Kurtosis Explained — Leptokurtic, Platykurtic & Mesokurtic

The Bridge Engineer & the Freak StormBridge Engineer और अचानक आया तूफ़ान桥梁工程师与罕见风暴

Imagine a bridge engineer reviewing 50 years of wind-speed data for a major crossing. The average wind speed looks perfectly safe. The standard deviation looks acceptable too. A model that assumes a normal distribution gives the green light.

कल्पना करें कि एक bridge engineer किसी बड़े पुल के लिए 50 साल का wind-speed data देख रहा है। औसत wind speed बिल्कुल सुरक्षित दिखती है। Standard deviation भी ठीक लगता है। Normal distribution मानने वाला model हरी झंडी दे देता है।

设想一位桥梁工程师在审查某座大桥 50 年的风速数据。平均风速看起来完全安全，标准差也可以接受。假设正态分布的模型亮了绿灯。

But a senior analyst notices something the summary statistics hide: the wind data has an unusually heavy tail. Extreme gusts — the once-in-30-years kind — are far more likely than a normal distribution predicts. The bridge is redesigned for stronger gusts.

पर एक senior analyst वह बात पकड़ लेता है जो summary statistics छिपा देते हैं: wind data की tail असामान्य रूप से भारी है। बहुत तेज़ झोंके — 30 साल में एक बार वाले — normal distribution के अनुमान से कहीं ज़्यादा संभावित हैं। पुल को तेज़ झोंकों के लिए दोबारा design किया जाता है।

但一位资深分析师注意到了概括统计量掩盖的东西：风速数据有一条异常厚重的尾巴。极端阵风 —— 三十年一遇的那种 —— 出现的可能性远高于正态分布的预测。于是大桥按更强的阵风重新设计。

In finance, many risk models assumed normal returns while real returns had fat tails, so extreme losses were badly underestimated before and during the 2007–2008 crisis. In engineering and insurance, heavy tails decide how big a once-in-a-century event can be. In machine learning, kurtosis helps you spot features dominated by rare extreme values before modelling.

Finance में बहुत से risk models normal returns मानते थे, जबकि असली returns की fat tails थीं, इसलिए 2007–2008 के संकट से पहले और उसके दौरान बड़े नुक़सानों को बहुत कम आँका गया। Engineering और insurance में भारी tails तय करती हैं कि सौ साल में एक बार वाली घटना कितनी बड़ी हो सकती है। Machine learning में kurtosis modelling से पहले उन features को पहचानने में मदद करता है जिन पर दुर्लभ extreme values हावी हैं।

在金融领域，许多风险模型假设收益服从正态分布，而真实收益有厚尾，因此在 2007–2008 年危机之前和期间，极端损失被严重低估。在工程和保险中，厚尾决定了百年一遇事件能有多大。在机器学习中，峰度帮助你在建模前发现被罕见极端值主导的特征。

Kurtosis in Pictures — Understand Before the Mathsतस्वीरों में Kurtosis — गणित से पहले समझें图解峰度 — 先理解，再算数

Kurtosis is one number, so you cannot point at it on a normal curve. But you can see where it comes from. Multiply the curve by z⁴ (the fourth power of the distance from the mean, in SDs). The area under that new shape is the kurtosis. Because of z⁴, a point 3 SD away counts 81 times more than a point 1 SD away — so the area piles up in the tails.

Kurtosis एक संख्या है, इसलिए normal curve पर उसे उँगली से नहीं दिखा सकते। पर यह देख सकते हैं कि वह कहाँ से आती है। Curve को z⁴ से गुणा करें (mean से दूरी की चौथी power, SD में)। इस नए आकार के नीचे का area ही kurtosis है। z⁴ की वजह से 3 SD दूर का point, 1 SD दूर वाले से 81 गुना ज़्यादा गिना जाता है — इसलिए area tails में जमा होता है।

峰度是一个数字，所以没法在正态曲线上直接指出它。但你可以看到它从哪里来：把曲线乘以 z⁴（到均值距离的四次方，以标准差为单位）。新形状下方的面积就是峰度。由于 z⁴，距均值 3 个标准差的点，权重是 1 个标准差处的 81 倍 —— 所以面积都堆在尾部。

All three curves below have the same mean (0) and the same standard deviation (1). On a normal scale you mostly notice the peaks. Switch to a log scale, which magnifies tiny probabilities, and the real difference appears: how much probability sits far out in the tails.

