음의 왜도를 갖는 분포의 실제 예


20

" 공통 분포의 실제 예 "에서 영감을 받아 사람들이 부정적인 왜곡을 나타 내기 위해 어떤 교육 학적 예를 사용하는지 궁금합니다. 가르치는 데 사용되는 대칭 또는 정규 분포에 대한 많은 "정규적인"예가 있습니다. 키와 몸무게 같은 것이 생물학적 면밀한 조사에서 살아남지 않더라도! 혈압이 정상에 가까울 수 있습니다. 나는 천문학적 측정 오류를 좋아합니다. 역사적 관심의 대상은 직관적으로 다른 방향보다 한 방향으로 누워있을 가능성이 적고 작은 오류가 큰 것보다 더 가능성이 높다는 것입니다.

긍정적 인 왜도에 대한 일반적인 교육 학적 예에는 사람들의 소득; 중고차 마일리지 판매; 심리학 실험에서의 반응 시간; 주택 가격; 보험 고객에 의한 사고 청구 건수; 가족의 자녀 수. 그들의 물리적 합리성은 종종 낮은 값은 그럴듯하고 일반적이지만 매우 큰 값 (때로는 수십 배 더 높은 값)이 발생하는 것으로 알려져 있습니다.

부정적 왜곡의 경우, 더 적은 청중 (고등학생)이 직관적으로 파악할 수있는 모호하고 생생한 예를 제시하기가 더 어려워집니다. 실제 분포가 적을수록 명확한 상한이 있기 때문일 것입니다. 학교에서 배운 나쁜 맛의 예는 "손가락 수"였습니다. 대부분의 사람들은 열 명을 가지고 있지만 일부는 사고로 하나 이상을 잃습니다. "99 %의 사람들이 평균보다 많은 수의 손가락을 가졌다"는 결과가 나왔습니다! 10 개가 엄격한 상한이 아니기 때문에 Polydactyly로 문제가 복잡해집니다. 빠진 손가락과 여분의 손가락이 드물기 때문에 우세한 영향을 미치는 학생들에게는 불분명 할 수 있습니다.

나는 보통 높은 이항 분포를 사용합니다 . 그러나 학생들은 종종 "배치에서 만족스러운 구성 요소의 수가 부정적으로 치우친 다"는 것이 아니라 "배치에서 결함이있는 구성 요소의 수가 비대칭 적"이라는 상보적인 사실보다 직관적이지 않다는 것을 알게됩니다. (교재는 산업을 주제로한다. 나는 열두 상자에 깨지거나 손상되지 않은 알을 선호한다.) 학생들은 "성공"이 드 물어야한다고 생각할 수도있다.p

또 다른 옵션은 가 긍정적으로 치우친 경우 가 부정적으로 치우 치지 만 실제 상황 ( "네거티브 주택 가격이 부정적으로 치우친")으로 배치하는 것은 교육 학적 실패로 끝날 것 같습니다. 데이터 변환의 효과를 가르치는 데 이점이 있지만 구체적인 예를 먼저 제시하는 것이 좋습니다. 나는 인위적으로 보이지 않는 것, 부정적인 비대칭 성이 분명하고 학생들의 삶의 경험이 그들에게 분포의 형태에 대한 인식을 제공 해야하는 것을 선호합니다.X엑스


4
분포의 모양을 바꾸지 않고 상수를 추가 할 수있는 옵션이 있기 때문에 변수를 부정하는 것이 "교육 학적 실패"라는 것은 분명하지 않습니다. 예를 들어 많은 비뚤어진 분포에는 비율 가 포함 되며, 보완 비율 는 일반적으로 원래 비율과 마찬가지로 자연스럽고 해석하기 쉽습니다. 심지어 주택 가격과 값 지역 최대의 주택 가격이 관심이있을 수 있고 이해하기 어렵지 않다. 또한 로그 및 음의 전력 변환을 사용하여 음의 왜곡을 만드는 것을 고려하십시오. 1 X X C X C엑스1엑스엑스기음엑스기음
whuber

2
나는 주택 가격의 경우 가 약간 고안 될 것이라는 데 동의합니다 . 그러나 는 그렇지 않을 것입니다 : "달러당 살 수있는 집의 양"입니다. 나는 합리적으로 균질 한 지역에서 이것이 강한 부정적 왜곡을 가질 것이라고 생각합니다. 이러한 예는 왜도가 데이터를 표현하는 방법의 함수라는 더 깊은 교훈을 가르쳐 줄 수 있습니다. 1 / X기음엑스1/엑스
whuber

