Z-점수 계산기

Z-점수 계산기는 모든 종류의 Z-점수 관련 계산에 사용될 수 있습니다. 원점수(X), 모집단 평균(μ), 표준 편차(σ)를 첫 번째 계산기에 입력하여 해당 행 점수와 관련된 확률과 함께 Z-점수를 찾을 수 있습니다.

Z-점수 및 확률 변환기는 Z-표를 참조하지 않고 Z-점수와 확률 사이를 변환하는 데 도움을 줍니다. 결과에는 그 단일 z 점수와 관련된 모든 가능한 확률 계산이 포함됩니다. 마지막 계산기를 사용하여 2개의 Z-점수 사이의 확률을 찾습니다.

Z-점수란?

Z-점수는 데이터 포인트가 데이터 세트의 평균으로부터 몇 표준 편차만큼 떨어져 있는지를 설명하는 통계적 척도입니다. Z-점수는 단일 데이터 포인트를 전체 데이터 세트와 비교하는 데 사용되며, 데이터를 표준화하여 비교 및 분석하기 쉽게 합니다.

Z-점수를 사용하면 단일 데이터 포인트가 전체 데이터 세트에 비해 얼마나 "전형적인지" 또는 그 반대인지를 결정할 수 있습니다.

• 이상치 탐지: Z-점수는 나머지 데이터와 현저히 다른 데이터 포인트를 식별하는 데 도움을 줄 수 있습니다. 이는 재무 및 의료 연구와 같은 분야에서 중요한 패턴이나 이상을 나타낼 수 있는 이상치를 지적하는 데 유용합니다.
• 다른 세트의 데이터 비교: Z-점수를 사용하면 다른 단위나 범위를 가진 다른 세트의 데이터를 비교할 수 있습니다. 이는 서로 다른 출처의 데이터를 비교하여 모델을 구축해야 하는 기계 학습과 같은 분야에서 유용합니다.
• 데이터 정규화: 데이터를 Z-점수로 변환함으로써 데이터를 표준화하고 비교 및 분석하기 쉽게 만들 수 있습니다. 이는 데이터를 이해하기 쉬운 방식으로 제시해야 하는 데이터 시각화와 같은 분야에서 유용합니다.

Z-점수 공식

모집단을 위한 Z 점수

Z = 원점수 - 모집단 평균 / 모집단 표준 편차

Z = (X - μ) / σ

표본을 위한 Z 점수

Z = 원점수 - 표본 평균 / 표본 표준 편차

Z = (X - x̄) / s

얻은 Z-점수의 결과 해석

양의 Z-점수: 양의 Z-점수는 데이터 포인트가 데이터 세트의 평균 값보다 높다는 것을 의미합니다. 즉, 관측된 데이터 포인트가 데이터 세트의 전형적인 값보다 높습니다.

음의 Z-점수: 음의 Z-점수는 데이터 포인트가 데이터 세트의 평균 값보다 낮다는 것을 의미합니다. 즉, 관측된 데이터 포인트가 데이터 세트의 전형적인 값보다 낮습니다.

Z-점수: Z-점수는 데이터 포인트가 데이터 세트 평균에서 얼마나 떨어져 있는지 알려줍니다. Z-점수가 클수록 관측된 데이터 포인트는 평균 값에서 더 멀리 떨어져 있습니다.

Z-점수와 표준 편차

Z-점수와 표준 편차는 관련이 있습니다. 왜냐하면 표준 편차는 Z-점수를 계산하는 데 사용되기 때문입니다. 실제로, 표준 편차는 Z-점수 공식의 핵심 구성 요소입니다.

표준 편차는 데이터 세트의 분포를 나타내는 척도입니다. 이는 각 데이터 포인트가 데이터 세트의 평균 값에서 얼마나 멀리 떨어져 있는지 보여줍니다. 표준 편차가 클수록 데이터의 분산이 더 큽니다.

