Förstå skevhet i statistik och dataanalys

Skevhet är ett mått på hur mycket en datauppsättning avviker från en symmetrisk fördelning. Det definieras som det genomsnittliga avståndet för datapunkterna från distributionens centrum.

Med andra ord, skevhet mäter hur "skev" eller "skev" en fördelning är. En fördelning med hög skevhet innebär att datapunkterna är mer utspridda på ena sidan av mitten än på den andra, medan en fördelning med låg skevhet innebär att datapunkterna är mer jämnt fördelade runt mitten.

Snedheten beräknas med följande formel :

Skewness = (summan av alla avvikelser från medelvärdet) / (standardavvikelse för fördelningen)

där summan av alla avvikelser från medelvärdet beräknas genom att subtrahera medelvärdet från varje datapunkt och sedan lägga ihop alla dessa skillnader och standarden avvikelse av fördelningen är kvadratroten av variansen i fördelningen.

Skevhet kan användas på en mängd olika sätt i statistik och dataanalys, såsom:

1. För att avgöra om en datauppsättning är symmetrisk eller inte. Om skevheten är nära noll är datauppsättningen ungefär symmetrisk. Om snedheten är stor är datasetet mycket skevt.
2. Att jämföra formen på olika datamängder. Olika typer av data har ofta olika nivåer av skevhet. Till exempel kan finansiell data vara mer skev än vetenskaplig data.
3. För att identifiera extremvärden i en datauppsättning. Datapunkter som ligger långt bort från distributionens centrum kommer sannolikt att ha stort inflytande på skevhetsmåttet.
4. För att kontrollera antaganden om statistiska tester. Många statistiska tester antar att uppgifterna är ungefär symmetriska och normalfördelade. Om informationens skevhet är hög kan det hända att dessa antaganden inte är giltiga.