नीचे के तीनों curves का mean (0) और standard deviation (1) एक जैसा है। सामान्य scale पर आपको ज़्यादातर peaks दिखते हैं। Log scale पर जाएँ, जो छोटी probabilities को बड़ा करके दिखाता है, और असली फ़र्क़ दिखता है: tails में दूर कितनी probability है।

下面三条曲线的均值（0）和标准差（1）都相同。在普通刻度上，你主要注意到峰顶。换成对数刻度（它会放大极小的概率），真正的差别就出现了：远端尾部有多少概率。

The Three Types — Mesokurtic, Leptokurtic, Platykurticतीन Types — Mesokurtic, Leptokurtic, Platykurtic三种类型 — 常峰、尖峰、低峰

Every distribution's tail behaviour is compared with the normal distribution. Think of three exam-score distributions with the same average and the same spread, but a very different risk of extreme results.

हर distribution की tails की तुलना normal distribution से की जाती है। तीन exam-score distributions सोचें जिनका average और फैलाव एक है, पर extreme नतीजों का ख़तरा बहुत अलग।

每个分布的尾部表现都以正态分布为参照。想象三个考试成绩分布：平均分相同、离散程度相同，但出现极端成绩的风险大不相同。

The Formula — Kurtosis & Excess KurtosisFormula — Kurtosis और Excess Kurtosis公式 — 峰度与超额峰度

Kurtosis is the standardised fourth central moment. Raising deviations to the fourth power makes it extremely sensitive to values far from the mean — which is exactly what we want when measuring tail weight.

Kurtosis standardised fourth central moment है। Deviations को चौथी power पर ले जाने से यह mean से दूर की values के प्रति बहुत संवेदनशील हो जाता है — tail का वज़न मापने के लिए हमें ठीक यही चाहिए।

峰度是标准化的四阶中心矩。把离差取四次方，使它对远离均值的值极其敏感 —— 这正是衡量尾部轻重所需要的。

Step-by-Step CalculationStep-by-Step गणना分步计算

Daily temperature readings (°C): [18, 20, 20, 21, 21, 21, 22, 22, 23, 32]. The last value (32) is an outlier — let us see what it does to kurtosis.

रोज़ के तापमान (°C): [18, 20, 20, 21, 21, 21, 22, 22, 23, 32]. आख़िरी value (32) एक outlier है — देखते हैं यह kurtosis के साथ क्या करती है।

每日温度读数（°C）：[18, 20, 20, 21, 21, 21, 22, 22, 23, 32]。最后一个值（32）是离群点 —— 看看它对峰度有什么影响。

Myth-Buster: Kurtosis Is About Tails, Not the PeakMyth-Buster: Kurtosis Tails के बारे में है, Peak के नहीं破除误区：峰度关乎尾部，而非峰顶

Many textbooks describe kurtosis as "peakedness". That is misleading. Because of the fourth power, values within ±1 SD of the mean contribute almost nothing to kurtosis; nearly all of it comes from the tails. Two counter-examples make this clear:

बहुत सी किताबें kurtosis को "peakedness" कहती हैं। यह गुमराह करने वाला है। चौथी power की वजह से mean के ±1 SD के अंदर की values kurtosis में लगभग कुछ नहीं जोड़तीं; लगभग सारा हिस्सा tails से आता है। दो उल्टे उदाहरण यह साफ़ करते हैं:

许多教科书把峰度描述为“峰的尖锐程度”。这是误导。由于四次方，均值 ±1 个标准差以内的值对峰度几乎没有贡献；几乎全部来自尾部。两个反例足以说明：

Real-World Stories for Each Typeहर Type की असली कहानियाँ各类型的真实故事

Leptokurtic — stock market returnsLeptokurtic — stock market returns尖峰 —— 股市收益

Daily stock returns are the classic leptokurtic example. Most days are quiet, close to zero. But crashes and rallies (Black Monday 1987, the 2008 crisis, March 2020) produce moves that a normal distribution with the same SD treats as practically impossible. This is the "fat tails" problem in finance.

