直方圖左側長尾，偏態值是正還是負？
原題
附圖為某資料之分佈圖（直方圖右側集中、左側出現負值的長尾，主峰位置約在 40 附近），此圖資料之偏態（Skewness）值較有可能為下列哪個選項？
白話
有一張直方圖，它的形狀是：大多數數據聚集在右邊（約 40 附近），但左邊延伸出一條往負值方向拉的長尾巴。
問你：這種「右邊高聳、左邊有長尾」的分佈圖，偏態（Skewness）值是正還是負，還是零，還是根本算不出來？
先自己選一個答案，再看完整解析。
一句話總結
長尾往左（負值方向）就是左偏分佈，Skewness < 0。「尾巴朝哪邊，偏態就是那個方向的符號」：尾往左是負偏，尾往右是正偏。
情境
先感受問題：考試成績的分佈
嘉誠補習班的模擬考結果：
大部分同學成績集中在 70-90 分（右邊高聳的主峰）
少數同學考了 20-30 分，甚至有人 0 分（左邊的長尾）
幾乎沒有人考超過 100 分（右邊沒有長尾）
畫成直方圖，形狀是：右邊（高分段）聳立著高峰，左邊（低分段）拖著一條長長的尾巴。
這種形狀就叫「左偏分佈」（Left-Skewed Distribution），也稱為「負偏」（Negative Skew）。
題目說的圖：主峰約在 40，右側（高值區）集中，左側出現往負值延伸的長尾。這就是同樣的形狀：主體在右邊，尾巴拉向左邊。
舊方法
靠直覺猜偏態方向，常見的誤判
- 看峰的位置猜錯方向：看到峰在右邊（高值），直覺說「往右偏」，但偏態看的是「尾巴的方向」，不是「峰的位置」。
- 混淆「高點在哪」跟「偏往哪」：「右側集中」就以為 Skewness > 0，其實「集中在右邊」代表長尾在左邊，是負偏。
- 對稱就是 0，只要不對稱就覺得無法判斷：看到不對稱就選「無法計算」，但偏態公式可以計算任何資料，結果會是正數、負數或 0，不會「無法計算」。
- 把偏態跟峰度搞混：偏態看的是分佈的「左右對稱性」，峰度（Kurtosis）看的是「尖峰程度」，兩個是不同指標。
- 不知道尾巴跟均值的關係：左偏時，少數極低值把均值往左拉，所以均值 < 中位數 < 眾數；這個關係對應考試很有用。
新方法
一個口訣記住偏態方向
記住這個口訣：尾巴朝哪邊，偏態符號就是那邊。
- 長尾往右（Right tail）：正偏（Positive Skew），Skewness > 0
- 長尾往左（Left tail）：負偏（Negative Skew），Skewness < 0
- 左右對稱：Skewness = 0
題目的圖：右側集中（主峰在高值側）、左側有長尾往負值延伸。
套口訣：長尾在左邊 → 負偏 → Skewness < 0。
補充記憶：左偏時，少數極端低值把平均值拖低，所以平均值 < 中位數。
這就是選項 A 講的：Skewness < 0。
偏態（Skewness）衡量資料分佈相對於對稱軸的不對稱程度。常用的 Pearson 第三動差定義：
Skewness = E[(X - μ)³] / σ³
其中 μ 是平均數，σ 是標準差。
直覺解釋：分子是「各點偏離均值的三次方平均」。三次方保留了正負號：右側（X - μ > 0）的貢獻是正的，左側（X - μ < 0）的貢獻是負的。如果左尾比右尾長，左側的極端值（很大的負數三次方）會主導，讓整體 Skewness 為負。
三種情況的均值、中位數、眾數關係：
- 右偏（Skewness > 0）：眾數 < 中位數 < 平均數
- 左偏（Skewness < 0）：平均數 < 中位數 < 眾數
- 對稱（Skewness = 0）：三者相等（常態分佈）
用 pandas 計算：df['欄位'].skew()，回傳一個數值，正為右偏，負為左偏，接近 0 為對稱。
