Z-Score Calculator – Standard Score, Percentile & Probability

Z-Score Nedir?

Bir z puanı (standart puan olarak da adlandırılır), belirli bir değerin veri kümesinin ortalamasının üstünde veya altında kaç standart sap ma olduğunu tam olarak söyler. Formül aldatıcı bir şekilde basittir: z = (x - μ)/σ, burada x gözlemlenen değerinizdir, μ (mu) popülasyon ortalamasıdır ve σ (sigma) popülasyon standart sapmasıdır

anlarının gücü standartlaştırmada yatmaktadır: ham değerleri z puanlarına dönüştürerek, tamamen farklı ölçeklerdeki ölçümleri karşılaştırabilirsiniz. Biyoloji testinde 78 puan alan bir öğrenci (ortalama 70, SD 10) z = +0.8'dir. Bir tarih testinde 85 puan alan aynı öğrenci (ortalama 80, SD 3.33) z = +1.5'e sahiptir. Ham puan farkına rağmen, öğrenci tarihte nispeten daha iyi performans gösterdi - z puanı dönüşümü olmadan görünmeyen bir gerçek

Z puanları istatistik, psikoloji, eğitim, tıp ve kalite kontrolünde temeldir. Doğrudan normal dağılım altındaki olasılıklara bağlanırlar ve herhangi bir iki değerin üstünde, altında veya arasındaki bir popülasyonun yüzdesini hesaplamanıza olanak tanır.

Standart Normal Dağılım ve Yüzdelikler

Z puanları çizildiğinde, standart normal dağılımı takip ederler - ortalama = 0 ve standart sapma = 1 olan çan şeklinde bir eğri. Bu eğrinin altındaki alan olasılığı temsil eder: z puanının solundaki alan yüzdelik sıralamaya eşittir (bu z-puanının altına düşen değerlerin yüzdesi

Bu yüzdelikler normal dağılımın kümülatif dağılım fonksiyonundan (CDF) gelir. Pratikte, bunları bir z tablosunda ararsınız veya yazılım kullanarak hesaplarsınız (Excel'in NORM.S.DIST, Python'un scipy.stats.norm

68-95-99.7 Kuralı (Ampirik Kural)

İstatistikte en çok atıfta bulunulan gerçeklerden biri olan ampirik kural, normal bir dağılımda ortalamanın 1, 2 ve 3 standart sapmasına giren verilerin yüzdesini tanımlar:

• ±1σ (-1 ile +1 arasında z): Verilerin% 68,27'si
• ±2σ (z −2 ile +2 arasında): Verilerin% 95,45'i
• ±3σ (−3 ile +3 arasında z): Verilerin% 99,73'ü

Eşdeğer olarak, normal olarak dağıtılan verilerin sadece% 5'i ortalamadan 2'den fazla standart sapma düşer ve sadece% 0.27'si (yaklaşık 370'de 1'i) 3 standart sapmanın ötesine düşer. Bu nedenle ±2σ “ortalamadan önemli ölçüde farklı” için ortak bir eşiktir ve ±3σ aşırı

Altı Sigma kalite yönetimi, üretim hatalarını milyonda 3.4'ten daha az fırsata indirmeyi amaçlamaktadır; bu, zaman içinde 1.5σ sürecin değişimini varsayan ve kabaca ±4.5σ'ye eşdeğer hale getiren bir seviye. “Altı sigma” performansının özlemi, kusurları istatistiksel olarak önemsiz hale getirmektir.

Standartlaştırılmış Testlerde Z-Puanları

Standart testler - SAT, ACT, IQ testleri, GRE, GMAT - z puanları kullanılarak anlamlı bir şekilde yüzdelere dönüştürülebilen normal dağılımlı puanlar üretmek için tasarlanmıştır. Bu, farklı test formları arasında (zorluk açısından biraz değişebilir) ve yıllar arasında karşılaştırma sağlar.

