Asymétrie et aplatissement : au-delà de l’écart type

Au-delà de la moyenne et de l’écart type

Alors que la moyenne et l’écart type décrivent le centre et la dispersion, l’asymétrie et l’aplatissement (kurtosis) décrivent la forme des distributions — la dissymétrie et le poids des queues.

En statistique, on décrit les distributions à l’aide de « moments » — des résumés mathématiques qui capturent différents aspects de la forme :

1er moment:Moyenne (tendance centrale)
2e moment:Variance/Écart type (dispersion)
3e moment:Asymétrie (dissymétrie)
4e moment:Aplatissement/Kurtosis (poids des queues)

Deux distributions peuvent avoir des moyennes et des écarts types identiques tout en ayant des apparences complètement différentes. L’asymétrie et l’aplatissement capturent ces différences, fournissant une image plus complète de la distribution de vos données.

Asymétrie : mesurer la dissymétrie

L’asymétrie mesure le degré de dissymétrie d’une distribution. L’asymétrie positive signifie une queue droite plus longue (p. ex., les distributions de revenus), tandis que l’asymétrie négative signifie une queue gauche plus longue.

Asymétrie d’échantillon

g₁ = [n/((n-1)(n-2))] × Σ[(xᵢ - x̄)/s]³

Asymétrie = 0:Distribution symétrique (normale, uniforme)
Asymétrie > 0:Asymétrique à droite — la moyenne dépasse la médiane (revenus, prix immobiliers)
Asymétrie < 0:Asymétrique à gauche — la médiane dépasse la moyenne (âge à la retraite, notes d’examen avec un plafond)

Données couramment asymétriques à droite

De nombreux phénomènes du monde réel sont asymétriques à droite : revenus, patrimoine, taille des entreprises, populations des villes, réclamations d’assurance et temps d’attente. Dans ces cas, la moyenne est tirée vers le haut par les valeurs extrêmes, ce qui fait de la médiane une meilleure mesure du « typique ».

Guides d’interprétation :

|Asymétrie| < 0,5 : Approximativement symétrique
0,5 ≤ |Asymétrie| < 1 : Modérément asymétrique
|Asymétrie| ≥ 1 : Fortement asymétrique

Aplatissement (kurtosis) : le poids des queues

L’aplatissement mesure à quel point les queues sont lourdes ou légères comparativement à une distribution normale. Un aplatissement élevé signifie plus de valeurs extrêmes (queues grasses), un aplatissement faible signifie moins de valeurs extrêmes.

Une idée fausse courante est que l’aplatissement mesure le « degré de pointe ». Bien que liés, l’aplatissement concerne fondamentalement les queues. Une distribution à aplatissement élevé a plus de masse de probabilité dans les queues et au sommet, mais moins dans les « épaules ».

Excès d’aplatissement

g₂ = [n(n+1)/((n-1)(n-2)(n-3))] × Σ[(xᵢ - x̄)/s]⁴ - 3(n-1)²/((n-2)(n-3))

Mésokurtique (k ≈ 0):Queues similaires à la normale (ligne de base pour la comparaison)
Leptokurtique (k > 0):Queues grasses, plus de valeurs extrêmes que la normale (rendements boursiers, tremblements de terre)
Platikurtique (k < 0):Queues minces, moins de valeurs extrêmes que la normale (distribution uniforme, données bornées)

Queues grasses en finance

Les rendements financiers présentent notoirement un aplatissement élevé (« queues grasses »). Des événements qui devraient se produire une fois par siècle selon les hypothèses de distribution normale se produisent beaucoup plus fréquemment. Ignorer l’aplatissement mène à sous-estimer le risque — une leçon tirée de nombreuses crises financières.

Applications pratiques

Gestion du risque : Un aplatissement élevé signifie des résultats extrêmes plus fréquents. La VaR et les autres mesures de risque qui supposent la normalité peuvent sous-estimer drastiquement le vrai risque quand l’aplatissement est élevé.

Contrôle de la qualité : Des données de fabrication à aplatissement élevé suggèrent des écarts extrêmes occasionnels par rapport à la cible, même si la performance moyenne est acceptable. Ce patron peut indiquer une instabilité de processus nécessitant une enquête.

Transformation des données : Des données fortement asymétriques peuvent bénéficier d’une transformation (log, racine carrée) avant l’analyse. L’objectif est souvent d’atteindre une normalité approximative pour les tests statistiques qui la supposent.

Tests statistiques : Plusieurs tests supposent la normalité. Une asymétrie ou un aplatissement significatifs peuvent indiquer que cette hypothèse est violée, suggérant l’utilisation d’alternatives non paramétriques ou de méthodes robustes.

Guides d’interprétation

Test de normalité : Le test de Jarque-Bera combine l’asymétrie et l’aplatissement pour tester la normalité. Il rejette la normalité quand l’une ou l’autre mesure s’écarte significativement de zéro.

Considérations sur la taille de l’échantillon : Les petits échantillons produisent des estimations peu fiables d’asymétrie et d’aplatissement. Avec n < 50, ces statistiques ont une grande variabilité d’échantillonnage. Avec n < 20, elles sont essentiellement sans signification.

Robustesse : L’asymétrie et l’aplatissement sont tous deux sensibles aux valeurs aberrantes. Une seule valeur extrême peut affecter dramatiquement ces statistiques, donc visualisez toujours vos données en parallèle avec les résumés numériques.

← Centre d'Apprentissage