Contoh nyata distribusi dengan kemiringan negatif

20

Terinspirasi oleh " contoh nyata dari distribusi umum ", saya bertanya-tanya contoh pedagogis apa yang digunakan orang untuk menunjukkan kecondongan negatif? Ada banyak contoh "kanonik" dari distribusi simetris atau normal yang digunakan dalam pengajaran - bahkan jika yang seperti tinggi dan berat tidak bertahan lebih dekat dari pengamatan biologis! Tekanan darah mungkin mendekati normalitas. Saya suka kesalahan pengukuran astronomi - yang menarik secara historis, mereka secara intuitif tidak lebih cenderung berada di satu arah daripada yang lain, dengan kesalahan kecil lebih mungkin daripada besar.

Contoh pedagogis umum untuk kemiringan positif termasuk pendapatan orang; jarak tempuh pada mobil bekas untuk dijual; waktu reaksi dalam percobaan psikologi; harga-harga rumah; jumlah klaim kecelakaan oleh pelanggan asuransi; jumlah anak dalam keluarga. Kelayakan fisik mereka sering berasal dari terikat di bawah (biasanya dengan nol), dengan nilai-nilai rendah yang masuk akal, bahkan umum, namun sangat besar (kadang-kadang urutan besarnya lebih tinggi) nilai-nilai diketahui terjadi.

Untuk kemiringan negatif, saya merasa lebih sulit untuk memberikan contoh yang jelas dan jelas yang dapat dipahami oleh audiens yang lebih muda (siswa sekolah menengah), mungkin karena lebih sedikit distribusi kehidupan nyata yang memiliki batas atas yang jelas. Contoh tidak enak yang saya ajarkan di sekolah adalah "jumlah jari". Kebanyakan orang memiliki sepuluh, tetapi beberapa kehilangan satu atau lebih karena kecelakaan. Hasilnya adalah "99% orang memiliki jumlah jari yang lebih tinggi daripada rata-rata"! Polydactyly memperumit masalah ini, karena sepuluh bukanlah batas atas yang ketat; karena jari-jari yang hilang dan ekstra adalah peristiwa yang jarang terjadi, mungkin tidak jelas bagi siswa yang efeknya paling menonjol.

Saya biasanya menggunakan distribusi binomial dengan tinggi . Tetapi para siswa sering menemukan "jumlah komponen yang memuaskan dalam suatu batch condong negatif" kurang intuitif daripada fakta komplementer bahwa "jumlah komponen yang salah dalam suatu batch condong positif". (Buku pelajaran bertema industri; Saya lebih suka telur yang pecah dan utuh dalam kotak berisi dua belas). Mungkin siswa merasa bahwa "kesuksesan" harus langka.p

Pilihan lain adalah menunjukkan bahwa jika condong positif maka condong negatif, tetapi untuk menempatkan ini dalam konteks praktis ("harga rumah negatif condong negatif") tampaknya ditakdirkan untuk kegagalan pedagogis. Meskipun ada manfaat untuk mengajarkan efek transformasi data, tampaknya bijaksana untuk memberikan contoh nyata terlebih dahulu. Saya lebih suka yang tidak tampak buatan, di mana kemiringan negatif cukup jelas, dan yang mana pengalaman hidup siswa harus memberi mereka kesadaran akan bentuk distribusi.- XXX

