Celem artykułu jest przedstawienie i uzasadnienie interpretacji klasycznego współczynnika kurtozy jako miary grubości ogonów oraz zaproponowanie modyfikacji treści dydaktycznych w tym zakresie. W wielu polskich podręcznikach akademickich podaje się, że współczynnik kurtozy (lub ekscesu) mierzy „wysmukłość”, „spiczastość” lub „spłaszczenie” rozkładu. Taka interpretacja jest nieprawidłowa. Kurtoza mierzy bowiem w istocie stopień rozproszenia wartości cechy w ogonach rozkładu lub – innymi słowy – intensywność wartości skrajnych. W artykule wskazano, dlaczego starsze interpretacje, mówiące o kształcie wierzchołka krzywej gęstości, są niewłaściwe. Zaprezentowano przykładowe leptokurtyczne rozkłady spłaszczone i platykurtyczne rozkłady wysmukłe. Na podstawie danych z Diagnozy Społecznej z lat 2000–2015 wykazano, że w badaniach empirycznych wartość kurtozy wynika ze stopnia natężenia wartości odstających. Zaproponowano nowe sformułowania, które można wykorzystać w dydaktyce statystyki zamiast nieprawidłowych, stosowanych dotychczas.

This paper formulates a mathematical model for generating receiver operating characteristic (ROC) curves without underlying data. Credit scoring practitioners know that the Gini coefficient usually drops if it is only calculated on cases above the cutoff. This fact is not a mathematical necessity, however, as it is theoretically possible to get an ROC curve that keeps the same Gini coefficient no matter how big a share of lowest score cases are excluded from the calculation (a “right-hand” fractal ROC curve). Analogously, a left-hand fractal ROC curve would be a curve that keeps its Gini coefficient constant below any cutoff point. The model proposed here is a linear combination of left- and right-hand ROC curves. A bifractal ROC curve is drawn with just two parameters: one responsible for the shape of the curve and the other responsible for the area under the curve (a Gini coefficient). As is shown in this paper, most real-life credit-scoring ROC curves lie between the two fractal curves. In consequence, the Gini coefficient will be consistently lower when computed only on approved loans.