3
@whuber 전혀 고려되지 않았습니다. 시장의 최대 및 최소 잠재 가격은 시장 참여자들의 다른 평가를 반영하는 가격으로 자연스럽게 발생합니다. 구매자 중에는 주어진 집에 최대 가격을 지불하는 구매자가있을 수 있습니다. 그리고 판매자들 사이에는 최저 가격을 고려할 수있는 것이 있습니다. 그러나이 정보는 공개되지 않으므로 실제 관찰 된 거래 가격은 불완전한 정보의 존재에 영향을받습니다. (계속)
Alecos Papadopoulos 2014 년

1
CONT'D ... Kumbhakar 및 Parmeter (2010)의 다음 논문은 정확히 (대칭의 경우도 허용 함), 그리고 집 시장에 적용한 모델을 모델링합니다
Alecos Papadopoulos

3
선진국에서는 사망 연령이 부정적입니다.
Nick Cox

답변:


3

영국에서는 책의 가격. 일반적으로 모달 가격이 될 "권장 소매 가격"이 있으며, 더 이상 지불해야 할 곳이 거의 없습니다. 그러나 일부 상점은 할인을 받고 일부 상점은 크게 할인을합니다.

또한 퇴직 연령. 대부분의 사람들은 65-68 세로 은퇴합니다. 이는 주 연금이 시작되고 소수의 사람들 만 더 오래 일하지만 일부 사람들은 50 대에 은퇴하고 60 대 초에 상당히 많이 은퇴합니다.

그런 다음 사람들이 얻는 GCSE의 수입니다. 대부분의 어린이는 8-10 명으로 입력되므로 8-10 명을받습니다. 적은 수가 더 많은 일을합니다. 일부 어린이는 시험을 모두 통과하지 못하므로 0에서 7로 꾸준히 증가하고 있습니다.


1
이것은 아마도 GCSE가 영국의 중등 학교 및 일부 관련 시스템에서 시험이며, 약 16 세에 가장 일반적으로 치르는 시험이라는 것을 설명해야합니다.
닉 콕스

18

Nick Cox는 "죽음의 나이는 선진국에서 부정적으로 치우쳐 져있다"고 정확하게 설명했습니다.

나이 통이 100 년이되었고 가장 오래된 호주 남성이 111 세 이므로 호주 통계청 ( 특히이 엑셀 시트를 사용했습니다 ) 에서 손을 댈 수있는 가장 편리한 수치를 찾았 습니다. 110 년 만에 최종 쓰레기통을 잘랐다. 다른 국가 통계 기관은 종종 95에서 멈추는 것처럼 보였으며, 이는 최종 빈을 불편하게 만들었습니다. 결과 히스토그램은 매우 명확한 네거티브 스큐뿐만 아니라 어린 아이들의 사망률의 작은 최고점과 같은 다른 흥미로운 특징을 보여줍니다. 이는 수업 토론 및 해석에 적합합니다.

2012 년 호주 남성 사망 연령

원시 데이터가 포함 된 R 코드는 다음과 같습니다. HistogramTools 패키지 는 집계 된 데이터를 기반으로하는 플로팅에 매우 유용합니다! 플래그 를 지정하는 이 StackOverflow 질문 에 감사 합니다.

library(HistogramTools)

deathCounts <- c(565, 116, 69, 78, 319, 501, 633, 655, 848, 1226, 1633, 2459, 3375, 4669, 6152, 7436, 9526, 12619, 12455, 7113, 2104, 241)
ageBreaks <- c(0, 1, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95, 100, 110)

myhist <- PreBinnedHistogram(
    breaks = ageBreaks,
    counts = deathCounts,
    xname = "Age at Death of Australian Males, 2012")
plot(myhist)

2
이 직책과 관련하여 은퇴 연령이 부정적으로 치우친다고 들었습니다. 대부분의 사람들은 명목상의 나이 (많은 국가에서 65 또는 67 세)에서 은퇴하지만 일부 (탄산 광에서 일하는 근로자)는 훨씬 일찍 은퇴합니다.
Christoph Hanck

사망 연령은 경험적으로 알려진 일부 분포를 따르고 있습니까?
StubbornAtom

11

다음은 2012 년 올림픽 남자 멀리뛰기 예선 라운드에서 법적 점프를 성공적으로 마친 40 명의 선수에 대한 결과입니다.

