Kurtosis-Rechner

Was ist Kurtosis?

Die Kurtosis misst die "Schwanzlastigkeit" einer Verteilung - wie viel Wahrscheinlichkeit in den extremen Ausläufern im Vergleich zum Zentrum liegt. Eine Verteilung mit hoher Kurtosis hat schwere Ausläufer und einen spitzen Gipfel. Niedrige Kurtosis weist auf leichte Ausläufer und einen flachen Gipfel hin.

Während die Schiefe die Asymmetrie (Links-Rechts-Ungleichgewicht) misst, misst die Kurtosis das Verhalten der Ausläufer (Häufigkeit von Extremwerten).

Arten der Kurtosis

Mesokurtisch (Kurtosis ≈ 3): Normalverteilung. Der Referenzwert für Vergleiche.

Leptokurtisch (Kurtosis > 3):

• Schwere Ausläufer, spitzer Gipfel
• Mehr Ausreißer als normal
• Beispiele: Aktienrenditen, Einkommensverteilungen

Platykurtisch (Kurtosis < 3):

• Leichte Ausläufer, flacher Gipfel
• Weniger Ausreißer als normal
• Beispiele: Gleichverteilung, Noten bei einer leichten Prüfung

Kurtosis vs. Exzess-Kurtosis

Es gibt zwei Konventionen:

Kurtosis: Rohes viertes Moment; Normalverteilung hat Kurtosis = 3

Exzess-Kurtosis: Kurtosis minus 3; Normalverteilung hat Exzess-Kurtosis = 0

Dieser Rechner gibt beide Werte aus. Die Exzess-Kurtosis ist praktisch, weil Null für Normalität steht, aber manche Software gibt die rohe Kurtosis aus.

Die Formel

Stichproben-Kurtosis (Fishers Formel):

$\text{Exzess-Kurtosis} = \frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum_{i=1}^{n}\left(\frac{x_i - \bar{x}}{s}\right)^4 - \frac{3(n-1)^2}{(n-2)(n-3)}$

Diese Formel (Fishers) liefert eine unverzerrte Schätzung der Exzess-Kurtosis der Grundgesamtheit.

Die vierte Potenz lässt Extremwerte dominieren - ein einzelner Ausreißer erhöht die Kurtosis dramatisch.

Interpretation der Kurtosis-Werte

Diese Richtwerte sind Näherungen. Die statistische Signifikanz hängt vom Stichprobenumfang ab.

Warum Kurtosis wichtig ist

Risikobewertung

Im Finanzwesen zeigt die Kurtosis das "Tail-Risiko":

• Hohe Kurtosis → Häufigere Extremereignisse
• Aktienmärkte zeigen eine Exzess-Kurtosis von 3-10
• Modelle, die Normalität annehmen, unterschätzen die Crash-Wahrscheinlichkeit

Ausreißer-Erwartung

Hohe Kurtosis bedeutet, dass mehr Ausreißer natürlich sind:

• Die Ausreißer-Erkennung sollte angemessene Schwellenwerte verwenden
• IQR-basierte Methoden kennzeichnen möglicherweise zu viele "Ausreißer"

Auswahl statistischer Methoden

Viele Methoden setzen Normalität voraus:

• t-Tests erfordern annähernd normalverteilte Daten
• Regression setzt normalverteilte Residuen voraus
• Hohe Kurtosis zeigt an, dass diese Annahmen verletzt sein könnten

Datenqualitätsprüfungen

Unerwartete Kurtosis kann Datenprobleme aufdecken:

• Extreme Kurtosis durch wenige Ausreißer
• Mischung verschiedener Populationen
• Messfehler

Kurtosis in verschiedenen Bereichen

Finanzen und Wirtschaft

Aktienrenditen zeigen konsistent Leptokurtosis - "fette Ausläufer". Die Finanzkrise 2008 war unter Normalverteilungsannahmen ein 25-Sigma-Ereignis, aber solche Ereignisse treten häufiger auf, als die Normalverteilung vorhersagt.

Beispiel: Tägliche S&P 500-Renditen haben eine Exzess-Kurtosis von etwa 5-10, was bedeutet, dass extreme Tage weit häufiger vorkommen, als ein Normalmodell nahelegt.

Versicherung

Schadensbeträge zeigen oft eine hohe Kurtosis. Rückversicherung existiert speziell deshalb, weil große Schäden (der Ausläufer) katastrophal sein können.

Fertigung

Qualitätsmessungen sollten mesokurtisch (normal) sein. Hohe Kurtosis könnte auf Folgendes hindeuten:

• Inkonsistente Prozesse
• Gemischte Chargen
• Messprobleme

Psychologie

Testergebnisse, die normalverteilt sein sollen, sollten eine Kurtosis nahe 3 zeigen. Abweichungen deuten auf Decken-/Bodeneffekte oder andere Probleme hin.