Silverfish
sumber
4
Tidak jelas bahwa meniadakan suatu variabel akan menjadi "kegagalan pedagogis," karena ada opsi untuk menambahkan konstanta tanpa mengubah bentuk distribusi. Banyak distribusi miring melibatkan proporsi misalnya, dan proporsi komplementer biasanya sama alami dan mudah diartikan sebagai proporsi asli. Bahkan dengan harga rumah nilai-nilai mana adalah harga rumah maksimum di daerah itu bisa menarik dan tidak sulit untuk dipahami. Juga pertimbangkan untuk menggunakan log dan transformasi daya negatif untuk membuat condong negatif. 1 - X X C - X CX1XXCXC
whuber
2
Saya setuju bahwa dalam hal harga rumah akan sedikit dibuat-buat. Tapi tidak akan: itu akan menjadi "jumlah rumah yang bisa Anda beli per dolar." Saya menduga bahwa di daerah yang cukup homogen ini akan memiliki kecenderungan negatif yang kuat. Contoh-contoh seperti itu bisa mengajarkan pelajaran yang lebih dalam bahwa kemiringan adalah fungsi dari bagaimana kita mengekspresikan data. 1 / XCX1/X
whuber
3
@whuber Tidak akan dibuat-buat sama sekali. Harga potensial maksimum dan minimum di pasar muncul secara alami karena harga tersebut mencerminkan evaluasi yang berbeda oleh para pelaku pasar. Di antara pembeli, ada satu yang mungkin akan membayar harga maksimum untuk rumah yang diberikan. Dan di antara penjual ada satu yang mungkin menerima harga minimum. Tetapi informasi ini tidak bersifat publik dan harga transaksi yang diamati sebenarnya dipengaruhi oleh adanya informasi yang tidak lengkap. (
Lanjutan
1
CONT'D ... Makalah berikut oleh Kumbhakar dan Parmeter (2010) memodelkan hal itu (mengizinkan juga kasus simetri), dan dengan aplikasi di pasar rumah: link.springer.com/article/10.1007/s00181-009 -0292-8 # halaman-1
Alecos Papadopoulos
3
Usia saat meninggal cenderung negatif di negara maju.
Nick Cox

Jawaban:

3

Di Inggris, harga sebuah buku. Ada "Harga eceran yang disarankan" yang umumnya akan menjadi harga modal, dan hampir tidak ada tempat Anda harus membayar lebih. Tetapi beberapa toko akan memberikan diskon, dan beberapa toko akan memberikan diskon besar-besaran.

Juga, usia saat pensiun. Kebanyakan orang pensiun pada usia 65-68 yang merupakan masa pensiun negara, sangat sedikit orang yang bekerja lebih lama, tetapi beberapa orang pensiun di usia 50-an dan cukup banyak di usia awal 60-an.

Kemudian juga, jumlah orang GCSE mendapatkan. Sebagian besar anak dimasukkan untuk 8-10 dan jadi mendapatkan 8-10. Sejumlah kecil berbuat lebih banyak. Beberapa anak tidak lulus semua ujian, jadi ada peningkatan yang stabil dari 0 menjadi 7.

pengguna148573
sumber
1
Ini mungkin memerlukan penjelasan bahwa GCSE adalah ujian di sekolah menengah Inggris dan beberapa sistem terkait, paling umum diambil pada usia sekitar 16 tahun. Jumlah subjek yang diambil, mis. Matematika biasanya satu mata pelajaran.
Nick Cox
18

Nick Cox dengan tepat berkomentar bahwa "usia saat kematian cenderung negatif di negara maju" yang saya pikir merupakan contoh yang bagus.

Saya menemukan angka-angka paling nyaman yang bisa saya temui berasal dari Biro Statistik Australia ( khususnya, saya menggunakan lembar Excel ini ), karena nampan usia mereka naik hingga 100 tahun dan laki-laki Australia tertua adalah 111 , jadi saya merasa nyaman memotong nampan terakhir setelah 110 tahun. Badan statistik nasional lainnya sering tampak berhenti pada angka 95 yang membuat tempat sampah terakhir menjadi tidak nyaman. Histogram yang dihasilkan menunjukkan kemiringan negatif yang sangat jelas, serta beberapa fitur menarik lainnya seperti puncak kecil dalam tingkat kematian di antara anak-anak, yang akan cocok untuk diskusi dan interpretasi kelas.