런던 2012 올림픽 멀리뛰기 남자 예선 라운드 결과

음의 왜도를 설명하는 앞선 미터보다 주요 경쟁자 그룹 뒤에 미터가되는 것이 훨씬 쉬운 것 같습니다.

상단에서 묶음 중 일부는 가능한 가장 긴 거리를 달성하기보다는 자격을 목표로하는 선수 (최고 12 번의 마무리 또는 8.10 미터 이상의 결과가 필요함) 때문일 것으로 생각됩니다. 결선에서 메달을 획득 한 점프가 8.31, 8.16 및 8.12 미터에서 길고 더 많이 퍼져 나왔듯이, 자동 2 위 기록 바로 위에있는 상위 2 개의 결과가 8.11 미터라는 사실이 강력하게 암시됩니다. 결승의 결과는 약간 중요하지 않은 부정적인 왜곡을 가졌다.

비교를 위해 1988 년 서울 올림픽 헵타 슬론의 결과 heptathlon는 R 패키지 의 데이터 세트에서 확인할 수 있습니다 HSAUR. 이 대회에서 예선 라운드는 없었지만 각 이벤트는 최종 분류에 포인트를 공헌했습니다. 여성 경쟁자들은 높은 점프 결과에서 뚜렷한 네거티브 왜곡을 보였고 멀리뛰기에서는 다소 부정적인 스큐를 나타 냈습니다. 흥미롭게도 이것은 던지는 이벤트 (샷 및 창 던지기)에서 복제되지 않았습니다. 최종 점수도 약간 부정적으로 왜곡되었습니다.

데이터와 코드

require(moments)
require(ggplot2)

sourceAddress <- "http://www.olympic.org/olympic-results/london-2012/athletics/long-jump-m"

longjump.df <- read.csv(header=TRUE, sep=",", text="
rank,name,country,distance
1,Mauro Vinicius DA SILVA,BRA,8.11 
2,Marquise GOODWIN,USA,8.11
3,Aleksandr MENKOV,RUS,8.09
4,Greg RUTHERFORD,GBR,8.08
5,Christopher TOMLINSON,GBR,8.06
6,Michel TORNEUS,SWE,8.03
7,Godfrey Khotso MOKOENA,RSA,8.02
8,Will CLAYE,USA,7.99
9,Mitchell WATT,AUS,7.99,
10,Tyrone SMITH,BER,7.97,
11,Henry FRAYNE,AUS,7.95,
12,Sebastian BAYER,GER,7.92,
13,Christian REIF,GER,7.92,
14,Eusebio CACERES,ESP,7.92,
15,Aleksandr PETROV,RUS,7.89,
16,Sergey MORGUNOV,RUS,7.87,
17,Mohammad ARZANDEH,IRI,7.84,
18,Ignisious GAISAH,GHA,7.79,
19,Damar FORBES,JAM,7.79,
20,Jinzhe LI,CHN,7.77,
21,Raymond HIGGS,BAH,7.76,
22,Alyn CAMARA,GER,7.72,
23,Salim SDIRI,FRA,7.71,
24,Ndiss Kaba BADJI,SEN,7.66,
25,Arsen SARGSYAN,ARM,7.62,
26,Povilas MYKOLAITIS,LTU,7.61,
27,Stanley GBAGBEKE,NGR,7.59,
28,Marcos CHUVA,POR,7.55,
29,Louis TSATOUMAS,GRE,7.53,
30,Stepan WAGNER,CZE,7.50,
31,Viktor KUZNYETSOV,UKR,7.50,
32,Luis RIVERA,MEX,7.42,
33,Ching-Hsuan LIN,TPE,7.38,
33,Supanara SUKHASVASTI N A,THA,7.38,
35,Boleslav SKHIRTLADZE,GEO,7.26,
36,Xiaoyi ZHANG,CHN,7.25,
37,Mohamed Fathalla DIFALLAH,EGY,7.08,
38,Roman NOVOTNY,CZE,6.96,
39,George KITCHENS,USA,6.84,
40,Vardan PAHLEVANYAN,ARM,6.55,
NA,Luis MELIZ,ESP,NA,
NA,Irving SALADINO,PAN,NA")

