Słownik metodologiczny · Statystyka opisowa

Standaryzacja w statystyce – wynik z, wzór i kalkulator

Standaryzacja zamienia wynik surowy na wynik z, który pokazuje położenie względem średniej w jednostkach odchylenia standardowego. Zobacz proste wzory, przykłady policzone w R i kalkulator, w którym podstawisz własne liczby.

Strona główna / Słownik / Standaryzacja zmiennej
W skrócie: standaryzacja zamienia wynik surowy na wynik z według wzoru z = (x − M) / SD. Wynik z mówi, o ile odchyleń standardowych wynik leży powyżej (z > 0) lub poniżej (z < 0) średniej. Z wyniku z łatwo przejść na skalę T, steny, staniny czy centyle — poniżej znajdziesz wzory, przykłady policzone w R i kalkulator, do którego możesz wpisać własne liczby.

Co to jest standaryzacja w statystyce?

Standaryzacja to przekształcenie wyników zmiennej tak, by miały średnią 0 i odchylenie standardowe 1. Każdy wynik zastępuje się wynikiem z, który pokazuje jego położenie względem średniej w jednostkach odchylenia standardowego. Dzięki temu można porównywać wyniki z różnych testów (Field, 2018): 30 punktów w jednym kwestionariuszu i 120 punktów w innym stają się porównywalne, gdy oba wyrazimy jako wyniki z.

z = (x − M) / SD

gdzie x to wynik surowy, M — średnia, SD — odchylenie standardowe. Gdy znamy parametry populacji (np. z norm testu), używamy μ i σ: z = (x − μ) / σ.

Najważniejsze własności wyników z:

  • średnia wyników z wynosi 0, a odchylenie standardowe 1;
  • znak pokazuje kierunek: z = −1 oznacza wynik o jedno SD poniżej średniej;
  • kształt rozkładu się nie zmienia — standaryzacja jest przekształceniem liniowym, więc rozkład skośny pozostaje skośny.

Wzory: od wyniku surowego do T, stenu i centyla

wynik z: z = (x − M) / SD · wzór odwrotny: x = M + z · SD
wynik T: T = 50 + 10 · z · skala ilorazowa (np. IQ): 100 + 15 · z
sten (M = 5,5; SD = 2) i stanin (M = 5; SD = 2): przedziały szerokości 0,5 SD
centyl (przy rozkładzie normalnym): 100 · Φ(z)

Wynik T (średnia 50, SD 10) i skala ilorazowa (średnia 100, SD 15) to proste przekształcenia liniowe wyniku z. Steny i staniny są skalami przedziałowymi: każdy sten i stanin obejmuje pół odchylenia standardowego (Anastasi i Urbina, 1997; Hornowska, 2001). Szczegóły znajdziesz w hasłach skala stenowa, skala staninowa, skala tenowa i skala IQ.

Przedziały wyników z odpowiadające stenom
Sten12345678910
Wynik z< −2,0−2,0 do −1,5−1,5 do −1,0−1,0 do −0,5−0,5 do 00 do 0,50,5 do 1,01,0 do 1,51,5 do 2,0≥ 2,0
Przedziały wyników z odpowiadające staninom
Stanin123456789
Wynik z< −1,75−1,75 do −1,25−1,25 do −0,75−0,75 do −0,25−0,25 do 0,250,25 do 0,750,75 do 1,251,25 do 1,75≥ 1,75

Przykład 1: jeden wynik krok po kroku

Osoba uzyskała x = 68 punktów w teście, w którym średnia wynosi M = 60, a odchylenie standardowe SD = 8.

z = (68 − 60) / 8 = 1,00
  • wynik T = 50 + 10 · 1,00 = 60,0;
  • skala ilorazowa = 100 + 15 · 1,00 = 115,0;
  • sten = 8, stanin = 7;
  • centyl = 100 · Φ(1,00) = 84,1 — przy rozkładzie normalnym niższy wynik ma 84,1% populacji.

Wzór odwrotny działa tak samo. Wynik z = −1,25 na skali o średniej 100 i SD 15 to x = 100 + (−1,25) · 15 = 81,25.

Przykład 2: standaryzacja całej zmiennej

Osiem osób uzyskało w teście wyniki: 52, 61, 47, 70, 58, 66, 49, 63. Średnia wynosi M = 58,25, a odchylenie standardowe z próby SD = 8,28 (z dzielnikiem n − 1, jak w funkcji scale() w R). Wynik każdej osoby przeliczony na skale standardowe:

Standaryzacja wyników ośmiu osób: wynik z, wynik T, sten, stanin i centyl
Wynik surowyzTStenStaninCentyl
52−0,7642,44322,5
610,3353,36663,0
47−1,3636,4328,7
701,4264,28892,2
58−0,0349,75548,8
660,9459,47782,5
49−1,1238,83313,2
630,5755,77671,7

Osoba z wynikiem 70 punktów ma z = 1,42, czyli wynik o 1,42 odchylenia standardowego wyższy od średniej grupy. Odpowiada to wynikowi T = 64,2 i stenowi 8. Centyle w ostatniej kolumnie zakładają rozkład normalny; przy ośmiu osobach to założenie trudno sprawdzić, więc traktuj je orientacyjnie.

