偏度(skewness)和峰度(kurtosis)：
偏度能够反应分布的对称情况，右偏（也叫正偏），在图像上表现为数据右边脱了一个长长的尾巴，这时大多数值分布在左侧，有一小部分值分布在右侧。
峰度反应的是图像的尖锐程度：峰度越大，表现在图像上面是中心点越尖锐。在相同方差的情况下，中间一大部分的值方差都很小，为了达到和正太分布方差相同的目的，必须有一些值离中心点越远，所以这就是所说的“厚尾”，反应的是异常点增多这一现象。
偏度的定义：
样本X的偏度为样本的三阶标准矩
其中\mu是均值，\delta为标准差，E是均值操作。\mu_3是三阶中心距，\kappa_t 是t^{th}累积量
偏度可以由三阶原点矩来进行表示：
样本偏度的计算方法：
一个容量为n的数据，一个典型的偏度计算方法如下：
其中\bar x为样本的均值（和\mu的区别是，\mu是整体的均值，\bar x为样本的均值）。s是样本的标准差，m_3是样本的3阶中心距。
另外一种定义如下：
k_3是三阶累积量\kappa_3的唯一对称无偏估计(unique symmetric unbiased estimator)（k_3 和 \kappa_3写法不一样）。k_2=s^2是二阶累积量的对称无偏估计。
大多数软件当中使用G_1来计算skew，如Excel，Minitab，SAS和SPSS。
峰度的定义：
峰度定义为四阶标准矩，可以看出来和上面偏度的定义非常的像，只不过前者是三阶的。
样本的峰度计算方法：
样本的峰度还可以这样计算：
其中k_4是四阶累积量的唯一对称无偏估计，k_2是二阶累积量的无偏估计（等同于样本方差），m_4是样本四阶平均距，m_2是样本二阶平均距。
同样，大多数程序都是采用G_2来计算峰度。
python使用pandas来计算偏度和峰度
import pandas as pd
x = [53, 61, 49, 66, 78, 47]
s = pd.Series(x)
print(s.skew())
print(s.kurt())它是用上面的G_1来计算偏度 G_2来计算峰度，结果如下：
0.7826325504212567
-0.2631655441038463参考：
偏度和峰度如何影响您的分布
Skewness 维基百科给出了偏差的计算公式
Kurtosis 维基百科给出峰度的计算公式
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/hz/148073.html