How to Calculate and Understand Z-Scores in Statistics
Table of Contents
Was ist ein Z-Score?
Ein Z-Score, auch als Standard-Score bezeichnet, quantifiziert genau, wie weit ein bestimmter Datenpunkt vom Mittelwert seiner Verteilung entfernt liegt, ausgedrückt in Einheiten der Standardabweichung. Diese einfache Transformation ermöglicht es Ihnen, auf einen Blick zu sehen, ob ein Wert typisch, ungewöhnlich hoch oder ungewöhnlich niedrig ist. In jeder Normalverteilung weisen Z-Scores jeden Rohwert auf eine standardisierte Skala ab, die auf Null (den Mittelwert) zentriert ist und in Standardabweichungseinheiten gemessen wird.
Ein Z-Score von +1,5 bedeutet zum Beispiel, dass der Datenpunkt anderthalb Standardabweichungen über dem Durchschnitt liegt; ein Z-Score von -0,8 bedeutet, dass er acht Zehntel einer Standardabweichung unter dem Durchschnitt liegt. Das Zeichen sagt Ihnen die Richtung relativ zum Mittelwert und der absolute Wert sagt Ihnen die Entfernung. Diese universelle Sprache der Standardabweichungen macht Z-Scores zu einem der vielseitigsten Werkzeuge in der deskriptiven und inferentiellen Statistik.
Z-Scores sind zentral für die empirische Regel (68-95-99,7-Regel), die besagt, dass in einer Normalverteilung etwa 68% der Daten innerhalb einer Standardabweichung des Mittelwerts liegen, 95% innerhalb von zwei und 99,7% innerhalb von drei.
Wie man einen Z-Score berechnet
Die Formel für einen Z-Score ist einfach:
Z = (X – μ) / σ
Wobei:
- X = der Punkt, an dem Rohdaten von Interesse sind
- μ = Populationsmittelwert (oder Stichprobenmittelwert, wenn Stichprobendaten verwendet werden)
- σ = Standardabweichung der Population (oder Standardabweichung der Stichprobe, wenn Stichprobendaten verwendet werden)
Um die Formel anzuwenden, folgen Sie diesen Schritten:
- Berechnen oder Ermitteln des Mittelwerts (μ) Dies ist der arithmetische Durchschnitt aller Werte.
- Berechnung oder Ermittlung der Standardabweichung (σ) des Datensatzes: Hierbei wird die Streuung oder Variabilität der Daten um den Mittelwert herum gemessen.
- Subtrahieren Sie den Mittelwert vom Rohwert (X – μ). Dieser Unterschied sagt Ihnen, wie weit über oder unter dem Mittelwert der Punkt ist, in rohen Einheiten.
- Teilen Sie diese Differenz durch die Standardabweichung (σ). Dieser Schritt wandelt die Rohabweichung in Standardabweichungseinheiten um, wodurch der Z-Score erhalten wird.
Wenn Sie mit einer Stichprobe und nicht mit einer vollständigen Population arbeiten, verwenden Sie den Stichprobenmittelwert ()x ̄) und Stichproben-Standardabweichung (sDie Formel wird Z = (X – x̄) / s.
Beispielrechnung
Stellen Sie sich vor, eine Klasse von Studenten macht eine Mathematikprüfung. Der Klassenmittelwert ist 74 und die Standardabweichung ist 8. Eine Studentin namens Maria erzielte 90. Um ihren Z-Score zu finden:
Z = (90 – 74) / 8 = 16 / 8 = 2,0
Marias Punktzahl liegt bei 2 Standardabweichungen über dem Klassendurchschnitt.
Z = (62 – 74) / 8 = –12 / 8 = –1,5
Die Werte von Tom liegen 1,5 Standardabweichungen unter dem Mittelwert. Das Vorzeichen und die Größe geben sofort die relative Stellung jedes Schülers wieder. Wenn man diese Z-Werte meldet, kann man Maria und Tom sofort vergleichen, selbst wenn sie unterschiedliche Prüfungen mit unterschiedlichen Skalen abgelegt haben.
