ချော့သည်။

အားဖြင့် Benjamin Anderson ဩဂုတ် 5, 2023 စာရင်းအင်းများ 0 မှတ်ချက်များ

ဤဆောင်းပါးတွင် ကိန်းဂဏန်းစာရင်းအင်းများတွင် kurtosis သည် မည်သည်ကို ရှင်းပြထားသည်။ ထို့ကြောင့်၊ kurtosis ၏အဓိပ္ပာယ်ဖွင့်ဆိုချက်၊ ၎င်း၏ဖော်မြူလာကဘာလဲ၊ မည်သည့်ဒေတာနမူနာ၏ kurtosis အမျိုးအစားကိုဆုံးဖြတ်ရန် calculator နှင့် kurtosis အမျိုးအစားများ ကွဲပြားသည်ကို သင်တွေ့လိမ့်မည်။

မြှောက်ပင့်ခြင်းကား အဘယ်နည်း။

Kurtosis ၊ kurtosis ဟုလည်း ခေါ်သည် ၊ သည် ၎င်း၏ ပျမ်းမျှဝန်းကျင်တွင် ဖြန့်ဖြူးမှု မည်မျှ စုစည်းထားသည်ကို ညွှန်ပြသည့် ကိန်းဂဏန်းဆိုင်ရာ တိုင်းတာမှုတစ်ခုဖြစ်သည်။

ရိုးရိုးရှင်းရှင်းပြောရလျှင် kurtosis သည် ဖြန့်ဖြူးမှုသည် မတ်စောက်ခြင်း သို့မဟုတ် ပြားခြင်းရှိမရှိ ဖော်ပြသည်။ အထူးသဖြင့်၊ ဖြန့်ဖြူးမှု၏ kurtosis ပိုကြီးလေ၊ ၎င်းသည် ပို၍ မတ်စောက်သည် (သို့မဟုတ်) ပိုပြတ်သားသည်။

ဤသဘောအရ၊ kurtosis coefficient သည် ဖြန့်ဖြူးမှုတစ်ခု၏ kurtosis ကိုရေတွက်ရန် တွက်ချက်မှုတစ်ခုဖြစ်သည်။ တွက်နည်းကို အောက်မှာ ကြည့်ပါမယ်။

၎င်းသည် ဆန့်ကျင်ဘက်ဟု ထင်ရသော်လည်း ကြီးမားသော kurtosis သည် ပိုကြီးသောကွဲလွဲမှုကို မဆိုလိုပါ၊ သို့မဟုတ် အပြန်အလှန်အားဖြင့် အဓိပ္ပါယ်မရှိပါ။ ကွဲလွဲမှုသည် kurtosis နှင့် မတူညီသော ကိန်းဂဏန်းဆိုင်ရာ အယူအဆတစ်ခုဖြစ်သောကြောင့် ဖြစ်သည်။ ဤအကြောင်းအရာနှင့်ပတ်သက်ပြီး သင့်တွင် မေးခွန်းများရှိပါက အောက်ပါပို့စ်ကို ကိုးကားနိုင်သည်-

