Calculateur de Score Z
Calculez les scores Z, les rangs percentiles et les probabilités de la distribution normale.
À propos de cet outil
Un score Z mesure le nombre d'écarts-types dont un point de données s'écarte de la moyenne dans une distribution normale. Cette métrique est fondamentale en statistique pour normaliser les valeurs sur différentes échelles et est essentielle pour comparer les données, identifier les valeurs aberrantes et comprendre les distributions de probabilité. Les scores Z sont largement utilisés dans le contrôle de qualité, l'évaluation académique, la recherche médicale et l'analyse financière pour déterminer si une valeur est inhabituelle ou typique.
Pour utiliser la calculatrice, entrez votre valeur de point de données ainsi que la moyenne et l'écart-type de votre ensemble de données. L'outil calcule instantanément le score Z et affiche le rang de percentile correspondant—vous indiquant quel pourcentage de la distribution normale se situe en dessous de votre valeur. Vous pouvez également entrer directement un score Z pour trouver son percentile, ce qui est utile pour les tests d'hypothèse, les intervalles de confiance et les recherches de probabilité. Ceci est particulièrement utile lorsque vous travaillez avec des scores de tests standardisés (comme le SAT ou le QI), en comparant les performances entre différentes métriques ou en évaluant les tolérances de fabrication.
Gardez à l'esprit que les scores Z supposent que vos données suivent une distribution normale (courbe en cloche), de sorte que les résultats peuvent ne pas être précis pour les ensembles de données asymétriques. La calculatrice fournit également des informations sur les probabilités de queue, vous aidant à comprendre les valeurs extrêmes. Que vous soyez un étudiant apprenant la statistique, un chercheur analysant des données expérimentales ou un professionnel évaluant des métriques de qualité, cet outil transforme les calculs de probabilité complexes en informations instantanées et exploitables.
Questions Fréquentes
Implémentation du Code
import math
def erf(x: float) -> float:
"""Abramowitz & Stegun approximation of the error function."""
sign = 1 if x >= 0 else -1
x = abs(x)
a1, a2, a3, a4, a5 = 0.254829592, -0.284496736, 1.421413741, -1.453152027, 1.061405429
p = 0.3275911
t = 1.0 / (1.0 + p * x)
y = 1.0 - (((((a5 * t + a4) * t) + a3) * t + a2) * t + a1) * t * math.exp(-x * x)
return sign * y
def normal_cdf(z: float) -> float:
"""Cumulative distribution function of the standard normal."""
return 0.5 * (1 + erf(z / math.sqrt(2)))
def z_score(value: float, mean: float, std_dev: float) -> float:
"""Calculate Z-score: how many SDs from the mean."""
if std_dev <= 0:
raise ValueError("Standard deviation must be positive")
return (value - mean) / std_dev
# Example
x, mu, sigma = 75, 70, 5
z = z_score(x, mu, sigma)
prob = normal_cdf(z)
print(f"Z-score: {z:.4f}") # 1.0000
print(f"Percentile: {prob*100:.2f}th") # 84.13th
print(f"Probability: {prob:.6f}") # 0.841345
Comments & Feedback
Comments are powered by Giscus. Sign in with GitHub to leave a comment.