Ein differenzierteres Beispiel: Ein Unternehmen misst die Zeit, die Mitarbeiter für eine Aufgabe aufwenden (in Minuten). Der Mittelwert beträgt 45 Minuten mit einer Standardabweichung von 10 Minuten. Ein Mitarbeiter beendet 30 Minuten: Z = (30 – 45)/10 = -1,5. Ein anderer beendet 70 Minuten: Z = (70 – 45)/10 = +2,5. Der Z-Score von +2,5 ist extremer als -1,5, was darauf hinweist, dass der langsamere Mitarbeiter in Bezug auf Standardabweichungseinheiten weiter von der Norm entfernt ist.
Wenn Populationsparameter unbekannt sind
In vielen realen Szenarien haben Sie keinen Zugriff auf den tatsächlichen Populationsmittelwert und die Standardabweichung. In solchen Fällen schätzen Sie sie aus Ihrer Stichprobe. Der Stichprobenmittelwert und die Stichprobenstandardabweichung liefern unvoreingenommene Schätzungen der Populationsparameter, sofern die Stichprobe repräsentativ ist. Die Formel bleibt identisch, aber die Interpretation ändert sich leicht: Der Z-Score gibt nun an, wie viele Stichprobenstandardabweichungen ein Punkt vom Stichprobenmittelwert liegt.
Wenn Ihre Stichprobe groß (n ≥ 30) und ungefähr normal verteilt ist, sind diese stichprobenbasierten Z-Scores immer noch sehr nützlich für Standardisierung und Vergleich. < 30) the sample standard deviation itself has more variability, making the t-distribution more appropriate for inference—though the Z-score itself remains a valid descriptive measure of relative position.
Interpretation von Z-Scores
Die wahre Macht von Z-Werten ergibt sich, wenn man sie im Kontext einer Standard-Normalverteilung interpretiert. Die Standard-Normalverteilung ist eine spezielle Normalverteilung mit einem Mittelwert von 0 und einer Standardabweichung von 1. Wenn man eine beliebige Normalverteilung in Z-Werte umwandelt, transformiert man sie effektiv in die Standard-Normalverteilung.
Gemeinsame Z-Score Benchmarks
- Z = 0: Der Datenpunkt liegt genau im Mittelwert.
- 0 < |Z| < 1: Der Datenpunkt liegt innerhalb einer Standardabweichung des Mittelwerts, in einer Normalverteilung liegen etwa 68 % aller Werte in diesem Bereich.
- 1 < |Z| < 2: Der Datenpunkt liegt zwischen einer und zwei Standardabweichungen vom Mittelwert, wobei etwa 95 % der Werte in einer Normalverteilung innerhalb von zwei Standardabweichungen liegen.
- |Z| > 2: Der Datenpunkt ist mehr als zwei Standardabweichungen vom Mittelwert entfernt, die relativ selten sind (nur etwa 5% der Daten) und oft als ungewöhnlich oder Ausreißer angesehen werden.
- |Z| > 3: Der Datenpunkt beträgt mehr als drei Standardabweichungen vom Mittelwert. In einer Normalverteilung liegen weniger als 0,3 % der Werte so weit draußen, die extrem sind und oft auf eine Datenanomalie oder eine sehr außergewöhnliche Beobachtung hinweisen.
Wenn Sie beispielsweise Testergebnisse analysieren und einen Z-Score von 2,5 finden, wissen Sie, dass der Student außergewöhnlich gut abgeschnitten hat - besser als etwa 99,4% der Testabnehmer (unter der Annahme der Normalität).
