# Калькулятор винзоризованного среднего Вычисляет винзоризованное среднее, ограничивая нижние и верхние экстремальные значения перед усреднением > Каноническая страница: https://elysiatools.com/ru/tools/winsorized-mean-calculator - **Категория:** Math & Numbers - **Ключевые слова:** винзоризованное среднее, статистика, выбросы, робастное среднее ## Обзор Сортирует данные, заменяет крайние значения ближайшими сохраненными границами и считает среднее. Полезно для ограничения выбросов без удаления наблюдений. ## Входные данные - **Набор данных** (textarea): e.g. 10, 12, 14, 16, 18, 100 - **Процент винзоризации с каждого края** (number) - **Знаков после запятой** (number) - **Включить винзоризованный набор** (checkbox) ## Когда использовать - При анализе финансовых или экономических данных, где единичные крупные значения (например, сверхдоходы) сильно искажают среднюю картину. - Когда необходимо рассчитать среднее значение выборки, сохранив общее количество наблюдений без физического удаления выбросов. - Для обработки результатов измерений или тестирований, где возможны случайные аппаратные ошибки или нетипичные отклонения на краях диапазона. ## Как это работает - Введите ваш набор числовых данных (через запятую, пробел или с новой строки) в основное текстовое поле. - Укажите процент винзоризации (от 0 до 45%), который определит долю заменяемых значений с каждого края распределения. - Настройте количество знаков после запятой для итогового результата. - Инструмент отсортирует данные, заменит экстремумы на пороговые значения и мгновенно рассчитает новое среднее, при необходимости показав измененный массив. ## Сценарии использования - Оценка средней заработной платы в компании без искажений от сверхвысоких доходов топ-менеджмента. - Анализ времени отклика сервера, где редкие сетевые задержки (спайки) не должны влиять на базовую метрику производительности. - Обработка результатов лабораторных экспериментов, где возможны погрешности датчиков на минимальных и максимальных значениях. ## Частые вопросы ### Чем винзоризованное среднее отличается от усеченного (trimmed mean)? Усеченное среднее полностью удаляет экстремальные значения из выборки, тогда как винзоризованное заменяет их на ближайшие оставшиеся значения, сохраняя исходный размер выборки. ### Какой процент винзоризации лучше использовать? Чаще всего используют 10% или 20% с каждого края. Выбор зависит от количества предполагаемых выбросов в ваших данных. ### Можно ли увидеть набор данных после замены выбросов? Да, если отметить галочку «Включить винзоризованный набор», в результатах будет показан массив данных после замены крайних значений. ### Какое максимальное значение процента винзоризации? Максимальный процент составляет 45% с каждого края. Это гарантирует, что в центре останется хотя бы 10% исходных данных для корректного расчета. ### Как инструмент обрабатывает нечисловые символы? Калькулятор автоматически извлекает числа из введенного текста, игнорируя буквы, знаки препинания (кроме разделителей) и другие нечисловые символы. ## Связанные инструменты - [Калькулятор средних значений](https://elysiatools.com/ru/tools/average-calculator): Сравнивает арифметическое, геометрическое и гармоническое среднее для одного набора чисел - [Калькулятор доверительных интервалов](https://elysiatools.com/ru/tools/confidence-interval-calculator): Вычисляет доверительные интервалы для среднего выборки или доли на основе исходных данных или сводной статистики - [Калькулятор геометрического среднего](https://elysiatools.com/ru/tools/geometric-mean-calculator): Вычисляет геометрическое среднее положительных чисел для темпов роста, отношений и мультипликативных данных - [Калькулятор гармонического среднего](https://elysiatools.com/ru/tools/harmonic-mean-calculator): Вычисляет гармоническое среднее положительных значений с необязательным сравнением средних - [Калькулятор LMTD теплообменника (среднелогарифмический температурный напор)](https://elysiatools.com/ru/tools/heat-exchanger-lmtd): Вычисляет LMTD (среднелогарифмический температурный напор) теплообменника: прямоток ΔT₁=T_h,in-T_c,in, ΔT₂=T_h,out-T_c,out; противоток ΔT₁=T_h,in-T_c,out, ΔT₂=T_h,out-T_c,in. LMTD=(ΔT₁-ΔT₂)/ln(ΔT₁/ΔT₂); при ΔT₁=ΔT₂ берётся ΔT₁; если какой-либо ΔT ≤ 0 — это температурный crossover (физически невозможно), выдаётся ошибка. При указании общего коэффициента U (Вт/(м²·К)) и площади A (м²) тепловой поток Q=U·A·LMTD (Вт). Температуры используются только как разности: Δ°C=ΔK, разность °F×5/9=ΔK; LMTD приводится в К. - [Калькулятор среднего значения](https://elysiatools.com/ru/tools/mean-calculator): Вычисляет среднее арифметическое набора чисел и показывает основную статистику - [Калькулятор нормального распределения](https://elysiatools.com/ru/tools/normal-distribution-calculator): Вычисляет z-оценки, накопленную вероятность, хвостовую вероятность и вероятность интервала для нормального распределения - [Статистический Калькулятор](https://elysiatools.com/ru/tools/statistics-calculator): Вычисляет статистические показатели для числовых наборов данных, включая среднее, медиану, моду, стандартное отклонение и др. ## Примеры - [Примеры Обработки Изображений Android Java](https://elysiatools.com/ru/samples/android-image-processing-java): Примеры обработки изображений Android Java включая чтение/сохранение, масштабирование и преобразование формата - [Примеры Обработки Изображений Android Kotlin](https://elysiatools.com/ru/samples/android-image-processing-kotlin): Примеры обработки изображений Android Kotlin включая чтение/сохранение, масштабирование и преобразование формата - [Примеры Обработки Изображений Web Python](https://elysiatools.com/ru/samples/web-image-processing-python): Примеры обработки изображений Web Python используя PIL/Pillow включая чтение, сохранение, изменение размера и преобразование формата - [Примеры Обработки Изображений Web Rust](https://elysiatools.com/ru/samples/web-image-processing-rust): Примеры обработки изображений Web Rust включая чтение/запись, масштабирование и преобразование форматов ## Связанные материалы - [Рабочие процессы качества данных и поиска аномалий](https://elysiatools.com/ru/hubs/data-quality-anomaly-workflows): Профилируйте табличные данные, выделяйте дубликаты, пропуски, разрывы ссылок, выбросы и временные аномалии и превращайте находки в доказательства качества.