- 统计教程
- 家
- 调整后的 R 平方
- 方差分析
- 算术平均值
- 算术中位数
- 算术模式
- 算术范围
- 条状图
- 最佳点估计
- 贝塔分布
- 二项分布
- 布莱克-斯科尔斯模型
- 箱线图
- 中心极限定理
- 切比雪夫定理
- 卡方分布
- 卡方表
- 循环排列
- 整群抽样
- 科恩卡帕系数
- 组合
- 与替换组合
- 比较图
- 连续均匀分布
- 连续级数算术平均值
- 连续级数算术中位数
- 连续级数运算模式
- 累积频率
- 变异系数
- 相关系数
- 累计地块
- 累积泊松分布
- 数据采集
- 数据收集 - 问卷设计
- 数据收集-观察
- 数据收集-案例研究方法
- 数据模式
- 十分位数统计
- 离散级数算术平均值
- 离散级数算术中位数
- 离散级数运算模式
- 点图
- 指数分布
- F分布
- F测试台
- 阶乘
- 频率分布
- 伽玛分布
- 几何平均数
- 几何概率分布
- 拟合优度
- 中庸之道
- 甘贝尔分布
- 调和平均值
- 谐波数
- 谐波共振频率
- 直方图
- 超几何分布
- 假设检验
- 个别系列算术平均值
- 个别系列算术中位数
- 个别系列运算模式
- 区间估计
- 逆伽玛分布
- 柯尔莫哥洛夫斯米尔诺夫检验
- 峰度
- 拉普拉斯分布
- 线性回归
- 对数伽玛分布
- 逻辑回归
- 麦克尼马尔测试
- 平均偏差
- 均值差异
- 多项式分布
- 负二项分布
- 正态分布
- 奇数和偶数排列
- 一比例 Z 检验
- 异常值函数
- 排列
- 置换置换
- 饼形图
- 泊松分布
- 合并方差 (r)
- 功率计算器
- 可能性
- 概率加性定理
- 概率倍数定理
- 概率贝叶斯定理
- 概率密度函数
- 过程能力 (Cp) 和过程性能 (Pp)
- 过程西格玛
- 二次回归方程
- 定性数据与定量数据
- 四分位数偏差
- 范围经验法则
- 瑞利分布
- 回归截距置信区间
- 相对标准偏差
- 可靠性系数
- 所需样本量
- 残差分析
- 残差平方和
- 均方根
- 样品策划
- 取样方式
- 散点图
- 香农维纳多样性指数
- 信噪比
- 简单随机抽样
- 偏度
- 标准差
- 标准误差 (SE)
- 标准普通表
- 统计学意义
- 统计公式
- 统计符号
- 茎叶图
- 分层抽样
- 学生 T 检验
- 平方和
- T-分布表
- Ti 83 指数回归
- 转换
- 截尾均值
- I 型和 II 型错误
- 方差
- 维恩图
- 弱大数定律
- Z工作台
- 统计有用资源
- 统计 - 讨论
统计 - 香农维纳多样性指数
在文献中,物种丰富度和物种多样性这两个术语有时可以互换使用。我们建议作者至少应该定义这两个术语的含义。在文献中使用的许多物种多样性指数中,香农指数可能是最常用的。在某些情况下,它被称为香农-维纳指数,在其他情况下,它被称为香农-韦弗指数。我们建议对术语的双重使用作出解释,并以此向已故的克劳德·香农(Claude Shannon,于 2001 年 2 月 24 日去世)致敬。
香农-维纳指数由以下函数定义和给出:
${ H = \sum[(p_i) \times ln(p_i)] }$
其中 -
${p_i}$ = 物种 ${i}$ 代表的总样本比例。分号。物种 i 的个体除以样本总数。
${S}$ = 物种数量,= 物种丰富度
${H_{max} = ln(S)}$ = 可能的最大多样性
${E}$ = 均匀度 = ${\frac{H}{H_{max}}}$
例子
问题陈述:
5个物种的样本为60、10、25、1、4。计算这些样本值的香农多样性指数和均匀度。
样本值 (S) = 60,10,25,1,4 物种数量 (N) = 5
首先,让我们计算给定值的总和。
总和 = (60+10+25+1+4) = 100
物种${(i)}$ | 样本编号 | ${p_i}$ | ${ln(p_i)}$ | ${p_i \times ln(p_i)}$ |
---|---|---|---|---|
大须芒草 | 60 | 0.60 | -0.51 | -0.31 |
鹧鸪豌豆 | 10 | 0.10 | -2.30 | -0.23 |
漆树 | 25 | 0.25 | -1.39 | -0.35 |
茢 | 1 | 0.01 | -4.61 | -0.05 |
胡枝子 | 4 | 0.04 | -3.22 | -0.13 |
S = 5 | 总和 = 100 | 总和 = -1.07 |
${H = 1.07 \\[7pt] H_{max} = ln(S) = ln(5) = 1.61 \\[7pt] E = \frac{1.07}{1.61} = 0.66 \\[7pt] 香农\多样性\指数(H) = 1.07 \\[7pt] 均匀度 =0.66 }$