Usia pada saat kematian pria Australia pada tahun 2012

Kode R dengan data mentah berikut, HistogramTools paket terbukti sangat berguna untuk memplot berdasarkan data agregat! Berkat pertanyaan StackOverflow ini untuk menandai itu.

library(HistogramTools)

deathCounts <- c(565, 116, 69, 78, 319, 501, 633, 655, 848, 1226, 1633, 2459, 3375, 4669, 6152, 7436, 9526, 12619, 12455, 7113, 2104, 241)
ageBreaks <- c(0, 1, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80, 85, 90, 95, 100, 110)

myhist <- PreBinnedHistogram(
    breaks = ageBreaks,
    counts = deathCounts,
    xname = "Age at Death of Australian Males, 2012")
plot(myhist)
Silverfish
sumber
2
Terkait dengan pos ini, saya telah mendengar bahwa usia pensiun memiliki kecenderungan negatif: kebanyakan orang pensiun sekitar usia nominal (katakanlah, 65 atau 67 tahun di banyak negara) tetapi beberapa (katakanlah, pekerja di tambang batu bara) pensiun jauh lebih awal.
Christoph Hanck
Apakah usia pada saat kematian mengikuti distribusi yang diketahui secara empiris?
StubbornAtom
11

Berikut adalah hasil untuk empat puluh atlet yang berhasil menyelesaikan lompatan hukum di babak kualifikasi lompat jauh Olimpiade 2012, disajikan dalam plot kepadatan kernel dengan plot permadani di bawahnya.

Hasil putaran kualifikasi Olimpiade London Jump Jump Putra

Tampaknya jauh lebih mudah untuk menjadi satu meter di belakang kelompok utama pesaing daripada menjadi satu meter di depan, yang akan menjelaskan kemiringan negatif.

Saya menduga beberapa pengelompokan di ujung atas adalah karena atlet menargetkan kualifikasi (yang membutuhkan finish dua belas teratas atau hasil 8,10 meter atau lebih) daripada mencapai jarak terpanjang yang mungkin. Fakta bahwa dua hasil teratas adalah 8,11 meter, tepat di atas tanda kualifikasi otomatis, sangat sugestif, seperti cara lompatan pemenang medali di Final sama-sama lebih panjang dan lebih tersebar di 8,31, 8,16, dan 8,12 meter. Hasil di Final memiliki sedikit condong, tidak signifikan, negatif.

Sebagai perbandingan, hasil untuk Olimpiade Heptathlon di Seoul 1988 tersedia dalam heptathlonkumpulan data dalam paket R HSAUR. Dalam kompetisi itu tidak ada babak kualifikasi tetapi setiap acara berkontribusi poin menuju klasifikasi akhir; para pesaing wanita menunjukkan kemiringan negatif yang jelas dalam hasil lompatan tinggi dan kemiringan agak negatif dalam lompat jauh. Menariknya ini tidak direplikasi dalam peristiwa melempar (menembak dan lembing) meskipun mereka juga peristiwa di mana angka yang lebih tinggi sesuai dengan hasil yang lebih baik. Skor poin akhir juga agak condong negatif.

Data dan kode

require(moments)
require(ggplot2)

sourceAddress <- "http://www.olympic.org/olympic-results/london-2012/athletics/long-jump-m"

