सांख्यिकी में Skewness और Kurtosis: CAIIB ABM स्टडी गाइड

हर CAIIB कैंडिडेट डेटा सेट का mean और standard deviation निकालना सीख लेता है, लेकिन बैंकिंग डेटा शायद ही कभी सिमेट्रिकल (symmetrical) होता है — कुछ बड़े corporate loans, delinquent accounts में अचानक उछाल, या near-identical retail deposits का कोई क्लस्टर — ये सब किसी distribution के आकार को बिगाड़ सकते हैं। यहीं पर skewness and kurtosis in statistics काम आते हैं: Advanced Bank Management के Business Mathematics & Statistics module के ये दो माप बताते हैं कि डेटा सेट किसी एक तरफ झुका हुआ है या नहीं, और उसकी tails असामान्य रूप से भारी या हल्की हैं या नहीं। यह लेख दोनों मापों को formulas, interpretation rules और एक solved numerical के साथ ठीक उसी तरह समझाता है जैसे ये CAIIB ABM पेपर में आते हैं।

📊 Skewness और Kurtosis असल में क्या मापते हैं

किसी frequency distribution को चार properties से समझा जाता है: central tendency (mean, median, mode), dispersion (range, standard deviation), skewness, और kurtosis। Skewness बताती है कि distribution symmetrical है या एक तरफ झुका हुआ है — यानी वैल्यूज़ एक साइड जमा हैं और लंबी tail दूसरी तरफ फैली है। Kurtosis बताती है कि distribution normal curve की तुलना में कितनी peaked या flat है, और खासतौर पर tails में कितना probability mass बैठा है।

बैंकिंग में शायद ही कोई real distribution पूरी तरह symmetrical होती है। Loan sanction amounts आमतौर पर positively skewed होते हैं — ज़्यादातर loans छोटे या मध्यम आकार के होते हैं, लेकिन कुछ बहुत बड़े corporate exposures tail को दायीं तरफ खींच देते हैं। NPA recovery percentages, branch profitability figures और transaction values भी इसी तरह बर्ताव करते हैं। किसी statistical technique — averaging, forecasting, या threshold तय करने — से पहले distribution का आकार पहचान लेना बैंक को किसी असामान्य outlier को "normal" केस मान लेने से बचाता है।

Estimation वाला चैप्टर सीधे इसी विचार पर आगे बढ़ता है: skewed sample से सिर्फ mean के आधार पर बनाया गया estimate गुमराह कर सकता है, क्योंकि mean लंबी tail की तरफ खिंच जाता है जबकि median उस जगह के करीब रहता है जहाँ असल में ज़्यादातर डेटा बैठा है।

📐 Skewness मापना: Formulas और Interpretation

CAIIB ABM में सबसे ज़्यादा पूछा जाने वाला formula है Karl Pearson's coefficient of skewness:

Skp = 3(Mean − Median) ÷ Standard Deviation

यह "3" वाला factor moderately skewed distribution में mean, median और mode के बीच के empirical रिश्ते का अनुमान लगाता है। एक सरल, mode-आधारित version — Skp = (Mean − Mode) ÷ Standard Deviation — तब इस्तेमाल होता है जब mode भरोसे के साथ पता हो; "3×" वाला version तब पसंद किया जाता है जब mode पहचानना मुश्किल हो, जो बैंकिंग डेटा में अक्सर होता है।

जब raw values की बजाय ranked data या quartiles दिए जाते हैं, तो examiners Bowley's coefficient of skewness पर शिफ्ट हो जाते हैं: Skb = (Q3 + Q1 − 2×Median) ÷ (Q3 − Q1)। इस version को सिर्फ तीन quartiles चाहिए, इसलिए यह grouped या open-ended frequency tables के लिए उपयोगी है, जो branch-wise बैंकिंग डेटा में आम हैं।

💡 Exam Tip: Positive skewness coefficient का मतलब है Mean > Median > Mode (दायीं तरफ लंबी tail); negative वैल्यू का मतलब है Mean < Median < Mode (बायीं तरफ लंबी tail)। शून्य (zero) वैल्यू symmetrical distribution दिखाती है।

ज़्यादा rigorous, moment-आधारित माप coefficient of skewness γ1 = μ3 ÷ σ³ है, जहाँ μ3 third central moment है और σ standard deviation है। यही वह रूप है जो ज़्यादातर statistical software रिपोर्ट करता है, और यह नीचे दिए kurtosis formula में साफ-साफ आगे बढ़ता है।

📏 Kurtosis मापना: Peakedness और Tail Risk

Kurtosis, fourth central moment से निकाला जाता है: β2 = μ4 ÷ σ⁴। normal distribution के लिए यह वैल्यू ठीक 3 होती है, इसलिए statisticians आमतौर पर excess kurtosis = β2 − 3 बताते हैं, जो एक perfectly normal curve के लिए zero होता है। यही एक घटाव (subtraction) वह डिटेल है जो examiners सबसे ज़्यादा टेस्ट करते हैं।

इस वैल्यू के आधार पर distributions को तीन आकारों में बाँटा जाता है:

• Mesokurtic — kurtosis = 3 (excess = 0): peakedness normal curve जैसी।
• Leptokurtic — kurtosis > 3 (excess > 0): normal से ज़्यादा तीखी peak और भारी tails, यानी extreme values normal curve के अनुमान से ज़्यादा बार आती हैं।
• Platykurtic — kurtosis < 3 (excess < 0): normal से ज़्यादा चपटी peak और पतली tails, यानी वैल्यूज़ ज़्यादा फैली हुई हैं और extremes कम आते हैं।

