找到给定数据集的样本意味着10％修剪的相对效率。

从标准正态分布生成100×100的随机数矩阵。该矩阵表示100个样本，每个样本包含100个数据点。

rng默认;重复性的％x = normrnd（0,1,100,100）;

计算数据矩阵的每列的样本均值和10％修剪平均值。

m =均值（x）;%样本平均数修剪=修剪平均值（X，10）；%修剪平均数

计算样本平均值的修剪均值的相对效率。相对效率是样本平均值除以修剪平均值的方差的样本均值的方差。

VM = var（m）%样本均值方差

VM = 0.0094.

vtrim=var（微调）%修剪均值方差

vtrim = 0.0097.

效率= VM / VTRIM%修剪平均值与样本平均值的相对效率

效率= 0.9663.

样本平均值的方差小于修剪平均值(效率<1).因此，The trimmed mean is less efficient than the sample mean.

在以下情况下控制具有异常值的分布的修剪：K（修剪的异常值的数量）不是整数。

根据学生的答案生成一个随机数向量T分布具有等于1.学生的自由度T分布往往有异常值。

rng默认;重复性的％nu=1；%自由度n=60；%行数m = 1;％ 列数x=trnd（nu，n，m）；%载体

使用正态概率图可视化分布。

probplot（x）

虽然分布对称零点，但是几个异常值会影响平均值。

找到数据的平均值。

mn=平均值（x）

Mn = 1.6452.

找到数据的33%修剪平均值。

修剪=剪裁（x，33）

修剪= 0.4940.

33%的修剪平均值更接近于零，这更能代表数据。对于33%的修剪平均值，K不是整数(k = 60 *（33/100）/ 2赋予价值9.9).因此，剪裁轮K到最接近的整数(10.)默认情况下。

通过四舍五入控制修剪K下一个较小的整数（9）。指定用于修剪的控件“地板”.

修剪=修剪（x，33，“地板”)

修剪= 0.4933.

找到沿矩阵的不同尺寸的修剪平均值。

生成从学生的随机数的矩阵T分配。学生们T分布往往有异常值。

rng(“默认”)nu=1；%自由度n=2；%行数m=100；％ 列数x = trnd（nu，n，m）;

可视化每行数据的分布X使用正态概率图。

对于i = 1：n图（）probplot（x（i，:)）结束

找到每行的平均值X.

mn=平均值（X，2）

锰=2×1-2.7379 2.0087

找到每排的30％修剪均值X. 具体说明昏暗= 2作为操作尺寸。

修剪=修剪平均值（X，30,2）

修剪=2×1-0.0868 0.1115

每行的30％修剪均值更接近零，这是数据的更像是数据。

通过使用通过使用多维的修剪均值“全部”和vecdim输入参数。

使用一些异常值创建一个5×4-of-2阵列。

X=重塑（1:40，[5 4 2]）；X（[3 37]）=-100

X=X（：，：，1）=1 6 11 16 2 7 12 17-100 8 13 18 4 9 14 19 5 10 15 20 X（：，：，2）=21 26 31 36 22 27 32-100 23 28 33 38 24 29 34 25 35 40

找到10%的修剪平均值X.

Mall = Trimmean（x，10，“全部”)

购物中心=19.4722

购物中心中90%数值的平均值X.

找到每页的10%修剪平均值X.

mpage=平均值（X，10，[12]）

MPAGE = MPAGE（：，：，1）= 10.3889 MPAGE（：，:,2）= 29.6111

例如MPAGE（1,1,2）中90%数值的平均值x（：，:,2）.