longjump.df <- read.csv(header=TRUE, sep=",", text="
rank,name,country,distance
1,Mauro Vinicius DA SILVA,BRA,8.11 
2,Marquise GOODWIN,USA,8.11
3,Aleksandr MENKOV,RUS,8.09
4,Greg RUTHERFORD,GBR,8.08
5,Christopher TOMLINSON,GBR,8.06
6,Michel TORNEUS,SWE,8.03
7,Godfrey Khotso MOKOENA,RSA,8.02
8,Will CLAYE,USA,7.99
9,Mitchell WATT,AUS,7.99,
10,Tyrone SMITH,BER,7.97,
11,Henry FRAYNE,AUS,7.95,
12,Sebastian BAYER,GER,7.92,
13,Christian REIF,GER,7.92,
14,Eusebio CACERES,ESP,7.92,
15,Aleksandr PETROV,RUS,7.89,
16,Sergey MORGUNOV,RUS,7.87,
17,Mohammad ARZANDEH,IRI,7.84,
18,Ignisious GAISAH,GHA,7.79,
19,Damar FORBES,JAM,7.79,
20,Jinzhe LI,CHN,7.77,
21,Raymond HIGGS,BAH,7.76,
22,Alyn CAMARA,GER,7.72,
23,Salim SDIRI,FRA,7.71,
24,Ndiss Kaba BADJI,SEN,7.66,
25,Arsen SARGSYAN,ARM,7.62,
26,Povilas MYKOLAITIS,LTU,7.61,
27,Stanley GBAGBEKE,NGR,7.59,
28,Marcos CHUVA,POR,7.55,
29,Louis TSATOUMAS,GRE,7.53,
30,Stepan WAGNER,CZE,7.50,
31,Viktor KUZNYETSOV,UKR,7.50,
32,Luis RIVERA,MEX,7.42,
33,Ching-Hsuan LIN,TPE,7.38,
33,Supanara SUKHASVASTI N A,THA,7.38,
35,Boleslav SKHIRTLADZE,GEO,7.26,
36,Xiaoyi ZHANG,CHN,7.25,
37,Mohamed Fathalla DIFALLAH,EGY,7.08,
38,Roman NOVOTNY,CZE,6.96,
39,George KITCHENS,USA,6.84,
40,Vardan PAHLEVANYAN,ARM,6.55,
NA,Luis MELIZ,ESP,NA,
NA,Irving SALADINO,PAN,NA")

roundedSkew <- signif(skewness(longjump.df$distance, na.rm=TRUE), 3)

ggplot(longjump.df, aes(x=distance)) + 
    xlab("Distance in metres") +
    ggtitle("London 2012 Men's Long Jump qualifying round results") +
    geom_rug(size=0.8) + 
    geom_density(fill="steelblue") +
    annotate("text", x=7.375, y=0.0625, colour="white", label=paste("Source:", sourceAddress), size=3) +
    annotate("rect", xmin = 6.25, xmax = 7.25, ymin = 0.5, ymax = 1.125, fill="white") +
    annotate("text", x=6.75, y=1, colour="black", label="Best jump in up to 3 attempts") +
    annotate("text", x=6.75, y=.875, colour="black", label="42 athletes competed") +
    annotate("text", x=6.75, y=.75, colour="black", label="2 athletes had no legal jump") +
    annotate("text", x=6.75, y=.625, colour="black", label=paste("Skewness = ", roundedSkew))


# Results of the top twelve who qualified for the Final were closer to symmetric
skewness(longjump.df$distance[1:12])
# -0.1248782

# Results in the Final (some had 3 jumps, others 6) were only slightly negatively skewed
skewness(c(8.31, 8.16, 8.12, 8.11, 8.10, 8.07, 8.01, 7.93, 7.85, 7.80, 7.78, 7.70))
# -0.08578357

# Compare to Seoul 1988 Heptathlon
require(HSAUR)
skewness(heptathlon)
Silverfish
sumber
11

Skor pada tes mudah, atau sebagai alternatif, skor pada tes yang dimotivasi oleh siswa, cenderung cenderung miring.

Akibatnya, skor SAT / ACT dari siswa yang masuk mencari perguruan tinggi (dan bahkan lebih tinggi, IPK mereka) cenderung dibiarkan miring. Ada banyak contoh di collegeapps.about.com misalnya sebidang University of Chicago SAT / ACT dan IPK di sini .

Demikian pula IPK lulusan sering condong ke kiri, misalnya histogram di bawah IPK lulusan putih dan hitam di universitas nirlaba yang diambil dari Gambar 5 Gramling, Tim. " Bagaimana lima karakteristik siswa secara akurat memprediksi peluang kelulusan universitas untuk keuntungan ." SAGE Terbuka 3.3 (2013): 2158244013497026.

Histogram IPK menunjukkan kemiringan negatif

(Tidak sulit menemukan contoh serupa lainnya.)

