Qu'est-ce qu'un Z-Score ?

Un score Z – également connu comme un score standard – quantifie exactement la distance d'un point de données particulier par rapport à la moyenne de sa distribution, exprimée en unités d'écart-type. Cette transformation simple permet de voir en un coup d'œil si une valeur est typique, inhabituellement élevée ou inhabituellement basse. Dans toute distribution normale, Z-scores cartographie chaque valeur brute à une échelle normalisée centrée à zéro (la moyenne) et mesurée en unités d'écart-type.

Par exemple, un score Z de +1,5 signifie que le point de données est un écart-type et demi au-dessus de la moyenne; un score Z de –0,8 signifie qu'il est huit dixièmes d'un écart-type au-dessous de la moyenne. Le signe vous indique la direction par rapport à la moyenne, et la valeur absolue vous indique la distance. Ce langage universel des écarts-types fait des scores Z l'un des outils les plus polyvalents dans les statistiques descriptives et inferentielles.

Les scores Z sont au centre de la règle empirique (règle 68-95-99,7), qui indique que dans une distribution normale, environ 68 % des données se situent dans un écart type de la moyenne, 95 % dans deux et 99,7% dans trois. Comme les scores Z codent directement ces intervalles, ils fournissent un sentiment immédiat de rareté ou de communité pour toute observation.

Comment calculer un score Z

La formule pour un Z-score est simple:

Z = (X – μ) / ε

où:

  • X = le point de données brutes présentant un intérêt
  • μ = moyenne de la population (ou moyenne de l'échantillon, si l'on utilise des données de l'échantillon)
  • φ = écart type de population (ou écart type d ' échantillon, si l ' on utilise des données d ' échantillon)

Pour appliquer la formule, suivez les étapes suivantes :

  1. Calculer ou obtenir la moyenne (μ) Il s'agit de la moyenne arithmétique de toutes les valeurs.
  2. Calculer ou obtenir l'écart type (ε) Cette mesure mesure mesure la propagation ou la variabilité des données autour de la moyenne.
  3. Soustrayez la moyenne de la note brute (X – μ). Cette différence vous indique combien de temps au-dessus ou au-dessous de la moyenne le point est, en unités brutes.
  4. Diviser cette différence par l'écart type (ε). Cette étape convertit l'écart brut en unités d'écart type, donnant le score Z.

Lorsque vous travaillez avec un échantillon plutôt qu'avec une population complète, utilisez la moyenne de l'échantillon (- Oui.) et écart type de l'échantillon (s) La formule devient Z = (X – x̄) / s- Oui.

Exemple de calcul

Imaginez une classe d'étudiants passe un examen de mathématiques. Le score moyen de la classe est 74, et l'écart-type est 8. Une étudiante nommée Maria a marqué 90. Pour trouver son score Z:

Z = (90 – 74) / 8 = 16 / 8 = 2,0

Maria , score est 2 écarts-types au-dessus de la moyenne de la classe. Maintenant, considérez un autre élève, Tom, qui a marqué 62:

Z = (62 – 74) / 8 = –12 / 8 = –1,5

La note de Tom , 1,5 écart-type en dessous de la moyenne. Notez que le signe et la magnitude transmettent immédiatement la position relative de chaque élève. Lorsque vous rapportez ces scores Z, vous pouvez immédiatement comparer Maria et Tom même s'ils ont passé différents examens avec différentes échelles.

Pour un exemple plus nuancé, supposons qu'une entreprise mesure le temps que les employés passent à une tâche (en minutes). La moyenne est de 45 minutes avec un écart type de 10 minutes. Un employé se termine en 30 minutes : Z = (30 – 45)/10 = –1,5. Une autre se termine en 70 minutes : Z = (70 – 45)/10 = +2,5. Le score Z de +2,5 est plus extrême que –1,5, ce qui indique que l'employé le plus lent est plus loin de la norme en termes d'unités d'écart type.

Quand les paramètres de population sont inconnus

Dans de nombreux scénarios réels, vous n'avez pas accès à la moyenne de la population réelle et à l'écart type. Dans de tels cas, vous les estimez à partir de votre échantillon. L'écart type moyen et l'écart type de l'échantillon fournissent des estimations impartiales des paramètres de population, à condition que l'échantillon soit représentatif. La formule reste identique, mais l'interprétation change légèrement : le score Z indique maintenant combien d'écarts types de l'échantillon se situe à un point de la moyenne de l'échantillon.

