Calculateur de score Z

Qu'est-ce qu'un score z ?

Un score z (score standard) exprime combien d'écarts-types une valeur se situe par rapport à la moyenne :

$z = \frac{x - \mu}{\sigma}$

Où :

• $x$ est la valeur brute
• $\mu$ est la moyenne de population
• $\sigma$ est l'écart-type de population

Un score z de +2 signifie que la valeur est 2 écarts-types au-dessus de la moyenne. Un score z de -1,5 signifie 1,5 écarts-types en dessous.

Pourquoi standardiser ?

Rendre les comparaisons possibles

Les scores bruts sur différentes échelles ne peuvent pas être comparés directement. Un étudiant obtient 85 en mathématiques et 78 en histoire - quelle performance était meilleure ?

Convertir en scores z :

• Maths : Moyenne = 70, ET = 10 → $z = (85-70)/10 = 1,5$
• Histoire : Moyenne = 65, ET = 8 → $z = (78-65)/8 = 1,625$

La performance en histoire était relativement meilleure malgré le score brut plus bas.

Identifier les valeurs inhabituelles

Les scores z signalent les valeurs aberrantes :

Permettre les calculs de probabilité

Pour les données normalement distribuées, les scores z se connectent directement aux probabilités via la distribution normale standard. Le Calculateur de distribution normale utilise les scores z pour tous les calculs de probabilité.

Conversion entre scores bruts et scores z

Brut vers score z

$z = \frac{x - \mu}{\sigma}$

Exemple : Score de QI de 130, où $\mu = 100$ et $\sigma = 15$

$z = \frac{130 - 100}{15} = \frac{30}{15} = 2,0$

Un QI de 130 est 2 écarts-types au-dessus de la moyenne.

Score z vers brut

$x = \mu + z \times \sigma$

Exemple : Quelle taille correspond à $z = -1,5$ si taille moyenne = 170 cm et ET = 8 cm ?

$x = 170 + (-1,5) \times 8 = 170 - 12 = 158\text{ cm}$

La distribution normale standard

Lorsque vous standardisez des données normalement distribuées, vous obtenez la distribution normale standard :

• Moyenne = 0
• Écart-type = 1
• Notée $N(0,1)$ ou $Z$

Cette distribution de référence unique fournit toutes les probabilités :

• $P(Z < 1,96) \approx 0,975$
• $P(Z > 2,58) \approx 0,005$
• $P(-1 < Z < 1) \approx 0,68$

Applications

Tests standardisés

Les tests SAT, GRE et QI rapportent des scores qui sont essentiellement des scores z transformés :

• SAT : Moyenne = 500, ET = 100 → Score = $500 + 100z$
• QI : Moyenne = 100, ET = 15 → QI = $100 + 15z$

Un score SAT de 700 correspond à $z = 2,0$.

Contrôle qualité

La fabrication surveille les scores z des mesures de produits :

« Limites de contrôle à ±3σ » signifie que les scores z au-delà de ±3 déclenchent une investigation.

C'est le fondement de la méthodologie Six Sigma.

Finance

Les rendements ajustés à la volatilité utilisent les scores z :

$z = \frac{\text{Rendement} - \text{Rendement attendu}}{\text{Volatilité}}$

Un score z de -2 indique des rendements 2 écarts-types en dessous de l'attendu - une sous-performance significative.

Médecine

Les valeurs cliniques souvent exprimées comme scores z par rapport aux normes saines :

« Score z de densité osseuse de -1,5 » signifie 1,5 ET en dessous de la moyenne saine pour cet âge/sexe.

Météorologie

Anomalies de température comme scores z :

« La température de ce mois était 2,3 écarts-types au-dessus de la moyenne historique. »

Développement historique

Le concept de score z a émergé du travail sur la distribution normale aux 18e et 19e siècles.

Abraham de Moivre (1733) a d'abord décrit la courbe normale en étudiant les jeux de hasard. Son travail a montré comment exprimer les écarts en unités standard.

Carl Friedrich Gauss a popularisé la distribution normale (d'où « distribution gaussienne ») pour les erreurs de mesure. La standardisation à moyenne zéro et variance unitaire a simplifié les calculs de probabilité.

Francis Galton a appliqué ces idées à la variation humaine, développant des tables de percentiles basées sur des valeurs standardisées.

Le terme « score z » est devenu standard au 20e siècle, le distinguant de la statistique t utilisée lorsque les paramètres de population sont inconnus.

Scores z et percentiles

Les scores z se mappent aux percentiles pour les données normales :

Le Calculateur de percentile fournit des classements similaires sans supposer la normalité.

Scores z d'échantillon

Lorsque les paramètres de population sont inconnus, utiliser les estimations d'échantillon :

$z = \frac{x - \bar{x}}{s}$

Où $\bar{x}$ est la moyenne d'échantillon et $s$ est l'écart-type d'échantillon.

Techniquement, cela produit une distribution différente (liée à la distribution t), mais pour les grands échantillons, la différence est négligeable.

Propriétés des scores z

Moyenne des scores z = 0

Après standardisation, la moyenne est toujours zéro.

Écart-type des scores z = 1

La dispersion est toujours exactement une unité.

Transformation linéaire

Les scores z sont une transformation linéaire des données originales, préservant la forme de la distribution. Si les données brutes sont asymétriques, les scores z seront asymétriques de la même manière.

Somme des scores z au carré

Pour un échantillon : $\sum z^2 = n - 1$ (pour ET d'échantillon) ou $n$ (pour ET de population)

Cela se connecte aux distributions chi-carré.

Modifier les scores z

Scores z décalés et mis à l'échelle

Convertir z à toute échelle souhaitée :

$\text{Nouveau score} = \text{Nouvelle moyenne} + \text{Nouvel ET} \times z$

Exemple : Convertir $z = 1,5$ en score T (moyenne=50, ET=10) :

$T = 50 + 10 \times 1,5 = 65$

Échelles transformées communes

Quand les scores z induisent en erreur

Distributions non normales

Pour des données fortement asymétriques, les probabilités de score z ne s'appliquent pas :

• Un score z de 2 ne signifie pas « top 2,3 % »
• Les scores z extrêmes sont plus courants dans les distributions à queues épaisses

Valeurs aberrantes

Une seule valeur aberrante gonfle l'écart-type, faisant apparaître les autres valeurs moins extrêmes (scores z plus petits). Considérer des alternatives robustes comme l'écart absolu médian.

Petits échantillons

Avec peu d'observations, l'ET d'échantillon est instable, rendant les scores z peu fiables. Utiliser les statistiques t et la distribution t pour l'inférence formelle.

Calculs associés

Les scores z se connectent à :

• Calculateur d'écart-type — Le dénominateur
• Calculateur de moyenne — Le point de référence
• Calculateur de distribution normale — Probabilités à partir de scores z
• Calculateur de percentile — Approche de classement alternative
• Calculateur de distribution t — Quand l'ET de population est inconnu
• Calculateur de valeurs aberrantes — Détection basée sur le score z

Résumé

Les scores z standardisent les valeurs à une échelle commune, exprimant chaque observation comme des écarts-types par rapport à la moyenne. Cette transformation permet la comparaison entre différentes échelles de mesure, identifie les valeurs inhabituelles et connecte les données brutes aux calculs de probabilité via la distribution normale standard. Que ce soit pour comparer les résultats de tests, surveiller la qualité de fabrication ou identifier les valeurs aberrantes, les scores z fournissent le langage universel de la comparaison statistique.