기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[python]확률과 주요통계량: 왜도(skewness)와 첨도(kurtosis)

왜도와 첨도

관련내용

왜도와 첨도는 평균, 분산과 함께 확률분포의 특성을 나타내는 주요 통계량으로 사용됩니다. 왜도(skewness)는 평균(중심)을 기준으로 분포의 좌우의 비대칭성의 정도를 나타내고 첨도(kurtosis)는 분포의 peak 즉 봉우리의 뾰족한 정도를 나타내는 통계량입니다.

왜도와 첨도는 확률변수의 개개의 값과 평균의 차이에 대해 3제곱과 4제곱을 적용한 새로운 확률변수에 대한 기대값입니다. 즉, 두 통계량은 각각 3차와 4차 모멘트가 됩니다. 왜도는 식 1, 첨도는 식 2과 같이 정의됩니다.

왜도(skewness)
  • 3차 모멘트
  • 표준정규분포의 왜도 = 0
  • skewness > 0: 분포가 오른쪽으로 기울어진 형태(skewed to right)
  • skewness < 0: 분포가 왼쪽으로 기울어진 형태(skew to left)
\begin{align}\text{skewness}&=E\left(\frac{X-\mu}{\sigma} \right)^3\\&=\frac{E(X-\mu)^3}{\sigma^3} \end{align} (식 1)
첨도(kurtosis)
  • 4차 모멘트는 첨도를 나타내는데 실제적으로 -3을 고려합니다.
  • 표준정규분포의 첨도= 0(4차 모멘트 = 3): mesokurtic(정규분포)
  • kurtosis > 0: letokurtic 또는 fat-tailed
\begin{align}E\left(\frac{X-\mu}{\sigma} \right)^4-3\\&=\frac{e(X-\mu)^4}{\sigma^4}-3 \end{align} (식 2)

주가자료(stock data)의 경우는 leptokurtic 즉, 정규분포보다 두툼한 꼬리와 두개의 봉우리가 생성되는 보이는 경향이 일반적입니다.

성공확률 p인 베르누이 시행을 반복하는 이항분포(Binomial distribution)를 생각해 봅니다. 이항분포의 확률함수는 식 3과 같이 조합(combination)과 시행당 확률의 곱으로 나타냅니다.

$$f(x)=\binom{n}{s}p^s(1-p)^{n-s}$$ (식 3)
n: 총 시행횟수, s: 성공횟수, p: 시행당 성공확률

이항분포의 확률질량함수(pmf)는 scipy.stats.binom.pmf() 메서드를 적용하여 계산할 수 있습니다. 예로 시행횟수(n), 성공횟수(s), 시행당 확률(p)가 각각 100, 10, 0.1의 조건에서 pmf를 계산해 봅니다.

stats.binom.pmf(10, 100, 1/10).round(3)
0.132

성공확률 0.1인 사건을 10번 시행에서 확률분포의 기대값, 분산, 왜도, 그리고 첨도는 다음과 같이 계산됩니다.

n=10
p=0.1
s=np.arange(n+1)
pf=stats.binom.pmf(s, n, p)
print(pf.round(3))
[0.349 0.387 0.194 0.057 0.011 0.001 0.    0.    0.    0.    0.   ]
E=np.sum(s*pf); E.round(3)
1
var=np.sum((s-E)**2*pf);var.round(3)
0.9
ske=np.sum((s-E)**3*pf)/var**(3/2); ske.round(3)
0.843
kurt=np.sum((s-E)**4/var**(4/2)*pf)-3;kurt.round(3)
0.511

위 결과는 stats.binom.stats(n, p, moments="mvsk") 메서드에 의해 확인할 수 있습니다. 이 메서드의 매개변수 moments에 전달하는 인수 mvsk는 각각 평균, 분산, 왜도 그리고 첨도를 나타냅니다.

re=stats.binom.stats(n,p, moments="mvsk")
print(np.array(re).round(2))
[1.   0.9  0.84 0.51]

예 1)

총 시행횟수 10번의 베루누이 시행에서의 시행당 확률이 0.1, 0.5, 0.8인 조건에 각각의 평균, 분산, 왜도, 첨도를 결정합니다.

n=10
p=np.array([0.1, 0.5, 0.8])
s=np.arange(n).reshape(10,1)
pmf=stats.binom.pmf(s, n, p)
pd.DataFrame(pmf, columns=["p=0.1", "p=0.5", "p=0.8"]).round(3)
p=0.1 p=0.5 p=0.8
0 0.349 0.001 0.000
1 0.387 0.010 0.000
2 0.194 0.044 0.000
3 0.057 0.117 0.001
4 0.011 0.205 0.006
5 0.001 0.246 0.026
6 0.000 0.205 0.088
7 0.000 0.117 0.201
8 0.000 0.044 0.302
9 0.000 0.010 0.268
re=stats.binom.stats(n, p, moments="mvsk")
pd.DataFrame(re, index=["평균","분산","왜도", "첨도"], columns=["p=0.1","p=0.5","p=0.8"]).round(3)
p=0.1p=0.5 p=0.8
평균 1.000 5.0 8.000
분산 0.900 2.5 1.600
왜도 0.843 0.0 -0.474
첨도 0.511 -0.2 0.025

위 결과는 그림 1과 같이 시각화할 수 있습니다.

그림 1 확률 변화에 따른 분포의 형태.
plt.figure(figsize=(10, 3))
col=['g', 'b', 'r']
lbl=["p=0.1", "p=0.5", "p=0.8"]
for i in range(3):
    plt.subplot(1,3,i+1)
    plt.bar(range(pmf.shape[0]), pmf[:,i], color=col[i], alpha=0.7, label=lbl[i])
    plt.legend(loc="best")
    plt.xticks(range(10))
    plt.xlabel("trial number")
    plt.ylim(0, 0.4)
    if i!=0:
        plt.ylabel('')
        plt.yticks([])
    else:
        plt.ylabel('probability')
plt.show()

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...