{"id":865,"date":"2023-07-28T12:03:55","date_gmt":"2023-07-28T12:03:55","guid":{"rendered":"https:\/\/statorials.org\/pl\/jakas-fabula-pythona\/"},"modified":"2023-07-28T12:03:55","modified_gmt":"2023-07-28T12:03:55","slug":"jakas-fabula-pythona","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/jakas-fabula-pythona\/","title":{"rendered":"Jak utworzy\u0107 wykres qq w pythonie"},"content":{"rendered":"

<\/p>\n

\n

Wykres QQ<\/strong> , skr\u00f3t od \u201ekwantyl-kwantyl\u201d, jest cz\u0119sto u\u017cywany do oceny, czy zbi\u00f3r danych potencjalnie pochodzi z rozk\u0142adu teoretycznego.<\/span><\/p>\n

W wi\u0119kszo\u015bci przypadk\u00f3w ten typ wykresu s\u0142u\u017cy do okre\u015blenia, czy zbi\u00f3r danych ma rozk\u0142ad normalny<\/a> .<\/span><\/p>\n

W tym samouczku wyja\u015bniono, jak utworzy\u0107 wykres QQ dla zestawu danych w j\u0119zyku Python.<\/span><\/p>\n

Przyk\u0142ad: wykres QQ w Pythonie<\/strong><\/span><\/h3>\n

Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105cy zestaw danych sk\u0142adaj\u0105cy si\u0119 ze 100 warto\u015bci:<\/span><\/p>\n

 import<\/span> numpy as<\/span> np\n\n#create dataset with 100 values that follows a normal distribution\n<\/span>np.random.seed(0)\ndata = np.random.normal(0,1, 1000)\n\n#view first 10 values\n<\/span>data[:10] \n\narray([ 1.76405235, 0.40015721, 0.97873798, 2.2408932 , 1.86755799,\n       -0.97727788, 0.95008842, -0.15135721, -0.10321885, 0.4105985 ])<\/strong><\/pre>\n
 import<\/span> statsmodels.api as<\/span> sm\nimport<\/span> matplotlib.pyplot as<\/span> plt\n\n#create QQ plot with 45-degree line added to plot<\/span>\nfig = sm.qqplot(data, line='45')\nplt.show()\n<\/strong><\/pre>\n
\"Wykres<\/p>\n
 Na wykresie QQ o\u015b x przedstawia kwantyle teoretyczne<\/strong> . Oznacza to, \u017ce nie pokazuje rzeczywistych danych, ale raczej wskazuje, gdzie znajdowa\u0142yby si\u0119 Twoje dane, gdyby by\u0142y normalnie dystrybuowane.<\/span><\/p>\n
 O\u015b Y wy\u015bwietla aktualne dane<\/strong> . Oznacza to, \u017ce je\u015bli warto\u015bci danych przebiegaj\u0105 mniej wi\u0119cej po linii prostej pod k\u0105tem 45 stopni, w\u00f3wczas dane maj\u0105 rozk\u0142ad normalny.<\/span><\/p>\n
 Zamiast tego rozwa\u017c, czy wygenerowali\u015bmy zbi\u00f3r danych sk\u0142adaj\u0105cy si\u0119 ze 100 r\u00f3wnomiernie roz\u0142o\u017conych warto\u015bci i utworzyli\u015bmy wykres QQ dla tego zbioru danych:<\/span> <\/p>\n
 #create dataset of 100 uniformly distributed values<\/span>\ndata = np.random.uniform(0,1, 1000)\n\n#generate QQ plot for the dataset\n<\/span>fig = sm.qqplot(data, line='45')\nplt.show()\n<\/strong><\/pre>\n
\"Wykres<\/p>\n
 Warto\u015bci danych wyra\u017anie nie odpowiadaj\u0105 czerwonej linii 45 stopni, co wskazuje, \u017ce nie maj\u0105 rozk\u0142adu normalnego.<\/span><\/p>\n
 Uwagi na temat wykres\u00f3w QQ<\/strong><\/span><\/h3>\n
 Nale\u017cy pami\u0119ta\u0107 o nast\u0119puj\u0105cych uwagach dotycz\u0105cych wykres\u00f3w QQ:<\/span><\/p>\n
 Na powy\u017cszym wykresie QQ widzimy, \u017ce warto\u015bci danych maj\u0105 tendencj\u0119 do zbli\u017cenia si\u0119 do 45 stopni, co oznacza, \u017ce dane maj\u0105 prawdopodobnie rozk\u0142ad normalny. Nie powinno to by\u0107 zaskakuj\u0105ce, poniewa\u017c wygenerowali\u015bmy 100 warto\u015bci danych za pomoc\u0105 funkcji numpy.random.normal()<\/a> .<\/span><\/p>\n
 Aby utworzy\u0107 wykres QQ dla tego zbioru danych, mo\u017cemy u\u017cy\u0107 funkcji qqplot()<\/a> z biblioteki statsmodels:<\/span> <\/p>\n