p分位数的原理及计算

最新推荐文章于 2022-04-13 01:22:25 发布
最新推荐文章于 2022-04-13 01:22:25 发布
阅读量1.9k 收藏 4
点赞数
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/zwt20120701/p/10837928.html
本文详细介绍了统计学中分位数的概念，包括中位数、四分位数和百分位数，并提供了分位数的计算方法，适用于不同数量的数据集。通过两个实例，展示了如何在基数和偶数情况下计算分位数，以及当计算出的位置不是整数时的处理方法。

p分位数的原理及计算

 
目录
 
1.统计上的分位数概念
 
2.分位数的计算方法及举例
2.1首先确定p分位数的位置（依据项数分为基数、偶数情况）
2.2 求上一步确定的p分位数位置处的具体值
 
3.python中的分位数计算
 
1.统计上的分位数概念
        统计上，分位数亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数（即二分位数）、四分位数、百分位数等。分位数指的就是连续分布函数中的一个点，这个点对应概率p。若概率0<p<1，随机变量X或它的概率分布的分位数Za，是指满足条件p(X≤Za)=α的实数。
 
四分位数（Quartile）是统计学中分位数的一种，即把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。
 
1）第一四分位数(Q1)，又称“较小四分位数”，等于该样本中所有数值由小到大排列后第25%的数字；
 
2）第二四分位数(Q2)，又称“中位数”，等于该样本中所有数值由小到大排列后第50%的数字；
 
3）第三四分位数(Q3)，又称“较大四分位数”，等于该样本中所有数值由小到大排列后第75%的数字。
 
第三四分位数与第一四分位数的差距又称四分位距。
 
2.分位数的计算方法及举例
为了更一般化，这里我们考虑四分位。当p=0.25 0.5 0.75 时，就是在计算四分位数。
 
2.1首先确定p分位数的位置（依据项数分为基数、偶数情况）
2.1.1 设n代表数据的长度，Q1、Q2、Q3代表所求的1分位数、2分位数、3分位数。
 
将n个数据从小到大排列。记排序前的数据为before_data；排序后的数据为after_data，简记为a1~an
 
2.2.2 求位置
 
position(Q1)= 
 
position(Q2)= 
 
position(Q3)=
 
2.2 求上一步确定的p分位数位置处的具体值
（1）当n是基数时，p分位数的值就是after_data中处于的第position(Qi)（i=1,2,3）位置的值。
 
figure(Q1)=after_data [position(Q1 ] = a[ (n+1)/4]
 
figure(Q2)=after_data[position(Q2)]= a[ 2(n+1)/4]
 
figure(Q3)=after_data[position(Q3)]= a[3 (n+1)/4]
 
即：当项数为基数项时，第i分位数的值就是排序后数据中的第（i分位数）数的值
 
实例1：
 
给出一组数据before_data：6, 47, 49, 15, 42, 41, 7, 39, 43, 40, 36，一共11项
 
从小到大排序后结果after_data：6, 7, 15, 36, 39, 40, 41, 42, 43, 47, 49
 
position(Q1)=（11+1）/4=3，
 
position(Q2)=2（11+1）/4=6，
 
position(Q3)=3（11+1）/4=9
 
 
 
figure(Q1)=after_data[3]=15，
 
figure(Q2)=after_data[6]=40，
 
figure(Q3)=after_data[9]=43
 
（2）当n是偶数时，p分位数的值的计算公式如下：
 
figure(Q1)=after_data[ |position(Q1)| ] +（after_data[ |position(Q1)|+1] -after_data[ |position(Q1)|]）*（position(Q1)-|position(Q1)|）
 
                 = a[ | (n+1)/4| ] +( a[ | (n+1)/4|+1 ]-a[ | (n+1)/4| ])*((n+1)/4 - | (n+1)/4 |)
 
figure(Q2)=after_data[ |position(Q2)| ] +（after_data[ |position(Q2)|+1]-after_data [ |position(Q2)|]）*（position(Q2)-|position(Q2)|）
 
                 = a[ |2 (n+1)/4| ] +( a[ | 2(n+1)/4|+1 ]-a[ | 2(n+1)/4| ])*(2(n+1)/4 - |2 (n+1)/4 |)
 
figure(Q3)=after_data[ |position(Q3)| ]+（after_data[ [|position(Q3)|+1]-after_data[ [|position(Q3)]）*（position(Q3)-|position(Q3)|）
 