機器學習應用：高偏態特徵在訓練線性模型前通常需要做對數轉換（log transform），把分佈壓縮成接近常態，讓模型更容易學習。
錯選項
為什麼其他選項是錯的
BSkewness > 0
字面在說什麼
偏態是正的，也就是右偏分佈。
為什麼不對
右偏（Skewness > 0）是長尾往右邊延伸的情況，例如所得分佈（大多數人收入中等，少數超級富豪把尾巴往右拉）。題目的圖是長尾往左，是左偏，Skewness < 0，不是 > 0。
誰會選錯
看到「右側集中」就以為是「右偏（> 0）」的人。偏態的方向是看尾巴，不是看主峰在哪邊。主峰在右邊 = 尾巴在左邊 = 左偏 = 負偏。
CSkewness = 0
字面在說什麼
偏態等於 0，代表完全對稱的分佈（像標準常態分佈）。
為什麼不對
題目明確說「直方圖右側集中、左側出現長尾」，這是不對稱的形狀。Skewness = 0 要求左右完全對稱，跟題目描述矛盾。
誰會選錯
讀題不夠仔細，以為題目在考「常態分佈的偏態是多少」，忘了看清楚圖的描述有明顯不對稱。
D無法計算 Skewness
字面在說什麼
這個資料的偏態根本算不出來。
為什麼不對
偏態公式對任何有均值和標準差的資料都可以計算，沒有「無法計算」的情況（除非標準差為 0，即所有值完全一樣）。有資料就能算出偏態值，只是大小和正負不同。
誰會選錯
不確定偏態的定義，以為「看到不尋常的圖形就無法計算」的人。統計量只要有定義、有資料，都能算出數值。
變形題
同個考點下次怎麼變形
平均值和中位數的大小關係，跟偏態方向有關嗎？
答案
左偏（Skewness < 0）。左偏時，少數極端低值把平均值往左（小）拉，但中位數不受極端值影響，所以平均值 < 中位數。反之，右偏時平均值 > 中位數。
大部分人薪水中等，少數人超高收入。這是哪種偏態？
答案
右偏（Skewness > 0）。少數超高收入者把尾巴往右（高值方向）拉，大部分人的薪水集中在左邊（低值段）。所得分佈是教科書最常舉的右偏例子。
偏態很大的欄位，直接丟進模型會有什麼問題？
答案
通常做對數轉換（log transform）或平方根轉換，把右偏分佈壓縮成接近常態。這樣可以改善線性模型的假設（誤差常態性）、減少離群值的影響、提升梯度下降的穩定性。
兩個都是描述分佈形狀的統計量，差別在哪？
答案
偏態衡量「左右不對稱的程度」（尾巴偏哪邊）；峰度衡量「峰的尖銳程度」（比常態分佈更尖還是更平）。Kurtosis = 3（常態分佈）；Kurtosis > 3 表示峰比常態更尖、尾更重；Kurtosis < 3 表示峰比常態更平。
偏態是個很小的負數，接近 0，怎麼解讀？
答案
接近 0 的偏態（通常 |Skewness| < 0.5）被認為是近似對稱。-0.05 極度接近 0，代表分佈幾乎對稱，只是略微向左偏一點點，在實務上可視為對稱分佈。
延伸
想再往下看，這 5 個
- 描述性統計（Descriptive Statistics）
偏態是描述統計的一部分，用來描述資料分佈的形狀特性，與平均數、標準差並列。 - 常態分佈（Normal Distribution）
Skewness = 0 的標準情況，理解常態分佈有助於判斷偏態程度的嚴重性。 - 資料前處理（Data Preprocessing）
高偏態特徵通常需要在前處理階段做轉換（對數轉換等），才適合放入模型。 - 資料視覺化（Data Visualization）
直方圖、箱型圖是觀察偏態的主要視覺工具，能快速判斷分佈形狀。 - 特徵工程（Feature Engineering）
偏態分析是特徵工程的第一步，決定是否需要對特徵做分佈轉換。