Skewness (तिरछापन) और Kurtosis
📊 Skewness (तिरछापन) और Kurtosis (कर्टोसिस)
UGC NET Economics के लिए संपूर्ण अध्ययन
✔️ प्रत्येक प्रश्न, प्रत्येक उत्तर, प्रत्येक सूत्र — बिना किसी कटौती के | आधिकारिक वार्ता का पूर्ण प्रतिलेख
🔰 1. Skewness और Kurtosis – बुनियादी परिचय (मूल प्रश्नोत्तर)
प्रश्न 1: Skewness किसे कहते हैं?
उत्तर: Skewness किसी डेटा वितरण (Distribution) की विषमता या तिरछापन को मापता है। यह बताता है कि डेटा का आकार सममित (Symmetric) है या एक तरफ झुका हुआ है।
- Positive Skew (दायाँ तिरछा): अधिकांश डेटा बायीं ओर और कुछ बड़े मान (पूँछ) दायीं ओर। (माध्य > माध्यिका)
- Negative Skew (बायाँ तिरछा): अधिकांश डेटा दायीं ओर और पूँछ बायीं ओर। (माध्य < माध्यिका)
- Positive Skew (दायाँ तिरछा): अधिकांश डेटा बायीं ओर और कुछ बड़े मान (पूँछ) दायीं ओर। (माध्य > माध्यिका)
- Negative Skew (बायाँ तिरछा): अधिकांश डेटा दायीं ओर और पूँछ बायीं ओर। (माध्य < माध्यिका)
प्रश्न 2: Kurtosis किसे कहते हैं?
उत्तर: Kurtosis बताता है कि डेटा वितरण की पूँछ (Tail) कितनी मोटी है और चोटी (Peak) कितनी नुकीली है।
- Leptokurtic (उच्च कर्टोसिस): नुकीली चोटी और मोटी पूँछ (जोखिम अधिक)।
- Mesokurtic (सामान्य): सामान्य वितरण (बेल-कर्व) जैसा।
- Platykurtic (निम्न कर्टोसिस): चपटी चोटी और पतली पूँछ।
- Leptokurtic (उच्च कर्टोसिस): नुकीली चोटी और मोटी पूँछ (जोखिम अधिक)।
- Mesokurtic (सामान्य): सामान्य वितरण (बेल-कर्व) जैसा।
- Platykurtic (निम्न कर्टोसिस): चपटी चोटी और पतली पूँछ।
प्रश्न 3: Skewness के मान की व्याख्या कैसे करें?
उत्तर:
- Skewness = 0 → पूर्ण सममित वितरण।
- Skewness > 0 → धनात्मक तिरछापन (दायीं ओर लंबी पूँछ)।
- Skewness < 0 → ऋणात्मक तिरछापन (बायीं ओर लंबी पूँछ)।
- |Skewness| < 0.5 → लगभग सममित।
- |Skewness| > 1 → अत्यधिक तिरछा।
- Skewness = 0 → पूर्ण सममित वितरण।
- Skewness > 0 → धनात्मक तिरछापन (दायीं ओर लंबी पूँछ)।
- Skewness < 0 → ऋणात्मक तिरछापन (बायीं ओर लंबी पूँछ)।
- |Skewness| < 0.5 → लगभग सममित।
- |Skewness| > 1 → अत्यधिक तिरछा।
प्रश्न 4: Kurtosis का सूत्र क्या है?
उत्तर: अधिकांश सॉफ्टवेयर (Excel, Python) अतिरिक्त कर्टोसिस (Excess Kurtosis) का उपयोग करते हैं:
\[
\text{Kurtosis (Excess)} = \frac{\sum (x_i - \bar{x})^4 / n}{s^4} - 3
\]
- Excess Kurtosis = 0 → Mesokurtic (सामान्य)
- Excess Kurtosis > 0 → Leptokurtic (नुकीला)
- Excess Kurtosis < 0 → Platykurtic (चपटा)
- Excess Kurtosis > 0 → Leptokurtic (नुकीला)
- Excess Kurtosis < 0 → Platykurtic (चपटा)
प्रश्न 5: Skewness और Kurtosis क्यों महत्वपूर्ण हैं?
