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

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

Si la moyenne et l’écart type décrivent le centre et la dispersion, l’asymétrie et l’aplatissement décrivent la forme des distributions — la dissymétrie et l’épaisseur 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 (épaisseur des queues)

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

Asymétrie : mesurer la dissymétrie

L’asymétrie mesure le degré de dissymétrie d’une distribution. Une asymétrie positive signifie une queue droite plus longue (par ex. les distributions de revenus), tandis qu’une 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:Asymétrie à droite — la moyenne dépasse la médiane (revenus, prix de l’immobilier)
Asymétrie < 0:Asymétrie à gauche — la médiane dépasse la moyenne (âge de départ à la retraite, notes d’examen avec plafond)

Données courantes à asymétrie droite

De nombreux phénomènes réels sont asymétriques à droite : revenus, patrimoine, taille des entreprises, population des villes, sinistres d’assurance et temps d’attente. Dans ces cas, la moyenne est tirée vers le haut par les valeurs extrêmes, faisant de la médiane une meilleure mesure de la valeur « typique ».

Repères d’interprétation :

|Asymétrie| < 0,5 : approximativement symétrique
0,5 ≤ |Asymétrie| < 1 : modérément asymétrique
|Asymétrie| ≥ 1 : fortement asymétrique

Aplatissement : épaisseur des queues

L’aplatissement (kurtosis) mesure l’épaisseur ou la légèreté des queues par rapport à une distribution normale. Un aplatissement élevé signifie davantage de valeurs extrêmes (queues épaisses), un aplatissement faible signifie moins de valeurs extrêmes.

Une idée reçue est que l’aplatissement mesure le « pic » de la distribution. Bien que lié, 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 (référence de comparaison)
Leptokurtique (k > 0):Queues épaisses, plus de valeurs extrêmes que la normale (rendements boursiers, tremblements de terre)
Platikurtique (k < 0):Queues fines, moins de valeurs extrêmes que la normale (distribution uniforme, données bornées)

Queues épaisses en finance

Les rendements financiers présentent notablement un aplatissement élevé (« queues épaisses »). Des événements censés survenir une fois par siècle selon l’hypothèse de normalité se produisent bien plus fréquemment. Ignorer l’aplatissement conduit à sous-estimer le risque — une leçon tirée de nombreuses crises financières.

Applications pratiques

Gestion des risques : Un aplatissement élevé signifie des résultats extrêmes plus fréquents. Les mesures de risque comme la VaR qui supposent la normalité peuvent sous-estimer drastiquement le vrai risque lorsque l’aplatissement est élevé.

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

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

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

Règles d’interprétation

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

Taille de l’échantillon : Les petits échantillons produisent des estimations peu fiables d’asymétrie et d’aplatissement. Avec n < 50, ces statistiques ont une forte variabilité d’échantillonnage. Avec n < 20, elles sont pratiquement inexploitables.

Robustesse : L’asymétrie et l’aplatissement sont tous deux sensibles aux valeurs aberrantes. Une seule valeur extrême peut modifier considérablement ces statistiques ; visualisez toujours vos données en complément des résumés numériques.

← Centre d'Apprentissage