玉髓手镯，我两千多买的，值不值_百度知道
玉髓手镯，我两千多买的，值不值
白的的，带点黄色
我有更好的答案
看图片料子不错，值这个价钱的，
采纳率：31%
你拍的反光太厉害根本看不清楚，重新再自然光下拍张看看吧
是什麽颜色的，白色的像冰的价值就不大了，要是翠绿的多半你就值了，发个图看看吧
不错了，里面没有杂质，值这个价
我刚刚拍的，麻烦看下
为您推荐：
其他类似问题
您可能关注的内容
玉髓的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。请问小姐姐们这个福袋值吗？【手帐吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0可签7级以上的吧50个
本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：237,320贴子：
请问小姐姐们这个福袋值吗？
两套肉球基本40+了
17款台产胶带满循的话大概17*3
剩下的一个余卷和试吃条做小礼物补运费，应该还可以？
基本全是保值，但是款式不喜欢的话，心里可能还是不会太满意
如果不满循就是不值了
肉球按理来说4×8,32左右，别的看是不是米数
肉球一循也就1.5-2r吧...
不值 让卖家退差价
肯定不值 退差吧
满循看长度。其实85cm以上的4r。半米以上的3r。肉球那套你算2r一款。。纸上的不清楚有没有一循环。mt鱼卷看不清楚余量。但是保值肯定是有了
不太看得清。。。但是应该是不值的
我也觉得不值。
感觉五十左右
贴吧热议榜
使用签名档&&
保存至快速回贴粉玉髓项链值多少钱
标签：服饰配件、饰品&项饰&项链
浏览数：319
一串中档粉玉髓值350吗
你好，一条纯天然的粉玉髓要看成色，另外还要看玉髓是否经过人工加色，因为我国的检测标准对玛瑙没有对颜色处理上有严格的要求。随着今年的不断炒作，以及市场对玉髓行情的不断走好，俏色玉髓也是走进了消费者的眼睛，以色为贵仿佛已经成为了首饰市场的定律，粉色玉髓如果在6-8mm左右，天然成色且冰透无杂质，价钱如你所说是正常范围。个人评价，希望对您有帮助！谁能帮我看看这个值多少钱，玉髓，买的还不便宜呢_百度知道
谁能帮我看看这个值多少钱，玉髓，买的还不便宜呢
我有更好的答案
建议楼主这种类型的问题，可以发在天涯，豆瓣，知乎上问问行家，应该会得到满意答案。。祝楼主好运，望采纳！
采纳率：59%
这个玉髓应该是个无价滴
我滴个天那，你太会说话啦
主要要看它在你心中的分量
能不能愉快的聊天啦，心灵鸡汤啊
看到色泽很透彻的，还是不错的，价位在5000左右！
颜色蛮均匀，图片暂时没有看到纹路。比我刚买的好
你买的多少钱，我的照片拍不出来纹路，
不贵，几百
大概一千多吧
其他3条回答
为您推荐：
其他类似问题
玉髓的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。[转载]如何用SPSS探测及检验异常值
一、采用数据探索过程探测异常值
　　SPSS菜单实现程序为: 主菜单--&“Analyze”--&“Descriptive
Statistics”--&“Explore……”选项--&“Statistics”按钮--&选中“Outliers”复选框。输出结果中将列出5个最大值和5个最小值作为异常的嫌疑值。
　　二、采用箱线图（boxplot）探测异常值
&&&&比较直观、形象，易于理解，因此它在统计分析中占有非常重要的地位。
利用上述的数据探测过程，在“Explore”对话框中单击“Plots”，出现如图2所示的对话框，通过“Boxplots”方框可以确定箱线图的生成方式。“Factor