Si votre échantillon est grand (n ≥ 30) et approximativement distribué normalement, ces scores Z sont encore très utiles pour la normalisation et la comparaison. < 30) the sample standard deviation itself has more variability, making the t-distribution more appropriate for inference—though the Z-score itself remains a valid descriptive measure of relative position.

Interprétation des scores Z

La vraie puissance des scores Z émerge lorsque vous les interprètez dans le contexte d'une distribution normale standard. La distribution normale standard est une distribution normale spéciale avec une moyenne de 0 et une déviation standard de 1. Lorsque vous convertissez toute distribution normale en scores Z, vous la transformez effectivement en distribution normale standard.

Points de référence communs pour les valeurs de Z

  • Z = 0: Le point de données est exactement au niveau moyen.
  • 0 < ,Z , < 1: Le point de données se situe dans un écart type de la moyenne. Dans une distribution normale, environ 68 % de toutes les valeurs tombent dans cette plage.
  • 1 < ,Z , < 2: Le point de données se situe entre un et deux écarts types par rapport à la moyenne. Environ 95 % des valeurs dans une distribution normale se situent dans deux écarts types.
  • C'est ce que je fais. Le point de données est plus de deux écarts types par rapport à la moyenne. Ces valeurs sont relativement rares (seulement 5 % des données) et sont souvent considérées comme inhabituelles ou aberrantes.
  • ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z ,Z Le point de données est plus de trois écarts types par rapport à la moyenne. Dans une distribution normale, moins de 0,3% des valeurs se trouvent à ce point. Ce sont des extrêmes et souvent indiquent une anomalie des données ou une observation très exceptionnelle.

Par exemple, si vous analysez les scores des tests et trouvez un score Z de 2,5, vous savez que l'étudiant a obtenu un rendement exceptionnellement bon, mieux que 99,4 % des candidats (en supposant que la normale soit normale).

Utilisation de Z-Scores pour trouver des percentiles

Comme la carte Z-scores est directement à la distribution normale standard, vous pouvez convertir n'importe quel Z-score en un rang percentile. Une table Z (table normale standard) fournit la probabilité cumulative de la queue gauche jusqu'à un Z-score donné. Par exemple:

  • Z = 0 → 50e percentile (la moyenne est au centre)
  • Z = 1,0 → environ 84,13e percentile
  • Z = 1,96 → environ 97,5e percentile (utilisé couramment pour des intervalles de confiance à 95 %)
  • Z = –1,0 → environ 15,87e percentile

Vous pouvez aussi inverser le processus : si vous connaissez un percentile désiré, recherchez le score Z correspondant et utilisez la formule X = μ + Z Pour trouver la valeur brute qui correspond à ce percentile. Par exemple, pour trouver le 90e percentile d'une distribution avec la moyenne 100 et l'écart type 15, vous trouverez le score Z pour la probabilité de 0,90 (Z -1,28), puis calculer X = 100 + 1,28 × 15 = 119.2.

Z-Scores et la règle empirique en détail

La règle empirique est une conséquence directe des scores Z. Pour toute variable normalement distribuée, la probabilité qu'une valeur se situe dans les écarts types Z de la moyenne est fixée. Plus précisément:

  • (en milliers de dollars) < 1) ≈ 0.6827
  • (en milliers de dollars) < 2) ≈ 0.9545
  • (en milliers de dollars) < 3) ≈ 0.9973

Par exemple, un score Z de 2,5 correspond à une probabilité d'environ 0,0062 dans la queue droite (0,62%), donc il est assez rare. De même, un score Z de –2,5 a la même probabilité dans la queue gauche. Cette symétrie est une propriété de la distribution normale.

Pourquoi les scores Z sont utiles

Les scores Z remplissent de multiples fonctions critiques dans les statistiques, l'analyse des données et la prise de décisions. Voici les principales raisons pour lesquelles ils sont indispensables :

Normalisation à différentes échelles

Supposons que vous vouliez comparer une performance d'un étudiant à un test de mathématiques (moyenne 70, SD 10) avec leur performance à un test de lecture (moyenne 50, SD 15). Les scores bruts ne sont pas comparables parce que les échelles diffèrent. La conversion des deux en Z-score les place sur la même échelle unitaire : vous pouvez dire directement si l'étudiant a obtenu relativement mieux en mathématiques ou en lecture. Les scores Z vous permettent de combiner ou de comparer des données de différentes distributions sans vous soucier des unités ou des moyens.