반면에, Z-점수는 데이터 포인트 하나가 데이터 세트의 평균에서 표준 편차에 비례하여 얼마나 멀리 떨어져 있는지 알려줍니다. 표준 편차를 사용하여 Z-점수를 계산함으로써, 하나의 데이터 포인트를 전체 데이터 세트와 비교하여 얼마나 이례적이거나 전형적인지 볼 수 있습니다.

Z-점수와 정규 분포

정규 분포는 많은 실세계 현상에서 자주 발견되는 분포 유형입니다. 이는 데이터 세트의 평균 주위의 데이터 분포를 나타내는 종 모양 곡선입니다. 정규 분포는 수학자 칼 프리드리히 가우스(Carl Friedrich Gauss)의 이름을 따서 가우스 분포라고도 합니다.

Z-점수는 데이터 포인트 하나가 데이터 세트의 평균에서 표준 편차에 비례하여 얼마나 멀리 떨어져 있는지 측정하는 방법입니다. 각 데이터 포인트를 Z-점수로 변환함으로써, 개별 데이터 포인트를 전체 데이터 세트와 비교하여 얼마나 이례적이거나 전형적인지 볼 수 있습니다.

Z-점수와 정규 분포 사이의 연결은 Z-점수를 사용하여 데이터를 표준화하고 정규 분포에 맞게 조정할 수 있다는 것입니다. 이는 모든 데이터 세트를 각 데이터 포인트를 Z-점수로 변환함으로써 정규 분포로 변환할 수 있음을 의미합니다. 이는 많은 통계적 방법들이 데이터가 정규 분포를 따른다고 가정하기 때문에, 데이터를 정규 분포로 변환하면 이러한 방법들을 더 정확하게 사용할 수 있게 해줍니다.

데이터 포인트 비교

Z-점수는 하나의 데이터 포인트가 데이터 세트의 평균으로부터 표준 편차에 비례하여 얼마나 떨어져 있는지 이해하는 데 도움을 줄 수 있습니다.

Z-점수를 사용하여 데이터 포인트를 비교하는 우리의 예는 금융에 적용됩니다. 예를 들어, 두 개의 다른 주식 포트폴리오에 투자했고 그들의 성능을 비교하고 싶다고 가정해 봅시다. 포트폴리오 A의 평균 수익률은 10%이고 표준 편차는 2%이며, 포트폴리오 B의 평균 수익률은 8%이고 표준 편차는 3%입니다. 수익률을 Z-점수로 변환함으로써 각 포트폴리오의 수익률을 비교하고 어느 것이 더 나은 성능을 내는지 결정할 수 있습니다.

Z-점수를 사용하여 데이터 포인트를 비교하는 또 다른 실용적인 예는 스포츠입니다. 예를 들어, 두 농구 선수, 선수 A와 선수 B의 성능을 비교하고 싶다고 가정해 봅시다. 선수 A는 경기당 평균 20점을 득점하고 표준 편차는 5점이며, 선수 B는 경기당 평균 18점을 득점하고 표준 편차는 3점입니다. 점수를 Z-점수로 변환함으로써 각 선수의 성능을 비교하고 어느 선수가 더 잘하는지 결정할 수 있습니다.

데이터 정규화

데이터 정규화는 데이터를 표준 스케일로 변환하여 쉽게 비교하고 분석할 수 있게 하는 과정입니다. 데이터는 다양한 형태와 스케일을 가질 수 있으므로 데이터를 정규화하면 동일한 스케일로 만들어 비교 및 분석하기 쉬워집니다.

각 데이터 포인트를 Z-점수로 변환함으로써 데이터를 표준화하고 동일한 스케일에 놓을 수 있습니다. 이는 Z-점수가 항상 표준 스케일에 있기 때문입니다. 여기서 평균은 0이고 표준 편차는 1입니다.