Historischer Hintergrund

Karl Pearson führte die Kurtosis um 1905 als Teil seines Systems zur Klassifizierung von Verteilungen ein. Er verwendete den Begriff "Exzess" für Abweichungen von der Normalverteilung.

Das Wort "Kurtosis" stammt vom griechischen "kyrtos", was gekrümmt oder gewölbt bedeutet. Pearson beschrieb die Krümmung des Gipfels, obwohl das moderne Verständnis das Verhalten der Ausläufer betont.

Das Missverständnis: Viele Lehrbücher beschreiben fälschlicherweise die Kurtosis als Maß für die "Spitzheit". Forschungen haben gezeigt, dass die Kurtosis hauptsächlich das Gewicht der Ausläufer betrifft, nicht die Form des Gipfels. Eine Verteilung kann einen flachen Gipfel haben und dennoch hohe Kurtosis aufweisen, wenn sie schwere Ausläufer hat.

Vergleich von Verteilungen nach Kurtosis

Die t-Verteilung zeigt, wie Freiheitsgrade die Kurtosis beeinflussen - weniger Freiheitsgrade bedeuten schwerere Ausläufer.

Testen auf signifikante Kurtosis

Standardfehler der Kurtosis:

$SE_{kurt} \approx 2\sqrt{\frac{6}{n}}$

Hinweis: Der SE der Kurtosis ist etwa doppelt so groß wie der SE der Schiefe.

Grober Test:

$z = \frac{\text{Exzess-Kurtosis}}{SE_{kurt}}$

Wenn |z| > 2, unterscheidet sich die Kurtosis signifikant von der Normalverteilung.

Beispiel: n = 100, Exzess-Kurtosis = 2

$SE_{kurt} = 2\sqrt{6/100} = 0{,}49$

$z = 2 / 0{,}49 = 4{,}1$

Hochsignifikant - die Verteilung hat schwerere Ausläufer als die Normalverteilung.

Kurtosis und Stichprobenumfang

Kurtosis-Schätzungen sind notorisch instabil bei kleinen Stichproben:

• Ein einzelner Extremwert erhöht die Kurtosis dramatisch
• Zuverlässige Schätzungen erfordern n > 100
• Bei n < 50 mit Vorsicht interpretieren

Mit wachsendem Stichprobenumfang stabilisieren sich die Kurtosis-Schätzungen und die Konfidenzintervalle werden enger.

Kurtosis und Ausreißer

Es besteht eine wechselseitige Beziehung:

• Ausreißer erhöhen die Kurtosis
• Hohe Kurtosis lässt mehr Ausreißer erwarten
• Aber wenige extreme Ausreißer könnten die Kurtosis künstlich aufblähen

Visualisieren Sie immer Ihre Daten. Histogramme zeigen, ob hohe Kurtosis echte schwere Ausläufer widerspiegelt oder nur einige ungewöhnliche Punkte.

Robuste Alternativen

Wenn die Standard-Kurtosis zu empfindlich gegenüber Ausreißern ist:

Moors' Kurtosis: Basiert auf Quantilen statt auf Momenten

$\text{Moors} = \frac{(E_7 - E_5) + (E_3 - E_1)}{E_6 - E_2}$

Wobei $E_1$ bis $E_7$ Oktile sind. Weniger empfindlich gegenüber Extremwerten.

L-Kurtosis: Teil des L-Momenten-Systems, liefert stabile Schätzungen.

Kurtosis und Transformationen

Transformationen beeinflussen die Kurtosis:

• Log-Transformationen reduzieren oft die Kurtosis rechtsschiefer Daten
• Potenztransformationen können das Verhalten der Ausläufer anpassen
• Box-Cox-Transformationen optimieren in Richtung Normalität

Überprüfen Sie nach der Transformation, ob die Kurtosis näher bei 3 liegt (oder die Exzess-Kurtosis näher bei 0).

Verwandte Berechnungen

Die Kurtosis ergänzt sich mit:

• Schiefe-Rechner — Komplementäres Formmaß
• Standardabweichung-Rechner — Zweites Moment
• Mittelwert-Rechner — Erstes Moment
• Ausreißer-Rechner — Extremwerterkennung
• Fünf-Punkte-Zusammenfassung-Rechner — Verteilungsübersicht

Zusammenfassung

Die Kurtosis misst das Gewicht der Ausläufer einer Verteilung und zeigt an, wie häufig Extremwerte im Vergleich zu einer Normalverteilung auftreten. Hohe Kurtosis (leptokurtisch) signalisiert schwere Ausläufer und mehr Ausreißer; niedrige Kurtosis (platykurtisch) weist auf leichte Ausläufer und weniger Extreme hin. Im Finanzwesen zeigt die Kurtosis Tail-Risiken auf, die normalverteilungsbasierte Modelle übersehen. In der Qualitätskontrolle signalisiert unerwartete Kurtosis Prozessprobleme. In Kombination mit der Schiefe liefert die Kurtosis das vollständige Bild der Verteilungsform über die grundlegenden Maße für Zentrum und Streuung hinaus.