Rechtssteile Verteilung / linkssteile Verteilung Statistik Wiki

Die Kurtosis gibt an, wie steil oder flach der Verlauf einer Kurve ist, die Schiefe gibt an, ob der Verlauf symmetrisch ist oder die Kurve auf einer Seite steiler verläuft als auf der anderen.. Als Beispiel nehmen wir kurz an, dass wir die Schiefe einer Einkommensverteilung untersuchen wollen, wobei das 1. Quartil bei 1200, das Zweite, also der Median bei 1500 und das Dritte bei 2500 Euro liegt. Diese drei Werte müssen wir nur in die Formel einsetzen und erhalten somit einen Wert von 0.54.

Die Schiefe (englisch skewness bzw. skew) ist eine statistische Kennzahl, die die Art und Stärke der Asymmetrie einer Wahrscheinlichkeitsverteilung beschreibt. Sie zeigt an, ob und wie stark die Verteilung nach rechts (rechtssteil, linksschief, negative Schiefe) oder nach links (linkssteil, rechtsschief, positive Schiefe) geneigt ist.

Definition

Die Schiefe

γ

m

{\displaystyle \gamma _{m}}

einer Zufallsvariablen

X

{\displaystyle X}

ist das zentrale Moment 3. Ordnung

μ

3

{\displaystyle \mu _{3}}

(falls das Moment 3. Ordnung existiert), normiert auf die Standardabweichung

σ

{\displaystyle \sigma }

:

γ

m

:=

μ

3

σ

3

=
E
⁡

[

(

X
−
μ

σ

)

3

]

=

E
⁡

[

(

X
−
μ

)

3

]

σ

3

=

E
⁡

(

X

3

)

−
3
E
⁡

(

X

2

)

μ
+
2

μ

3

σ

3

=

E
⁡

(

X

3

)

−
3
μ

σ

2

−

μ

3

σ

3

{\displaystyle \gamma _{m}:={\frac {\mu _{3}}{\sigma ^{3}}}=\operatorname {E} \left[\left({\frac {X-\mu }{\sigma }}\right)^{3}\right]={\frac {\operatorname {E} \left[\left(X-\mu \right)^{3}\right]}{\sigma ^{3}}}={\frac {\operatorname {E} \left(X^{3}\right)-3\operatorname {E} \left(X^{2}\right)\mu +2\mu ^{3}}{\sigma ^{3}}}={\frac {\operatorname {E} \left(X^{3}\right)-3\mu \sigma ^{2}-\mu ^{3}}{\sigma ^{3}}}}

.

mit dem Erwartungswert

μ
=
E
⁡
(
X
)

{\displaystyle \mu =\operatorname {E} (X)}

und der Varianz

σ

2

=
Var
⁡
(
X
)

{\displaystyle \sigma ^{2}=\operatorname {Var} (X)}

. Diese Darstellung wird auch Momentenkoeffizient der Schiefe genannt. Mit den Kumulanten

κ

i

{\displaystyle \kappa _{i}}

ergibt sich die Darstellung

γ

m

=

κ

3

κ

2

3

=

κ

3

Var
⁡
(
X

)

3
2

{\displaystyle \gamma _{m}={\frac {\kappa _{3}}{\sqrt {\kappa _{2}^{3}}}}={\frac {\kappa _{3}}{\operatorname {Var} (X)^{\frac {3}{2}}}}}

.

Die Schiefe kann jeden reellen Wert annehmen.

• Bei negativer Schiefe,

  γ

  m

  <
  0

  {\displaystyle \gamma _{m}<0}

  , spricht man von einer linksschiefen oder rechtssteilen Verteilung; sie fällt in typischen Fällen auf der linken Seite flacher ab als auf der rechten.

• Bei positiver Schiefe,

  γ

  m

  >
  0

  {\displaystyle \gamma _{m}>0}

  , spricht man von einer rechtsschiefen oder linkssteilen Verteilung; sie fällt typischerweise umgekehrt auf der rechten Seite flacher ab als auf der linken.

Typische Vertreter rechtsschiefer Verteilungen sind die Bernoulli-Verteilung für

p
<
1

/

2

{\displaystyle p<1/2}

, die Exponentialverteilung und die Pareto-Verteilung für

k
>
3

{\displaystyle k>3}

.