Z-점수를 사용하여 데이터를 정규화하는 실용적인 예 중 하나는 심리학 분야와 관련이 있습니다. 예를 들어, IQ 테스트 A와 테스트 B의 결과를 비교하고 싶다고 가정해 봅시다. 테스트 A는 평균 점수가 100이고 표준 편차가 15이며, 테스트 B는 평균 점수가 110이고 표준 편차가 10입니다. 점수를 Z-점수로 변환함으로써 점수를 표준화하고 단일 스케일로 줄일 수 있어 비교 및 분석을 용이하게 합니다.

교육에서 Z-점수를 사용하여 데이터를 정규화하는 또 다른 실용적인 예는 다음과 같습니다. 예를 들어, 두 학생, 학생 A와 학생 B의 성적을 비교하고 싶다고 가정해 봅시다. 학생 A는 평균 성적이 80이고 표준 편차가 5이며, 학생 B는 평균 성적이 90이고 표준 편차가 3입니다. 성적을 Z-계수로 변환함으로써 성적을 표준화하고 동일한 스케일로 만들 수 있어 비교 및 분석이 쉬워집니다.

가설 검정

가설 검정은 두 변수 간의 관계가 없다는 표준 가정인 귀무 가설을 기각할 충분한 근거가 있는지 결정하기 위해 사용되는 통계 기법입니다. 이는 의료 연구, 사회 과학, 비즈니스 등 데이터를 기반으로 한 정보에 입각한 결정을 내려야 하는 많은 분야에서 중요합니다.

가설을 검정할 때, Z-계수는 특정 결과가 발생할 확률을 결정하는 데 사용될 수 있습니다. 예를 들어, 사람들의 그룹의 평균 체중이 전체 인구의 평균 체중과 다른지 여부를 검정할 수 있습니다. Z-점수를 사용하여 차이가 통계적으로 유의미한지 결정할 수 있습니다.

Z-점수를 사용하여 가설을 검정하는 실용적인 예 중 하나는 의료 분야입니다. 예를 들어, 새로운 약이 특정 질병의 증상을 줄이는 데 효과적인지 여부를 검정하고 싶다고 가정해 봅시다. 약을 복용하는 그룹과 대조 그룹 간의 증상 차이가 통계적으로 유의미한지 결정하기 위해 Z-점수를 사용할 수 있습니다.

Z-점수를 사용하여 가설을 검정하는 또 다른 실용적인 예는 금융 분야입니다. 예를 들어, 특정 주식이 시장에서 평균 주식보다 높은 수익률을 가지고 있는지 여부를 검정하고 싶다고 가정해 봅시다. 수익률 차이가 통계적으로 유의미한지 결정하기 위해 Z-점수를 사용할 수 있습니다.

특성 스케일링

특성 스케일링은 머신 러닝 및 기타 데이터 분석 애플리케이션에서 데이터 세트의 모든 특성이 동일한 스케일을 가지도록 보장하기 위해 사용되는 기술입니다. 일부 머신 러닝 알고리즘은 데이터의 스케일에 민감하며 스케일이 일치하지 않으면 부정확한 결과를 생성할 수 있기 때문에 이는 중요합니다.

특성을 스케일링하는 일반적인 방법 중 하나는 Z-점수 정규화, 즉 표준화입니다. 이 과정에서 각 특성은 평균값이 0이고 표준 편차가 1이 되도록 변환됩니다. 특성의 Z-점수를 계산하는 공식은 다음과 같습니다:

Z = (X - 평균) / 표준 편차

여기서 X는 특성의 값, 평균은 특성의 평균, 그리고 표준 편차는 특성의 표준 편차입니다.

Z-점수를 사용하여 특성을 스케일링하는 실용적인 예 중 하나는 컴퓨터 비전 분야입니다. 이미지 데이터를 다룰 때, 픽셀 값이 0에서 1 사이의 범위에 있도록 스케일링해야 하는 경우가 일반적입니다. 이는 Z-점수 정규화를 통해 달성할 수 있으며, 각 픽셀 값은 평균값이 0이고 표준 편차가 1이 되도록 변환될 수 있습니다.