Daily stock returns leptokurtic का सबसे प्रसिद्ध उदाहरण हैं। ज़्यादातर दिन शांत, zero के पास होते हैं। पर crashes और rallies (Black Monday 1987, 2008 का संकट, March 2020) ऐसे बदलाव लाते हैं जिन्हें उसी SD वाला normal distribution लगभग असंभव मानता है। यही finance की "fat tails" समस्या है।

股票日收益是尖峰分布的经典例子。大多数日子很平静，接近零。但崩盘和暴涨（1987 年黑色星期一、2008 年危机、2020 年 3 月）带来的波动，在同标准差的正态分布看来几乎不可能发生。这就是金融中的“厚尾”问题。

Platykurtic — bounded scores and uniform dataPlatykurtic — सीमित scores और uniform data低峰 —— 有界分数与均匀数据

Imagine a school where grades can only fall between 40 and 80 and are spread fairly evenly across that range. Nobody scores 5 or 98 — the extremes are cut off. This distribution is close to uniform, with excess kurtosis near −1.2: platykurtic. In manufacturing, a process where every part outside the tolerance is rejected also produces light tails among the parts that are shipped, because the extremes are removed.

कल्पना करें एक school जहाँ grades सिर्फ़ 40 और 80 के बीच हो सकते हैं और उस range में लगभग बराबर फैले हैं। कोई 5 या 98 नहीं लाता — extremes कट जाते हैं। यह distribution लगभग uniform है, excess kurtosis −1.2 के पास: platykurtic. Manufacturing में, ऐसा process जिसमें tolerance से बाहर का हर part reject हो जाता है, भेजे गए parts में हल्की tails बनाता है, क्योंकि extremes हटा दिए जाते हैं।

设想一所学校的成绩只能在 40 到 80 之间，并且在这个范围内分布得相当均匀。没人考 5 分或 98 分 —— 极端值被截掉了。这个分布接近均匀分布，超额峰度约 −1.2：低峰。在制造业中，凡超出公差的零件都被剔除的工艺，出厂零件的尾部也会很轻，因为极端值被去掉了。

Mesokurtic — human heightsMesokurtic — इंसानों की height常峰 —— 人类身高

Adult heights within one sex in a large population are close to a normal distribution — the textbook mesokurtic case. Very tall and very short people exist, but at about the rate the normal distribution predicts. Excess kurtosis ≈ 0.

एक बड़ी population में एक ही लिंग के वयस्कों की height लगभग normal distribution जैसी होती है — किताबों वाला mesokurtic उदाहरण। बहुत लंबे और बहुत छोटे लोग होते हैं, पर लगभग उतनी ही दर से जितना normal distribution बताता है। Excess kurtosis ≈ 0.

在大样本人群中，同一性别成年人的身高接近正态分布 —— 教科书式的常峰例子。非常高和非常矮的人都存在，但出现频率与正态分布的预测大致相同。超额峰度 ≈ 0。

Python ImplementationPython ImplementationPython 实现

Using SciPySciPy से使用 SciPy

from scipy import stats

data = [18, 20, 20, 21, 21, 21, 22, 22, 23, 32]   # daily temperatures, one outlier

# Default: EXCESS kurtosis (fisher=True), population formula (bias=True)
excess_kurt = stats.kurtosis(data)
print(f"Excess kurtosis: {excess_kurt:.4f}")

# Raw kurtosis: fisher=False skips the "- 3"
raw_kurt = stats.kurtosis(data, fisher=False)
print(f"Raw kurtosis:    {raw_kurt:.4f}")

# Sample-corrected version (same as pandas and Excel)
print(f"Excess, bias-corrected: {stats.kurtosis(data, bias=False):.4f}")

if excess_kurt > 0:
    print("Leptokurtic — heavier tails than a normal distribution")
elif excess_kurt < 0:
    print("Platykurtic — lighter tails than a normal distribution")
else:
    print("Mesokurtic — normal-like tails")

Using pandaspandas से使用 pandas

import pandas as pd

df = pd.DataFrame({
    'temperature': [18, 20, 20, 21, 21, 21, 22, 22, 23, 32],
    'humidity':    [55, 60, 62, 60, 58, 61, 63, 64, 62, 59],
})

# .kurt() returns EXCESS kurtosis with the small-sample correction
print(df.kurt().round(4))

# Remove the 32 °C outlier and look again
print("\nWithout the outlier:", round(df['temperature'][df['temperature'] < 30].kurt(), 4))

pandas reports 6.77 for temperature because it applies the small-sample correction (SciPy's bias=False). Humidity is mildly leptokurtic (0.72). Without the 32 °C outlier, temperature drops to 1.07.

