Z-Score berechnen: Z-Wert und Percentilrang online

Der z-Wert (auch z-Score oder Standardnormalwert) gibt an, wie viele Standardabweichungen ein Messwert x vom Mittelwert μ einer Verteilung entfernt liegt. Die Formel lautet z = (x − μ) / σ.

Ein positiver z-Wert bedeutet, dass x über dem Mittelwert liegt; ein negativer z-Wert bedeutet, dass x darunter liegt. Bei z = 0 liegt x genau am Mittelwert.

Bei z = +1 liegt x eine Standardabweichung über dem Mittelwert, bei z = +2 zwei Standardabweichungen. Der z-Wert erlaubt den Vergleich von Werten aus verschiedenen Verteilungen, weil er die Einheit herausnormiert.

Beispiel: Ein Testergebnis von 75 bei µ = 70 und σ = 10 ergibt z = (75 − 70) / 10 = 0,5. Das bedeutet, das Ergebnis liegt eine halbe Standardabweichung über dem Klassendurchschnitt.

Weil der z-Wert einheitenlos ist, lassen sich damit zum Beispiel ein Mathe-Test (μ = 70, σ = 10) und ein Sporttest (μ = 12 s, σ = 2 s) direkt miteinander vergleichen.

Die Formel ist z = (x − μ) / σ. Beispiel: x = 85, μ = 70, σ = 15. Schritt 1: Abweichung berechnen: 85 − 70 = 15. Schritt 2: Durch die Standardabweichung dividieren: 15 / 15 = 1. Also z = 1.

Das bedeutet: 85 liegt genau eine Standardabweichung über dem Mittelwert. Ein zweites Beispiel: x = 55, μ = 70, σ = 15. z = (55 − 70) / 15 = −15 / 15 = −1. Also liegt 55 eine Standardabweichung unter dem Mittelwert.

Der z-Wert ist dimensionslos und für alle Normalverteilungen gleich interpretierbar, egal ob man Körpergrößen in Zentimeter, Testergebnisse in Punkten oder Temperaturen in Grad vergleicht.

Als Faustregel gilt: z zwischen −1 und +1 entspricht dem mittleren Bereich der Verteilung (68,3 % aller Werte). Liegt z außerhalb von ±2, ist das Ergebnis statistisch ungewöhnlich.

Bei der manuellen Berechnung ist es wichtig, die Populationsparameter μ und σ zu verwenden – nicht Stichprobenschätzwerte.

Der Percentilrang gibt an, welcher Anteil der (normalverteilten) Population unter dem berechneten z-Wert liegt – ausgedrückt in Prozent. Bei z = 0 liegt der Percentilrang bei 50 %, weil der Mittelwert die Normalverteilung genau halbiert.

Bei z = +1 liegt er bei etwa 84,1 % (d. h. 84,1 % der Population liegt darunter). Bei z = −1 liegt er bei etwa 15,9 %. Bei z = +2 sind es 97,7 %, bei z = −2 nur 2,3 %.

Der Percentilrang wird aus der Fläche unter der Glockenkurve links vom z-Wert berechnet, der sogenannten kumulativen Normalverteilungsfunktion Φ(z). Der Rechner berechnet diesen Wert numerisch mit einer Näherungsformel.

Praktisch bedeutet das: Wer bei einem standardisierten IQ-Test (μ = 100, σ = 15) einen Wert von 130 erzielt, hat z = (130 − 100) / 15 = 2,0 und liegt damit beim Percentilrang 97,7 – er übertrifft 97,7 % der getesteten Population.

Umgekehrt ergibt ein Wert von 85 den z-Wert −1 und den Percentilrang 15,9 %.

Diese Werte beschreiben die bekannte 68-95-99,7-Regel der Normalverteilung. Innerhalb von ±1 σ liegen 68,3 % aller Werte (z zwischen −1 und +1). Innerhalb von ±2 σ liegen 95,4 % aller Werte (z zwischen −2 und +2).

Innerhalb von ±3 σ liegen 99,7 % aller Werte. Ein z-Wert von ±2 gilt deshalb oft als Grenzwert für 'ungewöhnliche' Werte (die äußersten 4,6 % der Verteilung).

In der Qualitätskontrolle wird z. B. ein 6-Sigma-Standard angestrebt, bei dem nur 3,4 Fehler pro Million auftreten. Ein z-Wert über 3 oder unter −3 ist in einer Normalverteilung extrem selten und gilt als starker Ausreißer.

Konkret: Bei einer Körpergrößenverteilung mit μ = 175 cm und σ = 7 cm entspricht z = +2 einer Größe von 189 cm – nur 2,3 % der Population ist größer. Bei z = +3 wäre man 196 cm groß, was auf weniger als 0,15 % der Bevölkerung zutrifft.

Die 68-95-99,7-Regel ist damit eine schnelle Orientierung, wie wahrscheinlich ein gemessener Wert ist.

Z-Werte sind in vielen Bereichen nützlich. In der Schule und Psychologie vergleicht man IQ-Werte, Testergebnisse oder Lernerfolge über verschiedene Klassen hinweg, indem man sie auf denselben z-Score-Maßstab bringt.