Die Schiefe ist invariant unter linearer Transformation mit

a
>
0

{\displaystyle a>0}

:

γ

m

(
a
X
+
b
)
=

γ

m

(
X
)

{\displaystyle \gamma _{m}(aX+b)=\gamma _{m}(X)}

Für die Summe unabhängiger normierter Zufallsgrößen

X

i

{\displaystyle X_{i}}

gilt:

γ

m

(

X

1

+

X

2

+
…
+

X

n

)
=

(

γ

m

(

X

1

)
+

γ

m

(

X

2

)
+
…
+

γ

m

(

X

n

)

)

/

n

3
2

{\displaystyle \gamma _{m}(X_{1}+X_{2}+\ldots +X_{n})=\left(\gamma _{m}(X_{1})+\gamma _{m}(X_{2})+\ldots +\gamma _{m}(X_{n})\right)/n^{\frac {3}{2}}}

,

d. h. die Schiefe der Summe unabhängiger und identisch verteilter Zufallsgrößen ist die ursprüngliche Schiefe, dividiert durch

n

{\displaystyle {\sqrt {n}}}

.

Empirische Schiefe

Zur Berechnung der Schiefe einer empirischen Häufigkeitsverteilung wird die folgende Formel benutzt:

g

m

=

m

3

s

3

=

1
n

∑

i
=
1

n

(

x

i

−

x
¯

)

3

1
n

∑

i
=
1

n

(

x

i

−

x
¯

)

2

3

=

1
n

∑

i
=
1

n

(

x

i

−

x
¯

s

)

3

{\displaystyle g_{m}={\frac {m_{3}}{s^{3}}}={\frac {{\tfrac {1}{n}}\sum _{i=1}^{n}(x_{i}-{\overline {x}})^{3}}{{\sqrt {{\tfrac {1}{n}}\sum _{i=1}^{n}(x_{i}-{\overline {x}})^{2}}}^{3}}}={\frac {1}{n}}\sum _{i=1}^{n}\left({\frac {x_{i}-{\overline {x}}}{s}}\right)^{3}}

Damit die Schiefe unabhängig von der Maßeinheit der Variablen ist, werden die Messwerte mit Hilfe des arithmetischen Mittelwertes

x
¯

{\displaystyle {\overline {x}}}

und der empirischen Standardabweichung

s

{\displaystyle s}

der Beobachtungswerte

x

i

{\displaystyle x_{i}}

z

i

=

x

i

−

x
¯

s

{\displaystyle z_{i}={\frac {x_{i}-{\overline {x}}}{s}}}

standardisiert. Durch die Standardisierung gilt

z
¯

=

1
n

∑

i
=
1

n

z

i

=
0

{\displaystyle {\overline {z}}={\frac {1}{n}}\sum _{i=1}^{n}z_{i}=0\quad }

und

s

z

2

=

1
n

∑

i
=
1

n

z

i

2

=
1

{\displaystyle \quad s_{z}^{2}={\frac {1}{n}}\sum _{i=1}^{n}z_{i}^{2}=1}

.

Schätzung der Schiefe einer Grundgesamtheit

Zur Schätzung der unbekannten Schiefe

γ

m

{\displaystyle \gamma _{m}}

einer Grundgesamtheit mittels Stichprobendaten

x

1

,
…
,

x

n

{\displaystyle x_{1},\ldots ,x_{n}}

(

n

{\displaystyle n}

der Stichprobenumfang) müssen der Erwartungswert und die Varianz aus der Stichprobe geschätzt werden, d. h. die theoretischen durch die empirischen Momente ersetzt werden:

γ
~

m

=

1
n

∑

i
=
1

n

(

x

i

−

x
¯

s

)

3

{\displaystyle {\tilde {\gamma }}_{m}={\frac {1}{n}}\sum _{i=1}^{n}\left({\frac {x_{i}-{\overline {x}}}{s}}\right)^{3}}

mit

x
¯

{\displaystyle {\overline {x}}}

der Stichprobenmittelwert und

s

{\displaystyle s}

die Stichprobenstandardabweichung. Dieser Schätzer ist jedoch nicht erwartungstreu für

γ

m

{\displaystyle \gamma _{m}}

im Gegensatz zu

γ
^

m

=

n

(
n
−
1
)
(
n
−
2
)

∑

i
=
1

n

(

x

i

−

x
¯

s

)

3

{\displaystyle {\hat {\gamma }}_{m}={\frac {n}{(n-1)(n-2)}}\sum _{i=1}^{n}\left({\frac {x_{i}-{\overline {x}}}{s}}\right)^{3}}

.

