Z-score

Le z-score (ou score standard) mesure de combien d’écarts types une valeur se situe au-dessus ou en dessous de la moyenne. Formule : z = (x − moyenne) ÷ écart_type.

Une valeur avec z = 0 est la moyenne. z = 1 est un écart type au-dessus de la moyenne. z = −2 est deux écarts types en dessous. Pour une distribution approximativement normale, |z| > 2 couvre environ 5 % des valeurs ; |z| > 3 couvre environ 0,3 %.

L’intérêt de convertir en z-scores : cela place des échelles différentes sur le même étalon. Un 75 dans un test de maths où la moyenne de classe est 70 avec ET 10 donne z = 0,5. Un 68 dans un test de français où la moyenne est 65 avec ET 5 donne z = 0,6. La note de français est relativement meilleure, ce que les scores bruts ne peuvent pas vous dire.

Les z-scores figurent dans les tests standardisés (SAT, GMAT), les plages de référence cliniques (densité osseuse, courbes de croissance), le contrôle qualité (indices de capabilité de processus), et tout contexte où vous devez comparer des populations avec des moyennes et des dispersions différentes.

Notre calculatrice statistiques calcule la moyenne et l’écart type ; le z-score est une simple soustraction puis division sur le résultat.

Du z-score au centile, et retour : pour une distribution normale, la fonction de distribution cumulative (Φ) convertit directement les z-scores en centiles. z = 0 → 50e centile (la médiane), z = 1 → ~84e, z = 1,645 → 95e, z = 1,96 → 97,5e (la limite standard bilatérale de confiance à 95 %), z = 2,576 → 99,5e. Ces seuils sont la colonne vertébrale des tests d’hypothèses — un z-score de 1,96 est la valeur au-delà de laquelle un test bilatéral rejette l’hypothèse nulle à α = 0,05. Pour des données non normales le z-score mesure encore les “déviations par rapport à la moyenne en unités ET” mais le centile correspondant dépend de la distribution réelle et n’est pas interchangeable avec les tables normales.

Z-scores robustes pour données imparfaites : les valeurs aberrantes gonflent l’écart type, ce qui dégonfle chaque z-score dans le jeu de données et masque les valeurs aberrantes elles-mêmes que vous cherchiez à détecter. Le z-score modifié (Iglewicz & Hoaglin, 1993) utilise la médiane et l’écart absolu médian (MAD) à la place de la moyenne et ET : z_modifié = 0,6745 · (x − médiane) / MAD. La constante 0,6745 normalise le MAD pour que pour des données normales, le z-score modifié corresponde au conventionnel. La convention est de signaler |z_modifié| > 3,5 comme valeur aberrante — robuste à la contamination d’une façon que le z-score standard ne l’est pas. Connexe : centile, écart type d’échantillon, l’écart type expliqué.

Exemple concret

Un enfant de deux ans mesure 89 cm. Les données du tableau de croissance OMS pour les filles de deux ans ont une moyenne de 86,4 cm, ET 3,3 cm. Z-score : z = (89 − 86,4) / 3,3 = 0,79. Chercher ce z dans la table normale standard donne un centile de ~78 — plus grand que 78 % des enfants de deux ans, bien dans la plage normale (les pédiatres signalent pour évaluation autour de z < −2 ou z > 2, correspondant à environ <2,3e ou >97,7e centile). Le poids de 14 kg du même enfant par rapport à une moyenne de 12,3 kg, ET 1,4 kg : z = (14 − 12,3) / 1,4 = 1,21 → ~89e centile. Tracer le z de taille (0,79) par rapport au z de poids (1,21) montre que l’enfant est plus lourd qu’attendu pour sa taille — un signal clinique plus utile que l’une ou l’autre des mesures brutes seule.

Quand et pourquoi c’est important

Les z-scores vous permettent de comparer des pommes et des oranges en supprimant l’échelle. Ils alimentent les tables de croissance OMS et CDC, la normalisation du score FICO et autres scores de crédit, le Test de Cooper en évaluation de la forme physique, les indices de capabilité de processus Six Sigma (un processus à 6σ signifie que la limite de spécification la plus proche est à z = 6 — environ deux défauts par milliard), et presque chaque test d’hypothèse en statistiques (le t-test de Student, ANOVA, la significativité des coefficients de régression se réduisent tous à un rapport de type z d’effet à erreur standard). Le piège à connaître : les z-scores supposent que la distribution sous-jacente est au moins approximativement normale. Pour des données fortement asymétriques (revenus, temps de réponse, taille de fichier) un z de 3 n’est pas le 99,87e centile — des z-scores robustes ou des méthodes non paramétriques sont nécessaires. Référence : WHO Child Growth Standards.