Słownik metodologiczny · Statystyka opisowa

Dystrybuanta empiryczna (ECDF) – odsetek wyników do danego progu

Dystrybuanta empiryczna pokazuje, jaki odsetek próby ma wynik nie większy od danej wartości. Wyjaśniamy, jak czytać wykres ECDF, czym różni się od histogramu, jak policzyć pasmo ufności i jak wiąże się z testem Kołmogorowa–Smirnowa.

Strona główna / Słownik / Dystrybuanta empiryczna (ECDF)
W skrócie: Dystrybuanta empiryczna (ECDF) podaje dla każdej wartości x odsetek obserwacji mniejszych lub równych x. Na wykresie ma postać schodków od 0 do 1, nie wymaga wyboru przedziałów jak histogram i jest podstawą testu Kołmogorowa–Smirnowa.

Co to jest dystrybuanta empiryczna?

Dystrybuanta empiryczna (ang. empirical cumulative distribution function, ECDF) to funkcja, która dla każdej wartości x podaje odsetek obserwacji w próbie mniejszych lub równych x: Fn(x) = liczba(Xi ≤ x) / n. Jest próbkowym odpowiednikiem dystrybuanty teoretycznej. Na wykresie ma postać schodków: przy każdej obserwacji rośnie o 1/n, od 0 do 1.

Jak czytać wykres ECDF

Odczyt pionowy daje odsetek wyników do danego progu, a poziomy – percentyle, bo odwrotnością ECDF są kwantyle próby. W odróżnieniu od histogramu i estymatora jądrowego gęstości ECDF nie wymaga wyboru szerokości przedziałów ani pasma i pokazuje każdą obserwację. Dobrze porównuje kilka grup na jednym wykresie: krzywa przesunięta w prawo oznacza wyższe wyniki. Kształt rozkładu (skośność, dwa szczyty) widać jednak słabiej niż na histogramie, więc oba wykresy dobrze się uzupełniają.

Przykład

W symulowanej próbie 40 wyników testu (średnia 100, SD 15) Fn(100) = 0.425 i Fn(115) = 0.875, czyli 87.5% osób uzyskało najwyżej 115 punktów; dystrybuanta rozkładu normalnego daje w tym punkcie 0.841. Odwrotność ECDF daje medianę 102 (dolny i górny kwartyl: 92 i 107). Dvoretzky, Kiefer i Wolfowitz (1956) wykazali, że ECDF jest asymptotycznie minimaksowym estymatorem nieznanej dystrybuanty, a Massart (1990) podał najmniejszą stałą w ich nierówności. Daje to pasmo ufności 95% o szerokości ±0.215 przy n = 40 – przy małej próbie ECDF jest więc dość nieprecyzyjna.

ECDF a testy zgodności

Na ECDF opiera się test Kołmogorowa–Smirnowa (największa pionowa odległość od dystrybuanty teoretycznej) i pokrewne statystyki, które Stephens (1974) zestawił w przewodniku po testach zgodności, m.in. Cramér–von Mises i Anderson–Darling. Do oceny normalności czytelniejszy bywa wykres kwantylowy, bo odchylenia w ogonach są na nim lepiej widoczne.

Na rysunku

Niebieska schodkowa krzywa ECDF 40 wyników testu rosnąca od 0 do 100 procent między wynikami około 60 i 133, otoczona jasnoniebieskim pasmem ufności o szerokości plus minus 21.5 punktu procentowego. Szara kropkowana dystrybuanta rozkładu normalnego o średniej 100 i SD 15 przez cały czas mieści się w paśmie. Przerywana pionowa linia przy wyniku 115 prowadzi do punktu Fn(115) = 0.875.
Rysunek 1. Dystrybuanta empiryczna 40 wyników z przykładu z 95% pasmem ufności DKW i dystrybuantą rozkładu, z którego losowano dane. Obliczenia: R, pakiet ggplot2 (dane symulowane, ziarno 56501).

Co widać. Schodki ECDF rosną o 1/40 przy każdym wyniku (wyższe tam, gdzie wyniki się powtarzają). Dystrybuanta N(100, 15), z której losowano dane, mieści się w paśmie ±0.215 na całym zakresie. Zaznaczony punkt to Fn(115) = 0.875 z przykładu.