roundedSkew <- signif(skewness(longjump.df$distance, na.rm=TRUE), 3)

ggplot(longjump.df, aes(x=distance)) + 
    xlab("Distance in metres") +
    ggtitle("London 2012 Men's Long Jump qualifying round results") +
    geom_rug(size=0.8) + 
    geom_density(fill="steelblue") +
    annotate("text", x=7.375, y=0.0625, colour="white", label=paste("Source:", sourceAddress), size=3) +
    annotate("rect", xmin = 6.25, xmax = 7.25, ymin = 0.5, ymax = 1.125, fill="white") +
    annotate("text", x=6.75, y=1, colour="black", label="Best jump in up to 3 attempts") +
    annotate("text", x=6.75, y=.875, colour="black", label="42 athletes competed") +
    annotate("text", x=6.75, y=.75, colour="black", label="2 athletes had no legal jump") +
    annotate("text", x=6.75, y=.625, colour="black", label=paste("Skewness = ", roundedSkew))


# Results of the top twelve who qualified for the Final were closer to symmetric
skewness(longjump.df$distance[1:12])
# -0.1248782

# Results in the Final (some had 3 jumps, others 6) were only slightly negatively skewed
skewness(c(8.31, 8.16, 8.12, 8.11, 8.10, 8.07, 8.01, 7.93, 7.85, 7.80, 7.78, 7.70))
# -0.08578357

# Compare to Seoul 1988 Heptathlon
require(HSAUR)
skewness(heptathlon)

11

쉬운 시험에 대한 점수 또는 학생들이 특히 동기를 부여한 시험에 대한 점수는 치우친 경향이 있습니다.

결과적으로, 대학에 진학하려는 학생들의 SAT / ACT 점수 (그리고 그보다 더 많은 GPA)는 치우친 경향이 있습니다. collegeapps.about.com에는 수많은 예가 있습니다. 예를 들어 University of Chicago SAT / ACT와 GPA의 도표는 여기에 있습니다 .

마찬가지로 졸업생의 GPA는 종종 왼쪽으로 치우친 다. 예를 들어 Tim의 Gramling의 그림 5에서 가져온 영리 대학의 백인 및 흑인 졸업생의 GPA의 히스토그램은 종종 왼쪽으로 치우친 다. " 5 개의 학생 특성이 영리 대학 졸업 확률을 정확하게 예측하는 방법 " SAGE Open 3.3 (2013) : 2158244013497026.

음의 스큐를 나타내는 GPA 히스토그램

(다른 유사한 예제를 찾기는 어렵지 않습니다.)


2
입문 통계 클래스의 경우이 예제는 교육적으로 잘 작동한다고 생각합니다. 학생들이 실제로 경험할 수 있고 직관적으로 추론 할 수 있으며 광범위하게 사용 가능한 데이터 세트를 확인할 수 있습니다.
Silverfish

9

스토캐스틱 프론티어 분석 (Stochastic Frontier Analysis)에서, 특히 역사적으로 초기에 초점을 둔 생산, 일반적으로 회사 / 생산 단위의 생산 기능은 확률 적으로 다음과 같이 지정됩니다.

=에프(엑스)+

에프(엑스)엑스계량 경제학자는 알지 못하는 이유 때문에이 설정을 통해 측정 할 수 있습니다. 이 랜덤 변수는 일반적으로 1/2 정규 분포 또는 지수 분포를 따르는 것으로 가정합니다. 반정도 (이유)를 가정하면

(0,σ2),H(2πσ2,(12π)σ22)

σ2

ε=

에프ε(ε)=2에스2ϕ(ε/에스2)Φ((σ2σ)(ε/에스2)),에스22=σ2+σ22

위치 파라미터 )를 갖는 스큐 정규 밀도입니다.0에스2(σ2σ)ϕΦσ=1,σ2=여기에 이미지 설명을 입력하십시오

따라서 부정적인 왜곡은 인류 자체의 노력에 대한 가장 자연스러운 모델링입니다. 인식 된 한계 (밀도의 양의 부분)를 초월합니다. 학생들 자신 은 그러한 생산 기능으로 모델링 될 수 있습니다. 대칭 장애 및 일방적 인 오류를 실제 생활의 측면에 매핑하는 것은 간단합니다. 더 직관적 인 방법을 상상할 수 없습니다.