Glen_b
sumber
2
Untuk kelas statistik pengantar, saya pikir contoh ini berfungsi dengan baik secara pedagogis - itu adalah sesuatu yang siswa mungkin memiliki pengalaman kehidupan nyata, dapat bernalar tentang secara intuitif, dan dapat mengkonfirmasi terhadap set data yang tersedia secara luas.
Silverfish
9

Dalam Analisis Stochastic Frontier, dan khususnya dalam fokus awal historisnya, produksi, fungsi produksi dari suatu perusahaan / unit produksi secara umum, ditetapkan secara stokastik sebagai

q=f(x)+uw

di mana adalah output aktual yang dihasilkan oleh perusahaan, dan adalah fungsi produksinya (yang lebih dipahami sebagai hubungan input-output daripada ekspresi matematika yang mencerminkan hubungan "rekayasa") dengan menjadi vektor input produksi (modal, tenaga kerja, energi, bahan, dll). Fungsi produksi dalam Teori Ekonomi merupakan output maksimum , diberikan teknologi dan input, yaitu mewujudkan efisiensi penuh . Maka adalah gangguan normal rata-rata nol pada proses produksi, dan adalah variabel acak non-negatif yang mewakili penyimpangan dari efisiensi penuhf ( x ) x uqf(x)xuwkarena alasan yang mungkin tidak diketahui oleh ahli ekonometrik, tetapi ia dapat mengukur melalui pengaturan ini. Variabel acak ini biasanya diasumsikan mengikuti distribusi setengah normal atau eksponensial. Dengan asumsi setengah normal (karena suatu alasan), kita miliki

uN(0,σu2),wHN(2πσ2,(12π)σ22)

di mana adalah standar deviasi dari variabel acak normal "mendasar" yang nilai absolutnya adalah Setengah-normal.σ2

Istilah kesalahan komposit ditandai dengan kerapatan berikutε=uw

fε(ε)=2s2ϕ(ε/s2)Φ((σ2σu)(ε/s2)),s22=σu2+σ22

Ini adalah kepadatan condong-normal, dengan parameter lokasi , parameter skala dan parameter miring , di mana dan masing-masing adalah pdf dan cdf normal standar. Untuk , densitasnya terlihat seperti ini: s 2 ( - σ 20s2ϕΦσu=1,(σ2σu)ϕΦσu=1,σ2=3masukkan deskripsi gambar di sini

Jadi kemiringan negatif adalah, saya katakan, pemodelan yang paling alami dari upaya umat manusia itu sendiri: selalu menyimpang dari cita-citanya yang dibayangkan - dalam kebanyakan kasus tertinggal di belakangnya (bagian negatif dari kepadatan), sementara dalam kasus yang relatif lebih sedikit, melampaui batas yang dirasakan (bagian positif dari kepadatan). Siswa sendiri dapat dimodelkan sebagai fungsi produksi. Sangat mudah untuk memetakan gangguan simetris dan kesalahan satu sisi untuk aspek kehidupan nyata. Saya tidak bisa membayangkan bagaimana lebih intuitifnya seseorang bisa mendapatkannya.

Alecos Papadopoulos
sumber
1
Jawaban ini tampaknya menggemakan saran @ Glen_b tentang IPK lulusan. Perilaku manusia yang sangat termotivasi yang ditujukan pada cita-cita yang sulit dipahami tentu cocok dengan skenario itu! Efisiensi secara umum adalah contoh yang bagus.
Nick Stauner
2
@Nick Stauner Poin penting di sini adalah bahwa kami mempertimbangkan "target minus aktual" yang ditandatangani, bukan "jarak" dalam nilai absolut. Kami menyimpan tanda untuk mengetahui apakah kami berada di atas atau di bawah target. Intuisi di sini adalah, persis seperti yang Anda tulis, bahwa perilaku "sangat termotivasi" akan mendorong "aktual" lebih dekat ke "target", menciptakan asimetri.
Alecos Papadopoulos
1
@NickStauner Memang, posting Silverfish sendiri dari hasil kualifikasi lompat jauh juga berkaitan dengan 'perilaku yang sangat termotivasi' (mempertimbangkan batas-batas apa yang saat ini dapat dicapai manusia sebagai semacam 'cita-cita yang sulit dipahami' informal)
Glen_b -Reinstate Monica
6

Kecenderungan negatif umum terjadi pada hidrologi banjir. Di bawah ini adalah contoh kurva frekuensi banjir (South Creek di Mulgoa Rd, lat -33.8783, lon 150.7683) yang saya ambil dari 'Australian Rainfall and Runoff' (ARR) panduan untuk estimasi banjir yang dikembangkan oleh Engineers, Australia.