Na co uważać. Pasmo DKW obejmuje całą krzywą naraz, a nie każdy punkt osobno, i przy n = 40 jest szerokie: zmieściłoby się w nim wiele innych dystrybuant. Że krzywa teoretyczna nie wychodzi poza pasmo, nie dowodzi więc, że rozkład jest normalny.

Podpis do pracy:

Rysunek 1. Dystrybuanta empiryczna wyników testu (n = 40) z 95% pasmem ufności. Uwaga. Pasmo wyznaczono z nierówności Dvoretzky’ego–Kiefera–Wolfowitza ze stałą Massarta (±0.215). Linia kropkowana – dystrybuanta rozkładu normalnego o średniej 100 i odchyleniu standardowym 15.
Dwie schodkowe krzywe ECDF: grupa A niebieską linią ciągłą, grupa B pomarańczową przerywaną, przesuniętą w prawo. Czarna pionowa strzałka przy wyniku około 110 łączy krzywą B na wysokości 40 procent z krzywą A na wysokości 82.5 procent i ma etykietę D = .425.
Rysunek 2. Dystrybuanty empiryczne dwóch grup po 40 osób i statystyka Kołmogorowa–Smirnowa D jako największa pionowa odległość między nimi. Obliczenia: R, pakiet ggplot2 (dane symulowane, ziarno 56502).

Co widać. Krzywa grupy B leży na prawo od krzywej A, czyli wyniki B są wyższe. Największa pionowa odległość przypada na wynik 110.1: najwyżej tyle uzyskało 82.5% osób z grupy A i 40% z grupy B. To statystyka testu Kołmogorowa–Smirnowa dla dwóch prób, D = .425, p = .0013. Średnie (100 i 110) i SD (15) ustalono ręcznie; ziarna nie zmieniano.

Na co uważać. D opisuje różnicę tylko w jednym miejscu osi i nie mówi, czy grupy różnią się położeniem, rozrzutem czy kształtem. Różnicę na całym zakresie kwantyli pokazuje funkcja przesunięcia, a odczyt median i odsetków poniżej progu z dwóch krzywych – wpis Rozkład zmiennej na wykresie.

Podpis do pracy:

Rysunek 2. Dystrybuanty empiryczne wyników testu w grupach A i B (po n = 40). Uwaga. Strzałka oznacza największą pionową odległość między krzywymi, czyli statystykę Kołmogorowa–Smirnowa D = .425, p = .001.
Kod R rysunków
# Rysunki 1–2: ECDF z pasmem ufności DKW oraz ECDF dwóch grup ze statystyką Kołmogorowa–Smirnowa
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(ecdf = "#0072B2", pasmo = "#56B4E9", teoria = "grey30", grupaB = "#D55E00", D = "#000000")
motyw <- theme_minimal(base_size = 14) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        strip.text = element_text(face = "bold", colour = "#0f1d3a"),
        plot.background = element_rect(fill = "white", colour = NA))

# Rysunek 1: dane z przykładu (40 wyników), pasmo 95% DKW i dystrybuanta N(100, 15)
set.seed(56501)
wyniki <- round(rnorm(40, mean = 100, sd = 15))
Fn <- ecdf(wyniki)
eps <- sqrt(log(2 / 0.05) / (2 * length(wyniki)))      # połowa szerokości pasma DKW
siatka <- seq(55, 145, by = 0.5)
d1 <- data.frame(x = siatka, F = Fn(siatka), dol = pmax(0, Fn(siatka) - eps),
                 gor = pmin(1, Fn(siatka) + eps), teoria = pnorm(siatka, 100, 15))
round(c(eps = eps, poza_pasmem = mean(d1$teoria < d1$dol | d1$teoria > d1$gor)), 3)
p1 <- ggplot(d1, aes(x)) +
  geom_ribbon(aes(ymin = dol, ymax = gor, fill = "95% pasmo ufności DKW"), alpha = 0.35) +
  geom_line(aes(y = teoria, linetype = "dystrybuanta N(100, 15)"), colour = kol[["teoria"]], linewidth = 0.8) +
  geom_step(aes(y = F, linetype = "ECDF (n = 40)"), colour = kol[["ecdf"]], linewidth = 1.1) +
  annotate("segment", x = 115, xend = 115, y = 0, yend = Fn(115), colour = "grey40", linetype = "dashed") +
  annotate("point", x = 115, y = Fn(115), size = 3, colour = kol[["ecdf"]]) +
  annotate("text", x = 117, y = Fn(115) - 0.06, hjust = 0, size = 3.8,
           label = sprintf("Fn(115) = %.3f", Fn(115))) +
  scale_fill_manual(values = kol[["pasmo"]], name = NULL) +
  scale_linetype_manual(values = c("dotted", "solid"), name = NULL,
                        guide = guide_legend(override.aes = list(colour = c(kol[["teoria"]], kol[["ecdf"]])))) +
  scale_y_continuous(labels = function(v) paste0(v * 100, "%")) +
  labs(x = "Wynik testu", y = "Odsetek wyników ≤ x") + motyw

