Z-poäng-kalkylator
Omvandla ett råvärde till ett z-poäng — antalet standardavvikelser det befinner sig över eller under medelvärdet i sin fördelning. Används inom allt från standardiserad testrapportering och kvalitetskontroll till riskmodellering och feature-skalning inom maskininlärning.
Last updated: May 2026
Jämför med liknande
Om denna räknare
Ett z-poäng (även kallat standardiserat värde) anger var ett värde befinner sig i en fördelning genom att omskalas relativt till medelvärdet och standardavvikelsen. Formeln är: z = (X − μ) / σ, där X är råvärdet, μ är fördelningens medelvärde (populationsmedelvärde om det är känt, annars stickprovsmedelvärde) och σ är standardavvikelsen. Resultatet är dimensionslöst: ett z-poäng på +1 innebär att värdet är en standardavvikelse över medelvärdet; −2 innebär två standardavvikelser under. Eftersom z-poäng tar bort de ursprungliga enheterna kan du direkt jämföra observationer från helt olika fördelningar — en students matematikprov och verbala prov kan jämföras på en gemensam skala även om proven har olika medelvärden och spridningar. För en normalfördelad variabel mappar z-poäng rent till kumulativa sannolikheter via den standardnormala CDF: z = 1,0 motsvarar ca 84,1:a percentilen, z = 1,645 den 95:e, z = 1,96 den 97,5:e och z = 2,576 den 99,5:e. Därför är z-poäng ett grundverktyg inom hypotestestning och konfidensintervall. Gränsfall: σ måste vara > 0; om σ = 0 dividerar formeln med noll och värdet saknar meningsfullt z-poäng (alla observationer är lika med medelvärdet). För små stickprov där σ skattas och är okänd är t-poänget tekniskt sett mer lämpligt än z-poänget, eftersom det tar hänsyn till ytterligare osäkerhet (skillnaden försvinner när n växer). Percentiltolkningen förutsätter att den underliggande fördelningen verkligen är normal — ett z-poäng på 2 i en starkt sned fördelning motsvarar inte samma percentil som i en normalfördelning, så kontrollera alltid fördelningsantagandet innan du använder z-tabeller för sannolikheter.
Hur du använder den
Exempel 1 — Provresultats percentil. En student får 85 på ett prov där klassmedelvärdeet är 75 och standardavvikelsen är 10. Ange Värde = 85, Medelvärde = 75, Standardavvikelse = 10. z = (85 − 75) / 10 = 1,0. ✓ Ett z-poäng på 1,0 motsvarar ungefär den 84,1:a percentilen i standardnormalfördelningen — studenten presterade bättre än ca 84% av klasskamraterna (förutsatt att provresultaten är normalfördelade). Exempel 2 — Värde under medelvärdet. En patients blodtryck är 110 mmHg, medan populationsmedelvärdet för vuxna i samma ålder är 120 med en standardavvikelse på 12. Ange Värde = 110, Medelvärde = 120, Standardavvikelse = 12. z = (110 − 120) / 12 = −0,833. ✓ Patienten ligger ca 0,83 standardavvikelser under populationsmedelvärdet — väl inom normalintervallet (ungefär den 20:e percentilen), inget anmärkningsvärt. Ett värde på 160 (z = +3,33) skulle ligga i de översta 0,05% och vara kliniskt mycket högt.
Vanliga frågor
Vad berättar ett z-poäng egentligen?
Ett z-poäng talar om exakt hur många standardavvikelser ett värde ligger från medelvärdet i sin fördelning, och i vilken riktning. Positiva z-poäng är över medelvärdet, negativa är under, och z = 0 är exakt vid medelvärdet. Tolkningskraften ligger i normaliseringen: ett z-poäng på +2 innebär att värdet är ovanligt högt i vilken fördelning som helst, oavsett ursprungliga enheter. För en normalfördelning kan du även översätta z direkt till percentiler med hjälp av en z-tabell eller normalfördelningens CDF: z = ±1 täcker ca 68% av datan, ±2 täcker ca 95% och ±3 täcker ca 99,7% (68-95-99,7-regeln). För icke-normala fördelningar gäller avvikelsetolkningen fortfarande, men percentilmappningen gör det inte.