Ada komentar di ARR:

Dengan kemiringan negatif, yang sama dengan nilai logaritmik banjir di Australia, distribusi log Pearson III memiliki batas atas. Ini memberikan batas atas banjir yang dapat diambil dari distribusi. Dalam beberapa kasus ini dapat menyebabkan masalah dalam memperkirakan banjir dengan AEP rendah, tetapi seringkali tidak menyebabkan masalah dalam praktik. [Diekstraksi dari Curah Hujan dan Limpasan Australia - Volume 1, Buku IV Bagian 2.]

Seringkali banjir, di lokasi tertentu, dianggap memiliki batas atas yang disebut 'Probable Maximum Flood' (PMF). Ada cara standar untuk menghitung PMF.

masukkan deskripsi gambar di sini

Tony Ladson
sumber
7
+1 Contoh ini dengan baik menunjukkan betapa sewenang-wenangnya pertanyaan sebenarnya: ketika Anda mengukur banjir dalam hal debit puncak, mereka akan condong secara positif , tetapi diukur dalam debit log, mereka (tampaknya) condong negatif. Demikian pula, variabel positif apa pun dapat diekspresikan kembali dengan cara sederhana yang memiringkan distribusinya secara negatif (hanya dengan mengambil parameter Box-Cox yang sesuai negatif). Semuanya berujung pada apa yang dimaksud dengan "mudah dipahami," saya kira - tetapi itu adalah pertanyaan tentang para siswa, bukan tentang statistik.
whuber
5

Perubahan harga aset (pengembalian) biasanya memiliki kemiringan negatif - banyak kenaikan harga kecil dengan beberapa penurunan harga besar. Kemiringan tampaknya berlaku untuk hampir semua jenis aset: harga saham, harga komoditas, dll. Kemiringan negatif dapat diamati dalam perubahan harga bulanan tetapi jauh lebih jelas ketika Anda mulai melihat perubahan harga harian atau per jam. Saya pikir ini akan menjadi contoh yang baik karena Anda dapat menunjukkan efek frekuensi pada kemiringan.

Lebih detail: http://www.fusioninvesting.com/2010/09/what-is-skew-and-why-is-it-important/

wcampbell
sumber
Saya sangat menyukai contoh ini! Apakah ada cara intuitif untuk menjelaskannya - pada dasarnya, "guncangan downside lebih mungkin (atau setidaknya, cenderung lebih parah) daripada guncangan terbalik"?
Silverfish
2
@Silverfish Saya akan menyebutnya sebagai hasil pasar negatif ekstrem lebih mungkin daripada hasil pasar positif ekstrem. Pasar juga memiliki volatilitas asimetris. Volatilitas pasar umumnya meningkat lebih banyak setelah pengembalian negatif daripada pengembalian positif. Ini sering dimodelkan dengan model Garch, seperti GJR-Garch (lihat entri wikipedia Arch).
John
3
Saya juga melihat penjelasan bahwa berita buruk dirilis dalam tandan. Saya belum pernah menggunakan GJR-GARCH. Saya mencoba menggunakan gerakan Brownian multifractal (Mandelbrot) untuk memodelkan asimetri, tetapi tidak dapat membuatnya bekerja.
wcampbell
4
Ini paling sederhana. Sebagai contoh, saya hanya mengambil satu set data pengembalian harian pada 31 indeks ekuitas. Lebih dari setengahnya memiliki kemiringan positif (menggunakan kemiringan Pearson) dan lebih dari 70% positif pada ukuran 3 * (rata - rata) / stdev. Untuk komoditas, Anda cenderung melihat kemiringan yang lebih positif, karena guncangan penawaran dan permintaan dapat menaikkan harga dengan cepat (misalnya minyak, gas, dan jagung dalam beberapa tahun terakhir).
Chris Taylor
5

Usia kehamilan saat persalinan (terutama untuk kelahiran hidup) dibiarkan miring. Bayi dapat dilahirkan hidup sangat awal (meskipun kemungkinan kelangsungan hidup kecil ketika terlalu dini), puncaknya antara 36-41 minggu, dan jatuh cepat. Biasanya wanita di AS diinduksi jika 41/42 minggu, jadi kami biasanya tidak melihat banyak pengiriman setelah titik itu.

