Dla danych jednowymiarowych Y1, Y2, …, YN, wzór na skośność jest następujący:
- \
gdzie \ (\ bar {Y} \) to wartość motywu, s to odchylenie standardowe, a N to liczba punktów danych. Zauważ, że obliczając skośność, s jest obliczane z N w mianowniku, a nie z N – 1.
Powyższy wzór na skośność jest nazywany współczynnikiem skośności Fishera-Pearsona. Wiele programów faktycznie oblicza skorygowany współczynnik skośności Fishera-Pearsona
- \
Jest to korekta wielkości próby. Korekta zbliża się do 1, gdy N staje się duże. Dla porównania, współczynnik korygujący wynosi 1,49 dla N = 5, 1,19 dla N = 10, 1,08 dla N = 20,1,05 dla N = 30 i 1,02 dla N = 100.
Skośność dla rozkładu normalnego wynosi zero , a wszelkie dane symetryczne powinny mieć skośność bliską zeru. Ujemne wartości skośności wskazują dane pochylone w lewo, a dodatnie wartości skośności wskazują dane pochylone w prawo. Pochylona w lewo oznacza, że lewy ogon jest długi w stosunku do prawego. Podobnie, przekrzywiony w prawo oznacza, że prawy koniec jest długi w stosunku do lewego. Jeśli dane są wielomodalne, może to wpłynąć na znak skośności.
Niektóre pomiary mają dolną granicę i są skośne dobrze. Na przykład w badaniach niezawodności czasy awarii nie mogą być ujemne.
Należy zauważyć, że istnieją alternatywne definicje skośności w literaturze. Na przykład skośność Galtona (znana również jako skośność Bowleya) jest definiowana jako
- \
, gdzie Q1 to dolny kwartyl, Q3 to górny kwartyl, a Q2 to mediana.
Współczynnik skośności Pearsona 2 jest zdefiniowany jako
- \
, gdzie \ (\ tylda {Y} \) jest medianą próbki.
Istnieje wiele innych definicji skośności, które nie będą tutaj omawiane .