Wykres kwantylowy (Q-Q) – jak powstaje i jak go czytać przy ocenie normalności?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 15 października 2026

Co to jest wykres kwantylowy (Q-Q)?

Wykres kwantylowy (wykres kwantyl–kwantyl, ang. Q-Q plot) porównuje kwantyle z próby z kwantylami rozkładu teoretycznego – najczęściej normalnego. Każdy punkt to jedna obserwacja: na osi poziomej jej wynik oczekiwany przy rozkładzie normalnym, na pionowej – wynik faktyczny. Jeśli dane pochodzą z rozkładu normalnego, punkty układają się wzdłuż prostej.

Wilk i Gnanadesikan (1968) opisali wykresy kwantyl–kwantyl (Q-Q) i procent–procent (P-P) jako techniki porównywania próby z rozkładem teoretycznym oraz prób między sobą. Dziś wykres Q-Q jest najczęściej stosowaną graficzną metodą oceny rozkładu, choć krytykuje się go za subiektywność odczytu (Loy i in., 2016). Ghasemi i Zahediasl (2012) zwracają uwagę, że wykres Q-Q łatwo interpretować zwłaszcza przy dużych próbach. W przeciwieństwie do testu normalności pokazuje on, w którym miejscu rozkładu i w jaki sposób dane odbiegają od normalności.

Jak powstaje wykres Q-Q – krok po kroku

Przykład (dane symulowane): dziesięć osób wypełniło skalę stresu PSS-10; średnia wynosi 19.8, a odchylenie standardowe 3.46.

1. Uporządkuj wyniki od najmniejszego do największego: x₍₁₎ ≤ x₍₂₎ ≤ … ≤ x_(n).
2. Przypisz każdemu wynikowi poziom prawdopodobieństwa p_i = (i − 0.5) / n. Funkcja ppoints() w R (użyta w tabeli poniżej) przy n ≤ 10 stosuje wariant (i − 3/8) / (n + 1/4).
3. Znajdź kwantyle teoretyczne z_i – wyniki standardowego rozkładu normalnego, poniżej których leży p_i rozkładu.
4. Nanieś punkty (z_i, x_(i)) i dodaj linię odniesienia przechodzącą przez pierwszy i trzeci kwartyl.

Najmniejszy wynik (14) zestawiamy z kwantylem −1.55, a największy (26) z kwantylem 1.55. Linia odniesienia przechodzi przez kwartyle (18 i 22.25), więc jej nachylenie (3.15) przybliża odchylenie standardowe (3.46), a jej wysokość w punkcie z = 0 (20.12) – średnią (19.8). Dlatego wykres Q-Q ocenia kształt rozkładu niezależnie od średniej i rozproszenia: dane zawsze można porównać z prostą, a nie z konkretną skalą (zob. standaryzacja).

Jak czytać wykres Q-Q: cztery typowe wzorce

Rysunek 1 pokazuje wykresy Q-Q czterech prób po 200 osób. Środek rozkładu zwykle leży na linii – o kształcie mówią przede wszystkim końce wykresu, czyli ogony.

Wykres Q-Q reszt w regresji i ANOVA

W regresji liniowej i ANOVA założenie normalności dotyczy reszt, a nie zmiennej zależnej. Williams i in. (2013) przypominają, że regresja metodą najmniejszych kwadratów wymaga – zwłaszcza w małych próbach – normalności błędów, a nie zmiennej zależnej czy predyktorów. To wciąż częsty błąd: Ernst i Albers (2017) w przeglądzie artykułów z 12 czasopism psychologii klinicznej stwierdzili, że w 4% z nich za założenie uznawano normalność samych zmiennych, a 92% prac z regresją liniową nie raportowało jasno sprawdzania założeń.

Przykład (dane symulowane): trzy grupy po 60 osób uczyły się listy słów bez powtórki, z jedną albo z trzema powtórkami (średnio 10.73, 20.50 i 29.08 zapamiętanych słów). Wspólny rozkład wyników składa się z trzech przesuniętych skupień, więc wykres Q-Q surowej zmiennej odchodzi od linii, a test Shapiro-Wilka daje W = .97, p < .001. Reszty modelu ANOVA (wyniki minus średnia grupy) leżą jednak na linii: W = .99, p = .603.