➤ ကွဲပြားမှု (စာရင်းအင်းများ) ကိုကြည့်ပါ

မြှောက်ပင့်ခြင်း အမျိုးအစားများ

မြှောက်ပင့်ခြင်းဟူ၍ သုံးမျိုးရှိသည် ။

Leptokurtic : ဖြန့်ဖြူးမှုသည် အလွန်ထောက်ပြသည်၊ ဆိုလိုသည်မှာ ဒေတာများသည် ဆိုလိုရင်းတစ်ဝိုက်တွင် ပြင်းပြင်းထန်ထန် စုစည်းနေကြောင်း ဆိုလိုသည်။ ပို၍တိကျစွာ၊ leptokurtic ဖြန့်ဝေမှုများကို ပုံမှန်ဖြန့်ဖြူးမှုထက် ပိုမိုပြတ်သားသော ဖြန့်ဖြူးမှုများအဖြစ် သတ်မှတ်သည်။
Mesokutic : ဖြန့်ဖြူးမှု၏ kurtosis သည် ပုံမှန်ဖြန့်ဖြူးမှု၏ kurtosis နှင့် ညီမျှသည်။ ထို့ကြောင့် ထက်ထက်၊ ချော့မော့သည်ဟု မယူဆပါ။
Platykurtic : ဖြန့်ဖြူးမှုသည် အလွန်ပြန့်ပြူးသည်၊ ဆိုလိုသည်မှာ ပျမ်းမျှဝန်းကျင်တွင် အာရုံစူးစိုက်မှု နည်းပါးသည်ဟု ဆိုလိုသည်။ တရားဝင်အားဖြင့်၊ platykurtic ဖြန့်ဝေမှုများကို ပုံမှန်ဖြန့်ဖြူးမှုထက် ချော့မော့သော ဖြန့်ဖြူးမှုများအဖြစ် သတ်မှတ်သည်။

ပုံမှန်ဖြန့်ဝေမှု၏ kurtosis ကို ကိုးကားချက်အဖြစ် ယူခြင်းဖြင့် မတူညီသော kurtosis အမျိုးအစားများကို သတ်မှတ်ကြောင်း သတိပြုသင့်သည်။

👉 ဒေတာအတွဲတစ်ခုတွင် မည်သည့် kurtosis အမျိုးအစားကို ဆုံးဖြတ်ရန် အောက်ပါ ဂဏန်းပေါင်းစက်ကို သင်အသုံးပြုနိုင်ပါသည်။

Flatning coefficient

kurtosis coefficient အတွက် ဖော်မြူလာ မှာ အောက်ပါအတိုင်း ဖြစ်သည်။

$\displaystyle g_2=\frac{1}{N}\cdot\frac{\displaystyle \sum_{i=1}^N(x_i-\mu)^4}{\sigma^4}-3$

ကြိမ်နှုန်းဇယားများတွင် အုပ်စုဖွဲ့ဒေတာ အတွက် kurtosis ကိန်းဂဏန်းဖော်မြူလာ

$\displaystyle g_2=\frac{1}{N}\cdot\frac{\displaystyle \sum_{i=1}^N f_i\cdot(x_i-\mu)^4}{\sigma^4}-3$

နောက်ဆုံးတွင်၊ အုပ်စုဖွဲ့ဒေတာ အတွက် kurtosis ကိန်းဂဏန်းဖော်မြူလာ။

$\displaystyle g_2=\frac{1}{N}\cdot\frac{\displaystyle \sum_{i=1}^N f_i\cdot(c_i-\mu)^4}{\sigma^4}-3$

ရွှေ-

$g_2$

kurtosis coefficient ဖြစ်သည်။
$N$

ဒေတာစုစုပေါင်းအရေအတွက်ဖြစ်သည်။
$x_i$

စီးရီးထဲက အချက်အလက်တွေပါ။
$\mu$

ဖြန့်ဖြူးမှု၏ ဂဏန်းသင်္ချာဆိုလိုသည် ။
$\sigma$

ဖြန့်ဖြူးမှု၏ စံသွေဖည်မှု (သို့မဟုတ် ပုံမှန်သွေဖည်မှု) ဖြစ်သည်။
$f_i$

၎င်းသည် အချက်အလက်အစုံ၏ ပကတိကြိမ်နှုန်းဖြစ်သည်။
$c_i$

IT အုပ်စု၏အတန်းအမှတ်အသားဖြစ်သည်။

kurtosis coefficient ဖော်မြူလာများအားလုံးတွင်၊ 3 ကို ပုံမှန်ဖြန့်ဖြူးမှု၏ kurtosis တန်ဖိုးဖြစ်သောကြောင့် နုတ်မည်ကို သတိပြုပါ။ ထို့ကြောင့်၊ kurtosis coefficient ကို အကိုးအကားအဖြစ် ပုံမှန်ဖြန့်ဖြူးမှု၏ kurtosis ကို အသုံးပြု၍ တွက်ချက်သည်။ ထို့ကြောင့် တစ်ခါတစ်ရံ စာရင်းဇယားများတွင် အလွန်အကျွံ kurtosis ကို တွက်ချက်သည်ဟု ဆိုကြသည်။

