# Détecteur de Valeurs Aberrantes Détecte les valeurs aberrantes dans les données numériques en utilisant diverses méthodes statistiques incluant IQR, Z-score et Z-score modifié > Page canonique: https://elysiatools.com/fr/tools/outlier-detector - **Catégorie:** Data Analysis - **Mots-clés:** aberrant, anomalie, détection, statistique, données, analyse, z-score, iqr ## Présentation Le Détecteur de Valeurs Aberrantes est un outil d'analyse statistique conçu pour identifier rapidement les anomalies au sein de vos jeux de données numériques. Grâce à des méthodes éprouvées comme l'IQR (Écart Interquartile) et le Z-score, il vous permet de nettoyer vos données et d'assurer la fiabilité de vos analyses. ## Entrées - **Données Numériques** (textarea): Enter numerical data separated by delimiter... 12.5, 15.2, 13.8, 45.6, 18.9, 16.1, 14.7, 17.3, 22.1 - **Délimiteur de Données** (select) - **Délimiteur Personnalisé** (text): Entrez le délimiteur personnalisé - **Méthode de Détection** (select) - **Seuil de Sensibilité** (number): Sensibilité de détection (1-3) - **Inclure les Détails Statistiques** (checkbox) - **Format de Sortie** (select) ## Quand l'utiliser - Avant de réaliser une analyse statistique pour garantir la précision des résultats. - Lors du nettoyage de grands ensembles de données pour éliminer les erreurs de saisie ou les mesures extrêmes. - Pour surveiller des indicateurs de performance et détecter des comportements inhabituels ou des pics anormaux. ## Fonctionnement - Saisissez vos données numériques dans la zone dédiée en choisissant le délimiteur approprié. - Sélectionnez la méthode statistique adaptée à votre besoin, telle que l'IQR ou le Z-score. - Ajustez le seuil de sensibilité pour affiner la précision de la détection. - Générez le résultat sous forme de tableau, de résumé ou de format JSON pour une intégration facile. ## Cas d'usage - Nettoyage de bases de données financières pour identifier les transactions suspectes. - Validation de capteurs industriels en repérant les mesures erronées dues à des dysfonctionnements. - Analyse de résultats d'enquêtes pour isoler les réponses incohérentes ou extrêmes. ## Questions fréquentes ### Qu'est-ce qu'une valeur aberrante ? Une valeur aberrante est un point de données qui diffère significativement des autres observations, pouvant indiquer une variabilité naturelle ou une erreur de mesure. ### Quelle méthode choisir entre IQR et Z-score ? L'IQR est robuste pour les données non normales, tandis que le Z-score est plus efficace pour les distributions suivant une loi normale. ### Comment fonctionne le seuil de sensibilité ? Le seuil détermine l'écart à partir duquel une valeur est considérée comme anormale. Une valeur plus basse augmente la sensibilité de détection. ### Puis-je exporter les résultats ? Oui, vous pouvez choisir le format de sortie, y compris JSON ou tableau, pour copier et utiliser vos données ailleurs. ### L'outil supporte-t-il les fichiers ? Actuellement, l'outil traite les données numériques saisies directement dans la zone de texte. ## Outils associés - [Analyseur de Distribution de Données](https://elysiatools.com/fr/tools/distribution-analyzer): Analyse complète de distribution de données avec tests de normalité, détection de valeurs aberrantes et évaluations d'adéquation - [Analyseur d'Asymétrie](https://elysiatools.com/fr/tools/skewness-analyzer): Analyser l'asymétrie des données pour mesurer l'asymétrie de la distribution de probabilité et identifier les modèles de données - [Analyseur d'Écart Type](https://elysiatools.com/fr/tools/standard-deviation-analyzer): Analyse complète de l'écart type avec évaluation de la variabilité, intervalles de confiance et insights pratiques - [Processeur de Valeurs Aberrantes](https://elysiatools.com/fr/tools/data-outlier-processor): Outil avancé de détection et traitement des valeurs aberrantes qui identifie, supprime ou remplace les valeurs anormales en utilisant plusieurs méthodes statistiques. - [Calculateur de racines par Newton-Raphson](https://elysiatools.com/fr/tools/newton-raphson-root-finder): Résout f(x) = 0 par l'itération de Newton-Raphson x_{k+1} = x_k − f(x_k)/f'(x_k) : la dérivée peut être fournie analytiquement (sinon une différence centrale numérique est utilisée) ; sont affichés la table des itérations (x_k et f(x_k)), le critère d'arrêt (|f| < tolérance ou |Δx| < tolérance·max(1,|x|)), le nombre d'itérations et le |f(racine)| final. Classiques : x²−2 depuis x₀=1 converge en 4 itérations vers √2 ≈ 1.4142135624 ; cos(x)−x converge vers le nombre de Dottie 0.7390851332. Dérivée nulle, pas divergents ou dépassement du nombre d'itérations sont signalés explicitement. - [Compteur d'Éléments de Tableau](https://elysiatools.com/fr/tools/array-element-counter): Compte les occurrences d'éléments spécifiques dans les tableaux avec support pour plusieurs modes de comptage et analyse statistique - [Détecteur de coupures audio](https://elysiatools.com/fr/tools/audio-dropout-detector): Détecte les coupures brèves et les silences - [Detecteur d anomalies de series temporelles](https://elysiatools.com/fr/tools/time-series-anomaly-detector): Importe des donnees de series temporelles en CSV ou JSON, detecte les anomalies avec Z-Score et IQR et renvoie un rapport graphique ## Exemples - [Exemples de Remplacement Regex](https://elysiatools.com/fr/samples/regex-replace): Collection de modèles de remplacement regex courants et utiles pour la transformation de texte et le nettoyage de données - [Exemples PDF](https://elysiatools.com/fr/samples/pdf-samples): Exemples PDF generes par les outils du 2026-02-01 au 2026-02-10 - [Test Pyramid Examples - Guide de Stratégie de Test](https://elysiatools.com/fr/samples/test-pyramid-examples): Exemples complets d'implémentation de pyramide de tests incluant tests unitaires, tests d'intégration, tests E2E, organisation de tests et patterns de test stratégiques pour assurance qualité logicielle équilibrée - [Exemples Markdown](https://elysiatools.com/fr/samples/markdown-samples): Exemples de format Markdown de structures simples à complexes ## Contenu associé - [Workflows de qualite des donnees et d'investigation d'anomalies](https://elysiatools.com/fr/hubs/data-quality-anomaly-workflows): Profilez des donnees tabulaires, isolez doublons, manquants, ruptures referentielles, valeurs aberrantes et anomalies temporelles, puis transformez-les en preuves exploitables.