उत्तर:
1. सामान्यता परीक्षण: कई सांख्यिकीय परीक्षण (t-test, ANOVA) के लिए डेटा का सामान्य वितरण आवश्यक होता है। Skewness और Kurtosis सामान्यता से विचलन दिखाते हैं।
2. जोखिम विश्लेषण: वित्त में, Leptokurtic वितरण (अधिक Kurtosis) अत्यधिक नुकसान (ब्लैक स्वान) की उच्च संभावना दिखाता है।
1. सामान्यता परीक्षण: कई सांख्यिकीय परीक्षण (t-test, ANOVA) के लिए डेटा का सामान्य वितरण आवश्यक होता है। Skewness और Kurtosis सामान्यता से विचलन दिखाते हैं।
2. जोखिम विश्लेषण: वित्त में, Leptokurtic वितरण (अधिक Kurtosis) अत्यधिक नुकसान (ब्लैक स्वान) की उच्च संभावना दिखाता है।
📌 2. UGC NET Economics में पूछे गए प्रश्न (पिछले वर्षों के हल)
प्रश्न (UGC NET Dec 2023 based): एक सामान्य वितरण (Normal Distribution) के लिए निम्नलिखित में से कौन सा कथन सही है? (A) Skewness = 0, Kurtosis = 3 (B) Skewness = 1, Kurtosis = 0 (C) Skewness = 0, Kurtosis = 0 (D) Skewness > 0, Kurtosis > 3
उत्तर: (A) Skewness = 0, Kurtosis = 3
समाधान: एक पूर्णतः सममित (Symmetric) वितरण के लिए Skewness का मान 0 होता है। एक मानक सामान्य वितरण में Kurtosis का मान 3 होता है (Absolute Kurtosis)। Excess Kurtosis (Kurtosis – 3) शून्य होता है।
समाधान: एक पूर्णतः सममित (Symmetric) वितरण के लिए Skewness का मान 0 होता है। एक मानक सामान्य वितरण में Kurtosis का मान 3 होता है (Absolute Kurtosis)। Excess Kurtosis (Kurtosis – 3) शून्य होता है।
प्रश्न (UGC NET Jan 2026 Shift 1): Beta (β₂) और Gamma (γ₂) गुणांकों के आधार पर, यदि β₂ < 3 या γ₂ < 0 है, तो वक्र को क्या कहा जाता है? (A) Mesokurtic (B) Leptokurtic (C) Platykurtic (D) Symmetrical
उत्तर: (C) Platykurtic
समाधान: β₂ = 3 → Mesokurtic; β₂ > 3 → Leptokurtic; β₂ < 3 → Platykurtic (चपटा वक्र, पतली पूंछ).
समाधान: β₂ = 3 → Mesokurtic; β₂ > 3 → Leptokurtic; β₂ < 3 → Platykurtic (चपटा वक्र, पतली पूंछ).
प्रश्न (UGC NET July 2022 Shift 1, Commerce): Skewness और Kurtosis के बारे में सही कथन चुनिए – (A) ऋणात्मक तिरछापन में वक्र दाईं ओर झुकता है (B) धनात्मक तिरछापन में वक्र बाईं ओर झुकता है (C) सामान्य वक्र लेप्टोकुर्तिक होता है (D) सामान्य वक्र के लिए कर्टोसिस का मान 0.263 है (E) यदि वक्र सामान्य से अधिक चपटा है, तो वह प्लैटीकुर्तिक होता है।
उत्तर: (D) और (E) केवल
समाधान: (A) गलत: ऋणात्मक skew में बाईं ओर लंबी पूंछ; (B) गलत: धनात्मक में दाईं ओर लंबी पूंछ; (C) गलत: सामान्य वक्र मीसोकुर्तिक; (D) सही: कुछ पुस्तकों में सामान्य वक्र के लिए Absolute Kurtosis ≈ 0.263; (E) सही: platykurtic अधिक चपटा होता है।
समाधान: (A) गलत: ऋणात्मक skew में बाईं ओर लंबी पूंछ; (B) गलत: धनात्मक में दाईं ओर लंबी पूंछ; (C) गलत: सामान्य वक्र मीसोकुर्तिक; (D) सही: कुछ पुस्तकों में सामान्य वक्र के लिए Absolute Kurtosis ≈ 0.263; (E) सही: platykurtic अधिक चपटा होता है।
प्रश्न (UGC NET March 2023 Shift 1): निम्नलिखित में से कौन सा कथन सत्य है? (A) एक सममित वितरण के लिए β₁ = 0 (B) एक सममित वितरण के लिए β₂ = 3 (C) एक सममित वितरण के लिए β₁ > 0 (D) एक सममित वितरण के लिए β₂ = 0
उत्तर: (A) एक सममित वितरण के लिए β₁ = 0
समाधान: β₁ Skewness का माप है; सममित वितरण में Skewness = 0, अतः β₁ = 0.