자연어 처리에서 Z-점수를 사용하여 특성을 스케일링하는 또 다른 실용적인 예는 텍스트 데이터를 다룰 때, 용어 빈도와 역문서 빈도(TF-IDF) 값이 0에서 1 사이의 범위에 있도록 스케일링하는 것이 일반적입니다. 이 역시 Z-점수 정규화를 사용하여 달성할 수 있습니다.

예측 모델링

예측 모델링은 기계 학습 및 기타 데이터 분석 애플리케이션에서 과거 데이터를 바탕으로 예측을 수행하는 기법입니다. 이는 데이터 세트에 대한 모델 학습과 그 모델을 사용하여 새롭고 보이지 않는 데이터에 대한 예측을 수행하는 것을 포함합니다.

예측 모델링의 중요한 측면 중 하나는 특성 선택입니다. 이는 모델에서 사용하기 위해 데이터 세트에서 가장 관련성 높은 특성을 선택하는 과정을 말합니다. 종종 타겟 변수와 높은 상관 관계를 가지는 특성이 선호되는데, 이는 타겟 변수를 예측할 가능성이 더 높기 때문입니다.

Z-점수는 타겟 변수와 높은 상관 관계를 가지는 특성을 식별하는 데 사용될 수 있습니다. 왜냐하면 높은 Z-점수를 가진 특성은 타겟 변수를 예측할 가능성이 더 높기 때문입니다. 특성의 Z-점수를 계산하는 공식은 다음과 같습니다:

Z = (X - 평균) / 표준 편차

여기서 X는 특성의 값, 평균은 특성의 평균, 그리고 표준 편차는 특성의 표준 편차입니다.

Z-점수를 예측 모델링에 사용하는 실용적인 예 중 하나는 금융 분야에 속합니다. 주식 가격을 예측할 때 주식의 과거 성과의 Z-점수를 사용하여 미래의 수익 잠재력을 결정할 수 있습니다. 높은 Z-점수는 주식의 과거 수익이 평균보다 훨씬 높음을 나타내고, 미래에 더 높은 수익을 예측할 수 있음을 나타냅니다.

예측 모델링에서 Z-점수를 사용하는 또 다른 실용적인 예는 건강 관리 분야입니다. 환자 결과를 예측할 때 Z-점수는 환자의 미래 결과에 대한 잠재력을 결정하는 데 사용될 수 있습니다. 높은 Z-점수는 환자의 건강 결과가 평균보다 훨씬 나쁘다는 것을 나타내며, 미래의 나쁜 결과를 나타낼 수 있습니다.

Z 점수 표 사용하기

Z-표, 또한 표준 정규 표 또는 단위 정규 표로 알려져 있으며, 주어진 통계가 표준 정규 분포 아래, 위, 또는 사이에 있을 확률을 계산하는 데 사용되는 표준화된 값이 포함된 표입니다.

