분포의 비대칭과 극단값·꼬리 성향을 중심모멘트로 읽기
평균과 표준편차가 같으면 두 분포는 같은 모습일까요?
한 분포는 좌우가 대칭일 수 있고 다른 분포는 대부분 낮지만 드문 큰 값이 오른쪽 꼬리를 만들 수 있습니다. 또 같은 중심·산포에서도 극단값 빈도가 다를 수 있습니다.
왜도는 비대칭 방향과 정도, 첨도는 평균에서 매우 먼 값이 나타나는 성향을 요약합니다. 두 수치만으로 분포 전체를 재구성할 수 없으므로 그래프와 함께 사용합니다.
핵심 질문
분포는 어느 방향으로 꼬리가 길며 극단적인 편차가 얼마나 자주·강하게 나타나는가?
작은 극단값이 분포의 꼬리를 왼쪽으로 늘립니다.
양쪽 모양이 비슷하지만 대칭이 곧 정규분포는 아닙니다.
극단값이 나타나는 정도와 꼬리의 무게를 비교합니다.
오른쪽 왜도는 큰 값 몇 개가 긴 오른쪽 꼬리를 만들고 보통 평균을 중앙값보다 크게 끕니다. 왼쪽 왜도는 작은 값 몇 개가 왼쪽 꼬리를 만듭니다.
왜도 0은 대칭의 충분조건이 아니며 비대칭인데 세 번째 모멘트가 상쇄될 수도 있습니다. 여러 봉우리와 경계효과는 히스토그램으로 확인합니다.
표준화 편차의 세제곱을 평균내면 양·음 방향이 보존되고 먼 값은 세제곱으로 크게 반영됩니다. 표본왜도는 작은 표본 편향을 보정하는 여러 정의가 있어 소프트웨어 결과가 다를 수 있습니다.
자료 1,2,2,2,8은 대부분 2 주변이고 8이 오른쪽 꼬리를 만듭니다. 평균은 3, 중앙값은 2로 평균이 꼬리 방향으로 이동합니다.
자료 −4,2,2,2,3은 반대로 왼쪽 꼬리가 길고 평균 1, 중앙값 2입니다. 평균–중앙값 관계는 단서일 뿐 왜도 계산을 대체하지 않습니다.
| 자료 | 평균 | 중앙값 | 모양 |
|---|---|---|---|
| 1,2,2,2,8 | 3 | 2 | 오른쪽 꼬리 |
| −4,2,2,2,3 | 1 | 2 | 왼쪽 꼬리 |
오른쪽 왜도가 강한 소득·대기시간은 평균과 SD가 전형적인 값을 잘 설명하지 못하고 회귀잔차의 정규성·등분산성에도 영향을 줄 수 있습니다.
로그·제곱근·Box–Cox 변환은 왜도를 줄일 수 있지만 해석단위가 바뀝니다. 변환 목적은 p값을 좋게 만드는 것이 아니라 모형관계와 오차구조를 적절히 표현하는 것입니다.
첨도는 흔히 “뾰족함”으로 소개되지만 현대적 해석은 표준화된 네 번째 모멘트, 즉 평균에서 매우 먼 편차에 대한 민감성입니다. 꼬리와 극단값 성향이 핵심입니다.
중앙 봉우리 모양만 보고 첨도를 판단할 수 없습니다. 같은 첨도라도 분포의 봉우리와 어깨 모양이 다를 수 있습니다.
정규분포의 kurtosis는 3입니다. 여기서 3을 뺀 excess kurtosis를 보고하는 소프트웨어는 정규분포를 0으로 표시합니다. 결과가 0인지 3인지 정의를 먼저 확인합니다.
네제곱 편차 때문에 표본 하나의 극단값이 첨도를 크게 바꿀 수 있고 작은 표본 추정은 불안정합니다.
표본왜도와 첨도는 표본이 작을수록 변동이 큽니다. 경험적 기준 |skew|<1 같은 절단값을 기계적으로 정상성 판정에 사용하지 않습니다.
부트스트랩 신뢰구간, Q–Q plot, 히스토그램과 도메인상 가능한 범위를 함께 봅니다. 큰 표본에서는 작은 모양 차이도 검정상 유의할 수 있습니다.
0~100 점수처럼 경계가 있는 변수는 천장·바닥효과로 왜도가 생깁니다. 서로 다른 하위집단을 섞으면 각 집단은 대칭이어도 전체가 비대칭·다봉이 될 수 있습니다.
전체 왜도 하나로 집단구조를 숨기지 말고 그룹별 분포와 밀도·박스플롯을 확인합니다. 다봉성은 왜도·첨도 두 숫자로 포착하기 어렵습니다.
왜도·초과첨도의 정의와 표본 수, 히스토그램·Q–Q plot, 평균·중앙값을 함께 보고합니다. 극단값의 오류 여부와 값 제거 전후 민감도를 확인합니다.
기술통계 목적이라면 비대칭 자체를 “수정”할 필요가 없습니다. 분석모형이 정규성을 요구하는 대상이 원자료인지 잔차·표본평균인지 구분합니다.
한 극단값을 바꾸며 표준화 세제곱·네제곱 모멘트가 얼마나 민감하게 반응하는지 확인하세요.
왜도·첨도 인터랙티브 랩
중심과 산포를 조절하며 분포의 위치·폭·꼬리와 요약값이 어떻게 달라지는지 확인하세요.
조작할 때 그래프의 위치·모양·오류 구조를 먼저 보세요.
계산 결과
왜도 1.41 · 초과첨도 0.14
모집단 모멘트식의 작은 예제입니다. 실제 표본 소프트웨어는 편향보정 정의로 다른 값을 낼 수 있습니다.
한 조절값만 먼저 움직인 뒤 그래프의 어떤 부분이 변하고 무엇은 그대로인지 설명해보세요.
| 주제 | 핵심 내용 |
|---|---|
| L-moments | 순서통계량의 선형결합으로 왜도·꼬리를 요약해 일반 모멘트보다 극단값에 덜 민감합니다. |
| Robust skewness | Bowley 왜도처럼 사분위수를 사용해 분포 비대칭을 강건하게 측정합니다. |
| Tail index | 극단값 이론에서 꼬리가 얼마나 느리게 감소하는지 첨도와 다른 방식으로 추정합니다. |
| 다음 학습 | 도수분포와 히스토그램은 요약수치가 숨기는 분포의 봉우리·빈틈·꼬리를 직접 보여줍니다. |