समाधान: β₁ Skewness का माप है; सममित वितरण में Skewness = 0, अतः β₁ = 0.
🎯 UGC NET के लिए टॉपिक-वाइज ट्रिक्स
Skewness याद रखने की ट्रिक:
- Positive Skew (दायाँ झुका): "Mean > Median > Mode" (पूँछ दायीं ओर)
- Negative Skew (बायाँ झुका): "Mean < Median < Mode" (पूँछ बायीं ओर)
Kurtosis याद रखने की ट्रिक:
- "P" for Flat: Platykurtic → Plateau (चपटी चोटी) → β₂ < 3
- "L" for Peak: Leptokurtic → Long Tails / Sharp Peak → β₂ > 3
- "M" for Medium: Mesokurtic → Medium (Normal) → β₂ = 3
📚 3. संपूर्ण बेसिक (शून्य से विस्तार तक)
डेटा के तीन मुख्य लक्षण: Central Tendency (Mean/Median/Mode), Dispersion (Variance/SD), Shape (Skewness & Kurtosis) → बताते हैं कि डेटा Normal Distribution से कितना अलग है।
📐 Skewness (तिरछापन) – पूरा डिटेल
2.1 परिभाषा: Skewness डेटा के सममित न होने की माप, पूँछ (Tail) की दिशा बताती है।
| Skewness प्रकार | Mean vs Median | पूँछ की दिशा | उदाहरण |
|---|---|---|---|
| Zero (सममित) | Mean = Median | दोनों तरफ बराबर | ऊँचाई, IQ score |
| Positive (धनात्मक) | Mean > Median | दायीं तरफ | आय, घर के मूल्य |
| Negative (ऋणात्मक) | Mean < Median | बायीं तरफ | आसान परीक्षा के अंक |
सूत्र:
(A) Pearson’s Skewness: \( \text{Sk} = \frac{\text{Mean} - \text{Mode}}{\text{SD}} \) या \( \text{Sk} = \frac{3(\text{Mean} - \text{Median})}{\text{SD}} \)
(B) Moment-based: \( \beta_1 = \frac{m_3^2}{m_2^3}, \quad \gamma_1 = \frac{m_3}{(m_2)^{3/2}} \)
(m₂ = variance, m₃ = third central moment)
- γ₁ = 0 → सममित; γ₁ > 0 → Positive; γ₁ < 0 → Negative.
📊 Kurtosis (कर्टोसिस) – पूरा डिटेल
| Kurtosis प्रकार | β₂ (Absolute) | Excess (γ₂) | आकृति | उदाहरण |
|---|---|---|---|---|
| Mesokurtic | = 3 | = 0 | सामान्य बेल | Normal Dist. |
| Leptokurtic | > 3 | > 0 | नुकीली चोटी, मोटी पूँछ | स्टॉक रिटर्न |
| Platykurtic | < 3 | < 0 | चपटी चोटी, पतली पूँछ | Uniform Dist. |
सूत्र: \( \beta_2 = \frac{m_4}{m_2^2} \), \( \gamma_2 = \beta_2 - 3 \) (Excess Kurtosis)
🔹 L → Leptokurtic (Long tail & Sharp)
🔹 P → Platykurtic (Platform, flat)
🔹 M → Mesokurtic (Medium)
✍️ 4. खुद से बनाए गए (Self-Created) प्रश्न – पूरा हल सहित
प्रश्न (Basic): यदि किसी डेटा का Mean = 50, Median = 45, SD = 10, तो Pearson Skewness ज्ञात करें।
हल: \( \text{Sk} = \frac{3(50-45)}{10} = \frac{15}{10} = 1.5 \). ✅ Sk > 0 → Positive Skewness (दायीं लम्बी पूँछ)
प्रश्न (UGC NET Level): β₂ = 4.5 दिया है। Excess Kurtosis (γ₂) एवं कर्टोसिस प्रकार बताएँ।
हल: \( \gamma_2 = 4.5 - 3 = 1.5 \) (>0) → Leptokurtic (नुकीली चोटी, मोटी पूँछ)
प्रश्न (Moment Based): m₂ = 4, m₃ = 0, m₄ = 24; γ₁ और γ₂ ज्ञात करें।
हल: \( \gamma_1 = 0/(4^{1.5}) = 0 \) → सममित। \( \gamma_2 = \frac{24}{16} - 3 = 1.5 - 3 = -1.5 \) → Platykurtic.