Z-Scores verwenden, um Perzentile zu finden
Da Z-Werte direkt der Standardnormalverteilung zugeordnet werden, können Sie jeden Z-Wert in einen Perzentilrang umwandeln. Eine Z-Tabelle (Standardnormaltabelle) liefert die kumulative Wahrscheinlichkeit vom linken Ende bis zu einem bestimmten Z-Wert.
- Z = 0 → 50. Perzentil (der Mittelwert liegt in der Mitte)
- Z = 1,0 → etwa 84,13 Perzentil
- Z = 1,96 → ungefähr 97,5 Perzentil (üblicherweise für 95% Konfidenzintervalle verwendet)
- Z = -1,0 → etwa 15.87 Perzentil
Sie können den Prozess auch umkehren: Wenn Sie ein gewünschtes Perzentil kennen, suchen Sie den entsprechenden Z-Score nach und verwenden Sie dann die Formel X = μ + Zσ Um zum Beispiel das 90. Perzentil einer Verteilung mit dem Mittelwert 100 und der Standardabweichung 15 zu finden, würden Sie den Z-Score für 0,90 Wahrscheinlichkeit (Z ≈ 1,28) finden und dann X = 100 + 1,28 × 15 = 119,2 berechnen.
Z-Scores und die empirische Regel im Detail
Die empirische Regel ist eine direkte Folge der Z-Werte. Für jede normal verteilte Variable ist die Wahrscheinlichkeit, dass ein Wert innerhalb der Z-Standardabweichungen des Mittelwerts liegt, festgelegt.
- P(|Z|) < 1) ≈ 0.6827
- P(|Z|) < 2) ≈ 0.9545
- P(|Z|) < 3) ≈ 0.9973
Diese Wahrscheinlichkeiten erlauben es schnell zu beurteilen, wie extrem ein Wert ist. Zum Beispiel entspricht ein Z-Score von 2,5 einer Wahrscheinlichkeit von etwa 0,0062 im rechten Schwanz (0,62%), also ist es ziemlich selten. Ähnlich hat ein Z-Score von -2,5 die gleiche Wahrscheinlichkeit im linken Schwanz. Diese Symmetrie ist eine Eigenschaft der Normalverteilung.
Warum Z-Scores nützlich sind
Z-Scores dienen mehreren kritischen Funktionen in Statistik, Datenanalyse und Entscheidungsfindung.
Standardisierung über verschiedene Maßstäbe hinweg
Angenommen, Sie möchten die Leistung eines Schülers in einem mathematischen Test (Mittelwert 70, SD 10) mit der Leistung eines Lesetests (Mittelwert 50, SD 15) vergleichen. Rohwerte sind nicht vergleichbar, weil die Skalen unterschiedlich sind. Wenn Sie beide in Z-Scores umwandeln, werden sie auf die gleiche einheitslose Skala gebracht: Sie können direkt sagen, ob der Schüler in Mathematik oder Lesen relativ besser abgeschnitten hat. Z-Scores ermöglichen es Ihnen, Daten aus verschiedenen Verteilungen zu kombinieren oder zu vergleichen, ohne sich um Einheiten oder Mittel zu kümmern. Aus diesem Grund werden Z-Scores verwendet, um zusammengesetzte Werte in standardisierten Tests wie den SAT- oder IQ-Tests zu erstellen, wo Rohwerte aus verschiedenen Abschnitten in eine gemeinsame Skala umgewandelt werden.
Identifizierung von Ausreißern
Viele Regeln zur Erkennung von Ausreißern beruhen auf Z-Scores. Eine Faustregel ist üblich: Jeder Datenpunkt mit |Z| > 3 ist ein potenzieller Ausreißer. Konservativere Analysen verwenden |Z| > 2 als Flag. Diese Methode funktioniert gut für ungefähr normale Verteilungen. Da Z-Scores genau zeigen, wie viele Standardabweichungen ein Punkt vom Mittelwert ist, können Sie objektive Schwellenwerte für die Identifizierung von Extremwerten in Datensätzen wie Sensorwerten, Finanztransaktionen oder medizinischen Testergebnissen festlegen.