Identification des valeurs aberrantes

De nombreuses règles de détection plus aberrantes reposent sur des scores Z. Une règle de pouce commune : tout point de données avec -Z , > 3 est un aberrant potentiel. Des analyses plus prudentes utilisent ,Z , > 2 comme drapeau. Cette méthode fonctionne bien pour des distributions plus ou moins normales. Comme les scores Z montrent exactement combien d'écarts-types un point est de la moyenne, vous pouvez fixer des seuils objectifs pour identifier les valeurs extrêmes dans les ensembles de données telles que les lectures de capteurs, les transactions financières ou les résultats de tests médicaux.

Calculs de probabilité et essais d'hypothèses

Une fois converti en scores Z, vous pouvez calculer la probabilité d'observer une valeur aussi extrême que votre point de données, en supposant que la distribution est normale. Par exemple, dans les tests d'hypothèse avec un écart-type de population connu, le test Z utilise le score Z de la moyenne de l'échantillon pour déterminer si vous devez rejeter l'hypothèse nulle. La formule pour la statistique du test Z est:

Z = (x̄ – μ) / (ε / √n)

où - Oui. Pour un test à deux queues à α = 0,05, les valeurs critiques de Z sont ±1,96. Si le Z calculé dépasse 1,96 ou est inférieur à –1,96, vous rejetez l'hypothèse nulle.

Construction d'intervalles de confiance

Les intervalles de confiance pour une moyenne de population (lorsque ε est connu) utilisent des scores Z. Pour un intervalle de confiance de 95%, la formule est :

CI = x̄ ± Zα/2 × (ε / √n)

Ici, Zα/2 Cette méthode donne une plage qui, si un échantillonnage répété était effectué, contiendrait la moyenne de 95 % du temps de la population réelle. Les scores Z permettent donc directement le calcul de la marge d'erreur et des limites de confiance.α/2 est environ 2.576.

Analyse comparative et normalisation

Dans des domaines comme la psychométrie, la finance et le contrôle de la qualité, les scores Z sont utilisés pour normaliser les scores pour les comparer entre différentes versions de tests, différents stocks ou différents lots de production. Par exemple, les modèles de risque de crédit convertissent souvent les ratios financiers en scores Z pour évaluer la santé financière relative des entreprises (Altman Z-score pour la prévision de faillite).

Comparaison des distributions avec différentes formes

Bien que les scores Z soient les plus puissants pour les distributions normales, ils peuvent aussi être utilisés pour comparer les positions relatives entre les distributions non normales, à condition que vous soyez prudent dans l'interprétation. Par exemple, vous pouvez calculer le score Z d'une valeur dans sa propre distribution et ensuite le comparer avec les rangs percentiles d'une autre distribution, mais les interprétations de probabilité liées à la courbe normale peuvent ne pas tenir.

Limites et considérations

Si les scores Z sont puissants, ils ne sont pas sans limites. Premièrement, ils supposent que les données proviennent d'une distribution au moins approximativement normale. Pour les distributions fortement biaisées ou multimodales, les scores Z peuvent être trompeurs parce que les interprétations de probabilité liées à la courbe normale peuvent ne pas tenir. Dans de tels cas, envisager d'utiliser des mesures robustes comme l'écart absolu médian (DAM) ou les percentiles à la place.

Deuxièmement, les scores Z sont sensibles aux valeurs aberrantes. Un seul aberrant extrême peut gonfler l'écart-type, ce qui entraîne une diminution des autres scores Z et peut masquer des motifs importants. Examinez toujours vos données pour les valeurs aberrantes avant de vous fier à des interprétations Z-score. Par exemple, si votre ensemble de données a une valeur extrêmement grande, l'écart-type devient important et une valeur moyennement élevée peut apparaître proche de la moyenne quand elle est en fait loin des valeurs typiques.

Troisièmement, lorsque l'on utilise des statistiques d'échantillonnage à la place des paramètres de population, le score Z est une estimation qui comporte une erreur d'échantillonnage. < 30), the t-distribution is more appropriate for confidence intervals and hypothesis tests, though you can still compute sample Z-scores for standardization. For inference, the t-distribution's heavier tails account for the additional uncertainty in the estimated standard deviation.