z	0	0.01	0.02	0.03	0.04	0.05	0.06	0.07	0.08	0.09
0	0	0.00399	0.00798	0.01197	0.01595	0.01994	0.02392	0.0279	0.03188	0.03586
0.1	0.03983	0.0438	0.04776	0.05172	0.05567	0.05962	0.06356	0.06749	0.07142	0.07535
0.2	0.07926	0.08317	0.08706	0.09095	0.09483	0.09871	0.10257	0.10642	0.11026	0.11409
0.3	0.11791	0.12172	0.12552	0.1293	0.13307	0.13683	0.14058	0.14431	0.14803	0.15173
0.4	0.15542	0.1591	0.16276	0.1664	0.17003	0.17364	0.17724	0.18082	0.18439	0.18793
0.5	0.19146	0.19497	0.19847	0.20194	0.2054	0.20884	0.21226	0.21566	0.21904	0.2224
0.6	0.22575	0.22907	0.23237	0.23565	0.23891	0.24215	0.24537	0.24857	0.25175	0.2549
0.7	0.25804	0.26115	0.26424	0.2673	0.27035	0.27337	0.27637	0.27935	0.2823	0.28524
0.8	0.28814	0.29103	0.29389	0.29673	0.29955	0.30234	0.30511	0.30785	0.31057	0.31327
0.9	0.31594	0.31859	0.32121	0.32381	0.32639	0.32894	0.33147	0.33398	0.33646	0.33891
1	0.34134	0.34375	0.34614	0.34849	0.35083	0.35314	0.35543	0.35769	0.35993	0.36214
1.1	0.36433	0.3665	0.36864	0.37076	0.37286	0.37493	0.37698	0.379	0.381	0.38298
1.2	0.38493	0.38686	0.38877	0.39065	0.39251	0.39435	0.39617	0.39796	0.39973	0.40147
1.3	0.4032	0.4049	0.40658	0.40824	0.40988	0.41149	0.41308	0.41466	0.41621	0.41774
1.4	0.41924	0.42073	0.4222	0.42364	0.42507	0.42647	0.42785	0.42922	0.43056	0.43189
1.5	0.43319	0.43448	0.43574	0.43699	0.43822	0.43943	0.44062	0.44179	0.44295	0.44408
1.6	0.4452	0.4463	0.44738	0.44845	0.4495	0.45053	0.45154	0.45254	0.45352	0.45449
1.7	0.45543	0.45637	0.45728	0.45818	0.45907	0.45994	0.4608	0.46164	0.46246	0.46327
1.8	0.46407	0.46485	0.46562	0.46638	0.46712	0.46784	0.46856	0.46926	0.46995	0.47062
1.9	0.47128	0.47193	0.47257	0.4732	0.47381	0.47441	0.475	0.47558	0.47615	0.4767
2	0.47725	0.47778	0.47831	0.47882	0.47932	0.47982	0.4803	0.48077	0.48124	0.48169
2.1	0.48214	0.48257	0.483	0.48341	0.48382	0.48422	0.48461	0.485	0.48537	0.48574
2.2	0.4861	0.48645	0.48679	0.48713	0.48745	0.48778	0.48809	0.4884	0.4887	0.48899
2.3	0.48928	0.48956	0.48983	0.4901	0.49036	0.49061	0.49086	0.49111	0.49134	0.49158
2.4	0.4918	0.49202	0.49224	0.49245	0.49266	0.49286	0.49305	0.49324	0.49343	0.49361
2.5	0.49379	0.49396	0.49413	0.4943	0.49446	0.49461	0.49477	0.49492	0.49506	0.4952
2.6	0.49534	0.49547	0.4956	0.49573	0.49585	0.49598	0.49609	0.49621	0.49632	0.49643
2.7	0.49653	0.49664	0.49674	0.49683	0.49693	0.49702	0.49711	0.4972	0.49728	0.49736
2.8	0.49744	0.49752	0.4976	0.49767	0.49774	0.49781	0.49788	0.49795	0.49801	0.49807
2.9	0.49813	0.49819	0.49825	0.49831	0.49836	0.49841	0.49846	0.49851	0.49856	0.49861
3	0.49865	0.49869	0.49874	0.49878	0.49882	0.49886	0.49889	0.49893	0.49896	0.499
3.1	0.49903	0.49906	0.4991	0.49913	0.49916	0.49918	0.49921	0.49924	0.49926	0.49929
3.2	0.49931	0.49934	0.49936	0.49938	0.4994	0.49942	0.49944	0.49946	0.49948	0.4995
3.3	0.49952	0.49953	0.49955	0.49957	0.49958	0.4996	0.49961	0.49962	0.49964	0.49965
3.4	0.49966	0.49968	0.49969	0.4997	0.49971	0.49972	0.49973	0.49974	0.49975	0.49976
3.5	0.49977	0.49978	0.49978	0.49979	0.4998	0.49981	0.49981	0.49982	0.49983	0.49983
3.6	0.49984	0.49985	0.49985	0.49986	0.49986	0.49987	0.49987	0.49988	0.49988	0.49989
3.7	0.49989	0.4999	0.4999	0.4999	0.49991	0.49991	0.49992	0.49992	0.49992	0.49992
3.8	0.49993	0.49993	0.49993	0.49994	0.49994	0.49994	0.49994	0.49995	0.49995	0.49995
3.9	0.49995	0.49995	0.49996	0.49996	0.49996	0.49996	0.49996	0.49996	0.49997	0.49997
4	0.49997	0.49997	0.49997	0.49997	0.49997	0.49997	0.49998	0.49998	0.49998	0.49998