Seien Sie jedoch vorsichtig: In kleinen Stichproben oder sehr schiefen Verteilungen kann die Standardabweichung selbst durch Ausreißer aufgeblasen werden, wodurch sie maskiert werden. In solchen Fällen sind robuste Z-Scores basierend auf Median und Median Absolutabweichung (MAD) vorzuziehen.
Wahrscheinlichkeitsberechnungen und Hypothesentests
Wenn man in Z-Werte konvertiert, kann man die Wahrscheinlichkeit berechnen, einen Wert zu beobachten, der so extrem ist wie der Datenpunkt, vorausgesetzt, die Verteilung ist normal. Beim Hypothesentest mit einer bekannten Populations-Standardabweichung verwendet der Z-Test den Z-Wert des Stichprobenmittels, um zu bestimmen, ob die Nullhypothese abgelehnt werden soll. Die Formel für die Z-Test-Statistik lautet:
Z = (x̄ – μ) / (σ / √n)
Wobei x ̄ ist der Probenmittelwert, μ ist der hypothetische Populationsmittelwert, σ ist die Standardabweichung der Population und n ist die Stichprobengröße. Der resultierende Z-Score wird dann mit kritischen Werten aus der Standardnormalverteilung verglichen, um die statistische Signifikanz zu beurteilen. Bei einem Zwei-Tail-Test bei α = 0,05 sind die kritischen Z-Werte ±1,96. Wenn der berechnete Z 1,96 überschreitet oder kleiner als –1,96 ist, lehnen Sie die Nullhypothese ab.
Aufbau von Vertrauensintervallen
Vertrauensintervalle für einen Populationsmittelwert (wenn σ bekannt ist) verwenden Z-Scores.
CI = x̄ ± Zα/2 × (σ / √n)
Hier, Zα/2 Die Methode gibt einen Bereich an, der bei wiederholter Probenahme in 95 % der Zeit den tatsächlichen Populationsdurchschnitt enthalten würde. Z-Scores ermöglichen somit direkt die Berechnung der Fehlerquote und der Konfidenzgrenzen. Für ein Konfidenzintervall von 99 % wird Zα/2 ist etwa 2,576.
Benchmarking und Normalisierung
In Bereichen wie Psychometrie, Finanzen und Qualitätskontrolle werden Z-Scores verwendet, um die Ergebnisse für den Vergleich über verschiedene Versionen von Tests, verschiedene Bestände oder verschiedene Produktionschargen zu normalisieren. Beispielsweise wandeln Kreditrisikomodelle oft Finanzkennzahlen in Z-Scores um, um die relative finanzielle Gesundheit von Unternehmen zu bewerten (Altman Z-Score für die Konkursprognose).
Vergleich von Verteilungen mit verschiedenen Formen
Z-Werte sind zwar für Normalverteilungen am stärksten, können aber auch zum Vergleich von relativen Positionen über nicht-Normalverteilungen hinweg verwendet werden, vorausgesetzt, Sie sind vorsichtig bei der Interpretation. Zum Beispiel können Sie den Z-Wert eines Wertes innerhalb seiner eigenen Verteilung berechnen und dann mit den Perzentilrangen einer anderen Verteilung vergleichen, aber die Wahrscheinlichkeitsinterpretationen, die an die normale Kurve gebunden sind, können nicht gelten. In solchen Fällen kann eine nicht-parametrische Standardisierung mit Perzentilen oder rankbasierten Methoden geeigneter sein.
Einschränkungen und Überlegungen
Z-Werte sind zwar leistungsstark, aber nicht ohne Einschränkungen. Erstens gehen sie davon aus, dass die Daten aus einer Verteilung stammen, die zumindest annähernd normal ist. Bei stark verzerrten oder multimodalen Verteilungen können Z-Werte irreführend sein, da die Wahrscheinlichkeitsinterpretationen, die an die Standardnormalkurve gebunden sind, möglicherweise nicht gelten. In solchen Fällen sollten stattdessen robuste Messungen wie die mittlere absolute Abweichung (MAD) oder Perzentile verwendet werden.