levels together”复选框表示将要为每个因变量创建一个箱线图，“Dependent
together”复选框表示将为每个分组变量水平创建箱线图，“None”复选框表示不创建箱线图。
直接利用SPSS中的画图功能实现箱线图，SPSS给出了两种箱线图，一种是基本箱线图，另一种是交互式箱线图。基本箱线图的SPSS菜单实现为:点击主菜单中的“Graphs”选项，在弹出的一级菜单中选择“Boxplot……”选项。交互式箱形图的SPSS菜单实现为:点击主菜单中的“Graphs”选项，在弹出的一级菜单中点击“Interactive”选项，在弹出的二级菜单中选择“Boxplot……”选项。下面仍以A公司雇员分工种的开始工资为例构造基本箱线图(如图3)。箱线图中的“○”表示可疑的异常值，此处异常值的确定采用的是“五数概括法”，即:变量值超过第75百分位点和25百分位点上变量值之差的1.5倍(箱体上方)或变量值小于第75百分位点和25百分位点上变量值之差的1.5倍(箱体下方)的点对应的值。
&&&&三、SPSS
14 后的新功能&Data
--&&Validation：？？？如何设置。。。
&&&&四、Z分标准化法（3δ法）：±3δ
以外的数据为高度异常值，应予剔除。
&&&&五、数据异常值的检验
　　SPSS中没有提供直接检验异常数据的工具，但是使用SPSS能使异常值的检验工作变得非常方便。通过SPSS中的Frequencies等过程，可以对指定变量的数据同时得到均值、方差等统计量，代入上述的公式，结合查表，很快就能得出检验结果。在多个异常数据下，使用SPSS更显方便，因为剔除前一个异常数据后，需要对剩余的数据重新计算均值和方差，如果数据很多，用手工计算将是很烦琐的事情，而且准确度不高。而通过SPSS，只需要重新选择数据以后，重复一次Frequencies过程的操作就可以了。
&&&&分别对含异常值和删去异常值两种情况下的数据进行分析，并比较后才能增加可信度，避免误删。
&&&&六、SPSS中异常值的剔除
&&&&发现异常值后，把大于等于最小异常值或小于等于最大异常值的值用Data主菜单里的Cases
Select子菜单里的条件设置按钮，就可以自动剔除异常值。
&箱线图前提不要求正态分布，而Z分数法前提要求正态分布。
&&&&箱线图（Boxplot）也称箱须图（Box-whisker
Plot），是利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法，它也可以粗略地看出数据是否具有有对称性，分布的分散程度等信息，特别可以用于对几个样本的比较。
&&&&简单箱线图由五部分组成，分别是最小值、中位数、最大值和两个四分位数。
&&&&第一四分位数Q1：又称“下四分位数”，等于该样本中所有数值由小到大排列后第25%的数字。
&&&&中位数F：又称第二四分位数(Q2)，又称“中位数”，等于该样本中所有数值由小到大排列后第50%的数字。
&&&&第三四分位数：又称“上四分位数”，等于该样本中所有数值由小到大排列后第75%的数字。
&&&&箱线图判断异常值的标准以四分位数和四分位距为基础。
&&&&四分位距(QR,
Quartile range)：上四分位数与下四分位数之间的间距，即上四分位数减去下四分位数。
&&&&F代表中位数，QR代表四分位距。
&&&&在Q3+1.5QR(四分位距)和Q1-1.5QR处画两条与中位线一样的线段，这两条线段为异常值截断点，称其为内限。
&&&&在F(中位数)+3QR和F-3QR处画两条线段，称其为外限。
&&&&箱线图功能：
&&&&1.直观明了地识别数据批中的异常值
