J'ai une série de distributions asymétriques gauches / lourdes que je voudrais montrer. Il y a 42 distributions sur trois facteurs (étiquetés comme A, Bet Cci - dessous). De plus, la variation diminue d'un facteur à l'autre B.
Le problème que j'ai est que les distributions sont difficiles à différencier à travers l'échelle du résultat (un rapport ou un changement de pli):
L'enregistrement des données semble sur-accentuer l'asymétrie gauche et déplace plus d'échantillons dans les queues (créant un mélange de points aberrants):
Quelqu'un a-t-il des suggestions sur d'autres techniques pour visualiser ces données?
La taille de l'échantillon par boîte à moustaches est d'environ 100. Les valeurs sont des accélérations obtenues par un nouvel algorithme de calcul (c'est-à-dire ancien temps d'exécution / nouveau temps d'exécution). Il y a des occasions où cela ne produit pas de gains de temps importants, de sorte que les distributions ont tendance à se déplacer vers la gauche.
—
topepo
Merci. Le nombre de points au-delà des moustaches semble alors plutôt faible.
—
Nick Cox
Qu'est-ce que vous voulez voir de mieux sur ces distributions? L'intrigue actuelle me semble bonne: C fait très peu de différence, le cas échéant; un B plus élevé rend les distributions plus serrées et plus faibles; & A plus élevé va avec des valeurs plus élevées.
—
gung - Rétablir Monica
exp()transformation est son inverse, mais c'est probablement beaucoup trop fort ici. La quadrature est une alternative plus douce. Vous ne dites pas quelle taille d'échantillon vous avez. Il n'est pas évident que le problème principal soit vraiment l'asymétrie gauche, plutôt que quelques valeurs aberrantes modérées dans la queue gauche en B1. N'y a-t-il pas de science ici pour éclairer cela?