🎯 UGC NET के लिए सबसे जरूरी तथ्य
- Normal Distribution में: Skewness = 0, β₂ = 3, γ₂ = 0
- Positive Skewness: Mean > Median > Mode
- Negative Skewness: Mean < Median < Mode
- Excess Kurtosis: γ₂ = β₂ − 3
- β₂ चौथा केंद्रीय आघूर्ण का अनुपात है
⭐ 5. चार नए अत्यंत महत्वपूर्ण प्रश्न (UGC NET के लिए)
प्रश्न 4 (Pearson based): Mean = 80, Mode = 74, Variance = 36, Sk ज्ञात कीजिए।
हल: SD = √36 = 6; Sk = (80 – 74)/6 = 6/6 = 1.0 → Positive Skewness (दायीं लम्बी पूँछ, Mean > Mode)
प्रश्न 5 (Excess Kurtosis): m₄ = 180, m₂ = 9, β₂ और γ₂ ज्ञात करें।
हल: β₂ = 180/(9×9) = 180/81 = 2.222; γ₂ = 2.222 – 3 = -0.778 (<0) → Platykurtic (चपटा वितरण)
प्रश्न 6 (सांख्यिकीय परीक्षणों से जोड़): γ₁ = 0.8, γ₂ = 1.2 – क्या यह सामान्य वितरण है?
हल: γ₁>0 → धनात्मक तिरछापन; γ₂>0 → Leptokurtic; सामान्य नहीं। यह दाईं ओर तिरछा एवं नुकीला (Leptokurtic) है, जैसे शेयर बाजार रिटर्न।
प्रश्न 7 (तुलना आधारित): पूर्ण सममित, मानक सामान्य, प्लैटीकुर्तिक के लिए मान बताएँ।
उत्तर: सममित → γ₁ = 0; मानक सामान्य → γ₁=0, γ₂=0, β₂=3; प्लैटीकुर्तिक → γ₂ < 0, β₂ < 3.
| Skewness प्रकार | Kurtosis प्रकार | वास्तविक जीवन उदाहरण |
|---|---|---|
| Positive (धनात्मक) | Leptokurtic | शेयर बाजार, आय वितरण (गरीब अधिक, अमीर कम) |
| Negative (ऋणात्मक) | Platykurtic | आसान परीक्षा में सभी के अच्छे अंक |
| Zero (सममित) | Mesokurtic | ऊँचाई, रक्तचाप, IQ अंक |
✅ अंतिम सत्यापन (Final Checklist)
- Skewness = आकार की विषमता (पूँछ की दिशा)
- Kurtosis = चोटी और पूँछ की मोटाई
- Pearson विधि (Mean, Median, SD)
- Moment विधि (m₂, m₃, m₄)
- β₁, γ₁, β₂, γ₂ में अंतर
- Absolute vs Excess Kurtosis – स्पष्टता UGC NET में आवश्यक
अब आपके पास Skewness और Kurtosis पर वह सब कुछ है जो UGC NET Economics के लिए चाहिए – बेसिक, फॉर्मूले, ट्रिक्स, पिछले साल के प्रश्न, और नए अभ्यास प्रश्न।
📊 Numerical Problems on Skewness & Kurtosis
(UGC NET Economics Level)
✔️ पूर्ण संख्यात्मक प्रश्न + चरणबद्ध हल | एक भी शब्द नहीं हटाया गया | सभी सूत्र LaTeX में
Numerical 1
Skewness – Pearson Method (Mean – Mode)
प्रश्न: एक डेटा में Mean = 65, Mode = 59, और Standard Deviation = 8 है। Pearson के Skewness गुणांक की गणना करें और बताएं कि वितरण किस प्रकार का है।
हल (Step-by-Step):
सूत्र: \(\text{Sk} = \frac{\text{Mean} - \text{Mode}}{\text{SD}}\)
\(\text{Sk} = \frac{65 - 59}{8} = \frac{6}{8} = 0.75\)
✅ उत्तर: Sk = 0.75
➡ धनात्मक तिरछापन (Positive Skewness) – दायीं ओर लंबी पूँछ।