Wniosek: w modelu oglądaj wykres Q-Q reszt, najlepiej razem z wykresem reszt względem wartości dopasowanych. Tak robi się to w ANOVA krok po kroku i w regresji liniowej; w analizie wariancji możesz też obejrzeć wykres Q-Q osobno w każdej grupie.

Liczebność próby: kiedy wykresowi Q-Q można ufać?

W małych próbach punkty „falują” nawet wtedy, gdy dane pochodzą z idealnego rozkładu normalnego. Kim (2012) zwraca uwagę, że ocena „na oko” ma sens raczej przy n > 50, bo w mniejszych próbach dane z populacji normalnej rzadko wyglądają normalnie. Rysunek 3 pokazuje sześć prób losowanych z rozkładu normalnego: przy 20 osobach pojedyncze punkty wychodzą nawet poza pas, a przy 200 osobach układają się na linii.

Kilka praktycznych wskazówek:

• przy małych próbach oceniaj tylko wyraźne, systematyczne wzorce (łuk, litera S), a nie pojedyncze punkty na końcach;
• pomaga pas ufności wokół linii (w R np. car::qqPlot()) albo porównanie z wykresami prób symulowanych – Loy i in. (2016) pokazali, że taki protokół „lineup” wykrywa nienormalność skuteczniej niż klasyczne testy normalności;
• wykres Q-Q z usuniętym trendem (ang. detrended) bywa czulszy od zwykłego, o ile osie mają jednakową skalę (Loy i in., 2016);
• w dużych próbach wykres jest czytelny, a test Shapiro-Wilka czy test Kołmogorowa-Smirnowa wykrywają nawet drobne odchylenia bez znaczenia praktycznego (Ghasemi i Zahediasl, 2012) – wtedy decyduj na podstawie wykresu.

Jak opisać wykres Q-Q w pracy (APA)

Wykresów diagnostycznych zwykle nie umieszcza się w tekście głównym – wystarczy zdanie o wyniku sprawdzenia, a sam wykres można dodać do aneksu. Przykład dla danych z rysunku 2:

library(ggplot2)
# 1. Wykres Q-Q „ręcznie”: 10 wyników w skali stresu PSS-10
set.seed(2610)
stres <- round(rnorm(10, 20, 6))
data.frame(wynik = sort(stres), p = round(ppoints(10), 3), z = round(qnorm(ppoints(10)), 2))

# 2. Zmienna zależna a reszty modelu ANOVA (3 warunki po 60 osób)
set.seed(3)
warunek <- factor(rep(c("bez powtórki", "jedna powtórka", "trzy powtórki"), each = 60))
pamiec  <- round(c(rnorm(60, 11, 3), rnorm(60, 20, 3), rnorm(60, 29, 3)))
reszty  <- residuals(aov(pamiec ~ warunek))
sw <- function(x) round(c(shapiro.test(x)$statistic, p = shapiro.test(x)$p.value), 4)
rbind(surowe = sw(pamiec), reszty = sw(reszty))

# 3. Wykres Q-Q reszt w ggplot2 (w podstawowym R: qqnorm(reszty); qqline(reszty))
ggplot(data.frame(reszty), aes(sample = reszty)) +
  stat_qq(colour = "grey45") +
  stat_qq_line(colour = "#1f78b4", linewidth = 1) +
  labs(x = "Kwantyle teoretyczne (z)", y = "Kwantyle z próby (reszty)") +
  theme_minimal(base_size = 13)

   wynik     p     z
1     14 0.061 -1.55
2     17 0.159 -1.00
3     18 0.256 -0.66
4     18 0.354 -0.38
5     19 0.451 -0.12
6     20 0.549  0.12
7     20 0.646  0.38
8     23 0.744  0.66
9     23 0.841  1.00
10    26 0.939  1.55
            W      p
surowe 0.9675 0.0003
reszty 0.9934 0.6031

Najczęstsze błędy

• Wykres Q-Q surowej zmiennej zależnej zamiast reszt – różnice między grupami mogą „zepsuć” wykres, choć założenie jest spełnione (rysunek 2).
• Nadinterpretacja końców wykresu w małej próbie – kilka punktów odchylonych od linii przy 20 osobach to zwykle przypadek (rysunek 3).
• Pomylenie osi – w R i SPSS osie są zamienione, więc ten sam rozkład daje lustrzane wzorce; zawsze sprawdź opisy osi.
• Traktowanie testu normalności jako rozstrzygającego – w dużej próbie istotny wynik testu przy prostym wykresie Q-Q zwykle nie ma znaczenia praktycznego.
• Brak opisu, czego dotyczył wykres – w pracy napisz, czy oceniano zmienną, czy reszty, i w jakim modelu.