　　箱线图为我们提供了识别异常值的一个标准：异常值被定义为小于Q1－1.5IQR或大于Q3＋1.5IQR的值。虽然这种标准有点任意性，但它来源于经验判断，经验表明它在处理需要特别注意的数据方面表现不错。这与识别异常值的经典方法有些不同。众所周知，基于正态分布的3σ法则或z分数方法是以假定数据服从正态分布为前提的，但实际数据往往并不严格服从正态分布。它们判断异常值的标准是以计算数据批的均值和标准差为基础的，而均值和标准差的耐抗性极小，异常值本身会对它们产生较大影响，这样产生的异常值个数不会多于总数0.7%。显然，应用这种方法于非正态分布数据中判断异常值，其有效性是有限的。箱线图的绘制依靠实际数据，不需要事先假定数据服从特定的分布形式，没有对数据作任何限制性要求，它只是真实直观地表现数据形状的本来面貌；另一方面，箱线图判断异常值的标准以四分位数和四分位距为基础，四分位数具有一定的耐抗性，多达25%的数据可以变得任意远而不会很大地扰动四分位数，所以异常值不能对这个标准施加影响，箱线图识别异常值的结果比较客观。由此可见，箱线图在识别异常值方面有一定的优越性。
　　2.利用箱线图判断数据批的偏态和尾重
　　比较、不同自由度的t分布和非对称分布数据的箱线图的特征，可以发现：对于标准正态分布的大样本，只有
0.7%的值是异常值,中位数位于上下四分位数的中央,箱线图的方盒关于中位线对称。选取不同自由度的t分布的大样本，代表对称重尾分布，当t分布的自由度越小，尾部越重，就有越大的概率观察到异常值。以卡方分布作为非对称分布的例子进行分析，发现当卡方分布的自由度越小，异常值出现于一侧的概率越大，中位数也越偏离上下四分位数的中心位置，分布偏态性越强。异常值集中在较小值一侧，则分布呈现左偏态；；异常值集中在较大值一侧，则分布呈现右偏态。下表列出了几种分布的样本数据箱线图的特征（样本数据由SAS的随机数生成函数自动生成），验证了上述规律。这个规律揭示了数据批分布偏态和尾重的部分信息，尽管它们不能给出偏态和尾重程度的精确度量，但可作为我们粗略估计的依据。
　　3.利用箱线图比较几批数据的形状
　　同一数轴上，几批数据的箱线图并行排列，几批数据的中位数、尾长、异常值、分布区间等形状信息便昭然若揭。在一批数据中，哪几个数据点出类拔萃，哪些数据点表现不及一般，这些数据点放在同类其它群体中处于什么位置，可以通过比较各箱线图的异常值看出。各批数据的四分位距大小，正常值的分布是集中还是分散，观察各方盒和线段的长短便可明了。每批数据分布的偏态如何，分析中位线和异常值的位置也可估计出来。还有一些箱线图的变种，使数据批间的比较更加直观明白。例如有一种可变宽度的箱线图，使箱的宽度正比于批量的平方根，从而使批量大的数据批有面积大的箱，面积大的箱有适当的视觉效果。如果对同类群体的几批数据的箱线图进行比较，分析评价，便是参照解释方法的可视图示；如果把受测者数据批的箱线图与外在效标数据批的箱线图比较分析，便是效标参照解释的可视图示。箱线图结合这些分析方法用于质量管理、人事测评、探索性数据分析等统计分析活动中去，有助于分析过程的简便快捷，其作用显而易见。
&&&&箱线图应用举例：
&&&&现有某直销中心30名员工的工资测算数据两批，第一批为工资调整前的数据，第二批为工资调整后的数据，绘出它们的箱线图（如下图），进行比较，可以很容易地得出：工资调整前，总体水平在
752元左右，四分位距为307.5，没有异常值。经过调整后，箱线图显示，第2、29、10、24、27号为温和的异常值，第26、30、28号为极端的异常值。为什么会出现异常值呢？经过进一步分析知道，第2、29、10、24号员工由于技能强、工龄长、积累贡献大、表现较好，劳苦功高，理应得到较高的报酬；第27、26、30、28号职工则因为技能偏低、工龄短、积累贡献小且表现较差，得到的工资较低，甚至连一般水平也难以达到。这体现了工资调整的奖优罚劣原则。另外，调整后工资总体水平比调整前高出270元，四分位距为106，工资分布比调整前更加集中，在合适的范围内既拉开了差距，又不至于差距太悬殊，还针对特殊情况进行了特殊处理。这种工资分布具有激励作用，可以说工资调整达到预期目的。
