Calculateur d'écart interquartile

Qu'est-ce que l'intervalle interquartile ?

L'intervalle interquartile (IIQ) mesure la dispersion des 50% centraux de vos données. C'est la différence entre le troisième quartile (Q3) et le premier quartile (Q1) :

$IIQ = Q_3 - Q_1$

Où Q1 est le 25ème percentile et Q3 est le 75ème percentile.

Contrairement à l'étendue, qui s'étend du minimum au maximum, l'IIQ ignore les 25% extrêmes de chaque côté — le rendant résistant aux valeurs aberrantes.

Pourquoi l'IIQ est important

Dispersion robuste

Considérez deux ensembles de données :

• Ensemble A : {20, 25, 30, 35, 40, 45, 50}
• Ensemble B : {20, 25, 30, 35, 40, 45, 500}

Pour l'ensemble A : Étendue = 30, IIQ = 20 Pour l'ensemble B : Étendue = 480, IIQ = 20

La valeur aberrante (500) a explosé l'étendue mais a laissé l'IIQ inchangé. Lorsque vos données pourraient contenir des valeurs aberrantes, l'IIQ raconte la vraie histoire de dispersion.

Détection des valeurs aberrantes

La méthode de Tukey utilise l'IIQ pour définir les limites des valeurs aberrantes :

• Valeurs aberrantes légères : Valeurs inférieures à $Q_1 - 1,5 \times IIQ$ ou supérieures à $Q_3 + 1,5 \times IIQ$
• Valeurs aberrantes extrêmes : Valeurs inférieures à $Q_1 - 3 \times IIQ$ ou supérieures à $Q_3 + 3 \times IIQ$

Cette règle basée sur l'IIQ est implémentée dans le Calculateur de valeurs aberrantes.

Construction de boîtes à moustaches

L'IIQ est la hauteur de la boîte dans une boîte à moustaches :

• Bas de la boîte : Q1
• Haut de la boîte : Q3
• Hauteur de la boîte : IIQ
• Les moustaches s'étendent à 1,5×IIQ (ou aux extrêmes des données si moins)

Évaluation de l'asymétrie

Comparer les distances au sein de l'IIQ révèle l'asymétrie :

• Si (Q3 − Q2) > (Q2 − Q1) : Asymétrie à droite
• Si (Q3 − Q2) < (Q2 − Q1) : Asymétrie à gauche
• Si approximativement égal : Symétrique

Applications pratiques

Plages de référence médicales

Les laboratoires cliniques rapportent souvent les plages de référence sous forme d'intervalles interquartiles plutôt que de plages min-max, empêchant les valeurs extrêmes rares de fausser les limites normales.

Analyse immobilière

Les prix de l'immobilier ont généralement des valeurs aberrantes (manoirs, ventes en détresse). L'IIQ capture la dispersion typique du marché :

« Prix des maisons : Médiane 350 000 €, IIQ 280 000 €-450 000 € »

Cela vous indique où la plupart des acheteurs font leurs achats, sans être affecté par l'occasionnelle villa à 5 M€.

Évaluation éducative

Les distributions de scores de tests ont souvent des valeurs aberrantes (étudiants qui n'ont pas essayé, ou performances exceptionnelles). L'IIQ décrit la dispersion typique des performances des étudiants.

Analyse des revenus

Les distributions de revenus sont notoirement asymétriques à droite avec des valeurs aberrantes extrêmes. L'IIQ décrit la dispersion de la classe moyenne sans distorsion par les milliardaires.

Contrôle de processus

Lorsque les données de fabrication contiennent des dysfonctionnements occasionnels d'équipement, la surveillance basée sur l'IIQ est plus fiable que la surveillance basée sur l'étendue.

Développement historique

Le concept de quartile remonte à Francis Galton (1822-1911), qui a développé l'analyse basée sur les percentiles pour étudier les caractéristiques humaines. Galton a reconnu que les valeurs extrêmes pouvaient fausser les impressions de variation typique.

John Tukey (1915-2000) a défendu l'IIQ comme pierre angulaire de l'analyse exploratoire des données. Son livre de 1977 « Exploratory Data Analysis » a établi l'IIQ comme la mesure robuste préférée de dispersion, aux côtés de la médiane comme mesure robuste préférée de centre.

La philosophie de Tukey : Regarder les données avant d'imposer des hypothèses. L'IIQ incarne cette approche — il décrit ce qui est là sans être trompé par les extrêmes.

Calculer l'IIQ

Processus étape par étape

1. Trier les données par ordre croissant
2. Trouver Q1 (25ème percentile) — la médiane de la moitié inférieure
3. Trouver Q3 (75ème percentile) — la médiane de la moitié supérieure
4. Calculer IIQ = Q3 − Q1

Méthodes de calcul des quartiles

Différents logiciels utilisent différentes conventions pour le calcul des quartiles (il existe plusieurs méthodes valides). Le Calculateur de quartiles explique ces variations. Les différences sont généralement faibles sauf si la taille de l'échantillon est très petite.

