Calculateur de moyenne winsorisée

Indiquez un tableau et une fraction limite pour chaque extrémité. Le calculateur trie les observations, détermine les bornes inférieure et supérieure selon leur rang, remplace les valeurs qui les dépassent, puis calcule la moyenne de l’échantillon ajusté. Il renvoie aussi les bornes, l’effectif de chaque extrémité et les valeurs winsorisées afin de garantir un résultat transparent et reproductible.

Choisissez une fraction adaptée à votre analyse

La fraction limite indique la part de l’échantillon considérée comme chacune des deux extrémités. Une fraction de 0.10 signifie que les dix pour cent les plus faibles et les dix pour cent les plus élevés peuvent être bornés. Les observations étant discrètes, le calculateur multiplie la taille de l’échantillon par la fraction et retient la partie entière pour obtenir l’effectif de chaque extrémité. Avec 23 observations et une fraction de 0.10, deux observations sont bornées de chaque côté. Une fraction nulle ne modifie aucune valeur et restitue donc la moyenne arithmétique ordinaire. Des fractions plus élevées rendent progressivement le résumé moins sensible aux extrêmes, mais éliminent aussi davantage d’informations sur la variation réelle. Dans la mesure du possible, choisissez la fraction avant de consulter le résultat souhaité et consignez ce choix avec la sortie. Pour un travail formel, appliquez la fraction prévue par votre méthode, votre protocole ou les usages de votre domaine. En l’absence de convention, comparez plusieurs fractions raisonnables et indiquez si la conclusion de fond change, plutôt que de retenir le réglage produisant le nombre le plus avantageux.

Comprenez précisément comment le bornage transforme l’échantillon

Les observations sont classées de la plus petite à la plus grande. Si l’effectif de chaque extrémité vaut k, la valeur à la position ordonnée k devient la borne inférieure, tandis que celle située à k positions de l’extrémité haute devient la borne supérieure. Toute observation inférieure à la borne basse est remplacée par celle-ci, et toute observation supérieure à la borne haute est remplacée par la borne haute. Les valeurs comprises entre les deux restent inchangées. La moyenne est ensuite calculée sur les observations ajustées. Ce procédé diffère d’une moyenne tronquée : la troncature retire des observations et réduit l’effectif de la moyenne, alors que la winsorisation conserve la taille initiale de l’échantillon et substitue des valeurs frontières aux extrêmes. La réponse présente le tableau trié et ajusté sous le nom winsorized_values, ainsi que lower_limit, upper_limit et tail_count, afin que vous puissiez contrôler chaque substitution. Lorsque la fraction vaut exactement la moitié, les deux bornes de rang se croiseraient pour un échantillon pair. Le calculateur définit ce cas comme la médiane de l’échantillon et ramène toutes les observations à cette valeur ; pour un effectif pair, cette médiane est la moyenne des deux valeurs centrales.

Interprétez le résultat sans masquer des extrêmes significatifs

Une moyenne winsorisée est utile lorsque les observations extrêmes sont assez plausibles pour que leur suppression soit difficile à justifier, mais assez influentes pour fausser une moyenne ordinaire. Elle ne répare pas automatiquement des données incorrectes. Examinez d’abord les erreurs d’unité, doublons, pannes de capteur, mesures impossibles et fautes de saisie ; corrigez ou excluez les erreurs confirmées selon une règle de nettoyage documentée. Appliquez ensuite la winsorisation à l’échantillon analytique restant lorsqu’une estimation robuste de la position répond à la question étudiée. Conservez toujours dans vos notes la moyenne ordinaire, la taille de l’échantillon, la fraction et les bornes. Un écart important entre les moyennes ordinaire et winsorisée constitue une information diagnostique : il montre que les extrémités influencent sensiblement le résultat et mérite une explication. Gardez également à l’esprit que la winsorisation modifie la distribution empirique et peut affecter les estimations de variance, les intervalles de confiance et les modèles ultérieurs. Pour des statistiques inférentielles, utilisez une méthode dont les erreurs types tiennent explicitement compte de la winsorisation, au lieu de traiter les valeurs ajustées comme des mesures brutes intactes. Le calculateur fournit un résumé déterministe, sans prétendre qu’une fraction donnée soit scientifiquement appropriée.