BiweightMidvariance

BiweightMidvariance[list]

给出 list 中元素的双加权中值方差 (biweight midvariance) 的值.

BiweightMidvariance[list,c]

给出缩放参数为 c 的双加权中值方差.

更多信息

范例

打开所有单元关闭所有单元

基本范例  (4)

列表的 BiweightMidvariance：

矩阵的列的 BiweightMidvariance：

缩放因子为 8 时列表的 BiweightMidvariance：

日期列表的 BiweightMidvariance：

范围  (9)

精确输入给出精确输出：

近似输入给出近似输出：

不同缩放参数时的双加权中值方差：

矩阵的双加权中值方差给出的是按列估计的结果：

一个大型数组的双加权中值方差：

求 TimeSeries 的双加权中值方差:

双加权中值方差只取决于值：

可将双加权中值方差用于含有量的数据：

计算日期的双加权中值方差：

计算时间的双加权中值方差：

不同时区规格的时间列表：

应用  (5)

在极值出现的情况下，计算分散度稳健估计值：

样本方差受极值的影响很大：

识别股票数据中的高波动周期：

用五年移动双加权中值方差的平方根来平滑数据：

计算随机过程中一组路径的切片的双加权中值方差：

选择几个切片时间：

绘制这些路径上的双加权中值方差：

求一个班的孩子们的身高的双加权中值方差：

绘制双加权中值方差相对于中位数的平方根：

考虑来自标准正态分布的一组数据，其异常值由另一个展布较大的正态分布模拟：

用标准正态分布检验数据：

计算双加权中值方差：

选取距样本中位数双加权中值方差的平方根的三倍范围内的数据点，从而移除异常点：

用标准正态分布检验新数据：

属性和关系  (3)

计算样本的双加权中值方差：

区间 之外的值对统计量没有影响. 这里 是样本中位数， 是绝对中位差. 是缩放参数，默认值为 9：

计算双加权中值方差所用加权函数 w(x) 的形状：

把样本中的最小值和最大值乘以 2，再次计算双加权中值方差：

BiweightMidvariance 和 Variance 是数据的分散度估计量：

对数据进行重新抽样以产生自助估计：

计算每个估计量的自助估计的标准偏差/均值所得的比值；较小的数值表示更准确的分散度量：

当 c 取较大值时，BiweightMidvariance 收敛于第二中心矩：

可能存在的问题  (1)

对于带有小标量参数的偶数个元素的向量，双加权中值方差可能未定义：

对于奇数长度的向量和相当小的 c，双加权中值方差可能假设相当大的值：

Wolfram Research (2017)，BiweightMidvariance，Wolfram 语言函数，https://reference.wolfram.com/language/ref/BiweightMidvariance.html （更新于 2024 年）.

文本

Wolfram Research (2017)，BiweightMidvariance，Wolfram 语言函数，https://reference.wolfram.com/language/ref/BiweightMidvariance.html （更新于 2024 年）.

CMS

Wolfram 语言. 2017. "BiweightMidvariance." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2024. https://reference.wolfram.com/language/ref/BiweightMidvariance.html.

APA

Wolfram 语言. (2017). BiweightMidvariance. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/BiweightMidvariance.html 年

BibTeX

@misc{reference.wolfram_2024_biweightmidvariance, author="Wolfram Research", title="{BiweightMidvariance}", year="2024", howpublished="\url{https://reference.wolfram.com/language/ref/BiweightMidvariance.html}", note=[Accessed: 21-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_biweightmidvariance, organization={Wolfram Research}, title={BiweightMidvariance}, year={2024}, url={https://reference.wolfram.com/language/ref/BiweightMidvariance.html}, note=[Accessed: 21-November-2024 ]}