Dispersion vs Skewness
Sa statistics at probability theory, kadalasan ang pagkakaiba-iba sa mga distribusyon ay kailangang ipahayag sa dami para sa layunin ng paghahambing. Ang Dispersion at Skewness ay dalawang istatistikal na konsepto kung saan ang hugis ng distribusyon ay ipinakita sa isang quantitative scale.
Higit pa tungkol sa Dispersion
Sa mga istatistika, ang dispersion ay ang variation ng isang random variable o ang probability distribution nito. Ito ay isang sukatan kung gaano kalayo ang mga punto ng data mula sa gitnang halaga. Upang maipahayag ito sa dami, ginagamit ang mga sukat ng dispersion sa descriptive statistic.
Variance, Standard Deviation, at Inter-quartile range ang pinakakaraniwang ginagamit na mga sukat ng dispersion.
Kung ang mga value ng data ay may partikular na unit, dahil sa sukat, ang mga sukat ng dispersion ay maaari ding magkaroon ng parehong mga unit. Interdecile range, Range, mean difference, median absolute deviation, average absolute deviation, at distance standard deviation ay mga sukat ng dispersion na may mga unit.
Sa kabilang banda, may mga sukat ng dispersion na walang mga unit, ibig sabihin, walang dimension. Ang variance, Coefficient of variation, Quartile coefficient ng dispersion, at Relative mean difference ay mga sukat ng dispersion na walang unit.
Ang dispersion sa isang system ay maaaring magmula sa mga error, gaya ng instrumental at observational error. Gayundin, ang mga random na pagkakaiba-iba sa sample mismo ay maaaring magdulot ng mga pagkakaiba-iba. Mahalagang magkaroon ng quantitative idea tungkol sa variation ng data bago gumawa ng iba pang konklusyon mula sa data set.
Higit pa tungkol sa Skewness
Sa mga istatistika, ang skewness ay isang sukatan ng kawalaan ng simetrya ng mga pamamahagi ng posibilidad. Ang skewness ay maaaring maging positibo o negatibo, o sa ilang mga kaso ay wala. Maaari rin itong ituring bilang sukatan ng offset mula sa normal na distribusyon.
Kung positibo ang skewness, ang karamihan sa mga punto ng data ay nakasentro sa kaliwa ng curve at mas mahaba ang kanang buntot. Kung negatibo ang skewness, ang karamihan sa mga punto ng data ay nakasentro sa kanan ng curve at ang kaliwang buntot ay medyo mahaba. Kung ang skewness ay zero, ang populasyon ay normal na namamahagi.
Sa isang normal na distribusyon, iyon ay kapag ang kurba ay simetriko, ang mean, median, at mode ay may parehong halaga. Kung ang skewness ay hindi zero, ang property na ito ay hindi gagana, at ang mean, mode, at median ay maaaring may iba't ibang value.
Ang una at pangalawang coefficient ng skewness ng Pearson ay karaniwang ginagamit para sa pagtukoy ng skewness ng mga distribusyon.
Unang skewness coffeicent ni Pearson=(mean – mode) / (standard deviation)
Pearson's second skewness coffeicent=3(mean – mode) / (satndard deviation)
Sa mas sensitibong mga kaso, ginagamit ang adjusted Fisher-Pearson standardized moment coefficient.
G={n / (n-1)(n-2)} ∑i=1 ((y-ӯ)/s)3
Ano ang pagkakaiba ng Dispersion at Skewness?
Nababahala ang dispersion tungkol sa hanay kung saan ibinabahagi ang mga punto ng data, at ang skewness ay tungkol sa simetriya ng pamamahagi.
Ang parehong mga sukat ng dispersion at skewness ay mga mapaglarawang sukat at ang coefficient ng skewness ay nagbibigay ng indikasyon sa hugis ng pamamahagi.
Ginagamit ang mga sukat ng dispersion upang maunawaan ang hanay ng mga punto ng data at i-offset mula sa mean habang ang skewness ay ginagamit para sa pag-unawa sa tendensya ng pagkakaiba-iba ng mga punto ng data sa isang tiyak na direksyon.