Sara
sumber
4

Dalam perikanan sering ada contoh condong negatif karena persyaratan peraturan. Misalnya distribusi panjang ikan yang dilepaskan dalam perikanan rekreasi; karena kadang-kadang ada panjang minimum yang harus dimiliki ikan agar bisa dipertahankan semua ikan di bawah batas tersebut dibuang. Tetapi karena orang-orang menangkap ikan di mana ada cenderung panjang ikan legal cenderung ada kecenderungan negatif dan mode menuju batas atas hukum. Panjang hukum tidak mewakili jalan yang sulit. Karena batas kantung (atau batas jumlah ikan yang dapat dibawa kembali ke dermaga), orang masih akan membuang ikan ukuran legal ketika mereka telah menangkap ikan yang lebih besar.

misalnya, Sauls, B. 2012. Ringkasan Data tentang Distribusi Ukuran dan Kondisi Rilis Buang Kakap Merah dari Survei Perikanan Rekreasi di Teluk Meksiko. SEDAR31-DW11. SEDAR, North Charleston, SC. 29 hal.

jamesfreinhardt
sumber
"Kecondongan ke arah ukuran besar" biasanya akan ditafsirkan sebagai kemiringan positif , bukan "negatif." Mungkin Anda bisa mengklarifikasi jawaban ini dengan ilustrasi distribusi yang khas? Mekanisme yang Anda gambarkan - batas atas peraturan dan beberapa kecenderungan untuk melampauinya - dapat mengarah pada kemiringan negatif atau positif, tergantung pada distribusi terpotong ikan ukuran kecil (dan tergantung pada bagaimana ikan diukur: kemiringan distribusi massa mereka tidak akan sama dengan kemiringan distribusi panjangnya).
whuber
3

Beberapa saran bagus telah dibuat di utas ini. Pada tema kematian terkait usia, tingkat kegagalan mesin sering kali merupakan fungsi dari usia mesin dan akan jatuh ke dalam kelas distribusi ini. Selain faktor-faktor keuangan yang telah dicatat, fungsi dan distribusi kerugian finansial biasanya menyerupai bentuk-bentuk ini, terutama dalam kasus kerugian bernilai ekstrem, misalnya, seperti yang ditemukan dalam perkiraan BIS III (Bank of International Settlement) perkiraan kekurangan yang diharapkan (ES), atau dalam BIS II nilai pada risiko (VAR) sebagai input untuk persyaratan peraturan untuk alokasi cadangan modal.

Mike Hunter
sumber
2

Usia pensiun di AS cenderung negatif. Mayoritas pensiunan lebih tua dengan beberapa pensiunan yang relatif muda.

Ronet Bachman
sumber
2

Dalam teori matriks acak, distribusi Tracy Widom adalah condong ke kanan. Ini adalah distribusi nilai eigen terbesar dari matriks acak. Secara simetri, nilai eigen terkecil memiliki distribusi Tracy Widom negatif, dan karenanya condong ke kiri.

Ini kira-kira karena fakta bahwa nilai eigen acak mirip dengan partikel bermuatan yang saling tolak, dan karenanya nilai eigen terbesar cenderung didorong menjauh dari yang lain. Ini gambar yang berlebihan (diambil dari sini ):

masukkan deskripsi gambar di sini

Alex R.
sumber
Distribusi yang condong ke kanan memiliki kecenderungan positif dan karenanya tidak menanggapi pertanyaan.
whuber
@whuber: Dimaksudkan untuk menggunakan nilai eigen terkecil. Dikoreksi.
Alex R.