Kalkulator wyniku z
Sprawdź, ile odchyleń standardowych dzieli obserwację od średniej, oraz zobacz jej modelowy percentyl w standardowym rozkładzie normalnym.
Oblicz wynik z
Od danych do świadomej decyzji
- Dane
- Obliczenie
- Wykres
- Decyzja
Wynik z mierzy odległość od średniej w jednostkach odchylenia standardowego
Najpierw obliczamy różnicę x−średnia
Dla obserwacji x=115 i średniej 100 surowa różnica wynosi 15. Sama liczba 15 nie mówi jeszcze, czy odchylenie jest małe czy duże. Potrzebujemy informacji o typowym rozproszeniu wyników wokół średniej.
W zbiorze, w którym odchylenie standardowe wynosi 3, różnica 15 jest bardzo duża. Przy odchyleniu 30 ta sama różnica jest umiarkowana. Standaryzacja dzieli odległość przez miarę skali i pozwala czytać ją w porównywalnej jednostce.
Znak pozostaje w wyniku. Wartość powyżej średniej daje dodatnie z, poniżej średniej — ujemne, a dokładnie równa średniej daje zero. Wzór nie ocenia, czy wyższa wartość jest lepsza; opisuje wyłącznie położenie.
Dzielenie przez 15 daje dokładnie z=1
Odchylenie standardowe w przykładzie wynosi 15. Podstawiamy z=(115−100)/15=15/15=1. Obserwacja leży więc jedno odchylenie standardowe powyżej średniej. Wynik jest bezwymiarowy, choć wszystkie trzy dane wejściowe muszą mieć tę samą jednostkę.
Gdyby x wynosiło 85, różnica byłaby −15 i otrzymalibyśmy z=−1. Punkty 85 i 115 są symetrycznie oddalone od średniej 100. Mają ten sam moduł z, ale leżą po przeciwnych stronach rozkładu.
Wynik 2,5 oznacza dwa i pół odchylenia powyżej środka, a −0,4 — cztery dziesiąte odchylenia poniżej. Liczba miejsc po przecinku nie powinna przekraczać wiarygodnej precyzji x, średniej i odchylenia.
Odchylenie standardowe równe zero wyklucza standaryzację
Jeśli wszystkie wartości są identyczne, odchylenie standardowe wynosi zero. Nie można wtedy podzielić różnicy przez skalę, a wynik z jest nieokreślony. Kalkulator wymaga dodatniego odchylenia zamiast zwracać nieskończoność.
Bardzo małe odchylenie sprawia, że nawet niewielka różnica daje ogromny moduł z. Zanim uznasz taki wynik za niezwykły, sprawdź jednostki, zaokrąglenie pomiaru i sposób obliczenia SD. Sztucznie jednorodne dane mogą zaniżać rozproszenie.
Nie zastępuj zera dowolną małą liczbą, aby wymusić rachunek. Jeżeli proces teoretycznie ma zerową zmienność, każda inna obserwacja wymaga wyjaśnienia jakości danych lub modelu, a nie standardowej interpretacji z.
Standaryzacja pozwala porównywać pozycje zapisane w różnych skalach
Ta sama pozycja może mieć inne wartości surowe
Załóżmy, że wynik 115 pochodzi ze skali o średniej 100 i SD 15, a wynik 60 z innej skali o średniej 50 i SD 10. Oba dają z=1. W swoich rozkładach zajmują więc tę samą względną pozycję.
To przydatne przy łączeniu wyników testów, porównywaniu pomiarów laboratoryjnych lub kontroli procesów. Standaryzacja nie czyni jednak różnych cech merytorycznie równoważnymi. Taki sam z dla wzrostu i czasu reakcji nie oznacza tej samej praktycznej przewagi.
Porównanie ma sens tylko wtedy, gdy średnia i odchylenie odnoszą się do właściwej populacji odniesienia. Wynik ucznia może mieć inne z względem klasy, szkoły i kraju. Zmiana grupy normatywnej zmienia oba parametry oraz interpretację.
