Wie es funktioniert
Ein Z-Wert (auch Standardwert genannt) gibt an, wie weit ein einzelner Wert vom Mittelwert seiner Verteilung entfernt liegt — gemessen in Standardabweichungen. Die Formel ist z = (x − μ) / σ, wobei x der Rohwert, μ der Populationsmittelwert und σ die Populationsstandardabweichung ist. Ein Z-Wert von 0 bedeutet, der Wert liegt exakt am Mittelwert; +1 bedeutet eine Standardabweichung darüber; −2 bedeutet zwei Standardabweichungen darunter. Das Vorzeichen zeigt die Richtung, der Betrag, wie ungewöhnlich der Wert ist.
Der Nutzen des Z-Werts liegt darin, dass er Einheit und Skala der ursprünglichen Messung entfernt. Eine Klausurnote von 78 sagt für sich genommen wenig — aber ein Z-Wert von +1,2 sagt Ihnen, dass die Person besser war als rund 88 % des Jahrgangs, egal ob die Klausur auf 100 oder 250 Punkte ging. Dieselbe Logik gilt für Laborwerte (ein Patientenwert relativ zum Referenzbereich), Qualitätskontrolle (wie weit ein Bauteil von der Spezifikation abweicht), Finanzen (eine Rendite relativ zum historischen Mittel) und jeden anderen Kontext, in dem Sie Werte aus unterschiedlich skalierten Verteilungen gleichberechtigt vergleichen wollen.
Die Perzentil- und Wahrscheinlichkeitsausgaben des Rechners setzen voraus, dass die zugrunde liegende Verteilung näherungsweise normal ist — also glockenförmig und symmetrisch um den Mittelwert. Viele reale Messungen sind nahe genug daran: Körpergröße, Blutdruck, Klausurergebnisse in großen Kursen, Fertigungstoleranzen. Bei schiefen Daten (Einkommen, Reaktionszeiten, biologisches Wachstum) ist der Z-Wert selbst weiterhin wohldefiniert, aber die Perzentil-Interpretation wird falsch — Sie bräuchten eine andere Referenzverteilung. Schneller Plausibilitätscheck: Wenn Ihre Daten einen langen Schwanz haben oder bei null gekappt sind, ist das Normalverteilungs-Perzentil bestenfalls näherungsweise gültig. Bei strikt normalverteilten Daten ist das Perzentil exakt (bis auf Rundung), und die Faustregeln lauten: ±1σ enthält 68 % der Werte, ±2σ enthält 95 %, ±3σ enthält 99,7 %.
Die Formel
x ist der Rohwert, μ der Populationsmittelwert, σ die Populationsstandardabweichung. Φ(z) ist die Verteilungsfunktion der Standardnormalverteilung — sie gibt die Wahrscheinlichkeit, dass eine normalverteilte Variable bei oder unter z liegt. Der Rechner berechnet Φ(z) mit der Abramowitz-Stegun-Näherung, die auf etwa sieben Dezimalstellen genau ist — mehr als ausreichend für jeden praktischen Einsatz. Liegen nur Stichprobenmittelwert und -standardabweichung vor statt der Populationsparameter, ist das resultierende „z" streng genommen eine t-Statistik, und das Normalverteilungs-Perzentil wird bei kleinen Stichproben (n < 30) leicht verzerrt; bei großen Stichproben ist der Unterschied vernachlässigbar.
Beispielrechnung
- Eine Person erzielt 78 in einer Klausur. Der Klassenmittelwert ist 65, die Standardabweichung 10.
- z = (78 − 65) / 10 = +1,30 — also 1,3 Standardabweichungen über dem Mittelwert.
- Φ(1,30) ≈ 0,9032; die Person übertraf rund 90 % der Klasse (10 % waren besser).
Häufig gestellte Fragen
Wann kann ich dem Perzentil-Wert vertrauen?