➡ धनात्मक तिरछापन (Positive Skewness) – दायीं ओर लंबी पूँछ।
Numerical 2
Skewness – Pearson (Median based)
प्रश्न: एक वितरण का Mean = 42, Median = 38, और Variance = 64 है। Pearson के दूसरे सूत्र द्वारा Skewness ज्ञात करें।
हल:
SD = √Variance = √64 = 8
सूत्र: \(\text{Sk} = \frac{3(\text{Mean} - \text{Median})}{\text{SD}}\)
\(\text{Sk} = \frac{3(42 - 38)}{8} = \frac{3 \times 4}{8} = \frac{12}{8} = 1.5\)
✅ उत्तर: Sk = 1.5
➡ धनात्मक तिरछापन (Positive Skewness) – बलवान positive skew.
➡ धनात्मक तिरछापन (Positive Skewness) – बलवान positive skew.
Numerical 3
Kurtosis – Moment Based (β₂ & γ₂)
प्रश्न: एक डेटा के केंद्रीय आघूर्ण (Central Moments) हैं: m₂ = 9, m₄ = 162. β₂ और Excess Kurtosis (γ₂) ज्ञात करें।
हल:
\(\beta_2 = \frac{m_4}{m_2^2} = \frac{162}{9^2} = \frac{162}{81} = 2.0\)
\(\gamma_2 = \beta_2 - 3 = 2.0 - 3 = -1.0\)
✅ उत्तर: β₂ = 2.0 , γ₂ = –1.0
➡ γ₂ < 0 → Platykurtic (चपटा वितरण)
➡ γ₂ < 0 → Platykurtic (चपटा वितरण)
Numerical 4
γ₁ Skewness – Moment Method
प्रश्न: यदि m₂ = 25, m₃ = –40 है, तो γ₁ (Skewness) ज्ञात करें और दिशा बताएँ।
हल:
\(\gamma_1 = \frac{m_3}{(m_2)^{3/2}} = \frac{-40}{(25)^{1.5}} = \frac{-40}{125} = -0.32\)
✅ उत्तर: γ₁ = –0.32
➡ ऋणात्मक तिरछापन (Negative Skewness) – बायीं ओर लंबी पूँछ।
➡ ऋणात्मक तिरछापन (Negative Skewness) – बायीं ओर लंबी पूँछ।
Numerical 5
वास्तविक डेटा पर Skewness (Pearson)
प्रश्न: निम्न डेटा दिया है: 5, 7, 8, 9, 12, 12, 12, 13, 14, 45. Pearson Skewness ज्ञात करें।
हल (चरणबद्ध):
चरण 1 – Mean: (5+7+8+9+12+12+12+13+14+45) = 137 → Mean = 137/10 = 13.7
चरण 2 – Mode: सबसे अधिक बार आने वाला मान = 12
चरण 3 – SD (σ):
Variance = Σ(x – μ)²/n = [ (5-13.7)² + (7-13.7)² + (8-13.7)² + (9-13.7)² + (12-13.7)² + (12-13.7)² + (12-13.7)² + (13-13.7)² + (14-13.7)² + (45-13.7)² ] / 10
= [75.69 + 44.89 + 32.49 + 22.09 + 2.89 + 2.89 + 2.89 + 0.49 + 0.09 + 979.69] / 10 = (1164.2) / 10 = 116.42
SD = √116.42 ≈ 10.79
Variance = Σ(x – μ)²/n = [ (5-13.7)² + (7-13.7)² + (8-13.7)² + (9-13.7)² + (12-13.7)² + (12-13.7)² + (12-13.7)² + (13-13.7)² + (14-13.7)² + (45-13.7)² ] / 10
= [75.69 + 44.89 + 32.49 + 22.09 + 2.89 + 2.89 + 2.89 + 0.49 + 0.09 + 979.69] / 10 = (1164.2) / 10 = 116.42
SD = √116.42 ≈ 10.79
चरण 4 – Skewness: \(\text{Sk} = \frac{\text{Mean} - \text{Mode}}{\text{SD}} = \frac{13.7 - 12}{10.79} = \frac{1.7}{10.79} \approx 0.157\)
✅ उत्तर: Sk ≈ 0.157
➡ बहुत हल्का धनात्मक तिरछापन (Mild Positive Skewness).