pandas temperature के लिए 6.77 देता है क्योंकि वह small-sample correction लगाता है (SciPy का bias=False)। Humidity थोड़ी leptokurtic (0.72) है। 32 °C outlier के बिना temperature 1.07 पर आ जाता है।

pandas 对温度给出 6.77，因为它使用了小样本校正（即 SciPy 的 bias=False）。湿度略呈尖峰（0.72）。去掉 32 °C 离群点后，温度降到 1.07。

Comparing the types numericallyTypes की संख्याओं में तुलना用数字比较各类型

from scipy import stats
import numpy as np

rng = np.random.default_rng(42)
n = 100_000
samples = {
    "Uniform        (theory -1.2)": rng.uniform(-3, 3, n),
    "Normal         (theory  0.0)": rng.normal(0, 1, n),
    "Laplace        (theory  3.0)": rng.laplace(0, 1, n),
    "Student t, df=5 (theory 6.0)": rng.standard_t(5, n),
}
for name, x in samples.items():
    print(f"{name}  →  sample excess kurtosis = {stats.kurtosis(x):6.3f}")

Uniform, normal and Laplace land close to their theoretical values. The t distribution with df = 5 gives 8.3 instead of 6, even with 100,000 points — heavy tails make kurtosis hard to estimate (see Section 9).

Uniform, normal और Laplace अपनी theoretical values के पास आते हैं। df = 5 वाला t distribution 100,000 points के साथ भी 6 की जगह 8.3 देता है — भारी tails में kurtosis का अनुमान लगाना मुश्किल है (Section 9 देखें)।

均匀、正态和拉普拉斯分布都接近理论值。df = 5 的 t 分布即使有 100,000 个点也给出 8.3 而不是 6 —— 厚尾让峰度很难估计（见第 9 节）。

from scipy import stats
import numpy as np

# t with df = 3 has INFINITE theoretical kurtosis.
# Watch what the sample estimate does with 10,000 points and different seeds:
for seed in range(5):
    x = np.random.default_rng(seed).standard_t(3, 10_000)
    print(f"seed {seed}: excess kurtosis = {stats.kurtosis(x):7.2f}")

What fat tails mean in practiceव्यवहार में Fat Tails का मतलब厚尾在实际中意味着什么

from scipy import stats
import numpy as np

# Two models of daily returns with the SAME standard deviation (1 unit)
normal = stats.norm()
t5 = stats.t(df=5, scale=np.sqrt(3 / 5))      # t(5) rescaled to variance 1

days = 10_000
for k in (3, 4, 5):
    pn = 2 * normal.sf(k)
    pt = 2 * t5.sf(k)
    print(f"|move| > {k} SD:  normal {pn * days:7.1f} days   t(5) {pt * days:7.1f} days")

With the same SD, a t(5) model expects about 36 days beyond 4 SD in 10,000 days; the normal model expects fewer than one. That gap is tail risk.

एक ही SD के साथ, t(5) model 10,000 दिनों में 4 SD से बाहर के लगभग 36 दिन मानता है; normal model एक से भी कम। यही अंतर tail risk है।

在标准差相同的情况下，t(5) 模型预计 10,000 天里约有 36 天超出 4 个标准差；正态模型预计不到一天。这个差距就是尾部风险。

Warning: Sample Kurtosis Is Unreliableचेतावनी: Sample Kurtosis भरोसेमंद नहीं警告：样本峰度不可靠

Kurtosis depends on the rarest, most extreme values — exactly the ones a sample is most likely to miss or to catch by luck. So sample kurtosis jumps around much more than the mean or SD. With heavy tails it is also usually too low, until a rare extreme value lands in the sample and makes it far too high.

Kurtosis सबसे दुर्लभ, सबसे extreme values पर निर्भर है — ठीक वही जिन्हें sample या तो चूक जाता है या संयोग से पकड़ लेता है। इसलिए sample kurtosis, mean या SD से कहीं ज़्यादा उछलता है। भारी tails में यह अक्सर बहुत कम भी आता है, जब तक कोई दुर्लभ extreme value sample में आकर इसे बहुत ज़्यादा न कर दे।

峰度取决于最罕见、最极端的值 —— 恰恰是样本最容易漏掉或偶然撞上的值。所以样本峰度的波动远大于均值或标准差。在厚尾情况下，它通常还会偏低，直到某个罕见的极端值落入样本，又让它高得离谱。

Kurtosis Comparison TablesKurtosis तुलना Tables峰度对比表

Golden RulesGolden Rules黄金法则