IQ Puanları: Tasar landı ortalama = 100 ve standart sapma = 15 ile. 130'luk bir IQ, z = (130−100) /15 = +2.0'a sahiptir ve bu da kişiyi 97.7. yüzdelik değerine yerleştirir. 145'lik bir IQ'nun z = +3.0'ı vardır ve onları 99.87. yüzdelik değere yerleştirir (kabaca 740 kişiden 1'i)

SAT Puanları: Her bölüm (Kanıta Dayalı Okuma/Yazma ve Matematik) ~500 ve SD ~100'e sahiptir. 680 matematik puanı z = (680−500) /100 = +1.8, yaklaşık olarak 96. yüzdelik değerdedir. 1400 (z ≈ +1.8—2.0) toplam puan, bir öğrenciyi sınava girenlerin kabaca ilk %5'ine yerleştirir

Kalite Kontrol ve Altı Sigmada Z-Skorları

Üretim ve proses kalite kontrolünde, z-puanları, bir üretim sürecinin spesifikasyon sınırları dahilinde ne kadar iyi geçtiğini ölçmek için proses kapasitesini ölçmek için kullanılır. Proses yetenek indeksi Cp ve Cpk, z-skoru kavramlarından türetilmiştir

İşlem yeteneği: Bir işlem ortalaması μ ve standart sapma σ ise ve spesifikasyonlar çıktının Alt Özellikler Sınırı (LSL) ve Üst Spesifikasyon Sınırı (USL) arasına düşmesini gerektiriyorsa, o zaman:

• z _üst = (USL − μ)/σ
• z _{daha düşük} = (μ − LSL)/σ
• Cp = (USL - LSL)/(6σ) - spesifikasyon genişliğine göre yayılmayı ölçer
• Cpk = min (z _üst, z _alt)/3 - süreç merkezlemeyi hesaba katar

Otomotiv ve havacılık imalatında tipik olarak bir Cpk ≥ 1.33 gereklidir (±4σ proses kapasitesine eşdeğer). Tıbbi cihaz üretimi genellikle Cpk ≥ 1.67 (± 5σ) gerektirir. “Altı Sigma” süreçlerinin hedefi Cpk = 2.0'dır

Tıbbi Referans Aralıklarında Z-Skorları

Tıbbi laboratuvarlar, tipik olarak sağlıklı bir popülasyonun merkezi %95'i olarak tanımlanan referans aralıklarına göre test sonuçlarını rapor eder - -1.96 ile +1.96 arasındaki z puanlarına karşılık gelir. Bu aralığın dışındaki bir sonuç “anormal” olarak işaretlenir, ancak bu basitçe istatistiksel olarak olağandışı olduğu anlamına gelir, mutlaka klinik olarak endişe verici değildir.

Kemik yoğunluğu (DEXA taraması): Sonuçlar T-skorları (genç-yetişkin normlarıyla karşılaştırma) ve Z skorları (yaşla eşleşen normla karşılaştırma) olarak rapor edilir:

• T-skoru ≥ −1.0: Normal
• T-skoru −1.0 ila −2.5: Osteopeni

Büyüme çizelgeleri: Çocukların boyu, kilosu ve baş çevresi, yaş-cinsiyet normlarına göre z puanları olarak çizilir. 50. persentildeki bir çocuğun z = 0; 97. persentilde z = +1.88; 3. yüzdelik de z = −1.88. Pediatrik z-skoru sınırları beslenme ve gelişimsel değerlendirmelere rehberlik eder

Hematoloji: Kan sayımları (hemoglobin, beyaz hücreler, trombositler) ortalama ± 2SD olarak ifade edilen referans aralıklara sahiptir. Bireysel varyasyon ve laboratuvar farklılıkları klinik bağlamın gerekli olduğu anlamına gelse de, bu aralıkların ötesindeki değerler klinik incelemeyi tetikler.