# Rysunek 2: dwie grupy po 40 osób (średnie 100 i 110, SD 15 – ustalone ręcznie) i statystyka D
set.seed(56502)
a <- rnorm(40, 100, 15); b <- rnorm(40, 110, 15)
Fa <- ecdf(a); Fb <- ecdf(b)
punkty <- sort(c(a, b))
roznica <- Fa(punkty) - Fb(punkty)
x_D <- punkty[which.max(abs(roznica))]                  # miejsce największej pionowej odległości
ks <- ks.test(a, b)
round(c(D = unname(ks$statistic), x_D = x_D, Fa = Fa(x_D), Fb = Fb(x_D)), 3)
signif(c(p_KS = ks$p.value, p_t = t.test(a, b)$p.value), 2)   # dla porównania: test t
d2 <- rbind(data.frame(grupa = "grupa A", x = a), data.frame(grupa = "grupa B", x = b))
p2 <- ggplot(d2, aes(x, colour = grupa, linetype = grupa)) +
  stat_ecdf(linewidth = 1.1, pad = FALSE) +
  annotate("segment", x = x_D, xend = x_D, y = Fb(x_D), yend = Fa(x_D), colour = kol[["D"]],
           linewidth = 1, arrow = arrow(ends = "both", length = unit(0.12, "cm"))) +
  annotate("label", x = x_D + 2, y = (Fa(x_D) + Fb(x_D)) / 2, hjust = 0, size = 3.8,
           label = sub("0\\.", ".", sprintf("D = %.3f", unname(ks$statistic))), linewidth = 0, fill = "white") +
  scale_colour_manual(values = unname(kol[c("ecdf", "grupaB")]), name = NULL) +
  scale_linetype_manual(values = c("solid", "dashed"), name = NULL) +
  scale_y_continuous(labels = function(v) paste0(v * 100, "%")) +
  labs(x = "Wynik testu", y = "Odsetek wyników ≤ x") + motyw

p1   # zapis: ggsave("dystrybuanta-empiryczna-pasmo-dkw.svg", p1, width = 8, height = 5)
p2   # zapis: ggsave("dystrybuanta-empiryczna-dwie-grupy.svg", p2, width = 8, height = 5)
Wynik w R
        eps poza_pasmem 
      0.215       0.000 
      D     x_D      Fa      Fb 
  0.425 110.060   0.825   0.400 
   p_KS     p_t 
0.00130 0.00064 

Rysunki na stronie powstały z tego kodu z motywem serwisu (dane, geometrie i skale identyczne).

Jak opisać w pracy

Rozkład wyników przedstawiono jako dystrybuantę empiryczną (ECDF). Wynik 115 punktów lub niższy uzyskało 87.5% badanych (n = 40; 95% pasmo ufności DKW ±0.215).

Na co uważać

Nie myl osi: na pionowej są proporcje skumulowane, nie liczebności. Przy danych z wieloma powtórzeniami (np. skala 1–5) schodki są wysokie i należy pokazać je bez wygładzania. Gdy chcesz pokazać zarazem kształt rozkładu i pojedyncze punkty, rozważ wykres raincloud.

Przykład reprodukowalny

Dystrybuanta empiryczna w R

Kod tworzy ECDF funkcją ecdf(), odczytuje jej wartości i kwantyle oraz liczy szerokość pasma ufności 95% z nierówności DKW ze stałą Massarta.

Funkcja ecdf() i pasmo DKW

Dane wejściowe: 40 symulowanych wyników testu z rozkładu normalnego (średnia 100, SD 15; set.seed(56501)).

