Skewness

Arti Kebingungan

Skewness menggambarkan seberapa besar sebaran data statistik asimetris dari sebaran normal, dimana sebaran terbagi rata di setiap sisinya. Jika suatu distribusi tidak simetris atau normal, maka akan miring, yaitu distribusi frekuensi miring ke kiri atau ke kanan.

Jenis Kemiringan

Jika distribusinya simetris, ia memiliki skewness 0 dan Mean = Median = Mode.

Jadi pada dasarnya, ada dua jenis:

Positif : Distribusi miring positif Distribusi Miring Positif Distribusi miring positif adalah salah satu di mana rata-rata, median, dan mode semuanya positif daripada negatif atau nol. Distribusi data lebih terkonsentrasi pada satu sisi skala, dengan ekor panjang di sebelah kanan.baca lebih lanjut ketika sebagian besar distribusi frekuensi terletak di sisi kanan dan memiliki ekor kanan yang lebih panjang dan gemuk di mana Mean > median > Modus distribusinya .

Negatif : Distribusi miring negatif ketika sebagian besar frekuensi distribusi terletak di sisi kiri dan memiliki ekor kiri yang lebih panjang dan gemuk. Dimana distribusi Mean < Median < Mode.

Rumus

Formula Skewness Formula Skewness Formula Skewness membantu dalam menentukan distribusi probabilitas dari kumpulan variabel yang diberikan. Berdasarkan rumus statistik, skewness bisa positif, negatif atau tidak terdefinisi. Skewness = ∑Ni (Xi – X)3 / (N-1) * σ3 baca selengkapnya di bawah ini –

Ada beberapa cara untuk menghitung skewness distribusi data. Salah satunya adalah koefisien pertama dan kedua Pearson.

Koefisien pertama Pearson (mode Skewness): Ada di MeanMeanMean mengacu pada rata-rata matematis yang dihitung untuk dua nilai atau lebih. Ada dua cara utama: rata-rata aritmatika, di mana semua angka ditambahkan dan dibagi dengan beratnya, dan dalam rata-rata geometris, kita mengalikan angka-angka tersebut, mengambil akar ke-N dan menguranginya dengan satu.baca lebih lanjut, modus, dan standar deviasi .

Rumus: (Mean – Mode)/Standar Deviasi.

Koefisien kedua Pearson (median skewness): Ada pada rata-rata distribusi, median, dan standar deviasi.

Rumus: (Mean – Median)/Standar Deviasi.

Seperti yang Anda lihat di atas, koefisien kemiringan pertama Pearson memiliki mode sebagai satu-satunya variabel untuk menghitungnya. Ini berguna ketika data memiliki jumlah yang lebih berulang dalam kumpulan data. Namun, misalkan hanya beberapa data berulang dalam kumpulan data yang termasuk dalam mode. Dalam hal itu, koefisien kemiringan kedua Pearson adalah ukuran tendensi sentral yang lebih andalCentral TendencyCentral Tendency adalah ukuran statistik yang menampilkan titik pusat dari seluruh Distribusi Data & Anda dapat menemukannya menggunakan 3 ukuran berbeda, yaitu, Rata-rata, Median, & Mode.baca lebih lanjut karena mempertimbangkan median kumpulan data, bukan mode.

Sebagai contoh:

Kumpulan data (a): 7,8,9,4,5,6,1,2,2,3.

Kumpulan data (b): 7,8,4,5,6,1,2,2,2,2,2,2,2,2,2,2,3.

Untuk kedua kumpulan data, kita dapat menyimpulkan bahwa modenya adalah 2. Tetapi tidak masuk akal untuk menggunakan koefisien kemiringan pertama Pearson untuk kumpulan data(a) karena angka 2 hanya muncul dua kali dalam kumpulan data, tetapi seseorang dapat menggunakannya. untuk membuat kumpulan data(b) karena memiliki mode yang lebih berulang.

Cara lain untuk menghitung skewness adalah dengan menggunakan rumus di bawah ini:

= variabel acak.
X = Rata-Rata Distribusi.
N = Jumlah variabel dalam distribusi.
α = Standar Deviasi.

Anda bebas menggunakan gambar ini di situs web Anda, templat, dll., Harap berikan kami tautan atribusiBagaimana Memberikan Atribusi? Tautan Artikel menjadi Hyperlink
Misalnya: Sumber: Skewness (wallstreetmojo.com)

Contoh Kemiringan

Untuk memahami konsep ini secara lebih rinci, mari kita lihat contoh di bawah ini:
Di perguruan tinggi manajemen XYZ, 30 mahasiswa tahun terakhir sedang mempertimbangkan penempatan kerja di firma riset QPR & kompensasi mereka didasarkan pada kinerja akademik dan pengalaman kerja sebelumnya. Di bawah ini adalah data kompensasi mahasiswa di firma riset PQR.

Larutan

Gunakan data di bawah ini:

Perhitungan Rata-Rata Distribusi

= ($400*12+$500*8+$700*5+$850*3+$1000*2)/30
Rerata Distribusi = 561,67

Perhitungan Standar Deviasi

Standar Deviasi = √{(Jumlah kuadrat simpangan * Jumlah siswa)/N}.
Standar Deviasi = 189,16

Perhitungan Skewness dapat dilakukan sebagai berikut –

Kecondongan: (jumlah Kubus Deviasi)/(N-1) * Kubus deviasi standar.
= (106374650.07) / (29 * 6768161.24)
= 0,54

Oleh karena itu, nilai 0,54 memberi tahu kita bahwa data distribusi menyimpang dari distribusi normal.

Keuntungan

Skewness lebih baik untuk mengukur kinerja pengembalian investasi.
Investor menggunakannya saat menganalisis kumpulan data karena mempertimbangkan distribusi yang ekstrim.
Ini adalah alat yang banyak digunakan dalam statistik karena membantu memahami seberapa banyak data asimetri dari distribusi normal.

Kekurangan

Kemiringan berkisar dari negatif hingga positif tak terhingga. Terkadang, sulit bagi seorang investor untuk memprediksi tren dalam kumpulan data.
Seorang analis meramalkan kinerja masa depan suatu aset menggunakan model keuangan, yang biasanya mengasumsikan bahwa data terdistribusi secara normal. Namun, jika distribusi datanya miring, model ini tidak akan mencerminkan hasil aktual dalam asumsinya.

Pentingnya

Statistik memainkan peran penting ketika distribusi data tidak normal. Titik data ekstrem dalam kumpulan data dapat menyebabkan distribusi data miring ke kiri (data ekstrem dalam kumpulan data lebih kecil, yang membuat kumpulan data miring negatif, yang hasilnya berarti<median<mode ) atau condong ke kanan (yaitu , data ekstrim lebih besar, data miring set positif yang menghasilkan mean>median>mode). Ini membantu investor dengan periode holding jangka pendek untuk menganalisis data guna mengidentifikasi tren yang jatuh pada akhir distribusi.

Kesimpulan

Skewness adalah seberapa banyak kumpulan data menyimpang dari distribusi normalnya. Nilai negatif yang lebih besar dalam kumpulan data berarti distribusinya miring secara negatif, dan nilai positif yang lebih besar dalam kumpulan data berarti distribusinya positif. Ini adalah ukuran statistik yang baik yang membantu investor memprediksi pengembalian distribusi.

Artikel yang Direkomendasikan

Artikel ini telah menjadi panduan untuk Skewness dan artinya. Disini kita akan membahas cara menghitung skewness beserta perhitungannya dan contohnya. Di sini, kami juga membahas kelebihan, kekurangan, dan kepentingannya. Anda juga dapat melihat artikel berikut: –