CUM_plot, que je vois souvent sur le site de fabrication, n'est pas tombé sur le net, donc je l'ai fait avec python

Introduction ============ CUM_plot est souvent utilisé lors de l'analyse des défauts sur le site de production. S'il s'agit d'une distribution normale, elle devient une ligne droite et il est facile de comprendre si les valeurs aberrantes ou les distributions normales multiples sont mélangées. Lorsque j'essaie de le créer avec python, le CUM de la figure 1 sort, mais le CUM de la figure 2 ne sort pas. .. .. Apparemment, CUM est généralement appelé Figure 1.

J'ai donc essayé de créer le CUM illustré à la Fig.2. Je ne suis pas sûr que ce soit correct, alors je vous serais reconnaissant de bien vouloir signaler des erreurs.

Qu'est-ce que le graphique CUM? ============ Abréviation de distribution cumulative. Cependant, si vous recherchez sur Google avec cela, seule la figure 1 apparaîtra. .. .. https://ja.wikipedia.org/wiki/%E7%B4%AF%E7%A9%8D%E5%88%86%E5%B8%83%E9%96%A2%E6%95%B0 Voir l'URL ci-dessous pour savoir comment créer le CUM dans la figure 1. https://matplotlib.org/3.1.1/gallery/statistics/histogram_cumulative.html
Comment faire CUM ============ Si vous regardez de près le CUM dans la figure 2, l'axe des y semble représenter une distribution normale. Cependant, comme une telle échelle n'existe pas dans matplotlib, j'ai converti de force l'échelle et l'ai affectée.

#Déclaration
from scipy.stats import norm
import numpy as np
import matplotlib.pyplot as plt

#Créer des données
np.random.seed(19680803)
mu = 200
sigma = 3
x = np.random.normal(mu, sigma, size=100)

#Affectez l'inverse de la fonction de distribution cumulative à x
norm_arr = list()
for no in range(1,len(x)+1):
   norm_arr.append(norm.ppf((no)/(len(x)+1))-norm.ppf(1/(len(x)+1)))
norm_arr=norm_arr/max(norm_arr)#Normalisation
x.sort()#Trier x par ordre croissant

#Changer l'affichage de l'axe y
scale =[]
list_axis =[0.0001,0.001,0.01,0.05,0.1,0.2,0.3,0.5,0.7,0.8,0.9,0.95,0.99,0.999,0.9999]
for no in list_axis:
   scale.append(norm.ppf(no)-norm.ppf(0.0001))
scale=scale/max(scale)

#dessin
fig, ax = plt.subplots(figsize=(8, 4))
linestyles = '-'
ax.grid(True)
ax.legend(loc='right')
ax.set_title('Cumulative step histograms')
ax.set_xlabel('data')
ax.set_ylabel('Percentage')
plt.yticks(scale,list_axis)
ax.plot(x,norm_arr,label='linear',marker='o',markersize=1.0,linewidth=0.1,linestyle=linestyles)

plt.show()

Lorsqu'elle est exécutée, la figure 2 ci-dessus sera sortie telle quelle.