Квантили набора данных
Y = quantile(X,p)Y = quantile(X,N)Y = quantile(___,'all')Y = quantile(___,dim)Y = quantile(___,vecdim)Y = quantile(___,'Method',method)Y = quantile(X,p)X для интегральной вероятности или вероятностей p в интервале [0,1].
Если X является вектором, то Y является скаляром или вектором, имеющим ту же длину как p.
Если X является матрицей, то Y является вектором - строкой или матрицей, где количество строк Y равно длине p.
Для многомерных массивов quantile действует по первому неодноэлементному измерению X.
Y = quantile(X,N)N равномерно расположили интегральные вероятности с интервалами (1 / (N + 1), 2 / (N + 1)..., N / (N + 1)) для целочисленного N> 1.
Если X является вектором, то Y является скаляром или вектором с длиной N.
Если X является матрицей, то Y является матрицей, где количество строк Y равно N.
Для многомерных массивов quantile действует по первому неодноэлементному измерению X.
Y = quantile(___,vecdim)vecdim для любого из первых двух синтаксисов. Например, если X является матрицей, то quantile(X,0.5,[1 2]) возвращает 0,5 квантиля всех элементов X, потому что каждый элемент матрицы содержится в срезе массивов, заданном размерностями 1 и 2.
T-обзор [2] является вероятностной структурой данных, которая является разреженным представлением эмпирической кумулятивной функции распределения (CDF) набора данных. T-обзор полезен для вычислительных приближений основанной на ранге статистики (таких как процентили и квантили) от онлайновых или распределенных данных способом, которые допускают управляемую точность, особенно около хвостов распределения данных.
Для данных, которые распределяются в различных разделах, t-обзор вычисляет оценки квантиля (и оценки процентили) для каждого раздела данных отдельно, и затем комбинирует оценки при поддержании постоянной памяти связанная и постоянная относительная точность вычисления ( для q th квантиль). По этим причинам t-обзор практичен для работы с длинными массивами.
Чтобы оценить квантили, массив, который распределяется в различных разделах, сначала создайте t-обзор в каждом разделе данных. T-обзор кластеризирует данные в разделе и обобщает каждый кластер центроидным значением и накопленным весом, который представляет количество выборок, способствующих кластеру. T-обзор использует большие кластеры (широко расставленные центроиды), чтобы представлять области CDF, которые являются около q = 0.5, и использует небольшие кластеры (плотно распределенные центроиды), чтобы представлять области CDF, которые являются около q = 0 или q = 1.
T-обзор управляет размером кластера при помощи масштабирующейся функции, которая сопоставляет квантиль q с индексом k с параметром сжатия . Таким образом,
где отображение k является монотонным с минимальным значением k(0,) = 0 и максимальное значение 
k(1,) =.
Масштабирование функции для = 10
q = 0 или q = 1). Меньшие кластеры допускают лучшую точность около ребер данных.Чтобы обновить t-обзор с новым наблюдением, которое имеет вес и местоположение, найдите кластер самым близким к новому наблюдению. Затем добавьте вес и обновите центроид кластера на основе взвешенного среднего, при условии, что обновленный вес кластера не превышает ограничение размера.
Можно объединить независимые t-обзоры от каждого раздела данных путем взятия объединения t-обзоров и слияния их центроидов. Объединить t-обзоры, первый вид кластеры из всех независимых t-обзоров в порядке убывания кластерных весов. Затем объедините соседние кластеры, когда они будут соответствовать ограничению размера, чтобы сформировать новый t-обзор.
Если вы формируете t-обзор, который представляет набор полных данных, можно оценить конечные точки (или контуры) каждого кластера в t-обзоре и затем использовать интерполяцию между конечными точками каждого кластера, чтобы найти точные оценки квантиля.
Для n - вектор элемента X, quantile вычисляет квантили при помощи основанного на сортировке алгоритма можно следующим образом:
Отсортированные элементы в X взяты в качестве (0.5/n), (1.5/n)..., ([n – 0.5]/n) квантили. Например:
Для вектора данных пяти элементов такой как {6, 3, 2, 10, 1}, отсортированные элементы {1, 2, 3, 6, 10} соответственно соответствуют 0.1, 0.3, 0.5, 0.7, 0,9 квантиля.
Для вектора данных шести элементов такой как {6, 3, 2, 10, 8, 1}, отсортированные элементы {1, 2, 3, 6, 8, 10} соответственно соответствуют (0.5/6), (1.5/6), (2.5/6), (3.5/6), (4.5/6), (5.5/6) квантили.
quantile использует Линейную интерполяцию, чтобы вычислить квантили для вероятностей между (0.5/n) и ([n – 0.5]/n).
Для квантилей, соответствующих вероятностям вне той области значений, quantile присваивает минимальные или максимальные значения элементов в X.
quantile обрабатывает NaN s как отсутствующие значения и удаляет их.
[1] Лэнгфорд, E. “Квартили в элементарной статистике”, журнал образования статистики. Издание 14, № 3, 2006.