Weitere Schiefemaße

Lage von Mittelwert und Median

Auf Karl Pearson geht die Definition

S
=

μ
−

x

med

σ

{\displaystyle S={\frac {\mu -x_{\text{med}}}{\sigma }}}

mit dem Erwartungswert

μ

{\displaystyle \mu }

, dem Median

x

med

{\displaystyle x_{\text{med}}}

und der Standardabweichung

σ

{\displaystyle \sigma }

zurück. Der Wertebereich von S ist das Intervall

[
−
1
,
1
]

{\displaystyle [-1,1]}

. Für symmetrische Verteilungen ist

S
=
0

{\displaystyle S=0}

. Rechtsschiefe Verteilungen besitzen häufig ein positives

S

{\displaystyle S}

, es gibt jedoch Ausnahmen von dieser Faustregel.

Wenn die Standardabweichung divergiert, kann die Pearsonsche Definition verallgemeinert werden, indem eine Verteilung rechtsschief bezeichnet wird, wenn der Median kleiner als der Erwartungswert ist. In diesem Sinn ist die Pareto-Verteilung für beliebigen Parameter

k
>
1

{\displaystyle k>1}

rechtsschief.

Quantilskoeffizient der Schiefe

Der Quantilskoeffizient der Schiefe beschreibt die normierte Differenz zwischen der Entfernung des

α

{\displaystyle \alpha }

– und des

(
1
−
α
)

{\displaystyle (1-\alpha )}

-Quantils zum Median. Er wird also wie folgt berechnet:

γ

p

=

(

x

1
−
α

−

x

med

)
−
(

x

med

−

x

α

)

x

1
−
α

−

x

α

,

α
∈

(

0
,

1
2

)

{\displaystyle \gamma _{p}={\frac {(x_{1-\alpha }-x_{\text{med}})-(x_{\text{med}}-x_{\alpha })}{x_{1-\alpha }-x_{\alpha }}},\quad \alpha \in \left(0,{\tfrac {1}{2}}\right)}

Dabei kann der Quantilskoeffizient Werte zwischen

−
1

{\displaystyle -1}

und

1

{\displaystyle 1}

annehmen. Der Quantilskoeffizient existiert für beliebige Verteilungen, auch wenn Erwartungswert oder die Standardabweichung nicht definiert sein sollten.

Eine symmetrische Verteilung besitzt den Quantilskoeffizienten

0

{\displaystyle 0}

; eine rechtsschiefe (linksschiefe) Verteilung besitzt in der Regel einen positiven (negativen) Quantilskoeffizienten. Für

α
=

1
4

{\displaystyle \alpha ={\tfrac {1}{4}}}

ergibt sich der Quartilskoeffizient. Die Pareto-Verteilung besitzt für beliebige Parameter

k
>
0

{\displaystyle k>0}

positive Quantilskoeffizienten.

Deutung

Ist

γ

p

>
0

{\displaystyle \gamma _{p}>0}

, so ist die Verteilung rechtsschief,
ist

γ

p

<
0

{\displaystyle \gamma _{p}<0}

, ist die Verteilung linksschief. Für gutartige Verteilungen gilt: Bei rechtsschiefen Verteilungen sind Werte, die kleiner sind als der Mittelwert, häufiger zu beobachten, so dass sich der Gipfel (Modus) links vom Mittelwert befindet; der rechte Teil des Graphs ist flacher als der linke. Gilt

γ

p

=
0

{\displaystyle \gamma _{p}=0}

, so ist die Verteilung auf beiden Seiten ausgeglichen. Bei symmetrischen Verteilungen ist immer

γ

p

=
0

{\displaystyle \gamma _{p}=0}

. Umgekehrt müssen Verteilungen mit

γ

p

=
0

{\displaystyle \gamma _{p}=0}

nicht symmetrisch sein.