Kalkulator standaryzacji: wynik z, T, sten, stanin i centyl

1. Jeden wynik → wynik z i skale standardowe

Wpisz liczby i kliknij „Standaryzuj wynik”. Kalkulator wymaga włączonej obsługi JavaScriptu.

2. Wynik z → wynik surowy

3. Cała lista wyników → standaryzacja zmiennej

Kalkulator liczy SD z dzielnikiem n − 1 (jak sd() i scale() w R), steny i staniny według przedziałów co 0,5 SD, a centyle z dystrybuanty rozkładu normalnego (jak pnorm() w R). Dla danych z przykładów wyniki są identyczne z wynikami z R.

Przykład reprodukowalny

Przykład w R

Te same przeliczenia w R. Wyniki poniżej to dokładny wydruk z R i zgadzają się z tabelą oraz kalkulatorem.

1. Standaryzacja zmiennej i przeliczenie na T, sten, stanin i centyl

Dane wejściowe: wektor wyników surowych.

Co odczytać: średnią, SD oraz wynik z, T, sten, stanin i centyl każdej osoby.

R
sten   <- function(z) pmin(10, pmax(1, floor(2 * z + 6)))     # przedziały co 0,5 SD, średnia 5,5
stanin <- function(z) pmin(9,  pmax(1, floor(2 * z + 5.5)))   # przedziały co 0,5 SD, średnia 5

wyniki <- c(52, 61, 47, 70, 58, 66, 49, 63)
z <- as.numeric(scale(wyniki))          # (x - średnia) / SD, SD z dzielnikiem n - 1

tab <- data.frame(wynik = wyniki, z = round(z, 2), T = round(50 + 10 * z, 1),
                  sten = sten(z), stanin = stanin(z), centyl = round(100 * pnorm(z), 1))
cat("Średnia =", mean(wyniki), " SD =", round(sd(wyniki), 4), "\n")
print(tab, row.names = FALSE)
Wynik w R
Średnia = 58.25  SD = 8.2765 
 wynik     z    T sten stanin centyl
    52 -0.76 42.4    4      3   22.5
    61  0.33 53.3    6      6   63.0
    47 -1.36 36.4    3      2    8.7
    70  1.42 64.2    8      8   92.2
    58 -0.03 49.7    5      5   48.8
    66  0.94 59.4    7      7   82.5
    49 -1.12 38.8    3      3   13.2
    63  0.57 55.7    7      6   71.7

2. Jeden wynik i wzór odwrotny

Dane wejściowe: wynik surowy, średnia i SD (np. z norm testu).

Co odczytać: wynik z i jego odpowiedniki na innych skalach.

R
# Jeden wynik: x = 68, średnia = 60, SD = 8
z <- (68 - 60) / 8
c(z = z, T = 50 + 10 * z, IQ = 100 + 15 * z, sten = sten(z), stanin = stanin(z),
  centyl = 100 * pnorm(z))
# Odwrotnie: z = -1,25 na skali o średniej 100 i SD 15
100 + (-1.25) * 15
Wynik w R
        z         T        IQ      sten    stanin    centyl 
  1.00000  60.00000 115.00000   8.00000   7.00000  84.13447 
[1] 81.25

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Standaryzacja a normalizacja

Te pojęcia bywają mylone. Standaryzacja jest liniowa: przesuwa i rozciąga skalę, ale zachowuje kształt rozkładu. Normalizacja w psychometrii przekształca wyniki tak, by miały rozkład normalny, np. przez zamianę wyników na centyle, a centyli na odpowiadające im wyniki z rozkładu normalnego (zob. normalizacja i wynik znormalizowany). W uczeniu maszynowym „normalizacją” nazywa się z kolei często przeskalowanie do przedziału 0–1 (min-max), które nie ma nic wspólnego z rozkładem normalnym.

Odrębnym zabiegiem jest ipsatyzacja, czyli odjęcie od wyników danej osoby jej własnej średniej z kilku skal. Pokazuje ona profil wewnątrzosobowy, ale utrudnia porównania między osobami i zmienia strukturę korelacji.

