# Calculateur de moyenne winsorisee Calcule une moyenne winsorisee en plafonnant les valeurs extremes basses et hautes avant la moyenne > Page canonique: https://elysiatools.com/fr/tools/winsorized-mean-calculator - **Catégorie:** Math & Numbers - **Mots-clés:** moyenne winsorisee, statistiques, valeurs aberrantes, robuste ## Présentation Trie les donnees, remplace les extremes par les bornes conservees les plus proches et calcule la moyenne. Utile pour limiter les extremes sans supprimer. ## Entrées - **Jeu de donnees** (textarea): e.g. 10, 12, 14, 16, 18, 100 - **Pourcentage winsorise par queue** (number) - **Decimales** (number) - **Inclure le jeu winsorise** (checkbox) ## Quand l'utiliser - Lorsque votre jeu de données contient des valeurs aberrantes qui faussent la moyenne classique. - Quand vous souhaitez limiter l'impact des extrêmes sans réduire le nombre total d'observations de votre échantillon. - Pour l'analyse de données financières, économiques ou scientifiques nécessitant des indicateurs statistiques robustes. ## Fonctionnement - Saisissez ou collez votre série de nombres dans le champ du jeu de données. - Définissez le pourcentage de winsorisation par queue (par exemple, 10 % pour modifier les 10 % des valeurs les plus basses et les plus hautes). - L'outil trie automatiquement les données et remplace les valeurs extrêmes par les bornes conservées les plus proches. - Il calcule ensuite la nouvelle moyenne et affiche le résultat final, avec la possibilité de consulter le jeu de données modifié. ## Cas d'usage - Évaluation des performances financières en lissant les rendements exceptionnellement hauts ou bas. - Analyse de résultats d'enquêtes ou de tests où des réponses fantaisistes pourraient biaiser la moyenne globale. - Traitement de données de capteurs environnementaux pour ignorer les pics d'erreurs de mesure. ## Questions fréquentes ### Qu'est-ce qu'une moyenne winsorisée ? C'est une moyenne calculée après avoir remplacé un certain pourcentage des valeurs les plus faibles et les plus élevées par les valeurs les plus proches restantes dans l'échantillon. ### Quelle est la différence avec une moyenne tronquée ? La moyenne tronquée supprime purement et simplement les valeurs extrêmes, tandis que la moyenne winsorisée les plafonne (les remplace) pour conserver le même nombre total d'observations. ### Quel pourcentage de winsorisation dois-je choisir ? Un pourcentage de 10 % à 20 % par queue est couramment utilisé. L'outil permet d'ajuster cette valeur jusqu'à 45 % selon la dispersion de vos données. ### Puis-je voir les données après modification ? Oui, en cochant l'option 'Inclure le jeu winsorisé', l'outil affichera la liste complète des nombres après le plafonnement des extrêmes. ### Comment formater mon jeu de données en entrée ? Vous pouvez entrer vos nombres sous forme de texte brut, séparés par des virgules, des espaces ou des retours à la ligne. ## Outils associés - [Calculateur de moyennes](https://elysiatools.com/fr/tools/average-calculator): Compare les moyennes arithmetique, geometrique et harmonique pour un meme jeu de donnees - [Calculateur dIntervalle de Confiance](https://elysiatools.com/fr/tools/confidence-interval-calculator): Calcule des intervalles de confiance pour une moyenne echantillon ou une proportion a partir de donnees brutes ou de statistiques resumes - [Calculateur de moyenne geometrique](https://elysiatools.com/fr/tools/geometric-mean-calculator): Calcule la moyenne geometrique de valeurs positives pour taux de croissance, ratios et donnees multiplicatives - [Calculateur de moyenne harmonique](https://elysiatools.com/fr/tools/harmonic-mean-calculator): Calcule la moyenne harmonique de valeurs positives avec comparaison facultative des moyennes - [Calculateur de LMTD d'Échangeur (Écart Moyen Logarithmique)](https://elysiatools.com/fr/tools/heat-exchanger-lmtd): Calcule le LMTD (écart moyen logarithmique de température) d'un échangeur : co-courant ΔT₁=T_h,in-T_c,in, ΔT₂=T_h,out-T_c,out ; contre-courant ΔT₁=T_h,in-T_c,out, ΔT₂=T_h,out-T_c,in. LMTD=(ΔT₁-ΔT₂)/ln(ΔT₁/ΔT₂) ; si ΔT₁=ΔT₂ on prend ΔT₁ ; si un ΔT ≤ 0 il y a croisement de températures (impossible physiquement), d'où une erreur. Si l'on fournit le coefficient global U (W/(m²·K)) et la surface A (m²), le flux thermique Q=U·A·LMTD (W). Les températures ne servent que comme différences : Δ°C=ΔK et Δ°F×5/9=ΔK ; le LMTD est exprimé en K. - [Calculateur de moyenne](https://elysiatools.com/fr/tools/mean-calculator): Calcule la moyenne arithmetique d un jeu de donnees numerique avec les statistiques essentielles - [Calculateur de Distribution Normale](https://elysiatools.com/fr/tools/normal-distribution-calculator): Calcule les scores z, la probabilite cumulative, la probabilite de queue et la probabilite dintervalle pour une distribution normale - [Calculateur Statistique](https://elysiatools.com/fr/tools/statistics-calculator): Calcule les mesures statistiques pour les ensembles de données numériques incluant moyenne, médiane, mode, écart-type et plus ## Exemples - [Exemples de Traitement d'Images Android Java](https://elysiatools.com/fr/samples/android-image-processing-java): Exemples de traitement d'images Android Java incluant lecture/écriture, mise à l'échelle et conversion de format - [Exemples de Traitement d'Images Android Kotlin](https://elysiatools.com/fr/samples/android-image-processing-kotlin): Exemples de traitement d'images Android Kotlin incluant lecture/écriture, mise à l'échelle et conversion de format - [Exemples de Traitement d'Images Web Python](https://elysiatools.com/fr/samples/web-image-processing-python): Exemples de traitement d'images Web Python utilisant PIL/Pillow incluant la lecture, l'enregistrement, le redimensionnement et la conversion de format - [Exemples de Traitement d'Images Web Rust](https://elysiatools.com/fr/samples/web-image-processing-rust): Exemples de traitement d'images Web Rust incluant lecture/écriture, redimensionnement et conversion de format ## 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.