Hur använder jag ett z-poäng för att hitta sannolikhet eller percentil?
Slå upp z-poänget i en standardnormal tabell (z-tabell) eller beräkna Φ(z), den standardnormala CDF, i ett program. Φ(z) ger den kumulativa sannolikheten P(Z ≤ z) — ekvivalent med värderangordningens percentil. Vanliga riktmärken: Φ(1,00) ≈ 0,8413, Φ(1,645) ≈ 0,9500, Φ(1,96) ≈ 0,9750, Φ(2,576) ≈ 0,9950. För högersvansad sannolikhet använd 1 − Φ(z); för tvåsidig sannolikhet använd 2·(1 − Φ(|z|)). I Excel returnerar NORM.S.DIST(z; SANT) Φ(z). Allt detta förutsätter att den underliggande variabeln är ungefär normalfördelad; för kraftigt skeva data motsvarar samma z inte samma sannolikhet, och du behöver en annan fördelning eller en empirisk CDF.
När ska jag använda z-poäng vs t-poäng?
Använd z-poäng när populationens standardavvikelse σ verkligen är känd (sällsynt i praktiken — vanligtvis bara för välkarakteriserade processer som standardiserade prov eller etablerade fysikaliska mätningar) eller när urvalsstorleken är tillräckligt stor (typiskt n ≥ 30) för att stickprovets standardavvikelse s är en nästan perfekt skattning av σ. Använd t-poäng när σ är okänd och skattas från samma lilla stickprov — t-fördelningen har tyngre svansar för att ta hänsyn till den extra osäkerheten, och de kritiska värdena är därmed större. När urvalsstorleken ökar konvergerar t-fördelningen mot normalfördelningen och de två poängen blir nästan identiska. I automatiserade produktionspipelines spelar denna distinktion ofta ingen roll; i formell statistisk rapportering från små stickprov är den absolut avgörande.
Vilka är de vanligaste misstagen med z-poäng?
Det första är att glömma att percentiltolkningen kräver normalitet — att tillämpa z-tabellens sannolikheter på en kraftigt sned fördelning ger meningslösa resultat. Det andra är att blanda stickprovs- och populationsparametrar: om μ och σ härrör från samma data som du poängsätter är dina z-poäng något förvrängda (värdet du poängsätter bidrog till sitt eget medelvärde). Det tredje är att använda z-poäng på små stickprov där t-poäng vore mer träffsäkert — de resulterande sannolikheterna blir systematiskt för låga. Det fjärde är att jämföra z-poäng från två olika fördelningar utan att kontrollera att båda har meningsfulla medelvärden och standardavvikelser (t.ex. ger kraftigt skeva eller multimodala fördelningar z-poäng som är aritmetiskt korrekta men tolkningsvis vilseledande). Slutligen förväxlar folk ibland z-poäng med råa effektstorlekar (Cohens d) — de två har liknande form men olika nämnare.
När ska jag inte använda den här kalkylatorn?
Hoppa över den för icke-numerisk eller ordinal data — z-poäng kräver meningsfull aritmetik på värdena. Använd den inte när σ är okänd och stickprovet är litet (n < 30); byt till en t-poäng-kalkylator med frihetsgradskorrigering. Undvik att använda standardnormalens percentiltolkning på skeva eller multimodala fördelningar; samma z motsvarar inte samma sannolikhet. Det är fel verktyg för avvikelsedetektering i tidsserier utan ytterligare analys — autokorrelation snedvrider det uppenbara z-poänget. Använd det inte som ett fristående test för att avgöra om ett värde är ett extremvärde utan hänsyn till urvalsstorlek och fördelning; i ett litet normalfördelat stickprov om 10 punkter är z = 2 inte ovanligt, men i ett stickprov om 10 000 förekommer det ungefär 500 gånger av ren slump. Använd modifierade z-poäng (baserade på median och MAD) för robust avvikelsedetektering i stället för klassiska z-poäng.