Co odczytać: Fn(100) = 0.425, Fn(115) = 0.875 wobec 0.841 w rozkładzie normalnym; kwartyle 92, 102 i 107; pasmo ±0.215 (dla 115: od 0.660 do 1).

R
# Dystrybuanta empiryczna: odsetek wyników <= x
set.seed(56501)
wyniki <- round(rnorm(40, mean = 100, sd = 15))
Fn <- ecdf(wyniki)
round(c(Fn_100 = Fn(100), Fn_115 = Fn(115),
        teoretyczna_115 = pnorm(115, 100, 15)), 3)
quantile(wyniki, probs = c(0.25, 0.50, 0.75), type = 1)   # odwrotność ECDF
# pasmo ufności 95% z nierówności DKW (stała Massarta): Fn(x) +/- eps
n <- length(wyniki)
eps <- sqrt(log(2 / 0.05) / (2 * n))
round(c(n = n, eps = eps, dolna_115 = max(0, Fn(115) - eps),
        gorna_115 = min(1, Fn(115) + eps)), 3)
round(sqrt(log(2 / 0.05) / (2 * c(40, 100, 400))), 3)   # eps dla n = 40, 100, 400
# plot(Fn, main = "ECDF", xlab = "Wynik", ylab = "F(x)")
Wynik w R
         Fn_100          Fn_115 teoretyczna_115 
          0.425           0.875           0.841 
25% 50% 75% 
 92 102 107 
        n       eps dolna_115 gorna_115 
   40.000     0.215     0.660     1.000 
[1] 0.215 0.136 0.068

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (przykład bez dodatkowych pakietów); rysunki wykonano w pakiecie ggplot2, a pliki zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czym wykres ECDF różni się od histogramu?

ECDF pokazuje skumulowany odsetek obserwacji do danej wartości i nie wymaga wyboru szerokości przedziałów. Histogram lepiej oddaje kształt rozkładu, ale jego wygląd zależy od podziału na przedziały.

Jak odczytać percentyl z dystrybuanty empirycznej?

Znajdź na osi pionowej żądany odsetek, np. 0.75, i odczytaj wartość na osi poziomej, przy której schodki go osiągają. To kwantyl próby, czyli odwrotność ECDF.

Jak szerokie jest pasmo ufności dla ECDF?

Z nierówności Dvoretzky’ego–Kiefera–Wolfowitza ze stałą Massarta pasmo 95% to ±√(ln(2/0.05)/(2n)), czyli ±0.215 przy n = 40 i ±0.068 przy n = 400.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Dvoretzky, A., Kiefer, J., & Wolfowitz, J. (1956). Asymptotic minimax character of the sample distribution function and of the classical multinomial estimator. The Annals of Mathematical Statistics, 27(3), 642–669. https://doi.org/10.1214/aoms/1177728174 ● Otwarty dostęp
  2. Massart, P. (1990). The tight constant in the Dvoretzky–Kiefer–Wolfowitz inequality. The Annals of Probability, 18(3), 1269–1283. https://doi.org/10.1214/aop/1176990746 ● Otwarty dostęp
  3. Stephens, M. A. (1974). EDF statistics for goodness of fit and some comparisons. Journal of the American Statistical Association, 69(347), 730–737. https://doi.org/10.1080/01621459.1974.10480196

Cytowania BibTeX

@article{dvoretzky1956asymptotic, author={Dvoretzky, A. and Kiefer, J. and Wolfowitz, J.}, title={{Asymptotic minimax character of the sample distribution function and of the classical multinomial estimator}}, journal={The Annals of Mathematical Statistics}, year={1956}, volume={27}, number={3}, pages={642--669}, doi={10.1214/aoms/1177728174}}
@article{massart1990tight, author={Massart, P.}, title={{The tight constant in the Dvoretzky–Kiefer–Wolfowitz inequality}}, journal={The Annals of Probability}, year={1990}, volume={18}, number={3}, pages={1269--1283}, doi={10.1214/aop/1176990746}}
@article{stephens1974edf, author={Stephens, M. A.}, title={{EDF statistics for goodness of fit and some comparisons}}, journal={Journal of the American Statistical Association}, year={1974}, volume={69}, number={347}, pages={730--737}, doi={10.1080/01621459.1974.10480196}}
R