Milieu de gamme (statistique)

En statistique, le milieu de gamme ou le milieu extrême d'un ensemble de valeurs de données statistiques est la moyenne arithmétique des valeurs maximales et minimales dans un ensemble de données, défini comme: Le milieu de gamme est le point médian de la gamme ; en tant que tel, c'est une mesure de la tendance centrale. Le milieu de gamme est rarement utilisé dans l'analyse statistique pratique, car il manque d'efficacité en tant qu'estimateur pour la plupart des distributions d'intérêt, car il ignore tous les points intermédiaires et manque de robustesse, car les valeurs aberrantes le modifient considérablement. En effet, c'est l'une des statistiques les moins efficaces et les moins robustes. Cependant, il trouve une certaine utilité dans des cas particuliers : il s'agit de l'estimateur le plus efficace pour le centre d'une distribution uniforme, les intervalles médians ajustés adressent la robustesse et, en tant qu'estimateur-L, il est simple à comprendre et à calculer. Le milieu de gamme est très sensible aux valeurs aberrantes et ignore tous les points de données sauf deux. Il s'agit donc d'une statistique peu robuste, ayant un point de décomposition de 0, ce qui signifie qu'une seule observation peut la changer arbitrairement. De plus, il est fortement influencé par les valeurs aberrantes : augmenter le maximum de l'échantillon ou diminuer le minimum de l'échantillon de x modifie le milieu de gamme de alors qu'il modifie la moyenne de l'échantillon, qui a également un point de décomposition de 0, de seulement Il est donc peu utile dans les statistiques pratiques, à moins que les valeurs aberrantes ne soient déjà traitées. Un milieu de gamme ajusté, le milieu de gamme ajusté à n % est la moyenne des n %-percentiles et (100 − n )%-percentiles, est plus robuste, avec un point de rupture de n %. La médiane peut être interprétée comme le milieu de gamme entièrement coupé (50%); ceci est conforme à la convention selon laquelle la médiane d'un nombre pair de points est la moyenne des deux points médians.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (23)

Unités associées (1)

Concepts associés (16)

Cours associés (1)

Séances de cours associées (8)

L-estimator

In statistics, an L-estimator is an estimator which is a linear combination of order statistics of the measurements (which is also called an L-statistic). This can be as little as a single point, as in the median (of an odd number of values), or as many as all points, as in the mean. The main benefits of L-estimators are that they are often extremely simple, and often robust statistics: assuming sorted data, they are very easy to calculate and interpret, and are often resistant to outliers.

Valeur absolue des écarts

En statistique, la déviation absolue moyenne (ou simplement déviation moyenne) d'un ensemble est la moyenne (ou valeur prévue) des déviations absolues par rapport à un point central d'une série statistique. C'est une statistique sommaire de dispersion ou de variabilité statistique, et elle peut être associée à toute mesure à une tendance centrale (moyenne, médiane, mode...). La déviation absolue d'un élément a d'un ensemble de données x par rapport à un réel est a – x.

Moyenne tronquée

Une moyenne tronquée, ou moyenne réduite, est une mesure statistique de centralité, similaire à la moyenne arithmétique et à la médiane, qui consiste à calculer une moyenne arithmétique en éliminant les valeurs extrêmes. Les , ont été inventées pour pallier la sensibilité des statistiques aux valeurs aberrantes, ce qu'on appelle la robustesse statistique.

MSE-234: Mechanical behaviour of materials

Ce cours est une introduction au comportement mécanique, à l'élaboration, à la structure et au cycle de vie des grandes classes de matériaux de structure (métaux, polymères, céramiques et composites)

Regularization for distributionally robust state estimation and prediction

Giancarlo Ferrari Trecate, Florian Dörfler, Jean-Sébastien Hubert Brouillon

The increasing availability of sensing techniques provides a great opportunity for engineers to design state estimation methods, which are optimal for the system under observation and the observed noise patterns. However, these patterns often do not fulfil ...

2023

Introduction: Gait speed is a simple and safe measure with strong predictive value for negative health outcomes in clinical practice, yet in-laboratory gait speed seems not representative for daily-life gait speed. This study aimed to investigate the inter ...

KARGER2021

Regret Minimization and Separation in Multi-Bidder Multi-Item Auctions

Daniel Kuhn, Napat Rujeerapaiboon, Cagil Kocyigit

We study a robust auction design problem with a minimax regret objective, where a seller seeks a mechanism for selling multiple items to multiple anonymous bidders with additive values. The seller knows that the bidders' values range over a box uncertainty ...

2020

Couvre la résistance mécanique statistique en céramique, y compris la statistique de Weibull et le comportement stable de fissuration en compression.

Couvre l'analyse des données sur la pollution atmosphérique, en se concentrant sur les bases de R, en visualisant des séries chronologiques et en créant des résumés des concentrations de polluants.

Explore l'estimation du potentiel énergétique solaire en Suisse à l'aide de l'analyse des données SIG et du logiciel Quantum GIS.