Skewness

Skewness[data]

给出列表 data 中元素的偏度系数.

Skewness[dist]

给出分布函数 dist 的偏度系数.

更多信息

范例

打开所有单元关闭所有单元

基本范例  (4)

列表值的偏度：

符号数据的偏度：

日期列表的偏度：

参数式分布的偏度：

范围  (23)

基本用法  (7)

精确输入产生精确输出：

近似输入产生近似输出：

求 WeightedData 的偏度：

求 EventData 的偏度：

求 TemporalData 的偏度：

求 TimeSeries 的偏度：

偏度仅取决于数值：

求相关数量数据的偏度：

数组数据  (5)

矩阵的 Skewness 给出了列向偏度：

可用于大型数组：

当输入是一个 Association 时，Skewness 可用于其值：

SparseArray 数据可以像稠密数组一样使用：

求 QuantityArray 的偏度：

图像和音频数据  (2)

RGB 图像的通道偏度值：

灰度图像的偏度强度值：

在音频对象上，Skewness 可按通道进行计算：

日期和时间  (5)

计算日期列表的偏度：

计算日期的加权偏度：

计算以不同日历给出的日期的偏度：

计算时间的偏度：

计算以不同的时区规范给出的时间的偏度：

分布和过程  (4)

求单变量分布的偏度：

多变量分布：

导出分布的偏度：

数据分布：

带有量的分布的偏度：

随机过程的偏度函数：

应用  (8)

对称分布的偏度系数是 0 ：

正偏度系数分布的右侧具有较长的尾部：

负偏度系数分布的左侧具有较长的尾部：

BinomialDistribution 的极限分布（当 ）是正态的：

偏度的极限值是0：

根据中心极限定理，随机变量的规范和的偏度将收敛到0：

定义 Pearson 分布，其中均值为0、方差为1，并且通过偏度和峰度进行参数化处理：

获取 Pearson 类型1、4和6的参数不等式：

Pearson 类型的区域图线取决于偏度和峰度值：

从 ParetoDistribution 产生随机样本：

判断 PearsonDistribution 的类型，其中矩匹配样本矩：

该时间序列记录了一个人在五个月的时间内每天走路的步数：

步数的平均数：

分析每天走路步数的分布的峰值，作为分布尾部情况的一个指示：

每天计算频率的直方图确认了该分布的左尾更长：

求某班所有孩子身高的峰值：

峰值接近于0，说明分布在平均值附近对称：

属性和关系  (2)

数据的 Skewness 可以用 CentralMoment 来计算：

一个分布函数的Skewness 也可以用 CentralMoment 来计算：

可能存在的问题  (1)

数据的偏度可能未定义：

分布的偏度可能未定义：

巧妙范例  (1)

对于50、100和300个样本的 Skewness 估计值分布：

Wolfram Research (2007)，Skewness，Wolfram 语言函数，https://reference.wolfram.com/language/ref/Skewness.html （更新于 2024 年）.

文本

Wolfram Research (2007)，Skewness，Wolfram 语言函数，https://reference.wolfram.com/language/ref/Skewness.html （更新于 2024 年）.

CMS

Wolfram 语言. 2007. "Skewness." 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/Skewness.html.

APA

Wolfram 语言. (2007). Skewness. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/Skewness.html 年

BibTeX

@misc{reference.wolfram_2024_skewness, author="Wolfram Research", title="{Skewness}", year="2024", howpublished="\url{https://reference.wolfram.com/language/ref/Skewness.html}", note=[Accessed: 21-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_skewness, organization={Wolfram Research}, title={Skewness}, year={2024}, url={https://reference.wolfram.com/language/ref/Skewness.html}, note=[Accessed: 21-November-2024 ]}