In der Medizin dient der z-Score zur Einordnung von Blutwerten, BMI oder Knochendichte in Referenzpopulationen. In der Qualitätskontrolle zeigt der z-Wert, ob ein Messpunkt noch im Toleranzbereich liegt oder als Ausreißer gilt.

In der Finanzwirtschaft wird die Standardnormalverteilung beim Optionspreismodell Black-Scholes verwendet. In der Wissenschaft vergleicht man Messwerte verschiedener Instrumente oder Versuchsbedingungen über Standardisierung miteinander.

In der pädiatrischen Medizin werden Wachstumskurven (Körpergröße, Gewicht, Kopfumfang) als z-Scores ausgedrückt: Ein Kind mit z = −2 bei der Körpergröße liegt unterhalb des 2,3. Perzentils und wird ärztlich beobachtet.

Bei der Analyse von Klausurergebnissen kann ein Lehrer mit μ = 60 Punkten und σ = 12 feststellen, dass ein Schüler mit 84 Punkten z = +2 erreicht – also zu den besten 2,3 % der Klasse gehört.

In der Meteorologie vergleicht man z-Werte von Temperaturen über verschiedene Jahrzehnte, um Klimaanomalien sichtbar zu machen.

Beide standardisieren eine Beobachtung relativ zu einer Verteilung, aber in unterschiedlichen Situationen. Der z-Wert wird verwendet, wenn die Populationsparameter μ und σ bekannt sind (oder die Stichprobengröße groß genug ist, n > 30).

Der t-Wert wird verwendet, wenn σ unbekannt ist und aus der Stichprobe geschätzt werden muss – dann hängt die Verteilung vom Freiheitsgrad (n−1) ab.

Bei sehr großen Stichproben nähert sich die t-Verteilung der Standardnormalverteilung an, und z- und t-Wert werden nahezu identisch.

Für schulische Aufgaben und standardisierte Tests (IQ, Schulleistung) wird meist der z-Wert mit bekanntem μ und σ verwendet. Für Stichprobenvergleiche in der Forschung ist der t-Test das geeignetere Werkzeug.

Ein konkretes Beispiel: Testet man 10 Schüler auf ihre Reaktionszeit ohne bekanntes σ, nutzt man den t-Test (Freiheitsgrad 9). Sind dagegen μ = 250 ms und σ = 30 ms aus Populationsdaten bekannt, berechnet man direkt den z-Wert.

Bei n ≥ 30 konvergieren die kritischen Werte: z = 1,96 und t ≈ 1,96 für das 5-%-Signifikanzniveau.

Die Standardnormalverteilung ist eine Normalverteilung mit μ = 0 und σ = 1. Wenn man jeden Messwert x einer beliebigen Normalverteilung mit μ und σ als z = (x − μ) / σ transformiert, erhält man Werte, die der Standardnormalverteilung folgen.

Damit kann man aus einer einzigen Tabelle oder Formel alle Wahrscheinlichkeiten ablesen, egal welche Originalparameter μ und σ die Verteilung hatte. Der Percentilrang ist dann die Fläche unter der Standardnormalverteilung links von z.

Diese Standardisierung ist der Grund, warum z-Werte so universell einsetzbar sind: Sie machen unvergleichliche Skalen vergleichbar. Mathematisch hat die Standardnormalverteilung die Dichtefunktion φ(z) = (1 / √(2π)) · e^(−z²/2).

Die kumulative Verteilungsfunktion Φ(z) gibt den Anteil der Fläche links von z an – konkret: Φ(0) = 0,5, Φ(1) = 0,8413, Φ(2) = 0,9772.

Historisch wurden diese Werte in z-Tabellen nachgeschlagen; heute berechnet der Rechner Φ(z) numerisch mit einer Näherungsformel auf mehrere Dezimalstellen genau. Die Transformation heißt Standardisierung oder Normierung.

Fehler 1: μ und σ verwechseln. Die Reihenfolge der Formel ist fest: z = (x − μ) / σ, nicht (μ − x) / σ. Ein falsches Vorzeichen dreht die Richtung der Standardisierung um.

Fehler 2: Den z-Wert mit dem Percentilrang gleichsetzen. z = 1 ist nicht 100 %, sondern 84,1 %. Fehler 3: Die Normalverteilungsannahme ignorieren. Bei stark schiefen oder bimodalen Verteilungen ist der Percentilrang aus dem z-Wert ungenau.

Fehler 4: Stichproben-Standardabweichung statt Populations-Standardabweichung verwenden. Beide unterscheiden sich im Nenner (n−1 vs. n).

Fehler 5: Negative z-Werte falsch interpretieren. z = −1 bedeutet unterdurchschnittlich, aber nicht 'unmöglich' – rund 16 % der Population liegen darunter. Fehler 6: Den x-Wert aus dem z-Wert zurückrechnen, ohne μ oder σ einzusetzen.

Die korrekte Rückrechnung lautet x = μ + z · σ: z = 1,5, μ = 100, σ = 15 ergibt x = 122,5. Fehler 7: Einen z-Wert von 3 als 'unmöglich' bezeichnen – in sehr großen Datensätzen (n = 10.000) treten solche Werte statistisch erwartet auf.