Calculateur de kurtosis

Qu'est-ce que l'aplatissement ?

L'aplatissement mesure le « poids des queues » d'une distribution—combien de probabilité réside dans les queues extrêmes par rapport au centre. Une distribution avec un aplatissement élevé a des queues lourdes et un pic prononcé. Un faible aplatissement indique des queues légères et un pic plat.

Alors que l'asymétrie mesure l'asymétrie (déséquilibre gauche-droite), l'aplatissement mesure le comportement des queues (fréquence des valeurs extrêmes).

Types d'aplatissement

Mésokurtique (aplatissement ≈ 3) : Distribution normale. La référence pour la comparaison.

Leptokurtique (aplatissement > 3) :

• Queues lourdes, pic prononcé
• Plus de valeurs aberrantes que la normale
• Exemples : Rendements boursiers, distributions de revenus

Platykurtique (aplatissement < 3) :

• Queues légères, pic plat
• Moins de valeurs aberrantes que la normale
• Exemples : Distribution uniforme, notes à un test facile

Aplatissement vs. Excès d'aplatissement

Deux conventions existent :

Aplatissement : Quatrième moment brut ; la distribution normale a un aplatissement = 3

Excès d'aplatissement : Aplatissement moins 3 ; la distribution normale a un excès d'aplatissement = 0

Ce calculateur rapporte les deux. L'excès d'aplatissement est pratique car zéro représente la normalité, mais certains logiciels rapportent l'aplatissement brut.

La formule

Aplatissement d'échantillon (formule de Fisher) :

$\text{Excès d'aplatissement} = \frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum_{i=1}^{n}\left(\frac{x_i - \bar{x}}{s}\right)^4 - \frac{3(n-1)^2}{(n-2)(n-3)}$

Cette formule (de Fisher) fournit une estimation non biaisée de l'excès d'aplatissement de la population.

La puissance quatre fait que les valeurs extrêmes dominent—une seule valeur aberrante augmente considérablement l'aplatissement.

Interprétation des valeurs d'aplatissement

Ces directives sont approximatives. La signification statistique dépend de la taille de l'échantillon.

Pourquoi l'aplatissement est important

Évaluation du risque

En finance, l'aplatissement révèle le « risque de queue » :

• Aplatissement élevé → Événements extrêmes plus fréquents
• Les marchés boursiers montrent un excès d'aplatissement de 3-10
• Les modèles supposant la normalité sous-estiment la probabilité de krach

Attente de valeurs aberrantes

Un aplatissement élevé signifie que plus de valeurs aberrantes sont naturelles :

• La détection de valeurs aberrantes devrait utiliser des seuils appropriés
• Les méthodes basées sur l'IQR peuvent signaler trop de « valeurs aberrantes »

Sélection de méthode statistique

De nombreuses méthodes supposent la normalité :

• Les tests t nécessitent des distributions approximativement normales
• La régression suppose des résidus normaux
• Un aplatissement élevé indique que ces hypothèses peuvent échouer

Vérifications de qualité des données

Un aplatissement inattendu peut révéler des problèmes de données :

• Aplatissement extrême dû à quelques valeurs aberrantes
• Mélange de différentes populations
• Erreurs de mesure

Aplatissement dans différents domaines

Finance et économie

Les rendements boursiers montrent constamment une leptokurticité—« queues épaisses ». La crise financière de 2008 était un événement de 25 sigma sous les hypothèses normales, mais de tels événements se produisent plus souvent que ne le prédit la distribution normale.

Exemple : Les rendements quotidiens du S&P 500 ont un excès d'aplatissement d'environ 5-10, ce qui signifie que les jours extrêmes sont beaucoup plus courants qu'un modèle normal ne le suggère.

Assurance

Les montants de réclamations montrent souvent un aplatissement élevé. La réassurance existe spécifiquement parce que les grandes réclamations (la queue) peuvent être catastrophiques.

Fabrication

Les mesures de qualité devraient être mésokurtiques (normales). Un aplatissement élevé pourrait indiquer :

• Processus incohérents
• Lots mélangés
• Problèmes de mesure

Psychologie

Les scores de tests conçus pour être normalement distribués devraient montrer un aplatissement proche de 3. Les écarts suggèrent des effets de plafond/plancher ou d'autres problèmes.