Exemple de calcul

Données : {12, 15, 18, 22, 25, 28, 32, 35, 40}

Triées : Déjà triées (n = 9)

Moitié inférieure : {12, 15, 18, 22} → Q1 = (15 + 18)/2 = 16,5 Moitié supérieure : {28, 32, 35, 40} → Q3 = (32 + 35)/2 = 33,5

IIQ = 33,5 − 16,5 = 17

IIQ vs écart-type

Les deux mesurent la dispersion, mais différemment :

La relation 1,35

Pour les distributions parfaitement normales :

$IIQ \approx 1,35 \times \sigma$

Cela permet une conversion approximative entre les mesures. Si IIQ >> 1,35 × ET ou IIQ << 1,35 × ET, la distribution s'écarte probablement de la normalité.

Intervalle semi-interquartile

L'intervalle semi-interquartile (ISIQ) est la moitié de l'IIQ :

$ISIQ = \frac{IIQ}{2} = \frac{Q_3 - Q_1}{2}$

C'est parfois appelé l'écart quartile. Il approxime la distance moyenne de la médiane aux quartiles.

L'IIQ dans différentes distributions

Distributions symétriques

Pour les données symétriques, Q1 et Q3 sont équidistants de la médiane :

• Distance de la médiane à Q1 = Distance de la médiane à Q3 = IIQ/2

Distributions asymétriques à droite

Le « bras » supérieur de l'IIQ est plus long :

• (Q3 − Médiane) > (Médiane − Q1)
• Moyenne > Médiane

Distributions asymétriques à gauche

Le « bras » inférieur est plus long :

• (Médiane − Q1) > (Q3 − Médiane)
• Moyenne < Médiane

La méthode des barrières pour les valeurs aberrantes

La méthode des barrières de Tukey fixe des limites basées sur l'IIQ :

Barrières internes (valeurs aberrantes légères) :

• Inférieure : $Q_1 - 1,5 \times IIQ$
• Supérieure : $Q_3 + 1,5 \times IIQ$

Barrières externes (valeurs aberrantes extrêmes) :

• Inférieure : $Q_1 - 3 \times IIQ$
• Supérieure : $Q_3 + 3 \times IIQ$

Pour les distributions normales :

• Environ 0,7% des données tombent en dehors des barrières internes
• Environ 0,0002% tombent en dehors des barrières externes

Intervalles de confiance pour l'IIQ

Contrairement à l'écart-type, l'IIQ manque de formules simples pour les intervalles de confiance. Les méthodes bootstrap fournissent l'approche standard :

1. Rééchantillonner les données avec remplacement
2. Calculer l'IIQ pour chaque rééchantillon
3. Utiliser les percentiles des IIQ bootstrap comme limites de confiance

Quand préférer l'IIQ

Choisissez l'IIQ plutôt que l'écart-type quand :

1. Les données contiennent des valeurs aberrantes ou vous suspectez qu'elles pourraient en contenir
2. La distribution est asymétrique (revenus, immobilier, temps d'attente)
3. Une description robuste est plus importante que l'inférence paramétrique
4. Une analyse exploratoire rapide est l'objectif
5. Comparer des groupes avec différents patterns de valeurs aberrantes

Choisissez l'écart-type quand :

1. Une inférence formelle (tests d'hypothèses, intervalles de confiance) est nécessaire
2. Les données sont approximativement normales et sans valeurs aberrantes
3. L'efficacité compte (l'ET utilise toutes les informations ; l'IIQ en écarte 50%)
4. Combiner avec d'autres statistiques qui supposent la normalité

Calculs associés

Après avoir calculé l'IIQ, explorez :

• Calculateur de quartiles — Obtenir Q1, Q2, Q3 directement
• Calculateur de résumé en cinq nombres — L'IIQ dans le contexte du résumé complet
• Calculateur de valeurs aberrantes — Utiliser les barrières basées sur l'IIQ
• Calculateur d'étendue — Comparaison non robuste
• Calculateur d'écart-type — Alternative non robuste
• Calculateur de percentiles — Généraliser au-delà des quartiles

Résumé

L'intervalle interquartile mesure la dispersion de la moitié centrale de vos données, fournissant une alternative robuste à l'étendue et à l'écart-type. En ignorant les 25% extrêmes de chaque côté, l'IIQ résiste à la distorsion des valeurs aberrantes. Cela le rend idéal pour les distributions asymétriques, l'analyse exploratoire et les données contenant des anomalies. L'IIQ forme également la base des boîtes à moustaches et de la méthode des barrières de Tukey largement utilisée pour la détection des valeurs aberrantes. Lorsque vos données pourraient contenir des valeurs aberrantes — ou lorsque vous ne le savez pas encore — l'IIQ est le choix le plus sûr pour comprendre la dispersion.