Standaryzacja w analizie regresji

Po standaryzacji zmiennych współczynniki regresji stają się współczynnikami standaryzowanymi (β). Pokazują one, o ile odchyleń standardowych zmienia się zmienna zależna, gdy predyktor wzrasta o jedno odchylenie standardowe. Ułatwia to porównanie predyktorów mierzonych w różnych jednostkach, ale β zależą od zróżnicowania zmiennych w konkretnej próbie. Gelman (2008) proponuje dzielenie predyktorów przez dwa odchylenia standardowe, by ich współczynniki były porównywalne ze współczynnikami predyktorów zero-jedynkowych.

Najczęstsze błędy przy standaryzacji

  1. Przekonanie, że standaryzacja „normalizuje” rozkład. Skośność i kurtoza się nie zmieniają.
  2. Liczenie centyli z wyniku z przy wyraźnie skośnym rozkładzie — wtedy 100 · Φ(z) nie odpowiada rzeczywistemu odsetkowi niższych wyników.
  3. Standaryzacja względem niewłaściwej grupy. Wynik z liczony w małej próbie badawczej nie jest wynikiem z norm testu i nie nadaje się do diagnozy indywidualnej.
  4. Mieszanie SD z próby i z populacji bez informacji, którego użyto.
  5. Standaryzacja osobno w każdej grupie, która usuwa różnice średnich między grupami — czasem celowo, ale zawsze trzeba to opisać.

Najczęstsze pytania

Jaki jest wzór na standaryzację?

z = (x − M) / SD, gdzie x to wynik surowy, M — średnia, a SD — odchylenie standardowe. Od wyniku odejmujesz średnią i dzielisz różnicę przez odchylenie standardowe. Wzór odwrotny to x = M + z · SD.

Co oznacza wynik z = 1,5?

Że wynik jest o półtora odchylenia standardowego wyższy od średniej. Przy rozkładzie normalnym niższy wynik ma około 93% osób, co odpowiada stenowi 9 i staninowi 8.

Czy standaryzacja zmienia kształt rozkładu?

Nie. Standaryzacja jest przekształceniem liniowym: zmienia średnią na 0 i odchylenie standardowe na 1, ale skośny rozkład pozostaje skośny. Aby uzyskać rozkład normalny, potrzebna jest normalizacja (np. przez centyle).

Jak przeliczyć wynik z na sten?

Sten ma średnią 5,5 i odchylenie standardowe 2, a każdy sten obejmuje pół odchylenia standardowego. Wynik z od 0 do 0,5 to sten 6, od 0,5 do 1,0 — sten 7 itd.; wartości poniżej −2 to sten 1, a od 2 wzwyż — sten 10. Kalkulator na tej stronie robi to automatycznie.

Czy do standaryzacji używa się SD z próby czy z populacji?

W analizie własnych danych zwykle SD z próby (z dzielnikiem n − 1), tak jak funkcje sd() i scale() w R. W diagnozie psychologicznej wynik osoby standaryzuje się względem średniej i SD z norm testu, czyli z grupy normalizacyjnej.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wzór przedstawienia charakterystyki próby w badaniach naukowych

Gotowy układ tabeli i akapitu: przepływ uczestników, demografia, zmienne kliniczne, braki danych i informacje potrzebne do oceny możliwości uogólniania.

Czytaj →
Poradnik

Jak zbudować i zwalidować skalę psychometryczną?

Od definicji konstruktu i tworzenia pozycji po pilotaż, EFA, CFA, rzetelność, trafność teoretyczną, różnicową i niezmienniczość.

Czytaj →
Poradnik

Statystyka dla psychologów

Co statystyka daje psychologii, gdzie ma granice i jak jej nie nadużywać: wartość p, moc, replikacje, braki danych, metody odporne i symulacja w R.

Czytaj →
Poradnik

Analiza moderacji krok po kroku

Hipoteza, centrowanie, model z interakcją, proste nachylenia, Johnson–Neyman, wykresy, moc, kod R, PROCESS w SPSS i opis APA – na jednym przykładzie.

Czytaj →
Poradnik

Wartości odstające: jak je wykryć i co z nimi zrobić

Reguły ustalone z góry, MAD zamiast ±3 SD, Mahalanobis i MCD, odległość Cooka, winsoryzacja, test Yuena, analiza wrażliwości i opis APA – z kodem R.

Czytaj →
Poradnik

Segmentacja respondentów: k-średnich i LPA

Przygotowanie danych, liczba skupień, stabilność, profile latentne w mclust (BIC, entropia, BLRT), walidacja zewnętrzna i opis APA – z kodem R.

Czytaj →
Poradnik

P value krok po kroku

Jak powstaje wartość p: rozkład z prób, centralne twierdzenie graniczne, błąd standardowy, statystyka Z i pole pod krzywą – z przykładem i tablicą Z.

