Assimetria e Curtose: Para Além do Desvio-Padrão

Para Além da Média e do Desvio-Padrão

Enquanto a média e o desvio-padrão descrevem o centro e a dispersão, a assimetria e a curtose descrevem a forma das distribuições — a assimetria e o peso das caudas.

Na estatística, descrevemos distribuições utilizando “momentos” — resumos matemáticos que captam diferentes aspetos da forma:

1.º momento:Média (tendência central)
2.º momento:Variância/Desvio-Padrão (dispersão)
3.º momento:Assimetria (falta de simetria)
4.º momento:Curtose (peso das caudas)

Duas distribuições podem ter médias e desvios-padrão idênticos e, contudo, parecer completamente diferentes. A assimetria e a curtose captam estas diferenças, proporcionando uma imagem mais completa da distribuição dos teus dados.

Assimetria: Medir a Falta de Simetria

A assimetria mede quão assimétrica é uma distribuição. Assimetria positiva significa uma cauda direita mais longa (e.g., distribuições de rendimento), enquanto assimetria negativa significa uma cauda esquerda mais longa.

Assimetria Amostral

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

Assimetria = 0:Distribuição simétrica (normal, uniforme)
Assimetria > 0:Assimétrica à direita — a média excede a mediana (rendimento, preços de habitação)
Assimetria < 0:Assimétrica à esquerda — a mediana excede a média (idade na reforma, notas de exame com teto)

Dados Assimétricos à Direita Comuns

Muitos fenómenos do mundo real são assimétricos à direita: rendimento, riqueza, dimensão das empresas, populações urbanas, sinistros de seguros e tempos de espera. Nestes casos, a média é puxada para cima por valores extremos, tornando a mediana uma melhor medida do “típico”.

Orientações de interpretação:

|Assimetria| < 0,5: Aproximadamente simétrica
0,5 ≤ |Assimetria| < 1: Moderadamente assimétrica
|Assimetria| ≥ 1: Fortemente assimétrica

Curtose: Peso das Caudas

A curtose mede quão pesadas ou leves são as caudas em comparação com uma distribuição normal. Curtose alta significa mais valores extremos (caudas pesadas), curtose baixa significa menos.

Uma conceção errada comum é que a curtose mede o “achatamento”. Embora esteja relacionada, a curtose é fundamentalmente sobre as caudas. Uma distribuição com curtose alta tem mais massa de probabilidade nas caudas e no pico, mas menos nos “ombros”.

Excesso de Curtose

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

Mesocúrtica (k ≈ 0):Caudas semelhantes à normal (base de comparação)
Leptocúrtica (k > 0):Caudas pesadas, mais valores extremos que a normal (retornos de ações, sismos)
Platicúrtica (k < 0):Caudas leves, menos extremos que a normal (distribuição uniforme, dados limitados)

Caudas Pesadas nas Finanças

Os retornos financeiros apresentam notoriamente curtose elevada (“caudas pesadas”). Eventos que deveriam ocorrer uma vez por século com base nos pressupostos da distribuição normal ocorrem com muito mais frequência. Ignorar a curtose leva a subestimar o risco — uma lição de muitas crises financeiras.

Aplicações Práticas

Gestão de Risco: Curtose alta significa resultados extremos mais frequentes. O VaR e outras medidas de risco que assumem normalidade podem subestimar drasticamente o risco verdadeiro quando a curtose é alta.

Controlo de Qualidade: Dados de fabrico com curtose alta sugerem desvios extremos ocasionais em relação ao objetivo, mesmo que o desempenho médio seja aceitável. Este padrão pode indicar instabilidade no processo que requer investigação.

Transformação de Dados: Dados fortemente assimétricos podem beneficiar de transformação (logarítmica, raiz quadrada) antes da análise. O objetivo é frequentemente atingir normalidade aproximada para testes estatísticos que a assumem.

Testes Estatísticos: Muitos testes assumem normalidade. Assimetria ou curtose significativas podem indicar que este pressuposto é violado, sugerindo a utilização de alternativas não paramétricas ou métodos robustos.

Orientações de Interpretação

Teste de Normalidade: O teste de Jarque-Bera combina assimetria e curtose para testar a normalidade. Rejeita a normalidade quando qualquer uma das métricas se desvia significativamente de zero.

Considerações sobre a Dimensão da Amostra: Amostras pequenas produzem estimativas pouco fiáveis de assimetria e curtose. Com n < 50, estas estatísticas têm elevada variabilidade amostral. Com n < 20, são essencialmente insignificantes.

Robustez: Tanto a assimetria como a curtose são sensíveis a outliers. Um único valor extremo pode afetar drasticamente estas estatísticas, por isso visualiza sempre os teus dados juntamente com os resumos numéricos.

← Centro de Aprendizagem