일 변량 데이터 Y1, Y2, …, YN의 경우 왜도의 공식은 다음과 같습니다.
- \
여기서 \ (\ bar {Y} \)는 themean, s는 표준 편차, N은 데이터 포인트의 수입니다. 왜도를 계산할 때 s는 N-1이 아닌 분모의 N으로 계산됩니다.
위의 왜도 공식을 Fisher-Pearson 왜도 계수라고합니다. 많은 소프트웨어 프로그램이 실제로 조정 된 Fisher-Pearson 왜도 계수를 계산합니다
- \
이것은 표본 크기에 대한 조정입니다. N이 커지면 조정이 1에 가까워집니다. 참고로 조정 계수는 N = 5 인 경우 1.49, N = 10 인 경우 1.19, N = 30 인 경우 1.08, N = 30 인 경우 1.02, N = 100 인 경우 1.02입니다.
정규 분포의 왜도는 0입니다. , 대칭 데이터는 0에 가까운 왜도를 가져야합니다. 왜도에 대한 음수 값은 왼쪽으로 치우친 데이터를 나타내고 왜도에 대해 양수 값은 오른쪽으로 치우친 데이터를 나타냅니다. 왼쪽으로 기울이면 왼쪽 꼬리가 오른쪽 꼬리에 비해 길다는 것을 의미합니다. 마찬가지로, 오른쪽으로 치우친다는 것은 오른쪽 꼬리가 왼쪽 꼬리에 비해 길다는 것을 의미합니다. 데이터가 다중 모달 인 경우 왜곡도의 부호에 영향을 미칠 수 있습니다.
일부 측정 값에는 하한이 있고 치우쳐 있습니다. 권리. 예를 들어, 신뢰성 연구에서 고장 시간은 음수 일 수 없습니다.
문헌에는 왜도에 대한 대체 정의가 있다는 점에 유의해야합니다. 예를 들어 Galton 왜도 (Bowley의 왜도라고도 함)는 다음과 같이 정의됩니다.
- \
여기서 Q1은 하위 사 분위수, Q3는 상위 사 분위수, Q2는 중앙값입니다.
Pearson 2 왜도 계수는 다음과 같이 정의됩니다.
- \
여기서 \ (\ tilde {Y} \)는 샘플 중앙값입니다.
여기에서 논의되지 않을 왜곡도에 대한 다른 많은 정의가 있습니다. .