Als Faustregeln kann man für gutartige Verteilungen also festhalten:

• rechtsschief:

  x

  mod

  <

  x

  med

  <

  x
  ¯

  {\displaystyle x_{\text{mod}}<x_{\text{med}}<{\overline {x}}}

• symmetrisch:

  x

  mod

  =

  x

  med

  =

  x
  ¯

  {\displaystyle x_{\text{mod}}=x_{\text{med}}={\overline {x}}}

• linksschief:

  x

  mod

  >

  x

  med

  >

  x
  ¯

  {\displaystyle x_{\text{mod}}>x_{\text{med}}>{\overline {x}}}

Die Schiefe ist ein Maß für die Asymmetrie einer Wahrscheinlichkeitsverteilung. Da die Gaußsche Normalverteilung symmetrisch ist, also eine Schiefe von null besitzt, ist die Schiefe eine mögliche Maßzahl, um eine Verteilung mit der Normalverteilung zu vergleichen. (Für einen Test dieser Eigenschaft siehe z. B. den Kolmogorow-Smirnow-Test.)

Interpretation der Schiefe

Rechtsschiefe Verteilungen findet man z. B. häufig beim Pro-Kopf-Einkommen. Hier gibt es einige wenige Personen mit extrem hohem Einkommen und sehr viele Personen mit eher niedrigem Einkommen. Durch die 3. Potenz erhalten die wenigen sehr extremen Werte ein hohes Gewicht und es entsteht ein Schiefemaß mit positivem Vorzeichen. Es gibt verschiedene Formeln, um die Schiefe zu berechnen. Die gängigen Statistikpakete wie SPSS, SYSTAT, Stata etc. nutzen besonders im Falle einer kleinen Fallzahl von obiger, momentbasierter Berechnungsvorschrift abweichende Formeln.

Siehe auch

• Wölbung (Statistik)

Literatur

• W. H. Press et al.: Numerical Recipes in C. 2. Auflage. Cambridge University Press, 1992, Kapitel 14.1.

Einzelnachweise

Weblinks

• Schiefe erklärt anhand von grafischen Beispielen

Schiefe Ebenen — Grundwissen Physik

Deskriptive Statistik mit R Datenanalyse mit R, STATA & SPSS

Was Ist Eine Positive Schiefe , Schiefe und Kurtosis verstehen und

Chapter 6 Formale Methoden der Sozioökonomie R für die sozio

Links oder rechtsschiefe Verteilungen Statorials

Material für das Kapitel V Die Schiefe einer Verteilung

PPT Qualitative Charakterisierung von Verteilungen. PowerPoint

8.2 Datentransformation Daten Analyse mit RStudio Dokumentation

PPT STATISIK PowerPoint Presentation, free download ID6783406

Wahrscheinlichkeitsverteilung · Anschauliche Erklärung · [mit Video]

Aspekte zu Messunsicherheit im Unterricht

Schiefe • Definition Gabler Wirtschaftslexikon

Statistik Normalverteilung oder schiefe Verteilung? (Schule

So berechnen Sie die Schiefe in Excel • Statologie

Schiefe Ebenen — Grundwissen Physik

Kenngrößen (Momente) von Zufallsvariablen II Schiefe, Wölbung

Grundbegriffe und Kennwerte Gliederung Deskriptive Statistik

Stichprobenkennwerte III Empirische Schiefe und Wölbung YouTube

Rechtssteile Verteilung / linkssteile Verteilung Statistik Wiki

Schiefe Ebene • Kräfte, Formeln und Aufgaben · [mit Video]

Die Schiefe (englischer Fachausdruck: Skewness bzw. Skew) ist eine statistische Kennzahl die die Art und Stärke der Asymmetrie einer Wahrscheinlichkeitsverteilung beschreibt. Sie zeigt an, ob und wie stark die Verteilung nach rechts (positive Schiefe) oder nach links (negative Schiefe) geneigt ist. Jede nicht >symmetrische Verteilung heißt schief.. Die Schiefe einer Verteilung bezieht sich darauf, wie asymmetrisch eine Verteilung ist. Das kann man am besten an einem Diagramm der Verteilung (zum Beispiel Histogramm) erkennen, aber auch bereits an den Werten einer Häufigkeitstabelle.