Z-표를 사용하려면 계산된 Z-점수에 해당하는 행을 찾은 다음 표준 정규 곡선 아래의 영역(확률)을 제공하는 해당 열을 찾아야 합니다. 결과값은 표준 정규 분포에서 무작위 변수가 계산된 Z-점수보다 작거나 같을 확률의 대략적인 값입니다.

예를 들어, Z-점수가 1.96인 경우 Z-표에서 1.9에 해당하는 행과 0.06에 해당하는 열을 찾습니다. 결과값은 1.96 오른쪽의 표준 정규 곡선 아래 영역을 제공합니다. 이 값은 대략 0.975로, 표준 정규 분포에서 데이터의 약 97.5%가 1.96보다 작거나 같을 것임을 의미합니다.

Z-표는 평균이 0이고 표준 편차가 1인 표준 정규 분포에만 작동한다는 것을 유의해야 합니다. 데이터가 이 분포를 따르지 않는 경우, 데이터를 Z-점수로 변환하여 표준화해야 합니다.

Z-점수에서 확률 찾기

정규 분포 변수를 Z-점수로 변환하면 Z-점수 표를 사용하여 정규 곡선 아래의 면적 비율을 찾을 수 있습니다. 표준 정규 곡선 아래의 총 면적은 1과 같습니다. 따라서 정규 곡선에서 커버된 면적의 비율은 해당 Z-점수의 확률과 같습니다.

예제 1

복싱 선수들의 체중은 평균이 75 Kg이고 표준 편차가 3 Kg인 정규 분포를 따릅니다. 무작위로 선택된 선수의 체중이 다음과 같을 확률은 얼마입니까?

• a) 78 Kg보다 많은가?
• b) 69 Kg보다 적은가?
• c) 72 Kg보다 많은가?
• d) 79.5 Kg보다 적은가?
• e) 72 Kg과 76.5 Kg 사이인가?
• f) 72 Kg과 73.5 Kg 사이인가?

a) 무작위로 선택된 선수가 78 kg보다 많이 나가는 확률은 얼마입니까?

• X > 78
• μ = 75
• σ = 3

$$P(X>78)=P\left(Z>\frac{X-μ}{σ}\right)=P\left(Z>\frac{78-75}{3}\right)=P(Z>1)$$

우선, 이것을 Z 곡선으로 그려보겠습니다.

이제 Z-표를 사용하여 계산된 Z-점수에 대한 관련 확률을 찾을 것입니다.

Z-점수는 항상 Z-점수와 평균 사이의 확률을 제공한다는 것을 기억하세요. 그래프에서 강조 표시된 영역의 확률을 얻으려면 그 확률을 0.5에서 빼야 합니다. (곡선 아래의 총 확률은 1이고, 표준 분포의 평균은 2부분으로 균등하게 나뉩니다. 따라서, 평균 지점에서 양쪽 끝까지의 확률은 0.5입니다.)

