Calculadora de Escore-z

Calcule escores-z e encontre probabilidades da distribuição normal com soluções passo a passo geradas por IA

Arraste e solte ou clique para adicionar imagens ou PDF

Math Input
z-score for x = 85, mean = 70, sd = 10
Find P(Z < 1.5) using the standard normal
Find the value with z-score 2 in a distribution with mean 100 and sd 15
Compare z-scores for x=78 in N(70, 5) vs x=85 in N(80, 10)

O que é um Escore-z?

Um escore-z (também chamado de escore padronizado) mede quantos desvios padrão um valor está distante da média:

z=xμσz = \frac{x - \mu}{\sigma}

onde xx é o valor bruto, μ\mu é a média populacional e σ\sigma é o desvio padrão populacional.

Interpretação:

  • z=0z = 0: o valor é igual à média.
  • z=1z = 1: um desvio padrão acima da média.
  • z=2z = -2: dois desvios padrão abaixo da média.
  • z>2|z| > 2 é convencionalmente 'incomum'; z>3|z| > 3 é 'extremo'.

Por que padronizar?

  • Comparabilidade: escores-z permitem comparar valores de distribuições diferentes (ex.: um z=1.5z = 1.5 em uma prova de matemática do SAT vs um z=1.5z = 1.5 em uma prova verbal significam o mesmo desempenho relativo).
  • Consulta de probabilidade: se a distribuição subjacente é aproximadamente normal, zz mapeia diretamente para uma probabilidade via a função de distribuição acumulada normal padrão Φ(z)\Phi(z).
  • Detecção de discrepantes: um z|z| grande sinaliza potenciais valores discrepantes.

Versão amostral: ao trabalhar com dados amostrais, substitua μ\mu por xˉ\bar{x} e σ\sigma por ss:

z=xxˉsz = \frac{x - \bar{x}}{s}

Como Calcular e Usar Escores-z

Passo a Passo

  1. Identifique o valor xx, a média μ\mu (ou xˉ\bar{x}) e o desvio padrão σ\sigma (ou ss).
  2. Subtraia a média: xμx - \mu.
  3. Divida pelo desvio padrão: z=(xμ)/σz = (x - \mu)/\sigma.

Inverso: Encontrar xx a Partir de zz

x=μ+zσx = \mu + z\sigma

Útil quando um percentil é dado e se pede o valor bruto correspondente.

Probabilidade via a Normal Padrão

Para uma variável normalmente distribuída XN(μ,σ2)X \sim N(\mu, \sigma^2), a variável padronizada Z=(Xμ)/σZ = (X - \mu)/\sigma segue a normal padrão N(0,1)N(0, 1).

Probabilidades comuns:

zP(Z<z)P(Z < z)
2-20.02280.0228
1-10.15870.1587
000.50000.5000
110.84130.8413
1.6451.6450.95000.9500
1.961.960.97500.9750
220.97720.9772
2.5762.5760.99500.9950

Simetria: P(Z<z)=1P(Z<z)P(Z < -z) = 1 - P(Z < z).

Regra Empírica (68-95-99,7)

Para uma distribuição normal:

  • ~68% dos valores caem dentro de ±1σ\pm 1\sigma da média.
  • ~95% dentro de ±2σ\pm 2\sigma.
  • ~99,7% dentro de ±3σ\pm 3\sigma.

Esta é a base para intervalos de confiança e muitas estimativas rápidas.

Valores-z Críticos para Intervalos de Confiança

Nível de confiançazz^*
90%1.6451.645
95%1.961.96
99%2.5762.576

Estes são os valores zz^* tais que P(z<Z<z)=P(-z^* < Z < z^*) = nível de confiança.

Erros Comuns a Evitar

  • Ordem errada: z=(xμ)/σz = (x - \mu)/\sigma, não (μx)/σ(\mu - x)/\sigma. Colocar a média em segundo lugar inverte o sinal.
  • Usar a variância em vez do desvio padrão: divida por σ\sigma, não por σ2\sigma^2. Um valor 'a uma variância de distância' não faz sentido — você quer um desvio padrão.
  • Amostra vs população: com dados amostrais, use xˉ\bar{x} e ss. Com parâmetros conhecidos, use μ\mu e σ\sigma. Confundi-los infla/deflaciona os escores-z.
  • Supor normalidade sem verificar: escores-z podem ser calculados para qualquer distribuição, mas a consulta de probabilidade Φ(z)\Phi(z) só se aplica se a distribuição subjacente for normal (ou aproximadamente, pelo TLC).
  • Esquecer o sinal: z=2z = -2 significa 'abaixo da média'. Reportar z=2z = 2 representa incorretamente a direção.
  • Confundir probabilidades unicaudal e bicaudal: P(Z>2)P(|Z| > 2) é ambas as caudas combinadas (0.0456\approx 0.0456). P(Z>2)P(Z > 2) é uma cauda (0.0228\approx 0.0228). Leia a pergunta com cuidado.

Examples

Step 1: z=(xμ)/σ=(8570)/10z = (x - \mu)/\sigma = (85 - 70)/10
Step 2: =15/10=1.5= 15/10 = 1.5
Step 3: Interpretação: 85 está 1,5 desvios padrão acima da média
Answer: z=1.5z = 1.5

Step 1: Use x=μ+zσx = \mu + z\sigma
Step 2: x=100+215=100+30=130x = 100 + 2 \cdot 15 = 100 + 30 = 130
Answer: x=130x = 130

Step 1: z1=(7870)/5=8/5=1.6z_1 = (78 - 70)/5 = 8/5 = 1.6
Step 2: z2=(8580)/10=5/10=0.5z_2 = (85 - 80)/10 = 5/10 = 0.5
Step 3: x1x_1 está 1,6 dp acima da sua média; x2x_2 está apenas 0,5 dp acima da sua média
Step 4: Portanto x1x_1 está relativamente mais distante da sua média — um escore melhor em termos relativos
Answer: z1=1.6z_1 = 1.6, z2=0.5z_2 = 0.5; x1x_1 is the relatively more impressive value

Frequently Asked Questions

Um escore-z negativo significa que o valor está abaixo da média. z = -1 significa um desvio padrão abaixo da média; z = -2 significa dois desvios padrão abaixo.

Sim — você pode calcular um escore-z para qualquer distribuição com média e desvio padrão finitos. No entanto, mapear z para uma probabilidade via Φ(z) só é válido quando a distribuição subjacente é normal (ou aproximadamente, pelo Teorema Central do Limite para amostras grandes).

Por convenção, |z| > 2 é 'incomum' (fora de 95% dos dados normais) e |z| > 3 é 'extremo' (fora de 99,7%). Esses limiares são heurísticos — regras robustas de discrepantes como o IQR podem ser mais confiáveis para dados assimétricos.

Ambos padronizam um valor. O z supõe que o desvio padrão populacional é conhecido e que a distribuição amostral é normal. O t usa o desvio padrão amostral e segue uma distribuição t (caudas mais pesadas para n pequeno). Para n ≥ 30, t e z são quase indistinguíveis.

Related Solvers

Try AI-Math for Free

Get step-by-step solutions to any math problem. Upload a photo or type your question.

Start Solving