چولگی (Skewness)

? به زبان ساده:
چولگی نشان می‌دهد داده‌ها به کدام سمت «کشیده» شده‌اند — چپ یا راست.

انواع چولگی در داده‌ها

1. چولگی مثبت (Right-Skewed / Positive Skew)

در این حالت:

• دم توزیع به سمت راست کشیده شده است
• میانگین (Mean) > میانه (Median)

? مثال:

• درآمد افراد در جامعه (چند نفر بسیار ثروتمند میانگین را بالا می‌برند)

2. چولگی منفی (Left-Skewed / Negative Skew)

در این حالت:

• دم توزیع به سمت چپ کشیده شده است
• میانگین (Mean) < میانه (Median)

? مثال:

• نمرات یک امتحان بسیار آسان (بیشتر افراد نمره بالا دارند اما چند نمره پایین وجود دارد)

3. توزیع نرمال (Normal Distribution)

• کاملاً متقارن است
• چولگی = صفر
• میانگین = میانه = نما

? شکل آن شبیه «منحنی زنگوله‌ای (Bell Curve)» است

مثال ساده

فرض کنید نمرات یک کلاس:

• بیشتر نمرات بین 15 تا 20 هستند
• چند نمره خیلی پایین (مثلاً 5 یا 6) وجود دارد

✅ این داده‌ها:
چولگی منفی دارند (Left Skew)

چرا چولگی مهم است؟

چولگی در تحلیل داده‌ها اهمیت زیادی دارد:

• کمک به درک بهتر توزیع داده‌ها
• شناسایی رفتار غیرعادی یا پرت (Outliers)
• انتخاب روش‌های آماری مناسب
• پیش‌بینی دقیق‌تر

? اگر داده‌ها چولگی شدید داشته باشند، تحلیل‌های ساده ممکن است گمراه‌کننده شوند.

ارتباط چولگی با داده‌های پرت (Outliers)

✅ چولگی بالا معمولاً نشان می‌دهد:

• داده‌های پرت وجود دارند
• یا توزیع غیرطبیعی است

? در نتیجه باید تحلیل دقیق‌تری انجام شود

روش‌های اندازه‌گیری چولگی

دو روش رایج:

1. ضریب چولگی پیرسون (Pearson’s First Coefficient)

• بر اساس تفاوت بین میانگین و نما

2. ضریب چولگی پیرسون نوع دوم (Pearson’s Second Coefficient)

• بر اساس تفاوت بین میانگین و میانه

✅ این شاخص‌ها کمک می‌کنند میزان و جهت چولگی اندازه‌گیری شود

نکات کلیدی (Key Takeaways)

• چولگی میزان عدم‌تقارن توزیع داده‌ها را نشان می‌دهد
• چولگی مثبت → کشیدگی به سمت راست
• چولگی منفی → کشیدگی به سمت چپ
• توزیع نرمال → چولگی صفر
• چولگی بالا می‌تواند نشان‌دهنده داده‌های پرت باشد
• با ضرایب آماری مانند Pearson قابل اندازه‌گیری است