Zweitens sind Z-Werte empfindlich gegenüber Ausreißern. Ein einzelner extremer Ausreißer kann die Standardabweichung aufblasen, was dazu führt, dass andere Z-Werte verkleinern und möglicherweise wichtige Muster maskieren. Immer Ihre Daten auf Ausreißer untersuchen, bevor Sie sich auf Z-Wert-Interpretationen verlassen. Zum Beispiel, wenn Ihr Datensatz einen extrem großen Wert hat, wird die Standardabweichung groß und ein mäßig hoher Wert könnte nahe am Mittelwert erscheinen, wenn er tatsächlich weit von den typischen Werten entfernt ist.
Drittens ist der Z-Score bei Verwendung von Stichprobenstatistiken anstelle von Populationsparametern eine Schätzung, die einen Stichprobenfehler aufweist. < 30), the t-distribution is more appropriate for confidence intervals and hypothesis tests, though you can still compute sample Z-scores for standardization. For inference, the t-distribution's heavier tails account for the additional uncertainty in the estimated standard deviation.
Viertens, Z-Scores verändern nicht die Form der Verteilung, sie verändern nur die Skala. Wenn die ursprünglichen Daten bimodal sind, werden die Z-Scores immer noch bimodal sein. Standardisierung macht Daten nicht normal, sondern sie zentriert und skaliert sie nur neu.
Praktische Beispiele in verschiedenen Bereichen
Bildung
Schulbezirke verwenden Z-Scores, um die Schülerleistung zwischen Schulen mit unterschiedlichen Notenstandards zu vergleichen. Wenn Schule A einen Durchschnitt von 75 und SD von 10 hat und Schule B einen Durchschnitt von 80 und SD von 12, kann ein Rohwert von 85 in Schule A (Z = 1,0) eine höhere relative Leistung darstellen als ein Rohwert von 88 in Schule B (Z = 0,67). Dies ermöglicht faire Vergleiche. Zusätzlich werden standardisierte Testergebnisse wie die SAT als skalierte Ergebnisse gemeldet, die aus Z-Scores abgeleitet werden, um Konsistenz zwischen verschiedenen Testverwaltungen zu gewährleisten.
Gesundheitsversorgung
Wachstumsdiagramme für Kinder geben oft Z-Werte für Gewicht und Größe im Verhältnis zu alters- und geschlechtsspezifischen Populationen an. Ein Kind mit einem BMI-Z-Wert von -2,0 gilt als untergewichtig (unterhalb des 2,3. Perzentils), während ein Z-Wert von +2,0 Übergewicht anzeigt. Diese standardisierten Werte ermöglichen es Kinderärzten, Wachstumstrends im Laufe der Zeit unabhängig von absoluten Einheiten zu verfolgen. In ähnlicher Weise sind Knochendichtemessungen (T-Werte) bei der Osteoporose-Diagnose eine Art Z-Wert, der die Knochendichte eines Patienten mit der eines gesunden jungen Erwachsenen vergleicht.
Finanzausstattung
Der Altman Z-Score ist eine bekannte Formel, die mehrere Finanzkennzahlen kombiniert, um einen Konkurs vorherzusagen. Obwohl er eine andere Berechnung als der Standard Z-Score verwendet, ist das Konzept ähnlich: Er standardisiert Finanzgesundheitskennzahlen, um eine einzige Punktzahl zu erzeugen, die unternehmensübergreifend verglichen werden kann. Ein hoher Altman Z-Score zeigt ein geringes Konkursrisiko. Im Portfoliomanagement werden Z-Scores verwendet, um überbewertete oder unterbewertete Aktien im Vergleich zu einer Peer-Gruppe zu identifizieren, indem Metriken wie Preis-Gewinn-Verhältnis oder Dividendenrendite standardisiert werden.