Hipotez Testi ve Z Testleri

Z-puanları, istatistikte en yaygın kullanılan hipotez testlerinden biri olan z-testinin temelini oluşturur. Bir örnek ortalamasının bilinen bir popülasyon ortalamasından önemli ölçüde farklı olup olmadığını test ederken, şunları hesaplarsınız:

z = (x− μ0)/(σ/√n)

burada xörneklem ortalamasıdır, μ⁰ varsayılan popülasyon ortalamasıdır, σ bilinen popülasyon standart sapmasıdır ve n örneklem büyüklüğüdür.

|z| > 1.96 ise, sonuç α = 0.05 seviyesinde (iki kuyruklu) istatistiksel olarak anlamlıdır. |z| > 2.576 ise, α = 0.01 'de anlamlıdır. Bu kritik değerler doğrudan normal dağılımdan gelir: dağılımın %95'i ±1.96 SD ve %99'u ±2.576 SD içindedir

Z-Score Sınırlamaları ve Ne Zaman Kullanılmamalı

Z puanları ve bunlardan türetilen yüzdelik hesaplamalar, temel verilerin normal (Gauss) bir dağılımı izlediğini varsayar. Many real-world veri kümeleri bu varsayımı ihlal ediyor:

• Gelir ve servet: Son derece sağa çarpık - ortalama medyandan çok daha yüksektir ve z puanları aşırı zenginliğin ne kadar nadir olduğunu önemli ölçüde hafife alır.
• Finansal getiriler: “şişman kuyrukları” vardır - aşırı olaylar (piyasa çöküşleri, beklenmedik düşüşler) normal dağılımın öngördüğünden çok daha sık meydana gelir. Z puanlarını kullanan modeller, 2008 mali krizinin olasılığını hafife
aldı.
• Sosyal medya metrikleri: Takipçiler, beğeniler ve görüntülemeler normal dağılımları değil, güç yasası dağılımlarını takip eder. Z puanları burada anlamsız
.
• Küçük örnekler: ~30'dan az gözlemle, t-dağılımı (daha ağır kuyruklu) z dağılımından daha uygundur.

Z-skoru analizini uygulamadan önce, her zaman histogramlar, Q-Q grafikleri veya resmi normallik testleri (Shapiro-Wilk, Anderson-Darling) kullanarak verilerinizin yaklaşık olarak normal dağıldığını kontrol edin. Veriler normal değilse, dönüşümleri (log, karekök) veya parametrik olmayan alternatifleri düşünün

Z-Skorları Kullanarak Aykırı Değer Algılama

Z puanlarının en yaygın pratik uygulamalarından biri, aykırı değer tespitidir - ortalamadan alışılmadık derecede uzak olan ve hataları, olağanüstü olayları veya araştırma gerektiren gerçekten olağandışı gözlemleri temsil edebilecek veri noktalarını tanımlama.

Aykırı değerleri işaretlemek için standart eşik |z| > 3'tür. Normal dağılım altındaki gözlemlerin sadece% 0.27'sinde ortalamadan 3'ten fazla standart sapma değerleri beklenmektedir - kabaca 370 veri noktasından 1'i. 1.000 ölçümden oluşan bir veri kümesinde, tesadüfen ±3σ'nin ötesinde yalnızca ~3 değer beklersiniz. Bu tür 20 değer bulursanız, olağandışı bir şey oluyor - ekipman arızası, veri giriş hataları veya gerçek aşırı gözlemler.

Belirli alanlarda daha katı kriterler kullanılır:

• Tıbbi cihazlar: Klin ik aciliyetine bağlı olarak ± 2σ (%5 alarm oranı) ila ±3σ (%0.27 alarm oranı) arasında alarm eşikleri
• Finansal piyasalar: ±4σ üzerindeki “şişman kuyruk” olayları normal dağılımın öngördüğünden çok daha sık meydana gelir - 2008 finansal krizi, normal dağılım varsayımları altında teorik olarak “imkansız” olan 5-7 σ hareketlerini içeriyordu.
• Kalite kontrol: ±3σ (Altı Sigma çerçevesindeki kusurlar) üzerindeki değerler, süreç araştırması ve kök neden analizi gerektirir
• Bilimsel araştırma: Bir parçacık fiziği keşfi talep etmek için 5σ eşiği (|z| > 5) gereklidir (CERN'deki 2012 Higgs bozonu duyurusunda olduğu gibi)

