Không có nghi ngờ bạn đã được nói khác, nhưng mean median không ngụ ý đối xứng.=
Có một thước đo độ lệch dựa trên trung bình trừ trung bình (độ lệch Pearson thứ hai), nhưng có thể là 0 khi phân phối không đối xứng (giống như bất kỳ biện pháp độ lệch phổ biến nào).
Tương tự, mối quan hệ giữa trung bình và trung bình không nhất thiết ngụ ý mối quan hệ tương tự giữa midriale ( ) và trung vị. Họ có thể đề xuất độ lệch ngược nhau, hoặc người này có thể bằng trung bình trong khi người kia thì không.(Q1+Q3) / 2
Một cách để điều tra tính đối xứng là thông qua một biểu đồ đối xứng *.
Nếu là các quan sát được sắp xếp theo thứ tự từ nhỏ nhất đến lớn nhất (thống kê đơn hàng) và là trung tuyến, thì một đồ thị đối xứng vs , vs , ... vân vân. M Y ( n ) - M M - Y ( 1 ) Y ( n - 1 ) - M M - Y ( 2 )Y( 1 ), Y( 2 ), . . ., Y( n )MY( n )- MM- Y( 1 )Y( n - 1 )- MM- Y( 2 )
* Minitab có thể làm những điều đó . Quả thực tôi nâng cao cốt truyện này như một khả năng vì tôi đã thấy chúng được thực hiện trong Minitab.
Dưới đây là bốn ví dụ:
Lô đối xứng
(Các bản phân phối thực tế là (trái sang phải, hàng trên cùng trước) - Laplace, Gamma (hình dạng = 0,8), beta (2,2) và beta (5,2). Mã là của Ross Ihaka, từ đây )
Với các ví dụ đối xứng đuôi nặng, thường thì các điểm cực đoan nhất có thể ở rất xa; bạn sẽ ít chú ý đến khoảng cách từ đường thẳng của một hoặc hai điểm khi bạn ở gần trên cùng bên phải của hình.
Tất nhiên, có những âm mưu khác (tôi đã đề cập đến cốt truyện đối xứng không phải từ ý thức vận động cụ thể của cái đó, nhưng vì tôi biết nó đã được thực hiện trong Minitab). Vì vậy, hãy khám phá một số người khác.
Đây là những xiên tương ứng mà Nick Cox gợi ý trong các bình luận:
Âm mưu
Trong các ô này, một xu hướng tăng sẽ chỉ ra một cái đuôi bên phải nặng hơn bên trái và một xu hướng xuống sẽ chỉ ra một cái đuôi bên trái nặng hơn so với bên phải, trong khi đối xứng sẽ được đề xuất bởi một âm mưu tương đối phẳng (mặc dù có lẽ khá ồn ào).
Nick gợi ý rằng cốt truyện này tốt hơn (cụ thể là "trực tiếp hơn"). Tôi có khuynh hướng đồng ý; Do đó, việc giải thích cốt truyện có vẻ dễ dàng hơn một chút, mặc dù thông tin trong các ô tương ứng thường khá giống nhau (sau khi bạn trừ độ dốc đơn vị trong tập đầu tiên, bạn sẽ có được thứ gì đó rất giống với tập thứ hai).
[Tất nhiên, không ai trong số những điều này sẽ cho chúng ta biết rằng phân phối dữ liệu được rút ra là thực sự đối xứng; chúng ta có một dấu hiệu cho thấy mẫu gần như đối xứng như thế nào, và đến mức đó chúng ta có thể đánh giá liệu dữ liệu có phù hợp một cách hợp lý với việc được rút ra từ một quần thể gần đối xứng hay không.]