Skewness and kurtosis là gì

Sự khác biệt giữa Skewness và Kurtosis

  • Share on Facebook
  • Tweet
  • Share on Google+
  • Post to Tumblr
  • Pin it
  • Add to Pocket
  • Send email

Sự khác biệt giữa Skewness và KurtosisSkewness, trong điều kiện cơ bản, ngụ ý ngoài trung tâm, trong thống kê cũng vậy, điều đó có nghĩa là thiếu tính đối xứng. Với sự giúp đỡ của độ lệch, người ta có thể xác định hình dạng của phân phối dữ liệu. Kurtosis, mặt khác, đề cập đến độ nhọn của một đỉnh trong đường cong phân phối. Sự khác biệt chính giữa độ lệch và kurtosis là các cuộc thảo luận trước đây về mức độ đối xứng, trong khi các cuộc thảo luận sau về mức độ đạt đỉnh, trong phân phối tần số.

Dữ liệu có thể được phân phối theo nhiều cách, như trải rộng hơn ở bên trái hoặc bên phải hoặc trải đều. Khi dữ liệu được phân tán đồng đều tại điểm trung tâm, nó được gọi là Phân phối chuẩn. Nó là đối xứng hoàn hảo, đường cong hình chuông, tức là cả hai bên đều bằng nhau, và do đó nó không bị lệch. Ở đây tất cả ba trung bình, trung bình và chế độ nằm ở một điểm.

Skewness và Kurtosis là hai đặc điểm quan trọng của phân phối được nghiên cứu trong thống kê mô tả. Để hiểu rõ hơn về sự hiểu biết về hai khái niệm này, chúng ta hãy xem bài viết được đưa ra dưới đây.

Nội dung: Skewness Vs Kurtosis

  1. Biểu đồ so sánh
  2. Định nghĩa
  3. Sự khác biệt chính
  4. Phần kết luận

Biểu đồ so sánh

Định nghĩa của Skewness

Thuật ngữ ‘độ lệch’ được sử dụng để chỉ sự vắng mặt của tính đối xứng từ giá trị trung bình của bộ dữ liệu. Đó là đặc điểm của độ lệch so với giá trị trung bình, lớn hơn ở một bên so với bên kia, tức là thuộc tính của phân phối có một đuôi nặng hơn bên kia. Skewness được sử dụng để chỉ ra hình dạng phân phối dữ liệu.

Trong một phân phối lệch, đường cong được mở rộng sang bên trái hoặc bên phải. Vì vậy, khi cốt truyện được mở rộng về phía bên phải nhiều hơn, nó biểu thị độ lệch dương, trong đó chế độ < median < mean. On the other hand, when the plot is stretched more towards the left direction, then it is called as negative skewness and so, mean < median < mode.

Định nghĩa của Kurtosis

Trong thống kê, kurtosis được định nghĩa là tham số độ sắc nét tương đối của đỉnh của đường cong phân phối xác suất. Nó xác định cách các quan sát được tập hợp xung quanh trung tâm của phân phối. Nó được sử dụng để chỉ độ phẳng hoặc cực đại của đường cong phân phối tần số và đo các đuôi hoặc các ngoại lệ của phân phối.

Kurtosis tích cực thể hiện rằng phân phối đạt đỉnh hơn so với phân phối bình thường, trong khi kurtosis tiêu cực cho thấy phân phối ít đạt đỉnh hơn so với phân phối bình thường. Có ba loại phân phối:

  • Leptokurtic: Sharply đạt đỉnh với đuôi béo và ít biến đổi.
  • Mesokurtic: Đỉnh trung bình
  • Thú mỏ vịt: Đỉnh phẳng và phân tán cao.

Sự khác biệt chính giữa Skewness và Kurtosis

Các điểm được trình bày cho bạn giải thích sự khác biệt cơ bản giữa độ lệch và kurtosis:

  1. Đặc tính của phân bố tần số xác định tính đối xứng của nó về giá trị trung bình được gọi là độ lệch. Mặt khác, Kurtosis có nghĩa là độ nhọn tương đối của đường cong chuông tiêu chuẩn, được xác định bởi phân phối tần số.
  2. Skewness là thước đo mức độ sai lệch trong phân phối tần số. Ngược lại, kurtosis là thước đo mức độ của đuôi trong phân phối tần số.
  3. Skewness là một chỉ số thiếu đối xứng, tức là cả hai bên trái và phải của đường cong là không bằng nhau, đối với điểm trung tâm. Đối với điều này, kurtosis là một thước đo dữ liệu, có thể là đỉnh hoặc phẳng, liên quan đến phân phối xác suất.
  4. Skewness cho thấy bao nhiêu và theo hướng nào, các giá trị lệch khỏi giá trị trung bình? Ngược lại, kurtosis giải thích đỉnh trung tâm cao và sắc nét như thế nào?

Phần kết luận

Đối với một phân phối bình thường, giá trị của thống kê độ lệch và kurtosis bằng không. Mấu chốt của phân phối là trong độ lệch, âm mưu của phân phối xác suất được kéo dài sang hai bên. Mặt khác, kurtosis xác định đường đi; các giá trị được nhóm quanh điểm trung tâm trên phân phối tần số.

Xem thêm:   8D Là Gì - Trào Lưu Nhạc 8D Và Lợi Ích Của Nó Mang Lại

Trả lời

Email của bạn sẽ không được hiển thị công khai.