Wenn die zugrunde liegende Verteilung näherungsweise normal ist — glockenförmig, annähernd symmetrisch um den Mittelwert. Bei Klausurergebnissen großer Kohorten, IQ-Tests, Körpergröße, Blutdruck, Fertigungstoleranzen und den meisten aggregierten Messungen ist die Annahme gut genug, dass das Perzentil auf ein bis zwei Prozentpunkte genau stimmt. Bei schiefen Daten (Einkommen, Reaktionszeiten, jede Variable mit Untergrenze null und langem oberen Schwanz) bleibt der Z-Wert als Distanzmaß zum Mittelwert wohldefiniert, aber die Perzentil-Interpretation kann stark daneben liegen — ein Z von +2 in einer schwerschwänzigen Verteilung kann dem 90. Perzentil entsprechen statt dem 97,5. Faustregel: Wenn das Histogramm Ihrer Daten nicht wie eine Glocke aussieht, nutzen Sie nur den Betrag und zitieren Sie das Perzentil nicht.
Soll ich Populations- oder Stichprobenstandardabweichung verwenden?
Verwenden Sie die Populationsstandardabweichung (σ), wenn Sie wirklich Daten der gesamten Population haben — die Klausurergebnisse aller Studierenden des Jahrgangs, die Laborwerte aller Patienten des Registers. Verwenden Sie die Stichprobenstandardabweichung (s), wenn Sie nur eine Teilmenge haben und damit den Populationsparameter schätzen. Der Rechner berechnet in beiden Fällen dasselbe — nur die Perzentil-Interpretation unterscheidet sich. Mit Populations-σ ist das Ergebnis eine echte Z-Statistik und das Normalverteilungs-Perzentil unter Normalität exakt. Mit Stichproben-s bei kleiner Stichprobe (n < 30) ist das Ergebnis streng genommen eine t-Statistik und das Normal-Perzentil unterschätzt die Randwahrscheinlichkeit leicht. Bei den meisten Labor- und Schul-Anwendungen mit vernünftigen Stichprobengrößen ist der Unterschied vernachlässigbar.
Was bedeutet ein negativer Z-Wert?
Es bedeutet, der Rohwert liegt unter dem Mittelwert. Der Betrag ist derselbe wie bei einem positiven Z-Wert — ein Z von −1,5 ist genauso weit vom Mittelwert entfernt wie +1,5, nur auf der anderen Seite. Die Perzentil-Interpretation kippt: Ein Z von −1,5 entspricht etwa dem 7. Perzentil (nur 7 % der Verteilung liegen darunter), +1,5 dem 93. Negativ ist nicht per se „schlecht" — bei manchen Metriken ist niedrig besser (Cholesterin, Fehlerraten, Reaktionszeiten), bei anderen ist hoch besser (Klausurnoten, Fitnessmessungen). Das Vorzeichen gibt nur die Richtung an; ob die Richtung günstig ist, entscheiden Sie aus dem Kontext.
Ist ein Z-Wert dasselbe wie ein t-Wert oder ein standardisierter Wert?
Fast. Der Z-Wert nutzt die Populationsstandardabweichung σ; die t-Statistik nutzt die Stichprobenstandardabweichung s und bezieht sich auf eine t-Verteilung statt auf die Normalverteilung. Bei Stichproben mit n ≥ 30 liegen t und Normalverteilung sehr nahe beieinander und sind praktisch austauschbar. „Standardisierter Wert" ist ein Sammelbegriff, der meist den Z-Wert meint, gelegentlich aber jede Reskalierung auf Mittelwert 0 und Varianz 1 bezeichnet. Zwei verwandte, aber eigene Konventionen: der T-Score in der Psychometrie (Mittelwert 50, SD 10 — eine lineare Umkodierung von z, um negative Zahlen zu vermeiden) und die Stanine (1–9-Skala, Mittelwert 5). All dies sind einfache lineare Transformationen des zugrunde liegenden Z; wenn z einmal berechnet ist, kostet die Umrechnung nur eine Multiplikation und eine Addition.