⚠️ Common Mistake: छात्र अक्सर मान लेते हैं कि high kurtosis का मतलब "ज़्यादा फैलाव" है। असल में यह रोज़मर्रा वाले dispersion के उल्टा है — एक leptokurtic distribution में ज़्यादातर वैल्यूज़ mean के आस-पास कसकर जमा होती हैं, लेकिन जो थोड़ा-सा हिस्सा peak से बाहर निकलता है वह असामान्य रूप से दूर tails में जाकर बैठता है।

व्यावहारिक रूप से: loan losses का leptokurtic distribution बताता है कि छोटे losses आम हैं, लेकिन कभी-कभार आने वाला बड़ा loss normal-curve वाली धारणा से कहीं ज़्यादा extreme हो सकता है — यही एक बड़ी वजह है कि बैंक losses को साफ-सुथरे bell curve के अनुसार मानने से बचते हैं।

🧮 Worked Numerical: दोनों माप निकालना

एक quarter में छह stressed accounts के recovery percentages लें: 40, 45, 48, 50, 52, 95। यहाँ mean 55 है, median (3rd और 4th ranked वैल्यूज़ का average) 49 है, और standard deviation लगभग 19.1 आता है।

Karl Pearson का formula लगाने पर: Skp = 3 × (55 − 49) ÷ 19.1 = 18 ÷ 19.1 ≈ 0.94। positive वैल्यू यह पुष्टि करती है कि distribution दायीं तरफ skewed है — बिल्कुल वैसा ही जैसा उम्मीद थी, क्योंकि पाँच accounts 40–52% recovery के आस-पास क्लस्टर हैं जबकि 95% वाला एक outlier mean को ऊपर खींच देता है।

दूसरी branch के recovery percentages 48, 49, 50, 51, 52, 50 हैं — बिना किसी outlier के कसकर जमा — इसमें standard deviation कहीं छोटा और skewness लगभग शून्य के करीब मिलेगी, जो पहली branch के leptokurtic profile की बजाय mesokurtic के ज़्यादा करीब टेस्ट होगी।

CAIIB numericals में यही पैटर्न बार-बार टेस्ट होता है: पहले mean, median और standard deviation निकालें, फिर उन्हें skewness formula में डालें, और kurtosis के बारे में अलग से यह देखकर qualitative रूप से सोचें कि डेटा का बड़ा हिस्सा केंद्र के आस-पास कितना कसकर (या ढीला) बैठा है।

📌 Remember: Skewness से पहले हमेशा standard deviation निकालें — CAIIB syllabus का हर skewness formula इसे denominator के रूप में इस्तेमाल करता है, इसलिए वहाँ हुई कोई भी arithmetic गलती अंतिम उत्तर तक फैल जाती है।

🏦 बैंकर्स इन मापों का इस्तेमाल क्यों करते हैं

Skewness और kurtosis यह तय करने में मदद करते हैं कि बैंक अपने पोर्टफोलियो डेटा को कैसे पढ़े। एक credit team, average exposure को कोई सार्थक summary मानने से पहले यह जाँचती है कि exposure sizes positively skewed तो नहीं हैं, और यह सीधे उन risk management and credit rating exercises में काम आता है जहाँ concentration उतना ही मायने रखता है जितना average।

Tail risk में kurtosis की भी एक समानांतर भूमिका है: defaults की frequencies का leptokurtic distribution analysts को आगाह करता है कि defaults के क्लस्टर normal-distribution model के अनुमान से ज़्यादा संभावित हैं — यही एक वजह है कि बैंक सिर्फ averages पर भरोसा करने की बजाय पोर्टफोलियो का stress-test करते हैं। यह उस बड़े टूलकिट से भी जुड़ता है जो classification and tabulation of banking data के तहत कवर होता है, जहाँ shape-आधारित मापों को लगाने से पहले आँकड़ों को व्यवस्थित किया जाता है।

यही तर्क chi-square test in bank statistics जैसी hypothesis-testing तकनीकों से भी जुड़ता है — किसी average या बताए गए relationship पर भरोसा करने से पहले दोनों diagnostic tools का इस्तेमाल बैंकर करते हैं। जिस तरह ABM ये quantitative skills बनाता है, उसी तरह employee engagement in banks वाला CAIIB elective एक branch को अच्छी तरह चलाने के लिए ज़रूरी people-side skills बनाता है।

🧠 Practice MCQs: Skewness और Kurtosis

चैप्टर-वाइज़ mock tests चाहिए 100+ MCQs के साथ? फ्री प्रैक्टिस शुरू करें →

❓ अक्सर पूछे जाने वाले प्रश्न

CAIIB ABM के पूरे Statistics Module में महारत हासिल करें

Skewness और kurtosis उस shape-analysis toolkit को पूरा करते हैं जो CAIIB ABM syllabus में central tendency और dispersion के साथ बैठता है। पूरी topic list और official exam structure के लिए IIBF के CAIIB curriculum को देखें, और अपनी statistics की बुनियाद चैप्टर दर चैप्टर मज़बूत बनाने के लिए iibf.store पर और Advanced Bank Management गाइड्स या पूरा CAIIB course देखें।