तिरछापन परिभाषा;

तिरछा क्या है?

स्किवेंस का तात्पर्य डेटा के एक सेट में सममित बेल वक्र में विकृति या विषमता या सामान्य वितरण से है। यदि वक्र को बाईं ओर या दाईं ओर स्थानांतरित किया जाता है, तो इसे तिरछा कहा जाता है। तिरछापन को उस मात्रा के प्रतिनिधित्व के रूप में निर्धारित किया जा सकता है जो किसी दिए गए वितरण को सामान्य वितरण से भिन्न होता है। एक सामान्य वितरण में शून्य का तिरछा भाग होता है, जबकि एक सामान्य वितरण, उदाहरण के लिए, कुछ डिग्री दाहिने-तिरछे का प्रदर्शन करेगा।

नीचे दर्शाए गए तीन संभाव्यता वितरण सकारात्मक रूप से तिरछे (या दाएं-तिरछा) एक बढ़ती हुई डिग्री के हैं। नकारात्मक रूप से तिरछे वितरण को बाएं-तिरछे वितरण के रूप में भी जाना जाता है। एक संभावना वितरण की पूंछ में गिरने वाली घटनाओं की संभावना का बेहतर ढंग से न्याय करने के लिए कर्टोसिस के साथ तिरछापन का उपयोग किया जाता है।

जूली बैंग द्वारा इमेज © इन्वेस्टोपेडिया 2019

चाबी छीन लेना

• स्केवनेस, सांख्यिकी में, प्रायिकता वितरण में सममित बेल वक्र से विकृति की डिग्री है। अंशों को सही (सकारात्मक) तिरछापन या बाएं (नकारात्मक) तिरछा को अलग-अलग डिग्री में प्रदर्शित किया जा सकता है। जब वापसी की स्थिति को देखते हुए, तो विनिवेशकर्ता तिरछा हो जाता है, क्योंकि यह पसंद है कुर्टोसिस, औसत पर केवल ध्यान केंद्रित करने के बजाय सेट किए गए डेटा के चरम पर विचार करता है।

स्केवनेस समझाते हुए

सकारात्मक और नकारात्मक तिरछा के अलावा, वितरण को शून्य या अपरिभाषित तिरछा भी कहा जा सकता है। किसी वितरण के वक्र में, वक्र के दाईं ओर का डेटा बाईं ओर के डेटा से अलग प्रकार से हो सकता है। इन टेम्परिंग को "पूंछ" के रूप में जाना जाता है। नकारात्मक तिरछा वितरण के बाईं ओर एक लंबी या फैटर पूंछ को संदर्भित करता है, जबकि सकारात्मक तिरछा दाईं ओर लंबी या मोटी पूंछ को संदर्भित करता है।

सकारात्मक रूप से तिरछे डेटा का माध्य माध्यिका से अधिक होगा। एक वितरण में जो नकारात्मक रूप से तिरछा होता है, ठीक इसके विपरीत मामला है: नकारात्मक रूप से तिरछे डेटा का मतलब औसत से कम होगा। यदि डेटा सममित रूप से रेखांकन करता है, तो वितरण में तिरछापन है, भले ही पूंछ कितनी लंबी या मोटी हो।

तिरछापन को मापने के कई तरीके हैं। पियर्सन के तिरछेपन के पहले और दूसरे गुणांक दो सामान्य हैं। पियर्सन का तिरछापन का पहला गुणांक, या पियर्सन मोड तिरछापन, मोड को बीच से हटाता है और मानक विचलन द्वारा अंतर को विभाजित करता है। पियर्सन के तिरछेपन का दूसरा गुणांक, या पियर्सन माध्य तिरछापन, माध्य को माध्य से घटाता है, अंतर को तीन से गुणा करता है और मानक विचलन द्वारा उत्पाद को विभाजित करता है।

पियर्सन के तिरछेपन के सूत्र हैं:

Sk1 = sX1 Sk Mo Sk2 = s3X−: Md जहां: Sk1 = पियर्सन का तिरछापन और Sk2 का पहला गुणांक सेकंड = नमूना X के लिए मानक विचलन = माध्यमान = मोडल है (मोड) मान

यदि डेटा एक मजबूत मोड प्रदर्शित करता है तो पियर्सन का तिरछापन का पहला गुणांक उपयोगी है। यदि डेटा में कमजोर मोड या कई मोड हैं, तो पीयरसन का दूसरा गुणांक बेहतर हो सकता है, क्योंकि यह केंद्रीय प्रवृत्ति के माप के रूप में मोड पर निर्भर नहीं करता है।

तिरछा क्या है?

तिरछापन आपको क्या बताता है?

निवेशक रिटर्न वितरण को देखते हुए तिरछा ध्यान देते हैं क्योंकि यह कुर्तोसिस की तरह, केवल औसत पर ध्यान केंद्रित करने के बजाय डेटा सेट के चरम पर विचार करता है। अल्पकालिक और मध्यम अवधि के निवेशकों को विशेष रूप से चरम पर देखने की जरूरत है क्योंकि वे लंबे समय तक एक स्थिति धारण करने की संभावना रखते हैं कि यह आश्वस्त हो कि औसत खुद ही काम करेगा।

निवेशक आमतौर पर भविष्य के रिटर्न की भविष्यवाणी करने के लिए मानक विचलन का उपयोग करते हैं, लेकिन मानक विचलन सामान्य वितरण को मानता है। चूंकि कुछ वापसी वितरण सामान्य के करीब आते हैं, तिरछापन एक बेहतर उपाय है जिसके आधार पर प्रदर्शन की भविष्यवाणियों को आधार बनाया जाता है। यह तिरछा जोखिम के कारण है।

तिरछा वितरण में उच्च तिरछापन के डेटा बिंदु को मोड़ने का जोखिम जोखिम है। कई वित्तीय मॉडल जो किसी संपत्ति के भविष्य के प्रदर्शन की भविष्यवाणी करने का प्रयास करते हैं, एक सामान्य वितरण मानते हैं, जिसमें केंद्रीय प्रवृत्ति के उपाय समान हैं। यदि डेटा को तिरछा किया जाता है, तो इस तरह का मॉडल हमेशा अपनी भविष्यवाणियों में विषमता जोखिम को कम करेगा। डेटा को जितना अधिक तिरछा किया जाएगा, यह वित्तीय मॉडल उतना ही सटीक होगा।