1
이 답변은 @Glen_b의 대학원 GPA 제안을 반영하는 것 같습니다. 어려운 시나리오를 목표로하는 높은 동기 부여 인간 행동은 그 시나리오에 꼭 맞습니다! 일반적으로 효율성이 좋은 예입니다.
Nick Stauner

2
@Nick Stauner 여기서 중요한 점은 절대 값의 "거리"가 아니라 "실제 빼기 대상"에 서명 한 것을 고려한다는 것입니다. 우리는 목표보다 위 또는 아래에 있는지 알기 위해 사인을 유지합니다. 여기에서 직감은 여러분이 작성하는 바로 "동기 부여 된"행동이 "실제"를 "목표"에 더 가깝게 밀려 비대칭 성을 생성한다는 것입니다.
Alecos Papadopoulos

1
@NickStauner 사실, Silverfish의 멀리뛰기 검증 결과는 '높은 동기 부여 행동'과 관련이 있습니다 (인간이 일종의 비공식적 인 '
유익한

6

음수 왜곡은 홍수 수 문학에서 일반적입니다. 아래는 호주 엔지니어들이 개발 한 홍수 추정에 대한 가이드 인 '호주 강우 및 유출'(ARR)에서 가져온 홍수 주파수 곡선 (Mulgoa Rd의 South Creek, 위도 -33.8783, lon 150.7683)의 예입니다.

ARR에 주석이 있습니다.

호주에서 홍수의 대수 값과 공통되는 음의 왜곡으로 로그 Pearson III 분포의 상한이 있습니다. 이는 분포에서 도출 될 수있는 홍수에 대한 상한을 제공합니다. 경우에 따라 낮은 AEP의 홍수를 예측하는 데 문제가 발생할 수 있지만 실제로는 문제가되지 않는 경우가 많습니다. [호주 강우 및 유출에서 발췌 – 제 1 권, 제 4 권 섹션 2]

특정 위치의 홍수는 종종 'PMF (Probable Maximum Flood)'라고 불리는 상한을 갖는 것으로 간주됩니다. PMF를 계산하는 표준 방법이 있습니다.

여기에 이미지 설명을 입력하십시오


7
+1이 예는 문제가 실제로 임의적이라는 것을 잘 보여줍니다. 피크 방전 측면에서 홍수를 측정하면 양이 비뚤어 지지만 로그 방전으로 측정되면 음으로 왜곡됩니다. 이와 유사하게, 모든 양의 변수는 분포를 부정적으로 왜곡하는 간단한 방식으로 (단순하게 적절한 Box-Cox 매개 변수를 취함으로써) 다시 표현 될 수 있습니다. 이 모든 것은 "쉽게 파악"의 의미로 귀결되지만 통계에 관한 것이 아니라 학생들에 관한 질문입니다.
whuber

5

자산 가격 변동 (수익률)은 일반적으로 마이너스 비뚤어 짐을 나타냅니다. 비대칭은 거의 모든 유형의 자산 (주가, 상품 가격 등)에 적용되는 것으로 보입니다. 마이너스 비대칭은 월별 가격 변동에서 관찰 할 수 있지만 일일 또는 시간별 가격 변동을 살펴보면 훨씬 더 분명합니다. 나는 이것이 왜곡에 대한 주파수의 영향을 보여줄 수 있기 때문에 좋은 예라고 생각합니다.

자세한 내용은 http://www.fusioninvesting.com/2010/09/what-is-skew-and-why-is-it-important/


나는이 예를 많이 좋아한다! 본질적으로 "하향 충격이 상방 충격보다 더 가능성이 높거나 적어도 더 심각 할 것"이라고 직관적으로 설명하는 방법이 있습니까?
Silverfish

2
@Silverfish 나는 극단적 인 부정적인 시장 결과가 극단적 인 긍정적 인 시장 결과보다 더 가능성이 높기 때문에 말로 표현할 것이다. 시장은 또한 비대칭 변동성을 가지고 있습니다. 시장 변동성은 일반적으로 양수 수익보다 음수 수익을 더 많이 증가시킵니다. 이것은 종종 GJR-Garch와 같은 Garch 모델로 모델링됩니다 (아키 위키피디아 항목 참조).
John

