Kurva lonceng yang terdistribusi normal.
Distribusi miring mengacu pada distribusi probabilitas yang tidak merata dan asimetris di alam. Tidak seperti distribusi normal standar, yang menyerupai kurva lonceng , distribusi miring digeser ke satu sisi, memiliki ekor yang lebih panjang di satu sisi relatif terhadap sisi lain median. Sisi lain dari kurva akan memiliki puncak nilai yang berkerumun di mana sebagian besar titik data terjadi. Jenis kurva distribusi ini biasanya diklasifikasikan memiliki kemiringan positif atau kemiringan negatif, tergantung pada arah pergeseran kurva.
Distribusi yang condong ke kanan, atau condong negatif.
Umumnya, distribusi miring dikatakan memiliki kemiringan positif jika ekor kurva lebih panjang di sisi kanan jika dibandingkan dengan sisi kiri. Distribusi skewed ini juga disebut skewed to right karena sisi kanan memiliki perluasan titik data yang lebih luas. Kurva miring positif memiliki jumlah nilai terbesar ke arah sisi kiri kurva.
Sebaliknya, distribusi condong negatif memiliki titik data paling banyak di sisi kanan kurva. Kurva ini memiliki ekor yang lebih panjang di sisi kiri, sehingga dikatakan miring ke kiri. Aturan penting dalam menentukan arah kemiringan adalah mempertimbangkan panjang ekor daripada lokasi mean atau median. Ini karena kemiringan pada akhirnya disebabkan oleh nilai-nilai terjauh yang terjauh, yang meregangkan kurva ke arah sisi grafik itu.
Memahami sifat-sifat distribusi miring penting dalam banyak aplikasi statistik. Banyak orang berasumsi bahwa data mengikuti kurva lonceng, atau distribusi normal, sehingga mereka juga berasumsi bahwa grafik memiliki kemiringan nol. Asumsi ini, bagaimanapun, dapat menyebabkan mereka salah menafsirkan informasi tentang distribusi yang sebenarnya.
Distribusi miring secara inheren tidak merata di alam, sehingga tidak akan mengikuti pola normal standar seperti standar deviasi . Distribusi normal melibatkan satu standar deviasi yang berlaku untuk kedua sisi kurva, tetapi distribusi miring akan memiliki nilai standar deviasi yang berbeda untuk setiap sisi kurva. Ini karena kedua sisi bukan bayangan cermin satu sama lain, sehingga persamaan yang menggambarkan satu sisi tidak dapat diterapkan ke sisi yang lain. Nilai standar deviasi umumnya lebih besar untuk sisi dengan ekor yang lebih panjang karena penyebaran data yang lebih luas pada sisi tersebut jika dibandingkan dengan ekor yang lebih pendek.