Zmiana jednostki liniowej nie zmienia wyniku z
Jeśli temperaturę przeliczymy liniowo z jednej skali na inną, x, średnia i SD zmienią się zgodnie z tym samym mnożnikiem, a przesunięcie znika w różnicy. Dodatnie przeskalowanie pozostawia z bez zmian.
Pomnożenie zmiennej przez liczbę ujemną odwraca kolejność wartości i znak z. Transformacja nieliniowa, na przykład logarytm, może zmienić nie tylko skalę, ale też kształt rozkładu oraz względne odległości.
Wszystkie dane w jednym rachunku muszą być w tej samej wersji skali. Wpisanie x w centymetrach, średniej w metrach i SD w centymetrach tworzy liczbę bez sensu, choć kalkulator nie zna jednostek i nie może wykryć tej pomyłki.
Wynik z można odwrócić do wartości surowej
Z równania z=(x−μ)/σ otrzymujemy x=μ+zσ. Dla średniej 100, SD 15 i z=2 wartość surowa wynosi 130. To przydatne przy wyznaczaniu progów odpowiadających zadanej pozycji standaryzowanej.
Dla z=−1,5 dostajemy x=100−22,5=77,5. Znak określa stronę średniej, a moduł liczbę odchyleń. Ta operacja nie wymaga założenia normalności — jest prostym odwróceniem definicji standaryzacji.
Normalność staje się potrzebna dopiero wtedy, gdy z ma zostać przetłumaczone na prawdopodobieństwo lub percentyl według krzywej normalnej. Sama relacja między x i z działa dla dowolnego zbioru z dodatnim SD.
Percentyl 84,13% wynika z modelu normalnego, nie z samego wzoru z
Dla z=1 dystrybuanta normalna wynosi około 0,841345
Jeżeli rozkład można modelować jako normalny, pole po lewej stronie z=1 wynosi Φ(1)≈0,841345. Oznacza to około 84,13% modelowego rozkładu poniżej wartości 115 i około 15,87% powyżej niej.
Sformułowanie „84. percentyl” jest przybliżeniem położenia w populacji normalnej. Nie oznacza, że dokładnie 84,13% rekordów w konkretnej małej próbce jest mniejszych. Empiryczny percentyl liczy się bezpośrednio z uporządkowanych obserwacji i może być inny.
Dla z=0 model normalny daje 50%, dla z=−1 około 15,87%, a dla z=2 około 97,72%. Symetria sprawia, że percentyle z i −z sumują się do 100%.
Reguła 68–95–99,7 dotyczy rozkładu normalnego
W normalnym modelu około 68% wartości mieści się między z=−1 i z=1, około 95% między −1,96 i 1,96, a około 99,7% między −3 i 3. Są to pola teoretycznej krzywej, a nie uniwersalne prawa każdego zbioru.
Rozkład silnie skośny może mieć znacznie inny odsetek obserwacji powyżej z=1. Standaryzacja ustawi średnią na zero i SD na jeden, lecz nie wyprostuje asymetrii, nie usunie wielu szczytów i nie zmieni ciężkich ogonów w normalne.
Dlatego karta percentyla jest opisana jako modelowa. Jeśli masz surowe dane, obejrzyj histogram lub wykres kwantylowy i policz percentyl empiryczny. W zastosowaniach wysokiego ryzyka nie zakładaj normalności wyłącznie dla wygody.
Duży moduł z nie zawsze oznacza błąd lub anomalię
W normalnym rozkładzie |z|>3 jest rzadkie, ale przy tysiącach obserwacji takie punkty mogą pojawiać się naturalnie. W rozkładzie ciężkoogonowym będą częstsze. Próg odstającej wartości powinien uwzględniać liczebność i mechanizm danych.
Punkt o z=4 może być błędem wpisu, zmianą jednostki, prawdziwym rzadkim przypadkiem albo członkiem innej populacji. Sam wynik nie wybiera przyczyny. Potrzebna jest kontrola rekordu źródłowego i kontekstu pomiaru.
Automatyczne usuwanie rekordów po przekroczeniu progu z zaniża zmienność i może usunąć najważniejszy sygnał. Reguły jakości danych powinny być określone przed analizą, a wyniki z pełną i oczyszczoną próbką jasno rozdzielone.