Najczęstsze pytania

Jak czytać wykres Q-Q?

Sprawdź, czy punkty leżą wzdłuż linii odniesienia. Łuk wygięty w górę oznacza prawostronną skośność, w dół – lewostronną, kształt litery S z końcami odchodzącymi na zewnątrz – ciężkie ogony, a końce spłaszczone do środka – lekkie ogony. Drobne wahania na końcach, zwłaszcza w małych próbach, są normalne.

Co oznacza wykres Q-Q w kształcie litery S?

Jeśli lewy koniec leży pod linią, a prawy nad nią, rozkład ma ciężkie ogony – wyników skrajnych jest więcej niż w rozkładzie normalnym (dodatnia kurtoza). Odwrotny kształt, z końcami spłaszczonymi w stronę środka, oznacza lekkie ogony, np. gdy dane pochodzą z kilku wyraźnie różnych grup.

Czym różni się wykres Q-Q od wykresu P-P?

Wykres Q-Q porównuje wartości (kwantyle) z próby z kwantylami rozkładu teoretycznego, a wykres P-P – skumulowane prawdopodobieństwa. Oba opisali Wilk i Gnanadesikan (1968). Wykres Q-Q jest dziś najczęściej stosowaną graficzną metodą oceny rozkładu (Loy i in., 2016).

Wykres Q-Q zmiennej czy reszt?

W regresji, teście t i ANOVA założenie normalności dotyczy reszt modelu, więc oglądaj wykres Q-Q reszt. Wykres surowej zmiennej zależnej może odbiegać od linii tylko dlatego, że grupy mają różne średnie – mimo że reszty są normalne.

Jak zrobić wykres Q-Q w SPSS i R?

W SPSS: Analiza → Opis statystyczny → Wykresy Q-Q albo Eksploracja → Wykresy → Wykresy normalności z testami; SPSS kładzie wartości obserwowane na osi poziomej. W R: qqnorm(x); qqline(x) lub w ggplot2 stat_qq() i stat_qq_line(); reszty modelu pobierzesz funkcją residuals().

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{ernst2017regression, author={Ernst, Anja F. and Albers, Casper J.}, title={{Regression assumptions in clinical psychology research practice—A systematic review of common misconceptions}}, journal={PeerJ}, year={2017}, volume={5}, eid={e3323}, doi={10.7717/peerj.3323}}

@article{ghasemi2012normality, author={Ghasemi, Asghar and Zahediasl, Saleh}, title={{Normality tests for statistical analysis: A guide for non-statisticians}}, journal={International Journal of Endocrinology and Metabolism}, year={2012}, volume={10}, number={2}, pages={486--489}, doi={10.5812/ijem.3505}}

@article{kim2012assessing, author={Kim, Hae-Young}, title={{Statistical notes for clinical researchers: Assessing normal distribution (1)}}, journal={Restorative Dentistry \& Endodontics}, year={2012}, volume={37}, number={4}, pages={245--248}, doi={10.5395/rde.2012.37.4.245}}

@article{loy2016variations, author={Loy, Adam and Follett, Lendie and Hofmann, Heike}, title={{Variations of Q–Q plots: The power of our eyes!}}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={202--214}, doi={10.1080/00031305.2015.1077728}}

@article{wilk1968probability, author={Wilk, M. B. and Gnanadesikan, R.}, title={{Probability plotting methods for the analysis of data}}, journal={Biometrika}, year={1968}, volume={55}, number={1}, pages={1--17}, doi={10.1093/biomet/55.1.1}}

@article{williams2013assumptions, author={Williams, Matt N. and Grajales, Carlos A. G. and Kurkiewicz, Dason}, title={{Assumptions of multiple regression: Correcting two misconceptions}}, journal={Practical Assessment, Research, and Evaluation}, year={2013}, volume={18}, eid={11}, doi={10.7275/55hn-wk47}}