P3分布参数拟合、KS检验与累计概率密度画图的探索

P3分布参数拟合与ks检验，累计概率密度画图 对数据进行3参数拟合（形状、尺度、位置参数），可设置ks检验的显著性水平 matlab代码，备注清楚，更改为自己的数据即可

在数据分析的世界里，对数据分布的准确把握至关重要。今天咱就来唠唠P3分布参数拟合，搭配上KS检验，顺便再画个累计概率密度图，这一套组合拳下来，能让我们对数据有更深入的理解。而且下面会给出Matlab代码，只要把数据替换成自己的，就能轻松上手。

P3分布参数拟合

P3分布也就是皮尔逊III型分布，在水文、气象等领域应用广泛。它有三个参数：形状参数（shape）、尺度参数（scale）和位置参数（location） 。拟合这三个参数，能让我们用P3分布来更好地描述手头的数据。

KS检验

KS检验（Kolmogorov - Smirnov test）是一种非参数检验方法，用来检验一个样本是否来自某一特定分布。在咱们这个场景里，就是检验数据是否符合拟合出来的P3分布。显著性水平（alpha）可以自己设置，一般常见的设置是0.05。如果检验结果的p值小于这个显著性水平，那就说明数据不太可能来自这个特定分布。

累计概率密度画图

累计概率密度函数（CDF）能直观地展示出随机变量小于等于某个值的概率。通过画出拟合分布的累计概率密度图，和实际数据的累计概率密度对比，能从视觉上判断拟合的好坏。

下面就是具体的Matlab代码啦：

% 1. 准备数据，这里以随机生成的数据为例，实际使用时替换成自己的数据
data = 10 * randn(1000, 1); % 生成1000个服从正态分布的数据作为示例

% 2. P3分布参数拟合
[params, ~] = fitdist(data, 'Pearson3');
shape = params.Shape;
scale = params.Scale;
location = params.Location;
fprintf('拟合得到的形状参数: %.4f\n', shape);
fprintf('拟合得到的尺度参数: %.4f\n', scale);
fprintf('拟合得到的位置参数: %.4f\n', location);

% 3. KS检验
alpha = 0.05; % 设置显著性水平
[h, p] = kstest(data, @(x)cdf('Pearson3',x,shape,scale,location), 'Alpha', alpha);
if h == 0
    fprintf('在显著性水平 %.2f 下，不能拒绝数据来自拟合的P3分布的假设，p值为: %.4f\n', alpha, p);
else
    fprintf('在显著性水平 %.2f 下，拒绝数据来自拟合的P3分布的假设，p值为: %.4f\n', alpha, p);
end

% 4. 累计概率密度画图
x = linspace(min(data), max(data), 100);
y_fit = cdf('Pearson3', x, shape, scale, location);
y_empirical = ecdf(data);

figure;
hold on;
plot(x, y_fit, 'r', 'DisplayName', '拟合的P3分布CDF');
plot(y_empirical, 'b', 'DisplayName', '经验CDF');
legend;
xlabel('数据值');
ylabel('累计概率');
title('P3分布拟合与经验累计概率密度对比');
hold off;

代码分析

1. 数据准备部分：
   matlab
data = 10 * randn(1000, 1);

   这里用randn函数生成了1000个服从标准正态分布的数据，再乘以10，让数据范围有所调整。实际用的时候，把这行代码换成自己的数据导入就好，比如从文件读取数据。

1. P3分布参数拟合部分：
   matlab
[params, ~] = fitdist(data, 'Pearson3');
shape = params.Shape;
scale = params.Scale;
location = params.Location;

fitdist函数用来对数据进行分布拟合，这里指定为Pearson3分布。它返回拟合得到的参数结构体params，从里面提取出形状、尺度和位置参数，并打印出来。

1. KS检验部分：
   matlab
alpha = 0.05;
[h, p] = kstest(data, @(x)cdf('Pearson3',x,shape,scale,location), 'Alpha', alpha);
if h == 0
fprintf('在显著性水平 %.2f 下，不能拒绝数据来自拟合的P3分布的假设，p值为: %.4f\n', alpha, p);
else
fprintf('在显著性水平 %.2f 下，拒绝数据来自拟合的P3分布的假设，p值为: %.4f\n', alpha, p);
end

   先设置显著性水平alpha为0.05。kstest函数进行KS检验，第一个参数是数据data，第二个参数是拟合分布的累计分布函数，这里用@(x)cdf('Pearson3',x,shape,scale,location)来定义。根据检验结果h和p值来判断是否拒绝数据来自拟合分布的假设，并打印相应信息。

1. 累计概率密度画图部分：
   matlab
x = linspace(min(data), max(data), 100);
yfit = cdf('Pearson3', x, shape, scale, location);
yempirical = ecdf(data);

   先定义横坐标x，范围从数据的最小值到最大值，分成100个点。yfit计算拟合的P3分布在这些点上的累计概率密度值，yempirical计算经验累计概率密度值。
   matlab
figure;
hold on;
plot(x, yfit, 'r', 'DisplayName', '拟合的P3分布CDF');
plot(yempirical, 'b', 'DisplayName', '经验CDF');
legend;
xlabel('数据值');
ylabel('累计概率');
title('P3分布拟合与经验累计概率密度对比');
hold off;

   这部分代码创建图形窗口，用plot函数分别画出拟合分布和经验的累计概率密度曲线，加上图例、坐标轴标签和标题，这样就能直观地对比两者啦。

希望通过上面的介绍和代码示例，大家能在自己的数据处理中熟练运用P3分布参数拟合、KS检验和累计概率密度画图这些技巧。