Memahami Askewness dalam Statistik dan Analisis Data

Askewness ialah ukuran jumlah yang mana satu set data menyimpang daripada taburan simetri. Ia ditakrifkan sebagai jarak purata titik data dari pusat pengedaran.

Dalam erti kata lain, kecondongan mengukur bagaimana "serong" atau "serong" sesuatu taburan. Taburan dengan kecondongan tinggi bermakna titik data lebih tersebar di satu sisi pusat berbanding yang lain, manakala pengedaran dengan kecondongan rendah bermakna titik data diagihkan dengan lebih sekata di sekeliling pusat.

Kecondongan dikira menggunakan formula berikut :

Askewness = (jumlah semua sisihan daripada min) / (sisihan piawai taburan)

di mana jumlah semua sisihan daripada min dikira dengan menolak min daripada setiap titik data dan kemudian menjumlahkan semua perbezaan ini, dan piawai sisihan taburan ialah punca kuasa dua bagi varians taburan.

Kecondongan boleh digunakan dalam pelbagai cara dalam statistik dan analisis data, seperti:

1. Untuk menentukan sama ada set data adalah simetri atau tidak. Jika kecondongan hampir kepada sifar, maka set data adalah kira-kira simetri. Jika kecondongan adalah besar, maka dataset adalah sangat condong.
2. Untuk membandingkan bentuk set data yang berbeza. Jenis data yang berbeza selalunya mempunyai tahap kecondongan yang berbeza. Sebagai contoh, data kewangan mungkin lebih condong daripada data saintifik.
3. Untuk mengenal pasti outlier dalam set data. Titik data yang jauh dari pusat pengedaran berkemungkinan besar mempunyai pengaruh besar pada ukuran kecondongan.
4. Untuk menyemak andaian ujian statistik. Banyak ujian statistik mengandaikan bahawa data adalah kira-kira simetri dan taburan normal. Jika kecondongan data adalah tinggi, maka andaian ini mungkin tidak sah.