Tidakdistribusi rmal miring dengan kemiringan nol, jadi jawaban untuk kebingungan yang paling umum bisa normal distribusi miring adalah distribusi normal tidak miring karena kurva dari distribusi normal simetris tanpa ekor yang kemiringannya nol. Kurva distribusi normal berbentuk lonceng dengan simetri pada kurva.
Karena skewness adalah kurangnya simetri pada kurva, maka jika simetri ada dalam kurva, maka terdapat kekurangan skewness.
Bagaimana cara mengetahui apakah data terdistribusi normal?
Untuk data yang akan dicek apakah berdistribusi normal atau tidak coba saja buat sketsa histogramnya dan dari kurva dari kurva tersebut jika terdapat simetri pada kurva maka data tersebut berdistribusi normal, dari kurva data itu sendiri pertanyaannya dapatkah berdistribusi normal miring atau tidak jelas jika konsep kemiringannya jelas. Membuat sketsa histogram atau kurva dalam setiap kasus itu membosankan atau memakan waktu jadi alih-alih itu ada sejumlah tes statistik seperti statistik Anderson-Darling (AD) yang lebih berguna untuk mengetahui apakah data terdistribusi normal atau tidak.
Data yang mengikuti distribusi normal memiliki kemiringan nol pada kurva dan karakteristik kurva dari distribusi miring berbeda tanpa simetri, ini akan kita pahami dengan contoh berikut:
Contoh: Tentukan persentase skor yang terletak antara 70 sampai 80 jika skor matematika mahasiswa berdistribusi normal dengan mean 67 dan standar deviasi 9?
Larutan:
Untuk menemukan persentase skor, kita mengikuti probabilitas untuk distribusi normal yang telah dibahas sebelumnya distribusi normal, jadi untuk melakukannya pertama-tama kita akan mengubahnya menjadi variate normal dan mengikuti tabel yang dibahas di distribusi normal untuk menemukan probabilitas menggunakan konversi
Z=(X-μ)/σ
kami ingin mencari persen skor antara 70 dan 80 jadi kami menggunakan variabel acak nilai 70 dan 80 dengan rata-rata yang diberikan 67 dan standar deviasi 9 ini memberikan
Z=70-67/9 = 0.333
serta
Z=80-67/9 = 1.444
Ini kita bisa membuat sketsa sebagai
daerah yang diarsir di atas menunjukkan daerah antara z=0.333 dan z=1.444 dari tabel variasi normal standar kemungkinannya adalah
P(z > 0.333)=0.3707
serta
P(z > 1.444)=0.0749
so
p(0.333 < z0.333)-P(z > 1.444)=0.3707-0.0749=0.2958
jadi 29.58% siswa akan mendapat skor antara 70 hingga 80 .
Pada contoh di atas kemiringan kurva adalah nol dan kurva simetris, untuk memeriksa data berdistribusi normal atau tidak kita harus melakukan uji hipotesis.
Bagaimana cara mengetahui distribusi miring ke kiri atau ke kanan?
Distribusi diketahui miring jika berekor kanan atau kiri dalam kurva sehingga tergantung pada sifat kurva kita dapat menilai apakah distribusinya miring positif atau miring negatif. Konsep skewness dibahas secara rinci dalam artikel positif serta negatif distribusi miring. Jika simetri di ruas kiri kurang maka distribusinya miring ke kiri dan jika simetrinya kurang di ruas kanan maka distribusinya condong ke kanan. Cara terbaik untuk memeriksa kecondongan distribusi adalah dengan memeriksa variasi tendensi sentral yaitu if mean median>modus maka distribusinya miring ke kanan. Representasi geometrisnya adalah sebagai berikut:
Langkah-langkah untuk menghitung kemiringan kiri atau kanan untuk informasi yang diberikan secara rinci dalam artikel kecondongan.
Apa itu kemiringan yang dapat diterima?
Karena kemiringan seperti yang dibahas sebelumnya adalah kurangnya simetri, maka kisaran apa yang dapat diterima harus jelas. Pertanyaan apakah skewness dapat berdistribusi normal muncul untuk memeriksa apakah dalam distribusi normal dapat diterima atau tidak dan jawaban dari skewness yang dapat diterima adalah berdistribusi normal karena dalam distribusi normal skewness adalah nol dan distribusi di mana skewness mendekati nol lebih dapat diterima. Jadi setelah pengujian untuk kecondongan jika kemiringan mendekati nol maka kemiringan dapat diterima tergantung pada persyaratan dan jangkauan untuk klien.
Singkatnya kemiringan yang dapat diterima adalah kemiringan yang mendekati nol sesuai persyaratan.
Bagaimana miring terlalu miring?
Kemiringan adalah pengukuran statistik untuk memeriksa simetri yang ada dalam kurva distribusi dan informasi dan semua tindakan untuk memeriksa kemiringan ada atau tidak, tergantung pada itu kita dapat menemukan apakah distribusinya jauh dari nol maka terlalu miring atau simetri adalah nol maka kita dapat mengatakan distribusinya terlalu miring.
Bagaimana cara menentukan distribusi normal?
Untuk menentukan berdistribusi normal atau tidak kita harus melihat distribusi tersebut memiliki simetri atau tidak jika ada simetri dan skewness adalah nol maka distribusi tersebut adalah distribusi normal, detail metode dan teknik sudah dibahas secara detail di distribusi normal
Apakah outlier membelokkan data?
Dalam distribusi data jika ada data mengikuti cara yang tidak biasa dan sangat jauh atau jauh dari data biasa yang dikenal sebagai outlier dan dalam sebagian besar kasus outlier bertanggung jawab atas skewness dari distribusi dan karena sifat yang tidak biasa dari outlier distribusi memiliki skewness, sehingga dapat dikatakan bahwa dalam distribusi data outliers skew. Pencilan dalam semua kasus tidak akan mencondongkan data, mereka mencondongkan data hanya jika mereka juga mengikuti urutan sistematis dalam distribusi kontinu untuk memberikan kurva berekor kiri atau kanan.
Pada artikel sebelumnya telah dibahas secara rinci tentang distribusi normal dan distribusi miring.