                 = a[ |3 (n+1)/4| ] +( a[ | 3(n+1)/4|+1 ]-a[ | 3(n+1)/4| ])*(3(n+1)/4 - |3 (n+1)/4 |)
 
即：当项数为偶数项时，第i分位数的值由排序后数据的第（i分位数）数-1和第（i分位数）数决定。
 
 
实例2：当计算出的位置不是整数时
 
给出一组数据before_data：7, 15, 36, 39, 40, 41,20,18，一共8项
 
从小到大排序后结果after_data：7,15,18,20,36,39,40,41
 
position(Q1)=（8+1）/4=2.25，position(Q2)=2（8+1）/4=4.5，position(Q3)=3（8+1）/4=6.75
 
 
 
figure(Q1)=after_data[2] + (after_data[3] - after_data[2])*(position(Q1)-|position(Q1)|)
 
                 = a[ | (n+1)/4| ] +( a[ | (n+1)/4|+1 ]-a[ | (n+1)/4| ])*((n+1)/4 - | (n+1)/4 |)
 
                 = 15 + (18-15)*(2.25-2) = 15.75；
 
figure(Q2)=after_data[4] + (after_data[5] - after_data[4])*(position(Q2)-|position(Q2)|)
 
                 = a[ |2 (n+1)/4| ] +( a[ | 2(n+1)/4|+1 ]-a[ | 2(n+1)/4| ])*(2(n+1)/4 - |2 (n+1)/4 |)
 
                 = 20 + (36-20)*(4.5-4) = 28；
 
figure(Q3)=after_data[6] + (after_data[7] - after_data[6])*(position(Q3)-|position(Q3)|)
 
                 = a[ |3 (n+1)/4| ] +( a[ | 3(n+1)/4|+1 ]-a[ | 3(n+1)/4| ])*(3(n+1)/4 - |3 (n+1)/4 |)
 
                 = 39 + (40-39)*(6.75-6) = 39.75.
 
3.python中的分位数计算
 
 
 
 
参考链接：
 
https://www.cnblogs.com/gispathfinder/p/5770091.html
 
https://blog.youkuaiyun.com/u011327333/article/details/71263081?locationNum=14&fps=1
--------------------- 
作者：onejuliar 
来源：优快云 
原文：https://blog.youkuaiyun.com/juliarjuliar/article/details/81082934 

 

