Standaryzacja w statystyce – wynik z, wzór i kalkulator

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 7 października 2026

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.

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 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.

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.

• 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:

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

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.

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)

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

# 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

        z         T        IQ      sten    stanin    centyl 
  1.00000  60.00000 115.00000   8.00000   7.00000  84.13447 
[1] 81.25

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

@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}}