Hallo Nicolàs
Hopelijk is deze technische draad niet storend voor de andere leden.
De mad word als volgt berekend: mad:= median(abs(x – median(x))) Waarbij x een array is.
Zie: https://eurekastatistics.com/using-the-median-absolute-deviation-to-find-outliers/
De eerste median(x) is de vervanger for mean=gemiddelde. Het probleem met curve fitten is dat je alle combinaties uitprobeert. Stel je heb een hyperbool met aan een kant een iets langere vleugel. Dat dan kan het zijn dat langere vleugel voor de 55% van de gemeten waarden (afwijkingen) zorgt. De mediaan ligt dan bij 50% van de gemeten waarden en dan is de mediaan gelijk aan een fout van de lange vleugel en kan dicht bij nul liggen. De waarde van de korte vleugel worden dan allemaal als outlier gezien. De outlier grens had ik bij 2* 1.48*mad gelegd wat overeenkomt met 2 * standaard deviatie ofwel 96% bij een normale verdeling.
Misschien zou je de mad van elke vleugel apart moeten bepalen…
Mijn conclusie is nu dat de standaard methode om outliers te vinden betrouwbaarder werkt bij curve fitten dan mad. Bij mad locked de routine soms op de langere hyperbool vleugel. Een van de problemen is dat de populatie totaal geen normale verdeling heeft (tijdens het curve fitten).
Het verwijderen van outliers is veel lastiger dan ik dacht.
Han