Źródło średniej i odchylenia decyduje o tym, co naprawdę opisuje z
Parametry populacji i statystyki próbki nie są tym samym
W wersji populacyjnej używamy μ i σ znanych dla populacji odniesienia. W analizie opisowej często podstawiamy średnią x̄ i odchylenie s z próby. Rachunek wygląda tak samo, ale wynik opisuje położenie względem tej konkretnej próby.
Odchylenie próbne zwykle liczy się z dzielnikiem n−1. Niektóre programy standaryzują kolumnę odchyleniem z dzielnikiem n, dlatego mogą zwrócić lekko inne z. W dokumentacji podaj definicję SD, zwłaszcza przy małych zbiorach.
Jeśli x należy do tej samej małej próby, która wyznacza średnią i s, wpływa również na oba parametry odniesienia. Takie wewnętrznie standaryzowane reszty mają inne własności niż obserwacja porównana z niezależnymi normami.
Średnia i SD są wrażliwe na wartości skrajne
Ekstremalna obserwacja może przesunąć średnią w swoją stronę i jednocześnie zwiększyć SD. Jej własny wynik z bywa przez to mniej ogromny, niż sugerowałaby odległość od głównego skupienia danych. To zjawisko nazywa się maskowaniem.
Dla silnie skośnych danych pomocne mogą być mediana, IQR, wynik odporny oparty na medianowym odchyleniu bezwzględnym albo transformacja wynikająca z modelu. Nie należy jednak nazywać każdej takiej miary klasycznym z bez podania definicji.
Przed obliczeniem sprawdź braki, jednostki i populację. Łączenie grup o różnych średnich może zwiększyć ogólne SD i ukryć nietypową pozycję wewnątrz każdej grupy. Czasem właściwe normy są warstwowe, na przykład według wieku lub wersji testu.
W raporcie warto podać także x, środek, skalę i model percentyla
Czytelny zapis brzmi: „Wartość 115 przy średniej 100 i SD 15 ma z=1,00”. Jeśli dodajesz percentyl, zaznacz: „w modelu normalnym odpowiada to około 84,13. percentylowi”.
Nie raportuj samego z bez informacji o populacji odniesienia. Dla norm zewnętrznych podaj ich źródło, okres i grupę. Dla własnej próby podaj liczebność oraz sposób obliczenia odchylenia i obsługi braków.
Wynik z jest wygodnym wspólnym językiem skali, lecz nie zastępuje jednostki naturalnej. Odbiorca powinien zobaczyć zarówno względną pozycję, jak i rzeczywistą różnicę 15 punktów, gramów lub innych jednostek ważnych w decyzji.
Najczęstsze pytania
Co oznacza ujemny wynik z?
Obserwacja leży poniżej średniej; moduł podaje odległość w jednostkach odchylenia.
Czy wynik z ma jednostkę?
Nie. Jest bezwymiarowy, ale x, średnia i SD muszą być wyrażone w tej samej jednostce.
Czy z=1 zawsze oznacza 84. percentyl w danych?
Nie. Taki percentyl wynika z założenia normalności; empiryczny rozkład może mieć inny kształt.
Co oznacza z=0?
Wartość jest równa użytej średniej.
Dlaczego nie można liczyć z przy SD=0?
Brakuje dodatniej skali rozproszenia, więc wzór wymagałby dzielenia przez zero.
Czy |z|>3 oznacza błąd?
Nie automatycznie. To rzadki punkt w modelu normalnym, ale może być prawdziwy lub pochodzić z ciężkoogonowego rozkładu.
Jak odzyskać wartość surową z podanego z?
Użyj x=średnia+z·SD.
Co podać w raporcie razem z wynikiem z?
Wartość surową, średnią, SD, populację odniesienia, definicję odchylenia i ewentualne założenie normalności percentyla.
Źródła i dalsza lektura
- NIST. (n.d.). ISO 13528 Z-score.
- NIST/SEMATECH. (n.d.). Cumulative Distribution Function of the Standard Normal Distribution.
- OpenStax. (n.d.). Statistical Inference and Confidence Intervals.