דמיינו תבנית עוגה.
הכנסתם את אותו בלילה בדיוק, אותו
זמן בתנור –
אבל כשמוציאים, מגלים שרוב העוגות
יצאו בגודל דומה,
ועוגה אחת… ענקית.
העוגה החריגה הזו לא משנה את
המתכון,
אבל היא כן משנה את צורת ההתפלגות.
כאן בדיוק נכנסת לתמונה Skewness – הטיה.
אז מה זה בעצם Skewness?
Skewness מודדת עד
כמה ההתפלגות סימטרית –
או במילים פשוטות:
לאיזה צד “נמרח הזנב” של הנתונים.
- אם
ההתפלגות סימטרית – אין הטיה
- אם
הזנב ארוך ימינה – הטיה חיובית
- אם
הזנב ארוך שמאלה – הטיה שלילית
הזנב הוא לא המקום שבו “רוב הנתונים”,
אלא המקום שבו נמצאות ההפתעות.
הטיה חיובית (Right Skewed)
רוב הערכים קטנים,
אבל יש כמה ערכים גדולים במיוחד
שמושכים את הזנב ימינה.
דוגמה מהמטבח:
רוב העוגיות שוקלות 20–22 גרם,
אבל שתיים יצאו 40 גרם. תוצאה מעניינת:
הממוצע > החציון
כי העוגיות הכבדות “דוחפות” את
הממוצע למעלה.
דוגמאות מהחיים:
- משכורות
- זמני
המתנה
- מחירי
דירות
הטיה שלילית (Left Skewed)
רוב הערכים גבוהים,
אבל יש כמה ערכים קטנים מאוד שמושכים
שמאלה.
דוגמה:
מאפינס שנאפו מצוין,
אבל אחד נשרף ונשקל הרבה פחות.
כאן קורה ההפך:
הממוצע < החציון
למה
Skewness חשובה?
כי מספר אחד לא מספר את כל הסיפור.
שני עסקים יכולים להציג אותו
ממוצע הכנסות,
אבל:
- אחד
יציב וסימטרי
- והשני
עם הרבה “נפילות” ומעט הצלחות גדולות
בלי להבין את ההטיה,אנחנו עלולים לטעות בפרשנות,
בהחלטות, ובאסטרטגיה.
ביס זהירות
- ממוצע
לבד יכול להטעות
- בהתפלגות
מוטה, החציון לעיתים מספר את הסיפור האמיתי
- תמיד
כדאי “להציץ בהיסטוגרמה”
לפני שמסיקים מסקנות
השורה התחתונה
Skewness היא כמו
טעימה קטנה לפני ההגשה:
היא לא אומרת כמה יש, אלא איך זה מתחלק.
ובסטטיסטיקה,
כמו בבישאל, הצורה חשובה לא פחות מהכמות.
אין תגובות:
הוסף רשומת תגובה