Önemli uyarı: gerçek dünya verileri genellikle normal dağılımın tahmin ettiğinden daha ağır kuyruklara sahiptir (leptokurtik dağılımlar). Aykırı değerleri daima manuel olarak inceleyin — 4'lük bir z puanı bir veri giriş hatası (48, 4.8 olarak kaydedildi) veya önemli anlamı olan gerçek bir aşırı değer olabilir. Soruşturma yapmadan aykırı değerleri asla otomatik olarak sil

Finans ve Risk Yönetiminde Z-Skorları

Finansta, z puanları akademik istatistiklerin ötesinde birden fazla kritik uygulamaya sahiptir. En ünlüsü, beş finansal oranı tek bir ayr ımcı puanda birleştiren bir iflas tahmin modeli olan Altman Z- Score'dur (1968)

Z = 1,2 × (İşletme Sermayesi/Toplam Varlıklar) + 1,4 × (Elde Edilen Kârlar/Toplam Varlıklar) + 3,3 × (FAVÖK/Toplam Varlıklar) + 0,6 × (Piyasa Değeri/Toplam Yükümlülükler) + 1,0 × (Gelir/Toplam Varlıklar)

Altman Z-Score yorumu: Z > 2.99 = Güvenli bölge; 1.81—2.99 = Gri bölge; Z < 1.81 = Tehlike bölgesi (yüksek iflas riski). Model, orijinal çalışmalarda vakaların% 94'ünde iflası doğru bir şekilde öngördü ve bugün kredi analistleri ve yatırımcılar tarafından yaygın olarak kullanılmaya devam ediyor.

Risk Altındaki Değer (VaR): Portföy risk yönetiminde VaR, potansiyel kayıpları ölçmek için z puanlarını kullanır. Günlük getiri ortalaması μ ve standart sapma σ olan bir portföy için 1 günlük %95 VaR: VaR = - (μ + z × σ) burada z = −1.645 (5. yüzdelik). 1 milyon dolarlık bir portföyde günlük μ = 0% ve σ =% 1 varsa, %95 güvende VaR = 1.645 × 1 milyon $ = 16.450$. Bu, tek bir günde 16.450 dolardan fazla kaybetme şansın% 5'lik bir olduğu anlamına gelir

Örnek Verilerle Z-Puanlarının Hesaplanması

örnekle çalışırken (bilinen bir popülasyon yerine), örneklemden popülasyon parametrelerini tahmin edersiniz. Örnek ortalaması (x) μ'yi tahmin eder ve örnek standart sapma (lar) σ tahmin eder. Z puanı formülü aynı kalır: z = (x − x)/s

Bununla birlikte, küçük örneklerle, elde edilen z puanları, σ tahmininde eklenen belirsizlik nedeniyle t-dağılımını (normal dağılımı değil) takip eder. T-dBu daha büyük belirsizliği yansıtan daha ağır kuyrukları vardır. 30 veya daha fazla numuneler için t dağılımı ve normal dağılım neredeyse aynıdır ve her iki hesaplamadan da elde edilen z puanları yaklaşık olarak eşdeğerdir.

meniz olduğunda ve tüm değerleri standartlaştırmak istediğinizde (tüm veri kümesini z puanlarına dönüştürün), buna makine öğreniminde özellik ölçekleme veya standardizasyon denir. Tüm özellikleri aynı ölçeğe yerleştiren (ortalama = 0, SD = 1) ve daha büyük mutlak değerlere sahip özelliklerin mesafeye dayalı algoritmalara (KNN, SVM, sinir ağları) hakim olmasını önleyen bir ön işleme adımıdır. Standartlaştırmadan sonra, her özelliğin z puanları, orijinal birimlerden veya ölçekten bağımsız olarak doğrudan karşılaştırılabilir

Python'da bir veri kümesini standartlaştırmak için: sklearn.preprocessing import standardScaler'dan; scaler = standardScaler (); X_scaled = scaler.fit_transform (X). Excel'de: bir sütundaki her değer için, hesaplayın = STANDARTLAŞTIRIN (değer, ORTALAMA (aralık), STDEV (aralık))