➡ बहुत हल्का धनात्मक तिरछापन (Mild Positive Skewness).
Numerical 6
Excess Kurtosis – व्याख्या सहित
प्रश्न: यदि γ₂ = 2.5 है, तो वितरण की चोटी और पूँछ के बारे में क्या कहा जा सकता है?
हल:
γ₂ > 0 → Leptokurtic
चोटी → अत्यधिक नुकीली (Very sharp peak)
पूँछ → अत्यधिक मोटी (Very fat tail) – ब्लैक स्वान घटनाओं की अधिक संभावना
γ₂ > 0 → Leptokurtic
चोटी → अत्यधिक नुकीली (Very sharp peak)
पूँछ → अत्यधिक मोटी (Very fat tail) – ब्लैक स्वान घटनाओं की अधिक संभावना
✅ उत्तर: यह Leptokurtic है – नुकीली चोटी, भारी पूँछ।
Numerical 7
सामान्यता परीक्षण (Normality Check)
प्रश्न: यदि γ₁ = 0.2 और γ₂ = –0.5 है, तो क्या यह वितरण सामान्य (Normal) माना जा सकता है? कारण सहित बताएँ।
हल:
सामान्य वितरण के लिए: γ₁ = 0 और γ₂ = 0
यहाँ γ₁ ≈ 0 (थोड़ा तिरछा है), γ₂ = –0.5 (Platykurtic)
γ₂ का मान –0.5 सामान्य से विचलन दिखाता है।
सामान्य वितरण के लिए: γ₁ = 0 और γ₂ = 0
यहाँ γ₁ ≈ 0 (थोड़ा तिरछा है), γ₂ = –0.5 (Platykurtic)
γ₂ का मान –0.5 सामान्य से विचलन दिखाता है।
✅ उत्तर: नहीं, पूर्ण रूप से सामान्य नहीं है – क्योंकि γ₂ < 0 है। कुछ सांख्यिकीय परीक्षणों के लिए यह अभी भी स्वीकार्य हो सकता है, लेकिन सख्त अर्थों में सामान्य वितरण नहीं।
📐 शीघ्र हल के लिए सूत्र संग्रह (Formula Box)
| माप (Measure) | सूत्र (Formula) |
|---|---|
| Pearson Skewness (Mode) | \(\frac{\text{Mean} - \text{Mode}}{\text{SD}}\) |
| Pearson Skewness (Median) | \(\frac{3(\text{Mean} - \text{Median})}{\text{SD}}\) |
| γ₁ (Moment Skewness) | \(\frac{m_3}{(m_2)^{3/2}}\) |
| β₂ (Kurtosis) | \(\frac{m_4}{m_2^2}\) |
| γ₂ (Excess Kurtosis) | \(\beta_2 - 3\) |
✅ अंतिम टिप्स (Exam में काम आएंगे)
- Skewness > 0.5 → धनात्मक तिरछा (Positive skew)
- Skewness < –0.5 → ऋणात्मक तिरछा (Negative skew)
- γ₂ > 1 → बहुत भारी पूँछ (Leptokurtic – high risk)
- γ₂ < –0.5 → चपटा (Platykurtic – thin tails)
- Normal Distribution: γ₁ = 0 , γ₂ = 0 , β₂ = 3
Comments
Post a Comment