Að skilja skekkju og kurtósu
Tölfræði er nauðsynleg grein vísinda á ýmsum rannsóknarsviðum, allt frá félagsvísindum til náttúruvísinda. Í gagnagreiningu er skilningur á gagnadreifingu lykilatriði til að draga nákvæmar og áreiðanlegar ályktanir. Tvö lykilhugtök sem oft eru notuð við lýsingu á dreifingum eru skekkja og kurtosis. Í þessari grein verður fjallað ítarlega um skilgreiningar, túlkanir og mikilvægi skekkju og kurtosis í gagnagreiningu.
Skekkju
Skilgreining á skekkju
Skekkjuhlutfall er mælikvarði á ósamhverfu líkindadreifingar slembibreytu. Einfaldara sagt lýsir skekkjuhlutfall hversu langt gagnadreifingin víkur frá fullkomlega samhverfri lögun, þekkt sem normaldreifing eða Gauss-dreifing.
Tegundir skekkju
1. Jákvæð skekkja: Gagnadreifing sem er lengd til hægri. Jákvætt skekkjugildi gefur til kynna að meirihluti gagnanna sé flokkaður vinstra megin, með lengri hala hægra megin. Til dæmis sýna tekjur einstaklinga í þýði oft jákvæða skekkju.
2. Neikvæð skekkja: Gagnadreifing sem er skekkt til vinstri. Í þessu tilviki gefur neikvætt skekkjugildi til kynna að meirihluti gagnanna sé hægra megin, með lengri vinstri hala. Algengt dæmi eru prófniðurstöður þar sem meirihluti nemenda skorar hátt.
3. Samhverf dreifing: Ef skekkjugildið er nálægt núlli má líta á gagnadreifinguna sem nálægt samhverfu, eins og normaldreifingu.
Hvernig á að reikna út skekkju
Hægt er að reikna út skekkju með eftirfarandi formúlu:
\[ \text{Skekkjun} = \frac{n}{(n-1)(n-2)} \summa \left(\frac{x_i – \bar{x}}{s}\right)^3 \]
Hvar:
– \(n \) = fjöldi gagna,
– \(x_i \) = einstaklingsgildi,
– \( \bar{x} \) = meðaltal gagnanna,
– \(s \) = staðalfrávik.
Túlkun á skekkju
Túlkun á skekkjugildum getur hjálpað til við að skilja dreifingareiginleika gagnanna. Sem almennar leiðbeiningar:
– Skekkja sem nálgast 0 gefur til kynna samhverfa dreifingu.
– Jákvæð skekkja gefur til kynna dreifingu sem er skekkt til hægri.
– Neikvæð skekkja gefur til kynna dreifingu sem er skekkt til vinstri.
Mikilvægi skekkju í gagnagreiningu
Skekkjuhlutfall er mikilvægt verkfæri í gagnagreiningu því það veitir upplýsingar um dreifingu gagna sem ekki er hægt að finna með því einfaldlega að skoða meðaltal eða staðalfrávik. Rétt skilningur á skekkjuhlutfalli getur hjálpað til við að ákvarða hvaða gagnaumbreytingar eru nauðsynlegar fyrir frekari greiningu, svo sem að nota lógaritma á gögnum með mikla jákvæða skekkjuhlutfall.
Kurtosis (beittni)
Skilgreining á kurtósu
Kurtosis er mælikvarði á hæð og skerpu tinda gagnadreifingar. Þetta þýðir að kurtosis tengist því hversu mikið af gögnunum er í hala samanborið við gögn nálægt meðaltali. Kurtosis hjálpar til við að bera kennsl á hvort gögnin hafa þykka eða léttari hala samanborið við normaldreifingu.
Tegundir kurtósu
1. Leptokurtic: Dreifing með hærri toppi og þyngri hala en normaldreifing. Kurtosis-gildið er stærra en 3. Gögn með leptokurtic-dreifingu hafa oft marktækari útlæg gildi.
2. Mesokurtic: Dreifing sem hefur sömu hámarkseiginleika og normaldreifingin. Kurtosis-gildið er 3. Normaldreifingin sjálf er klassískt dæmi um mesokurtic.
3. Platykurtic: Dreifing með lægri toppi og léttari hala samanborið við normaldreifingu. Kurtosis-gildið er minna en 3. Platykurtic-dreifing gefur til kynna að gögnin séu jafnari dreifð yfir gildissviðið.
Hvernig á að reikna út kurtósu
Hægt er að reikna út kurtósu með eftirfarandi formúlu:
\[ \text{Kurtosis} = \frac{n(n+1)}{(n-1)(n-2)(n-3)} \summa \left( \frac{x_i – \bar{x}}{s} \right)^4 – \frac{3(n-1)^2}{(n-2)(n-3)} \]
Hvar:
– \(n \) = fjöldi gagna,
– \(x_i \) = einstaklingsgildi,
– \( \bar{x} \) = meðaltal gagnanna,
– \(s \) = staðalfrávik.
Venjulega er kurtosis oft kölluð „umfram kurtosis“. Til einföldunar er formúlan oft minnkuð um 3 til að tryggja að normaldreifingin hafi kurtosis upp á 0.
Túlkun á Kurtosis
Kurtosis-gildið gefur innsýn í eðli gagnadreifingarinnar:
– Há kurtosis gefur til kynna hvassa tinda og þunga hala.
– Lágt kurtosis gefur til kynna flata dreifingu og léttar halar.
Mikilvægi kurtósu í gagnagreiningu
Að skilja kurtosis hjálpar til við að bera kennsl á útlæga þætti og skipuleggja gögn til frekari greiningar. Til dæmis gætu gögn með háa kurtosis þurft tölfræðilega öflugar aðferðir til að stjórna óhóflegum útlægum þætti.
Hagnýt Umsóknir
1. Fjármál: Á fjármálamörkuðum nota fjárfestar skekkju og kurtosis til að mæla áhættu og afkomu eigna. Eignasafn með mikilli neikvæðri skekkju getur bent til hættu á hugsanlegu miklu tapi.
2. Lýðheilsa: Í faraldsfræðilegum rannsóknum er gagnadreifing oft óeðlileg. Skekkja og kurtosis hjálpa til við að umbreyta gögnunum svo hægt sé að nota þau í aðhvarfsgreiningarlíkön eða aðrar greiningar.
3. Gæðaeftirlit: Framleiðsluiðnaður notar oft skekkju og kurtosis til að stjórna gæðum vöru. Mikil skekkja í framleiðslugögnum getur bent til vandamála í framleiðsluferlinu.
Niðurstaða
Skewness og kurtosis eru tvær mikilvægar lýsandi tölfræðiaðferðir við greiningu gagnadreifinga. Skewness veitir innsýn í ósamhverfu dreifingar, en kurtosis undirstrikar skarpleika og þyngd hala dreifingarinnar. Skilningur á þessum tveimur hugtökum veitir vísindamönnum og gagnagreinendum viðbótarverkfæri til að túlka gögn nákvæmar og taka betri ákvarðanir í fjölbreyttum notkunarsamhengjum.