Qualitätskontrolle und Fertigung
Bei der statistischen Prozesssteuerung bilden Z-Scores die Grundlage von Kontrolldiagrammen. Ein Prozess wird in der Steuerung betrachtet, wenn alle Messungen innerhalb von ±3 Standardabweichungen des Zielmittelwerts liegen. Ergibt ein Messwert einen Z-Score über 3 hinaus, signalisiert er eine außer Kontrolle geratene Bedingung, die eine Untersuchung erfordert. Diese Verwendung von Z-Scores trägt dazu bei, die Produktqualität konstant zu halten.
Wie man Z-Scores in der Praxis berechnet
Die meisten statistischen Softwarepakete und Tabellenkalkulationsprogramme können Z-Scores automatisch berechnen:
- Excel: Benutzen Sie die Funktion : .
- R: Die Funktion subtrahiert den Mittelwert und dividiert durch die Standardabweichung für einen Zahlenvektor.
- Python: In Pandas kannst du berechnen, alternativ .
- SPSS/SAS: Benutzen Sie den Befehl mit der Option .
Für manuelle Berechnungen kann eine Z-Tabelle oder ein Online-Rechner Ihnen helfen, Z-Scores in Wahrscheinlichkeiten zu konvertieren. Das Z-Score-Tutorial der Khan Academy, Statistik von Jims ausführlicher Erklärung, und NIST’s Engineering Statistics Handbook (Deutsche Übersetzung) Sie können auch einen Online-Z-Score-Rechner wie den von Sozialwissenschaftliche Statistiken für schnelle Berechnungen.
Zusammenfassung
Ein Z-Score misst, wie viele Standardabweichungen ein Datenpunkt vom Mittelwert liegt. Z = (X – μ) / σ Die Rohdaten werden in eine standardisierte Skala umgewandelt, die einen Vergleich der Querverteilung, eine Erkennung von Ausreißern, eine Wahrscheinlichkeitsschätzung und eine Hypothesenprüfung ermöglicht. Positive Z-Scores zeigen Werte über dem Mittelwert an; negative Z-Scores zeigen Werte unter dem Mittelwert an. Je größer der Absolutwert ist, desto ungewöhnlicher ist die Beobachtung im Vergleich zum Rest des Datensatzes.
Um einen Z-Score zu berechnen, bestimmen Sie die Mittelwert- und Standardabweichung Ihres Datensatzes (Population oder Stichprobe), subtrahieren Sie den Mittelwert vom Rohwert und teilen Sie ihn durch die Standardabweichung. Interpretieren Sie das Ergebnis mit den Eigenschaften der Standardnormalverteilung: etwa 68% der Daten fallen innerhalb von |Z| < 1, 95% innerhalb von |Z| < 2 und 99,7% innerhalb von |Z| < 3. Werte, die über diese Schwellenwerte hinausgehen, sind selten und können für weitere Untersuchungen gekennzeichnet werden.
Z-Scores sind in der Statistik grundlegend, weil sie es ermöglichen, unterschiedliche Datensätze zu standardisieren und zu vergleichen, Ausreißer objektiv zu identifizieren, Wahrscheinlichkeiten zu berechnen, Konfidenzintervalle zu konstruieren und Z-Tests durchzuführen. Während sie eine ungefähre Normalität annehmen und empfindlich auf extreme Werte reagieren können, bleiben sie eines der praktischsten und am weitesten verbreiteten Werkzeuge in der Datenanalyse. Z-Scores zu beherrschen wird Ihre Fähigkeit schärfen, aussagekräftige Erkenntnisse aus Rohzahlen zu ziehen und statistische Ergebnisse klar zu kommunizieren.