асиметрия

Какво е Skewness?

Skewness се отнася до изкривяване или асиметрия в симетрична крива на звънеца или нормално разпределение в набор от данни. Ако кривата се измести наляво или надясно, се казва, че е изкривена. Skewness може да се определи количествено като представяне на степента, в която дадено разпределение варира от нормалното разпределение. Нормалното разпределение има нулево наклонение, докато лонормалното разпределение, например, би показвало някаква степен на десен косинг.

Трите разпределения на вероятностите, показани по-долу, са с положително изкривяване (или с право наклонение) в нарастваща степен. Негативно изкривените дистрибуции са известни също като дистрибутори с ляво изкривяване. Skewness се използва заедно с куртоза, за да се прецени по-добре вероятността събитията да попаднат в опашките на вероятностното разпределение.

Ключови заведения

• Skewness, в статистиката, е степента на изкривяване от симетричната крива на звънеца при разпределение на вероятността.
• Разпределенията могат да проявяват в различна степен дясно (положително) наклоняване или ляво (отрицателно).
• Инвеститорите отбелязват косост, когато преценяват разпределението на възвръщаемостта, тъй като, подобно на куртоза, отчитат крайностите на набора от данни, а не се фокусират само върху средното ниво.

Обясняване на Skewness

Освен положително и отрицателно наклонение, може да се каже, че дистрибуциите имат и нулево или неопределено изкривяване. В кривата на разпределение данните от дясната страна на кривата могат да се стесняват различно от данните от лявата страна. Тези стеснения са известни като "опашки". Отрицателното изкривяване се отнася до по-дълга или по-дебела опашка от лявата страна на разпределението, докато положителното изкривяване се отнася до по-дълга или по-дебела опашка от дясната страна.

Средната стойност на положително изкривените данни ще бъде по-голяма от средната. При разпределение, което е отрицателно изкривено, е точно обратното: средната стойност на отрицателно изкривените данни ще бъде по-малка от средната. Ако графиката на данните е симетрично, разпределението има нулева косост, независимо колко са дълги или дебели опашките.

Има няколко начина за измерване на косостта. Първият и вторият коефициент на косост на Пиърсън са два общи. Първият коефициент на косост на Пиърсън или косостта на режим на Пиърсън изважда режима от средната стойност и разделя разликата със стандартното отклонение. Вторият коефициент на наклонение на Пиърсън или средния скат на Пиърсън, изважда средната стойност от средната стойност, умножава разликата на три и разделя продукта по стандартното отклонение.

Формулите за косостта на Пиърсън са:

където:

• Sk ₁ е първият коефициент на косост на Пиърсън, а Sk ₂ вторият;
• s е стандартното отклонение за пробата;
• x̄ е средната стойност;
• Mo е модалната (режимната) стойност; и
• Md е средната стойност.

Първият коефициент на косост на Пиърсън е полезен, ако данните показват силен режим. Ако данните имат слаб режим или няколко режима, вторият коефициент на Пиърсън може да бъде за предпочитане, тъй като не разчита на режим като мярка за централна тенденция.

0:58

Какво е Skewness ">

Какво ви казва Skewness?

Инвеститорите отбелязват косост, когато преценяват разпределението на възвръщаемостта, тъй като, подобно на куртоза, отчитат крайностите на набора от данни, а не се фокусират само върху средното ниво. В частност, краткосрочните и средносрочните инвеститори трябва да гледат на крайности, тъй като е по-малко вероятно да заемат позиция достатъчно дълго, за да са сигурни, че средната стойност ще се справи сама.

Инвеститорите обикновено използват стандартно отклонение за прогнозиране на бъдещата възвръщаемост, но стандартното отклонение предполага нормално разпределение. Тъй като малкото разпределение на възвръщаемостта се доближава до нормалното, косостта е по-добра мярка, върху която да се основават прогнозите за ефективността. Това се дължи на риска от изкривяване.

Рискът на скосяване е увеличеният риск от задействане на точка от данни с високо наклонение при косо разпределение. Много финансови модели, които се опитват да предскажат бъдещото представяне на активите, приемат нормално разпределение, при което мерките с централна тенденция са равни. Ако данните са изкривени, този вид модел винаги ще подценява риска от наклоняване в своите прогнози. Колкото по-изкривени са данните, толкова по-точен ще бъде този финансов модел.

Сравнете инвестиционни сметки Име на доставчика Описание Разкриване на рекламодатели × Офертите, които се появяват в тази таблица, са от партньорства, от които Investopedia получава компенсация.

Свързани условия

Нормално разпределение Нормалното разпределение е непрекъснато разпределение на вероятността, при което стойностите лежат по симетричен начин, разположени най-вече около средната стойност. повече Платикуртоза Платикуртозата е статистически термин, който се отнася до относителната плоскост на разпределение на вероятността. повече Звънене на кривата на звънеца Кривата на звънеца е най-често срещаният тип разпределение на променлива и следователно се счита за нормално разпределение. Терминът "крива на звънеца" произхожда от факта, че графиката, използвана за изобразяване на нормално разпределение, се състои от камбанария. повече Опасност от опасност при инвестиции Опасността от опашка е портфейлен риск, който възниква, когато възможността инвестицията да се движи повече от три стандартни отклонения от средната стойност е по-голяма от тази, която се показва при нормално разпределение. повече Симетрично разпределение Симетричното разпределение е очевидно, когато стойностите на променливите се появяват през редовен интервал. Освен това средната стойност, средната стойност и режимът се появяват в една и съща точка. повече Куртоза Куртозата е статистическа мярка, използвана за описание на разпределението на наблюдаваните данни около средната стойност. Понякога се нарича "променливост на променливостта". повече партньорски връзки