Apa itu distribusi miring?

Distribusi yang miring mengacu pada distribusi probabilitas yang bersifat tidak rata dan asimetris.Tidak seperti distribusi normal standar, yang menyerupai kurva lonceng dalam bentuk, distribusi miring digeser ke satu sisi, memiliki ekor yang lebih panjang di satu sisi relatif ke sisi lain median.Sisi lain dari kurva akan memiliki puncak nilai yang dikelompokkan di mana sebagian besar titik data terjadi.Jenis kurva distribusi ini biasanya diklasifikasikan memiliki kemiringan positif atau kemiringan negatif, tergantung pada arah pergeseran kurva.

Umumnya, distribusi yang miring dikatakan memiliki kemiringan positif jika ekor kurva lebih panjang menyalasisi kanan bila dibandingkan dengan sisi kiri.Distribusi miring ini juga disebut condong ke kanan karena sisi kanan memiliki ekstensi yang lebih luas dari titik data.Kurva condong positif memiliki jumlah nilai terbesar ke sisi kiri kurva.

Sebaliknya, distribusi miring negatif memiliki titik data terbanyak di sisi kanan kurva.Kurva ini memiliki ekor yang lebih panjang di sisi kiri, sehingga mereka dikatakan miring ke kiri.Aturan penting dalam menentukan arah kemiringan adalah untuk mempertimbangkan panjang ekor daripada lokasi rata -rata atau median.Ini karena kemiringan pada akhirnya disebabkan oleh nilai -nilai terpencil terjauh, yang meregangkan kurva ke arah sisi grafik itu.

Memahami sifat -sifat distribusi miring adalah penting dalam banyak aplikasi statistik.Banyak orang berasumsi bahwa data mengikuti kurva lonceng, atau distribusi normal, sehingga mereka juga berasumsi bahwa grafik tidak memiliki kemiringan.Namun, asumsi -asumsi ini dapat menyebabkan mereka salah menafsirkan informasi tentang distribusi yang sebenarnya.

Distribusi yang miring secara inheren tidak merata, sehingga tidak akan mengikuti pola normal standar seperti standar deviasi.Distribusi normal melibatkan satu standar deviasi yang berlaku untuk kedua sisi kurva, tetapi distribusi miring akan memiliki nilai deviasi standar yang berbeda untuk setiap sisi kurva.Ini karena kedua belah pihak bukan gambar cermin satu sama lain, sehingga persamaan yang menggambarkan satu sisi tidak dapat diterapkan pada yang lain.Nilai standar deviasi umumnya lebih besar untuk sisi dengan ekor yang lebih panjang karena ada penyebaran data yang lebih luas di sisi itu jika dibandingkan dengan ekor yang lebih pendek.