&&&&箱线图美中不足之处在于它不能提供关于数据分布偏态和尾重程度的精确度量；对于批量较大的数据批，箱线图反映的形状信息更加模糊；用中位数代表总体平均水平有一定的局限性等等。所以，应用箱线图最好结合其它描述统计工具如均值、标准差、偏度、分布函数等来描述数据批的分布形状。
在处理实验数据的时候，我们常常会遇到个别数据值偏离预期或大量统计数据值结果的情况，如果我们把这些数据值和正常数据值放在一起进行统计，可能会影响实验结果的正确性，如果把这些数据值简单地剔除，又可能忽略了重要的实验信息。这里重要的问题是如何判断异常值，然后将其剔除。判断和剔除异常值是数据处理中的一项重要任务，目前的一些方法还不是十分完善，有待进一步研究和探索。
异常值outlier：指样本中的个别值，其数值明显偏离它（或他们）所属样本的其余观测值,也称异常数据，离群值。
目前人们对异常值的判别与剔除主要采用物理判别法和统计判别法两种方法。
所谓物理判别法就是根据人们对客观事物已有的认识，判别由于外界干扰、人为误差等原因造成实测数据值偏离正常结果，在实验过程中随时判断，随时剔除。
统计判别法是给定一个置信概率，并确定一个置信限，凡超过此限的误差，就认为它不属于随机误差范围，将其视为异常值剔除。当物理识别不易判断时，一般采用统计识别法。
对于多次重复测定的数据值，异常值常用的统计识别与剔除法有：
拉依达准则法（3δ）：简单，无需查表。测量次数较多或要求不高时用。是最常用的异常值判定与剔除准则。但当测量次数《=10次时，该准则失效。
如果实验数据值的总体x是服从正态分布的，则
式中，μ与σ分别表示正态总体的数学期望和标准差。此时，在实验数据值中出现大于μ＋3σ或小于μ—3σ数据值的概率是很小的。因此，根据上式对于大于μ＋3σ或小于μ—3σ的实验数据值作为异常值，予以剔除。具体计算方法参见
在这种情况下，异常值是指一组测定值中与的超过两倍的测定值。与平均值的偏差超过三倍标准差的测定值，称为高度异常的异常值。在处理时，应剔除高度异常的异常值。异常值是否剔除，视具体情况而定。在统计检验时，指定为检出异常值的显著性水平α=0.05，称为检出水平；指定为检出高度异常的异常值的显著性水平α=0.01，称为舍弃水平，又称剔除水平(reject
标准化数值（Z-score）可用来帮助识别异常值。Z分数标准化后的数据服从正态分布。因此，应用Z分数可识别异常值。我们建议将Z分数低于-3或高于3的数据看成是异常值。这些数据的准确性要复查，以决定它是否属于该数据集。
肖维勒准则法（Chauvenet）：经典方法，改善了拉依达准则，过去应用较多，但它没有固定的概率意义，特别是当测量数据值n无穷大时失效。
狄克逊准则法（Dixon）：对数据值中只存在一个异常值时，效果良好。担当异常值不止一个且出现在同侧时，检验效果不好。尤其同侧的异常值较接近时效果更差，易遭受到屏蔽效应。
罗马诺夫斯基（t检验）准则法：计算较为复杂。
格拉布斯准则法（Grubbs）：和狄克逊法均给出了严格的结果，但存在狄克逊法同样的缺陷。朱宏等人采用数据值的中位数取代平均值，改进得到了更为稳健的处理方法。有效消除了同侧异常值的屏蔽效应。国际上常推荐采用格拉布斯准则法。
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。