kurtosis coefficient ကို တွက်ချက်ပြီးသည်နှင့် ၎င်းသည် မည်သည့် kurtosis အမျိုးအစားဖြစ်သည်ကို သိရှိနိုင်စေရန် အောက်ပါအတိုင်း အဓိပ္ပာယ်ကောက်ယူရပါမည်။

kurtosis coefficient သည် အပြုသဘောဆောင်ပါက၊ ဖြန့်ဖြူးမှုသည် leptokurtic ဖြစ်သည်ဟု ဆိုလိုသည်။
kurtosis coefficient သည် သုညဖြစ်ပါက၊ ဖြန့်ဖြူးမှုသည် mesokutic ဖြစ်သည်ဟု ဆိုလိုသည်။
kurtosis coefficient သည် အနုတ်လက္ခဏာဖြစ်ပါက၊ ၎င်းသည် ဖြန့်ဖြူးမှု platykurtic ဖြစ်သည်ဟု ဆိုလိုသည်။

Flatning Calculator

၎င်း၏ kurtosis coefficient နှင့် kurtosis အမျိုးအစားကို တွက်ချက်ရန် အောက်ပါဂဏန်းပေါင်းစက်တွင် သတ်မှတ်ဒေတာကို ချိတ်ပါ။ ဒေတာကို နေရာလွတ်တစ်ခုဖြင့် ပိုင်းခြားထားရမည်ဖြစ်ပြီး ဒဿမပိုင်းခြားခြင်းအဖြစ် ကာလကို အသုံးပြု၍ ထည့်သွင်းရပါမည်။

Kurtosis နှင့် asymmetry

စာရင်းဇယားများတွင်၊ kurtosis နှင့် skewness သည် နှစ်မျိုးလုံးကို ဖြန့်ဖြူးပုံသဏ္ဍာန်ဖော်ပြရန်အသုံးပြုသောကြောင့် နှစ်ခုလုံးကို အတူတကွလေ့လာလေ့ရှိသောကြောင့်ဖြစ်သည်။

အထူးသဖြင့်၊ ဖြန့်ဖြူးမှုတစ်ခုသည် အချိုးညီမှုရှိမရှိ သို့မဟုတ် အချိုးမညီမှုရှိမရှိနှင့် ဖြန့်ဖြူးမှုအပေါ် မည်သို့အကျိုးသက်ရောက်မှုရှိမရှိကို ပေါ့ပါးစွာလေ့လာသည်။ ထို့ကြောင့်၊ ဖြန့်ဖြူးမှုတစ်ခု၏ kurtosis နှင့် skewness ကို တွက်ချက်ခြင်းဖြင့်၊ ၎င်းကို ဂရပ်ဖစ်ဖြင့် ကိုယ်စားပြုရန်မလိုအပ်ဘဲ ၎င်း၏မျဉ်းကွေးပုံသဏ္ဍာန်ကို ဆုံးဖြတ်နိုင်သည်။

ပိုမိုသိရှိလိုပါက ဤနေရာကိုနှိပ်ပါ-

➤ အချိုးမညီမှု (စာရင်းအင်းများ) ကိုကြည့်ပါ

စာရေးသူအကြောင်း

Benjamin Anderson

မင်္ဂလာပါ၊ ကျွန်ုပ်သည် အငြိမ်းစား စာရင်းအင်း ပါမောက္ခ ဘင်ဂျမင်ဖြစ်ပြီး သီးသန့် Statorials ဆရာအဖြစ် လှည့်ပတ်ပါသည်။ စာရင်းဇယားနယ်ပယ်တွင် ကျယ်ပြန့်သောအတွေ့အကြုံနှင့် ကျွမ်းကျင်မှုနှင့်အတူ၊ Statorials မှတစ်ဆင့် ကျောင်းသားများကို ခွန်အားဖြစ်စေရန်အတွက် ကျွန်ုပ်၏အသိပညာကို မျှဝေလိုပါသည်။ ပိုသိတယ်။