3
또한 나쁜 소식이 한꺼번에 풀린다는 설명도 보았습니다. GJR-GARCH를 사용하지 않았습니다. 비대칭을 모델링하기 위해 multifractal Brownian motion (Mandelbrot)을 사용하려고 시도했지만 작동하지 못했습니다.
wcampbell

4
이것은 가장 간단합니다. 예를 들어, 31 개의 주식 지수에 대한 일일 수익률 데이터를 가져 왔습니다. 그중 절반 이상이 양의 비대칭 (Pearson 's skewness 사용)을 가지고 있으며 70 % 이상이 3 * (평균-중앙값) / stdev 측정에서 양수입니다. 원자재의 경우 수요와 공급의 충격으로 인해 가격이 급격히 상승 할 수 있기 때문에 (예 : 최근 몇 년 동안 석유, 가스, 옥수수 등) 더욱 긍정적 인 경향을 보입니다.
Chris Taylor

5

분만시 (특히 생년월일) 임신 연령은 비뚤어집니다. 영아는 매우 빨리 생존 할 수 있으며 (너무 빨리 생존 할 가능성은 적지 만) 36-41 주 사이에 최고치에 달하며 빠르게 떨어집니다. 41/42 주이면 미국 여성이 일반적으로 유도되는 것이 일반적이므로 그 시점 이후에는 많은 분만을 보지 못합니다.


4

어장에는 규제 요건으로 인해 부정적인 왜곡의 예가 종종 있습니다. 예를 들어 레크리에이션 어업에서 방출되는 물고기의 길이 분포; 때로는 물고기가 최소한의 길이를 유지해야하기 때문에 한도 이하의 모든 물고기는 버려집니다. 그러나 합법적 인 길이의 물고기가있는 곳에서 낚시를하는 사람들은 법적인 상한을 향해 음의 기울기와 형태를 갖는 경향이 있습니다. 법적 길이는 단단하지 않습니다. 가방 한도 (또는 도크로 가져올 수있는 물고기 수 제한) 때문에 사람들은 더 큰 물고기를 잡았을 때 여전히 합법적 인 크기의 물고기를 버립니다.

예를 들어 Sauls, B. 2012. 멕시코만 지역의 레크리에이션 어업 조사에서 적도의 크기 분포 및 방출 조건에 대한 데이터 요약. SEDAR31-DW11. SEDAR, 노스 찰스턴, SC. 29pp.


"큰 크기로 기울이기"는 일반적으로 "부정적"이 아니라 긍정적 인 왜곡 으로 해석됩니다 . 아마도 일반적인 분포의 예를 통해이 답변을 명확히 할 수 있습니까? 설명하는 메커니즘 (규정 상한 및이를 초과하는 경향)은 소형 어류의 잘린 분포에 따라 (물고기 측정 방법에 따라 : 왜도 질량 분포의 길이 분포는 길이 분포의 왜곡과 동일하지 않습니다.
whuber

3

이 글타래에 대한 몇 가지 좋은 제안이 있습니다. 연령 관련 사망률을 주제로, 기계 고장률은 종종 기계 수명의 함수이며이 등급의 분포에 속합니다. 이미 언급 한 재정적 요인에 더해, 재정 손실 기능 및 분포는 일반적으로 이러한 형태와 유사합니다. 또는 BIS II에서 자본 준비금 할당에 대한 규제 요건에 대한 입력 값으로 VAR (Value at Risk).


2

미국의 은퇴 연령은 부정적입니다. 퇴직자 대다수는 노년층이 비교적 나이가 많은 노인입니다.


2

랜덤 행렬 이론에서 Tracy Widom 분포 는 오른쪽으로 치우쳐 있습니다. 이것은 랜덤 행렬의 최대 고유 값 분포입니다. 대칭 적으로 가장 작은 고유 값은 음수 인 Tracy Widom 분포를 가지므로 왼쪽으로 치우칩니다.

이는 임의의 고유 값이 서로 반발하는 하전 된 입자와 유사하기 때문에, 가장 큰 고유 값은 나머지 고유 값에서 밀려나는 경향이 있습니다. 다음은 과장된 그림입니다 ( 여기 에서 찍은 사진 ).

여기에 이미지 설명을 입력하십시오


오른쪽으로 치우친 분포는 양의 왜도를 가지므로 질문에 응답하지 않습니다.
whuber

@ whuber : 가장 작은 고유 값을 사용해야합니다. 수정되었습니다.
Alex R.
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.