转载于:https://www.cnblogs.com/zwt20120701/p/10837928.html

蒙特卡洛方法原理与应用 统计量近似分布与分位数计算 python画图演示
星辰火之梦
10-07 2348
1.1 蒙特卡洛方法的定义1.2 蒙特卡洛方法的起源1.3 蒙特卡洛方法的举例蒙特卡洛方法又称统计模拟法、随机抽样技术，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。使用蒙特卡洛方法时，需要将所求解的问题同一定的概率模型相联系，然后用电子计算机实现统计模拟或抽样，以获得问题的近似解。
描述性统计中分位数的计算与实现
lhx_xhl的博客
12-14 1959
描述性统计中分位数的计算与实现
分位数回归原理_连享会直播：分位数回归
weixin_39939993的博客
01-14 1079
目录1. 课程缘起2. 课程概览3. 嘉宾简介4. 课程提要5. 参考文献1. 课程缘起实际生活中我们发现有这样的一个规律：相比收入较高的群体，多上一年学对收入较低群体的边际效应会更大。如何利用计量模型对上述议题进行验证？常用的方法是将样本根据收入水平进行分组，再对两组数据分别进行回归，然而这样的做法会导致样本数据的损失。是否有更为合适的模型？-分位数回归模型分位数回归模型的主要优点：...
p分位数计算
weixin_30821731的博客
09-18 2059
计算一列数的P分位数 1、将数据进行升序排列 2、计算P分位数的下标 i（即数据进行排序之后位置） 3、计算的 i 如果为小数，对 i 进行向上去整得到 i'，i'位置的数即为这列数的p 分位数。 4、如果 i 为整数，那么P分位数的值为在 i 和 （i+1）位置的数的均值。 转载于:https://www.cnblogs.com/stella1121/p/4815823.html...
P分位数
m0_54797890的博客
03-22 971
https://blog.youkuaiyun.com/juliarjuliar/article/details/81082934
Python解释数学系列——分位数Quantile
weixin_30535913的博客
10-19 5032
跳转到我的博客 1. 分位数计算案例与Python代码 案例1 Ex1： Given a data = [6, 47, 49, 15, 42, 41, 7, 39, 43, 40, 36]，求Q1, Q2, Q3, IQR Solving： 步骤： 1. 排序，从小到大排列data，data = [6, 7, 15, 36, 39, 40, 41, 42, 43, 47, 49] 2. ...
R语言实现Monte Carlo 方法进行概率和分位数计算
Jingjiu4的博客
10-29 4294
蒙特·卡罗方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。与它对应的是确定性算法。 通过计算机强大的浮点计算和整数计算能力，我们现在可以做到生成数量巨大的随机数，以 ...
计算机组成原理期末总结
夏日 の blog
06-09 4万+
为迎接期末，总结了下知识点，供个人复习使用，仅供参考。点我跳转，提取码：1l49为方便读者，markdown文件和PDF文件已发布到优快云资源下载，点我跳转如果想白嫖(点个关注也行啊)，需要本文markdown或PDF文件下方评论留言留下邮箱看到即回点我跳转。
实现P^2算法：无需存储观察结果的分位数计算
为了解决这一问题，Raj Jain 和 Imrich Chlamtac 提出了一种被称为 P^2（Probabilistic Approximation）的算法，它能够在不需要存储每个观察结果的情况下，动态地计算分位数和直方图。这种算法特别适用于需要高吞吐...
分位数计算
IT_Wallace的博客
09-22 9671
分位数（Quantile），亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数（即二分位数）、四分位数、百分位数等。 网上看到的例子： [1,2,3,4,5,6,6,6,6,7,8,9]这个list的90分位数是7.9 计算原理： 首先将你的输入数组进行从小到大排序，然后计算: (n−1)∗p=i+j 其中n为数组元素的个数，将计算结果的整数部分用i表示，小数部分用j...
分位数(quantile)
liuxiangke0210的专栏
08-30 1万+
原文链接：https://www.cnblogs.com/gispathfinder/p/5770091.html   四分位数（Quartile），即统计学中，把所有数值由小到大排列并分成四等份，处于三个分割点位置的得分就是四分位数。 第一四分位数 (Q1)，又称“较小四分位数”，等于该样本中所有数值由小到大排列后第25%的数字。 第二四分位数 (Q2)，又称“中位数”，等于该样本中所有...
统计-分位数
Aplumage的专栏
10-06 3939
分位数（Quantile），亦称分位点，是指将一个随机变量 的 概率分布范围分为几个等份的数值点，常用的有中位数 （即二分位数）、四分位数 、百分位数 等。 分位数指的就是连续分布函数中的一个点，这个点对应概率p。若概率 0<p<1，随机变量 X或它的概率分布 的分位数Za，是指满足条件p(X≤Za)=α的实数。 1.二分位数 对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数 。如果观察值有偶数个，则中位数 不唯一，通常取最中间的两个数值的平均数作为中位数 ，即二.
99分位、95分位计算 实时分位数的统计方法
热门推荐
spirit_8023的博客
05-18 4万+
之前做的一个项目上线有一段时间了，但一直也没有来得及做统计分析（峰值、平均QPS、……）。最近刚好又被问到了这个事情，所以抽空学习了解一下部分监控指标的概念和含义，方便后续自己做统计分析。 一、分位数 1、概念 分位数(Quantile)，TP=Top Percentile，即对一批数值型数据进行排序之后，排在p%位置的数值大小，是数据分析中非常重要的统计指标之一。常用的分位数包括：80分位数，90分位数，99分位数等。 然而，在实时计算(流式计算)场景中，由于无法在有限的时间内对海量数据进行全局的