Quatrièmement, les scores Z ne changent pas la forme de la distribution; ils ne changent que l'échelle. Si les données originales sont bimodales, les scores Z seront encore bimodals. La normalisation ne rend pas les données normales; elle ne fait que les recentrer et les redimensionner.

Exemples pratiques dans différents domaines

Éducation

Si l'école A a une moyenne de 75 et de 10, et que l'école B a une moyenne de 80 et de 12, une note brute de 85 à l'école A (Z=1,0) peut représenter une note relative plus élevée qu'une note brute de 88 à l'école B (Z=0,67). Cela permet des comparaisons justes. De plus, les scores normalisés comme le SAT sont présentés comme des scores gradués provenant de scores Z pour assurer la cohérence entre les différentes administrations de tests.

Soins de santé

Les graphiques de croissance pour les enfants indiquent souvent des scores Z pour le poids et la taille par rapport aux populations spécifiques à l'âge et au sexe. Un enfant avec un score Z de –2.0 de l'IMC est considéré comme étant sous-poids (sous le 2,3e centile), tandis qu'un score Z de +2.0 indique un surpoids. Ces scores normalisés permettent aux pédiatres de suivre les tendances de croissance au fil du temps, indépendamment des unités absolues.

Financement

Le Z-score Altman est une formule bien connue qui combine plusieurs ratios financiers pour prédire la faillite. Bien qu'il utilise un calcul différent du Z-score standard, le concept est similaire : il standardise les mesures de santé financière pour produire un score unique qui peut être comparé entre les entreprises. Un Z-score Altman élevé indique un faible risque de faillite.

Contrôle de la qualité et fabrication

Dans le contrôle statistique des processus, les scores Z forment la base des diagrammes de contrôle. Un processus est considéré comme contrôle si toutes les mesures se situent à ±3 écarts-types de la moyenne cible. Si une valeur mesurée donne un score Z au-delà de 3, il signale une condition hors de contrôle qui nécessite une enquête.

Comment calculer les scores Z dans la pratique

La plupart des logiciels statistiques et des programmes de tableur peuvent calculer automatiquement les scores Z :

  • C'est un peu comme ça. Utiliser la fonction : .
  • C'est un peu comme ça. La fonction soustrait la moyenne et divise par l'écart type pour un vecteur de nombres. Par exemple, retourne des scores Z.
  • Python : Dans les pandas, vous pouvez calculer .
  • - C'est pas vrai. Utilisez la commande avec l'option .

Pour les calculs manuels, une table Z ou une calculatrice en ligne peut vous aider à convertir les scores Z en probabilités. Khan Academy .S.T.T. Z-score, Statistiques Par Jim , explication détailléeet NIST , Manuel de statistiques techniques vous pouvez également utiliser une calculatrice Z-score en ligne comme celle de Statistiques des sciences sociales pour les calculs rapides.

Résumé

Un score Z mesure combien d'écarts-types un point de données se trouve dans la moyenne. Z = (X – μ) / ε Les scores Z positifs indiquent des valeurs supérieures à la moyenne; les scores Z négatifs indiquent des valeurs inférieures à la moyenne. Plus la valeur absolue est grande, plus l'observation est inhabituelle par rapport au reste de l'ensemble de données.

Pour calculer un score Z, déterminez la moyenne et l'écart type de votre ensemble de données (population ou échantillon), soustrayez la moyenne de la note brute et divisez par l'écart type. Interprétez le résultat en utilisant les propriétés de la distribution normale standard : environ 68 % des données se trouvent dans Z=1 < 1, 95 % dans Z=2 < 2 et 99,7% dans Z=1 < 3. Les valeurs au-delà de ces seuils sont rares et peuvent être signalées pour une enquête plus approfondie.

Les scores Z sont fondamentaux dans les statistiques parce qu'ils vous permettent de normaliser et de comparer des ensembles de données disparates, d'identifier les valeurs aberrantes objectivement, de calculer les probabilités, de construire des intervalles de confiance et d'effectuer des tests Z. Bien qu'ils supposent une normalité approximative et peuvent être sensibles aux valeurs extrêmes, ils demeurent l'un des outils les plus pratiques et les plus utilisés dans l'analyse des données.