目录
偏度(skewness)和峰度(kurtosis)：偏度的定义：样本偏度的计算方法：峰度的定义：样本的峰度计算方法：python使用pandas来计算偏度和峰度
正文
偏度(skewness)和峰度(kurtosis)：
偏度能够反应分布的对称情况，右偏（也叫正偏），在图像上表现为数据右边脱了一个长长的尾巴，这时大多数值分布在左侧，有一小部分值分布在右侧。
峰度反应的是图像的尖锐程度：峰度越大，表现在图像上面是中心点越尖锐。在相同方差的情况下，中间一大部分的值方差都很小，为了达到和正太分布方差相同的目的，必须有一些值离中心点越远，所以这就是所说的“厚尾”，反应的是异常点增多这一现象。
偏度的定义：
样本X的偏度为样本的三阶标准矩
其中μμ 是均值，δδ 为标准差，E是均值操作。μ3μ3 是三阶中心距，κtκt 是tthtth 累积量
偏度可以由三阶原点矩来进行表示：
样本偏度的计算方法：
一个容量为n的数据，一个典型的偏度计算方法如下：
其中x¯x¯ 为样本的均值（和μμ 的区别是，μμ 是整体的均值，x¯x¯ 为样本的均值）。s是样本的标准差，m3m3 是样本的3阶中心距。
另外一种定义如下：
k3k3 是三阶累积量κ3κ3 的唯一对称无偏估计(unique symmetric unbiased estimator)（k3k3 和κ3κ3 写法不一样）。k2=s2k2=s2 是二阶累积量的对称无偏估计。
大多数软件当中使用G1G1 来计算skew，如Excel，Minitab，SAS和SPSS。
峰度的定义：
峰度定义为四阶标准矩，可以看出来和上面偏度的定义非常的像，只不过前者是三阶的。
样本的峰度计算方法：
样本的峰度还可以这样计算：
其中k4k4 是四阶累积量的唯一对称无偏估计，k2k2 是二阶累积量的无偏估计（等同于样本方差），m4m4 是样本四阶平均距，m2m2 是样本二阶平均距。
同样，大多数程序都是采用G2G2 来计算峰度。
python使用pandas来计算偏度和峰度
import pandas as pdx = [53, 61, 49, 66, 78, 47]s = pd.Series(x)print(s.skew())print(s.kurt())
它是用上面的G1G1 来计算偏度G2G2 来计算峰度，结果如下：
0.7826325504212567-0.2631655441038463