概念：分位数
Kwoky的博客
05-22 1万+
分位数（Quantile），亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数（即二分位数）、四分位数、百分位数等。 常见分类 1.二分位数 对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，则中位数不唯一，通常取最中间的两个数值的平均数作为中位数，即二分位数。 一个数集中最多有一半的数值小于中位数，也最多有一半的数值大于中位数。如果大于和小于中位数的数值个数均少于一半，那么数集中必有若干值等同于中位数。 计算有限个数的数据的二分位
分位数详解+QQ图
babychrislee3的博客
12-16 2万+
二分位数 中位数 四分位数 把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。 1）第一四分位数(Q1)，等于该样本中所有数值由小到大排列后第25%的数字； 2）第二四分位数(Q2)，又称“中位数”，等于该样本中所有数值由小到大排列后第50%的数字； 3）第三四分位数(Q3)，等于该样本中所有数值由小到大排列后第75%的数字。 第三四分位数与第一四分位数的差距又称四分位距。...
非参数统计笔记
Wowlittlemoon的博客
04-13 2249
绪论 1.参数统计 设总体分布已知，但包含未知参数，用样本对未知参数进行假设检验或者估计。 2.非参数统计
正态分布
06-24 1万+
最右 μ+3σ\mu+3\sigma 是 0.1%1. 标准正态分布分位数表Φ(x)=∫x−∞12π−−√e−t2/2dt \Phi(x)=\int_{-\infty}^x\frac1{\sqrt{2\pi}}e^{-t^2/2}dt 分位数的含义是，随机变量 X 或它的概率分布的分位数 Za，是指满足条件p(X>Za)=αp(X>Za)=α的实数。当随机变量X的分布函数为 F(x)F(x)，分位数
mysql 分位数 知乎_如何通俗地理解分位数？
weixin_39992831的博客
01-19 670
如何通俗地理解分位数?分位数在平时的一个应用场景；什么是分位数？以概率将一批数据进行分割如何计算？一天，老班气冲冲地走进教室对我们说：“太不像话了，这次考试竟然有60%的同学不及格！”　老师这句话里就有一个分位数的应用。什么是分位数？在此我不想给出书上的定义，因为有那么多的同学发问怎么求分位数，正是因为不理解书上所写，好，怎么才能快速理解分位数呢？一句话，分位数就是用概率作为依据将一批数据分开的那...
Python分位数映射法原理
最新发布
03-08
### Python 中分位数映射法的原理 #### 定义与背景 分位数映射法（Quantile Mapping, QM）是一种用于校正模型输出数据偏差的方法。该方法通过调整模拟数据的概率分布来匹配观测数据的概率分布，从而减少由于模型误差带来的影响[^4]。 #### 实现过程 具体来说，在Python中实现分位数映射主要包括以下几个方面： - **获取累积分布函数**：分别计算目标变量的历史观测值以及对应时间段内的模式预测值各自的累计频率曲线(CDF)，即F_obs(x) 和 F_mod(y)。 - **建立映射关系**：对于每一个给定的时间步t及其对应的模式预报量y_t，找到满足条件F_mod(z)=F_obs(y_t) 的z值作为经过QM矫正后的最终结果z'_t；如果直接求解较为困难，则可以通过插值得到近似解。 - **应用变换规则**：当遇到极端事件或者超出已有样本范围的情况时，通常采用外推的方式继续沿用最接近边界的两个点之间的线性趋势来进行估计。 ```python import numpy as np from scipy.stats import norm def quantile_mapping(observed_data, modelled_data, new_modelled_data): """ Apply Quantile Mapping to correct bias in modeled data. Parameters: observed_data (array-like): Historical observations. modelled_data (array-like): Model outputs corresponding to the observation period. new_modelled_data (array-like): Future or other scenario's model output that needs correction. Returns: array: Corrected future/other scenarios' predictions based on historical biases. """ # Sort both datasets and compute their empirical CDFs sorted_obs = np.sort(observed_data) p_obs = 1. * np.arange(len(sorted_obs)) / float(len(sorted_obs)-1) sorted_mod = np.sort(modelled_data) p_mod = 1. * np.arange(len(sorted_mod)) / float(len(sorted_mod)-1) # Interpolate the original modelled values onto the observational grid using linear interpolation corrected_values = np.interp(new_modelled_data, sorted_mod, sorted_obs) return corrected_values ``` 此代码片段展示了如何使用`numpy`库中的排序功能和SciPy库里的线性插值工具完成基本形式上的量化映射操作。需要注意的是这只是一个简化版本的实际应用场景可能会更加复杂涉及到更多细节处理比如边界情况特殊对待等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值