี่ยวข้องกับเส้นตรงพอดีกับข้อมูลในพล็อตน่าจะเป็นตัวชี้วัดความดีของพอดี การประเมินสถานที่และพารามิเตอร์ขนาดของการจัดจำหน่ายจะได้รับจากการสกัดกั้นและลาดชัน ความน่าจะเป็นแปลงที่สามารถสร้างขึ้นสำหรับการกระจายการแข่งขันหลาย ๆ เพื่อดูว่ามีแบบที่ดีที่สุดและความน่าจะเป็นพล็อตสร้างค่าสัมประสิทธิ์สหสัมพันธ์สูงที่สุดเป็นตัวเลือกที่ดีที่สุดตั้งแต่สร้างพล็อตน่าจะเป็น straightest. สำหรับการกระจายกับพารามิเตอร์รูปร่าง (ไม่นับสถานที่และพารามิเตอร์ขนาด ) พารามิเตอร์รูปร่างจะต้องรู้จักเพื่อที่จะสร้างความน่าจะเป็นพล็อต สำหรับการกระจายกับพารามิเตอร์รูปร่างเดียวน่าจะเป็นพล็อตค่าสัมประสิทธิ์สหสัมพันธ์ (PPCC) พล็อตให้เป็นวิธีที่ดีสำหรับการประเมินพารามิเตอร์รูปร่าง. เราครอบคลุมกรณีพิเศษของพล็อตน่าจะเป็นปกติเนื่องจากการแยกสำคัญทางสถิติในการใช้งานจำนวนมาก

ผลลัพธ์ (ไทย) 3:

น่าจะเป็นพล็อต ( ห้อง et al . , 1983 ) เป็นเทคนิคกราฟิกสำหรับการประเมินหรือไม่ว่าข้อมูลชุดดังต่อไปนี้ได้รับการกระจาย เช่น ปกติ หรือ แบบ .
ข้อมูลจะงัดข้อกับการแจกแจงทางทฤษฎีในลักษณะรูปแบบประมาณจุดที่ควรเป็นแนวเส้นตรง ขาออกจากบรรทัดนี้ตรงบ่งชี้ขาออกจากการระบุ .

สัมประสิทธิ์สหสัมพันธ์เชิงเส้น ที่เกี่ยวข้องกับพอดีกับข้อมูลในความน่าจะเป็นแปลงเป็นตัวชี้วัดความดีของพอดี ประมาณการของสถานที่และพารามิเตอร์แบบกระจายจะได้รับโดยการดักจับและลาด แปลงที่สามารถสร้างขึ้นสำหรับการแข่งขันความน่าจะเป็นการแจกแจงให้เห็นหลายที่ให้พอดีกับที่ดีที่สุดและน่าจะเป็นพล็อตสร้างค่าสัมประสิทธิ์สหสัมพันธ์สูงสุดเป็นทางเลือกที่ดีที่สุดเพราะมันสร้างพล็อต ความน่าจะเป็นที่

สำหรับการแจกแจงกับพารามิเตอร์รูปร่าง ( ไม่นับที่ตั้งและขนาดพารามิเตอร์ ) , รูปร่างพารามิเตอร์จะต้องรู้จักการสร้างโอกาสใหม่ สำหรับการแจกแจงที่มีพารามิเตอร์รูปร่างเดียวน่าจะเป็นแปลงสัมประสิทธิ์สหสัมพันธ์ ( ppcc ) แปลงให้เป็นวิธีที่ยอดเยี่ยมในการประมาณค่าพารามิเตอร์รูปร่าง

เราครอบคลุมในกรณีพิเศษจากปกติน่าจะเป็นพล็อตแยกเนื่องจากความสำคัญของสถิติในการใช้งานหลาย .