Czytaj →
Poradnik

Współczynniki standaryzowane czy niestandaryzowane?

Co mówi b, a co β, dlaczego β zależy od zakresu danych i proporcji grup, kiedy podać który współczynnik i jak opisać je w pracy – z przykładem w R.

Czytaj →
Poradnik

Zadania ze statystyki na psychologii

Dziesięć zadań jak na kolokwium: opisowe, steny i centyle, przedział ufności, testy t, korelacja, χ², ANOVA i regresja – z rozwiązaniami krok po kroku.

Czytaj →
Poradnik

Prawdopodobieństwo i rozkłady – zadania

Dziesięć zadań jak na kolokwium: prawdopodobieństwo warunkowe, wartość oczekiwana, rozkład dwumianowy, Poissona i normalny, CTG – z rozwiązaniami krok po kroku.

Czytaj →
Poradnik

Statystyka w Excelu – zadania z rozwiązaniami

Dziesięć zadań z funkcjami Excela: odchylenie standardowe, kwartyle, CZĘSTOŚĆ, rozkład normalny, UFNOŚĆ.T, T.TEST, CHI.TEST, korelacja i REGLINP – z plikiem .xlsx.

Czytaj →
Poradnik

Test t, ANOVA i regresja to jeden model

Ten sam wynik policzony kilkoma sposobami: kod R, kodowanie 0/1, kategoria referencyjna, wyjątek Welcha i odpowiedź na pytanie z obrony.

Czytaj →
Poradnik

Analiza skupień krok po kroku

Ward i dendrogram, k-średnich, sylwetka i statystyka luki, stabilność w podpróbach, kontrola na danych bez skupień i opis APA – na jednym przykładzie w R.

Czytaj →
Poradnik

Analiza skupień w SPSS krok po kroku

Hierarchical Cluster, K-Means i TwoStep od pliku .sav po opis APA: standaryzacja, metoda Warda, przegląd aglomeracji, Final Cluster Centers i opisowe testy F.

Czytaj →
Poradnik

Analiza skupień w marketingu – segmentacja klientów

Księgarnia internetowa, 1500 klientów i RFM: przekształcenia, liczba segmentów, mapa PCA, karty segmentów z działaniami i stabilność – sześć rysunków z kodem R.

Czytaj →
Poradnik

Mapa percepcji marek

Sześć marek, 10 cech: analiza korespondencji, pułapka wielkości marki, indeksy, biplot PCA z efektem halo i bootstrap mapy – sześć rysunków z kodem R.

Czytaj →
Poradnik

Przeciek danych i walidacja w czasie

Sieć siłowni i rezygnacje z karnetu: zmienne z przyszłości, losowy podział, wybór zmiennych na szumie i okno przesuwane – pięć rysunków z kodem R.

Czytaj →
Poradnik

Indeks zdrowia marki

Sześć marek płatków, pięć wskaźników: standaryzacja, wagi równe, eksperckie i PCA, ranking w 9 wariantach, bootstrap miejsc i karta marki – z kodem R.

Czytaj →
Poradnik

Wykrywanie nietypowych transakcji

Karty podarunkowe, 10 sprawdzeń dziennie: Mahalanobis klasyczny i odporny, LOF, las losowy, maskowanie i nowy wzorzec nadużyć – z kodem R.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Anastasi, A., & Urbina, S. (1997). Psychological testing (7th ed.). Prentice Hall.
  2. Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
  3. Gelman, A. (2008). Scaling regression inputs by dividing by two standard deviations. Statistics in Medicine, 27(15), 2865–2873. https://doi.org/10.1002/sim.3107
  4. Hornowska, E. (2001). Testy psychologiczne: Teoria i praktyka. Wydawnictwo Naukowe Scholar.

Cytowania BibTeX

@book{anastasi1997psychological, author={Anastasi, Anne and Urbina, Susana}, title={Psychological Testing}, edition={7}, publisher={Prentice Hall}, address={Upper Saddle River, NJ}, year={1997}}
@book{field2018discovering, author={Field, Andy}, title={Discovering Statistics Using IBM SPSS Statistics}, edition={5}, publisher={SAGE}, year={2018}}
@article{gelman2008scaling, author={Gelman, Andrew}, title={Scaling regression inputs by dividing by two standard deviations}, journal={Statistics in Medicine}, year={2008}, volume={27}, number={15}, pages={2865--2873}, doi={10.1002/sim.3107}}
@book{hornowska2001testy, author={Hornowska, El{\.z}bieta}, title={Testy psychologiczne: Teoria i praktyka}, publisher={Wydawnictwo Naukowe Scholar}, address={Warszawa}, year={2001}}
R