Contexte historique

Karl Pearson a introduit l'aplatissement vers 1905 dans le cadre de son système de classification des distributions. Il a utilisé le terme « excès » pour les écarts par rapport à la distribution normale.

Le mot « kurtosis » vient du grec « kyrtos » signifiant courbé ou arqué. Pearson décrivait la courbure du pic, bien que la compréhension moderne mette l'accent sur le comportement des queues.

La fausse idée : De nombreux manuels décrivent incorrectement l'aplatissement comme mesurant le « pic ». La recherche a montré que l'aplatissement concerne principalement le poids des queues, pas la forme du pic. Une distribution peut avoir un pic plat mais un aplatissement élevé si elle a des queues lourdes.

Comparaison des distributions par aplatissement

La distribution t montre comment les degrés de liberté affectent l'aplatissement—moins de degrés signifie des queues plus lourdes.

Test de l'aplatissement significatif

Erreur standard de l'aplatissement :

$SE_{kurt} \approx 2\sqrt{\frac{6}{n}}$

Remarque : L'ES de l'aplatissement est environ le double de l'ES de l'asymétrie.

Test approximatif :

$z = \frac{\text{Excès d'aplatissement}}{SE_{kurt}}$

Si |z| > 2, l'aplatissement diffère significativement de la normale.

Exemple : n = 100, excès d'aplatissement = 2

$SE_{kurt} = 2\sqrt{6/100} = 0,49$

$z = 2 / 0,49 = 4,1$

Hautement significatif—la distribution a des queues plus lourdes que la normale.

Aplatissement et taille d'échantillon

Les estimations d'aplatissement sont notoirement instables pour les petits échantillons :

• Une seule valeur extrême augmente considérablement l'aplatissement
• Des estimations fiables nécessitent n > 100
• Pour n < 50, interpréter avec prudence

À mesure que les échantillons augmentent, les estimations d'aplatissement se stabilisent et les intervalles de confiance se rétrécissent.

Aplatissement et valeurs aberrantes

Il y a une relation circulaire :

• Les valeurs aberrantes augmentent l'aplatissement
• Un aplatissement élevé suggère que plus de valeurs aberrantes sont attendues
• Mais quelques valeurs aberrantes extrêmes pourraient gonfler artificiellement l'aplatissement

Toujours visualiser vos données. Les histogrammes révèlent si un aplatissement élevé reflète véritablement des queues lourdes ou quelques points inhabituels.

Alternatives robustes

Lorsque l'aplatissement standard est trop sensible aux valeurs aberrantes :

Aplatissement de Moors : Basé sur les quantiles plutôt que sur les moments

$\text{Moors} = \frac{(E_7 - E_5) + (E_3 - E_1)}{E_6 - E_2}$

Où $E_1$ à $E_7$ sont des octiles. Moins sensible aux valeurs extrêmes.

L-aplatissement : Partie du système des L-moments, fournissant des estimations stables.

Aplatissement et transformations

Les transformations affectent l'aplatissement :

• Les transformations log réduisent souvent l'aplatissement des données asymétriques à droite
• Les transformations de puissance peuvent ajuster le comportement des queues
• Les transformations de Box-Cox optimisent vers la normalité

Après transformation, vérifier que l'aplatissement est plus proche de 3 (ou l'excès d'aplatissement plus proche de 0).

Calculs connexes

L'aplatissement s'associe avec :

• Calculateur d'asymétrie — Mesure de forme complémentaire
• Calculateur d'écart type — Deuxième moment
• Calculateur de moyenne — Premier moment
• Calculateur de valeurs aberrantes — Détection de valeurs extrêmes
• Calculateur de résumé à cinq nombres — Aperçu de la distribution

Résumé

L'aplatissement mesure le poids des queues d'une distribution, indiquant à quelle fréquence des valeurs extrêmes se produisent par rapport à une distribution normale. Un aplatissement élevé (leptokurtique) signale des queues lourdes et plus de valeurs aberrantes ; un faible aplatissement (platykurtique) indique des queues légères et moins d'extrêmes. En finance, l'aplatissement révèle le risque de queue que les modèles basés sur la normale manquent. En contrôle qualité, un aplatissement inattendu signale des problèmes de processus. Combiné avec l'asymétrie, l'aplatissement fournit l'image complète de la forme de la distribution au-delà des mesures de base du centre et de la dispersion.