Y1, Y2, …, YN egyváltozós adatok esetén a ferdeség képlete:
- \
ahol \ (\ bar {Y} \) tematikus, s a standard eltérés, N pedig az adatpontok száma. Ne feledje, hogy a ferdeség kiszámításakor az s-t N-1 helyett a nominátorban N-vel számolják.
A fenti ferdeségi képletet Fisher-Pears ferdeségi együtthatónak nevezik. Sok szoftver ténylegesen kiszámítja a beállított Fisher-Pearson ferdeségi együtthatót.
- \
Ez a minta méretének kiigazítása. A kiigazítás megközelíti1, amikor N nagy lesz. Referenciaként: a kiigazítási tényező 1,49 N = 5 esetén, 1,19 N = 10 esetén, 1,08 N = 20,1,05 N = 30 esetén és 1,02 N = 100 esetén. ormál eloszlás ferdesége nulla , és minden szimmetrikus adatnak ferde kell lennie nulla közelében. A ferdeség negatív értékei a balra ferde adatokat, a pozitív értékek pedig a jobbra ferde adatokat mutatják. Ferde balra, wemean hogy a bal farok hosszú a jobb farokhoz képest. Hasonlóképpen, a ferde jobb azt jelenti, hogy a jobb farok hosszú a bal farhoz képest. Ha az adatok multimodálisak, akkor ez befolyásolhatja a széthúzás jeleit.
Néhány mérés alsó határt mutat és ferde. jobb. Például a megbízhatósági vizsgálatokban a meghibásodási idők nem lehetnek negatívak. Például a galtoni ferdeséget (más néven Bowley ferdeségét) úgy definiálják, hogy
- \
ahol Q1 az alsó kvartilis, Q3 a felső kvartilis, és Q2 a medián.
A Pearson 2 ferdeségi együtthatója
- \
ahol a minta mediánja a \ (\ tilde {Y} \).
A ferdeségnek számos más definíciója van, amelyek itt nem kerülnek tárgyalásra. .