• P (X > 78) = P (Z > 1)
• P (X > 78) = 0.5 - P(0 < Z < 1)
• P (X > 78) = 0.5 - 0.3413
• P (X > 78) = 0.1587

따라서, 무작위로 선택된 선수의 체중이 78 Kg보다 많을 확률은 0.1587입니다.

b) 무작위로 선택된 선수가 69 kg보다 적게 나가는 확률은 얼마입니까?

• X < 69
• μ = 75
• σ = 3

$$P(X<69)=P\left(Z>\frac{X-μ}{σ}\right)=P\left(Z>\frac{69-75}{3}\right)=P(Z<-2)$$

우선, 이것을 Z 곡선으로 그려보겠습니다.

이제 Z-표를 사용하여 계산된 Z-점수에 대한 관련 확률을 찾을 것입니다.

Z-점수는 항상 Z-점수와 평균 사이의 확률을 제공한다는 것을 기억하세요. 그래프에서 강조 표시된 영역의 확률을 얻으려면 그 확률을 0.5에서 줄여야 합니다.

• P (X < 69) = P (Z < 69)
• P (X < 69) = 0.5 - P (0 > Z > -2)
• P (X < 69) = 0.5 - 0.4772
• P (X < 69) = 0.0228

따라서, 무작위로 선택된 선수의 체중이 69 Kg보다 적을 확률은 0.0228입니다.

c) 무작위로 선택된 선수의 체중이 72 kg과 76.5 kg 사이일 확률은 얼마입니까?

• 72 < X < 76.5
• μ = 75
• σ = 3

$$P(72 \lt X \lt 76.5)=P\left(\frac{X-μ}{σ} \lt Z \lt \frac{X-μ}{σ}\right)=P\left(\frac{72-75}{3} \lt Z \lt \frac{76.5-75}{3}\right)=P(-1 \lt Z \lt 0.5)$$

우선, 이것을 Z 곡선으로 그려보겠습니다.

이제 Z-표를 사용하여 계산된 Z-점수에 대한 관련 확률을 찾을 것입니다.

Z-점수는 항상 Z-점수와 평균 사이의 확률을 제공한다는 것을 기억하세요. 그래프에서 강조 표시된 영역의 확률을 얻으려면 2개의 Z-점수의 확률을 함께 더할 수 있습니다.

• P (72 < X < 76.5) = P (-1 < Z < 0.5)
• P (72 < X < 76.5) = 0.3413 + 0.1915
• P (72 < X < 76.5) = 0.5328

따라서, 무작위로 선택된 선수의 체중이 72 Kg과 76.5 Kg 사이일 확률은 0.5328입니다.

이 경우, 두 Z-점수 사이의 확률을 빠르게 찾기 위해 두 Z-점수 사이의 확률 계산기를 사용해야 합니다.

지정된 확률에 해당하는 값 찾기

분포가 정규 분포임을 알고 있을 때, 우리는 Z-점수를 기반으로 지정된 확률에 해당하는 값을 찾을 수 있습니다.

예제 2

경쟁 시험에서 지원자들의 점수는 평균이 55이고 표준 편차가 10인 정규 분포를 대략 따릅니다. 상위 30%의 지원자가 시험에 합격한다면, 최소 합격 점수를 찾으시오.

해결

이 경우, 우리는 먼저 주어진 확률 또는 백분율에 해당하는 Z-점수를 찾아야 합니다.

Z-점수를 찾으려면 실제로 강조 표시된 영역의 확률을 찾아야 합니다.

이는 0.50에서 0.30을 빼서 얻어집니다. 따라서, 강조 표시된 영역의 확률은 0.20입니다.

이제 Z-표에서 0.20에 가장 가까운 확률을 찾아야 합니다. 해당 Z-점수는 0.524입니다.

그런 다음, Z-점수 공식을 사용하여 X 값을 찾아야 합니다.

• Z = (X - μ)/σ
• 0.524 = (X - 55)/10
• X = (0.524 × 10) + 55
• X = 60.24

따라서, 시험의 최소 합격 점수는 60.24입니다.