Z-Skoru: İstatistiksel Standardizasyon için Kapsamlı Rehber

2020’deki SAT puanlarıyla aynı yılın ACT puanlarını karşılaştırıyorsunuz. Bir öğrenci SAT’te 1200, bir diğeri ACT’de 24 aldı; peki hangisi daha iyi bir performans? Z-skorlarının tam olarak çözdüğü sorun budur: farklı ölçümleri ortak bir ölçeğe dönüştürmek.

Z-skorları, ham veriyi standartlaştırılmış değerlere dönüştürerek tamamen farklı dağılımlar arasında anlamlı karşılaştırmalar yapılmasını sağlar. Bu standardizasyon, farklı kaynaklardaki verileri analiz ederken, aykırı değerleri belirlerken veya istatistiksel analizde olasılıkları hesaplarken yardımcı olur. Z-skorlarının arkasındaki matematiksel temelleri ele alacak, adım adım pratik hesaplama yöntemlerini uygulayacak ve bu teknikleri farklı senaryolara uyarlayacağız. 

Z-Skoru Nedir?

Z-skorları, herhangi bir veri noktasının dağılımına göre nerede konumlandığını standart bir şekilde anlamanızı sağlar.

Tanım ve temel formül

Bir z-skoru, bir veri noktasının dağılım ortalamasından kaç standart sapma uzakta olduğunu temsil eder. Formül basittir:

Burada X ham skorunuzu, μ (mü) anakütle ortalamasını ve σ (sigma) anakütle standart sapmasını ifade eder. Z-skorları, özgün birim veya ölçeklerinden bağımsız olarak farklı dağılımlardan gelen veri noktalarını doğrudan karşılaştırmanıza olanak tanır.

Standart normal dağılımın özellikleri

Z-skorları, normal dağılmış verileri, ortalaması = 0 ve standart sapması = 1 olan özel bir çan eğrisi olan standart normal dağılıma dönüştürür. Bu dönüşüm bazı faydalı analitik imkânlar sunar: değerlerin yaklaşık %68’i ortalamanın bir standart sapması içinde (z-skoru -1 ile +1 arasında), %95’i iki standart sapması içinde (-2 ile +2 arasında) ve %99,7’si üç standart sapması içinde (-3 ile +3 arasında) yer alır.

Z-Skoru Formülü ve Varyasyonları

Temel z-skoru formülü anakütle verileri için iyi çalışır, ancak gerçek dünyadaki analizler sıklıkla veri türüne ve örneklem büyüklüğüne bağlı küçük uyarlamalar gerektirir.

Standart z-skoru formülleri

Daha önce tanıtıldığı gibi, z-skorunun temel formülü şöyledir: 

Buradan hareketle, örnek verilerle mi çalıştığınıza yoksa bir örneklem ortalamasını anakütle ortalamasına karşı mı test ettiğinize bağlı olarak varyasyonlar ortaya çıkar. 

Örneklem içindeki bireysel veri noktaları için: 

burada X̄ örneklem ortalamasını ve s örneklem standart sapmasını ifade eder (paydada n−1 kullanılarak hesaplanır). Bu versiyon, bir noktanın örneklem ortalamasından kaç örneklem standart sapması uzakta olduğunu gösterir; bu da veri kümeniz içinde göreli konumları ve potansiyel aykırı değerleri belirlemede kullanışlıdır.

Bir örneklem ortalamasının anakütle ortalamasından anlamlı derecede farklı olup olmadığını test ederken, hesaplamada ortalamanın standart hatasını kullanırız:

burada X̄ örneklem ortalamanız, μ anakütle ortalaması, σ anakütle standart sapması ve n örneklem büyüklüğüdür. Payda (σ/√n) ortalamanın standart hatasını temsil eder ve hipotez testinde örneklem büyüklüğünü dikkate alır.

Bir z-skorundan ham skor hesaplama

Bazen özgün değerlere ulaşmak için z-skorlarından geriye doğru çalışırsınız. Formülü yeniden düzenlediğinizde şu sonucu elde edersiniz: 

Eğer bir öğrencinin sınav puanının z-skoru 1,5 ise ve sınavın ortalaması 75, standart sapması 10 ise, gerçek puanı 75 + (1,5 × 10) = 90 olur.

Z-Skoru Nasıl Hesaplanır

Ham veriyi z-skorlarına dönüştürmek, pratikle birlikte ikinci doğanız haline gelen sistematik bir süreçtir.

Adım adım hesaplama

Z-skorlarını elle nasıl hesaplayacağınız şöyle: Önce, tüm değerleri toplayıp adetlerine bölerek dağılımınızın ortalamasını bulun. Ardından, ortalamadan sapmaların karelerinin ortalamasının karekökünü alarak standart sapmayı hesaplayın. Son olarak, ham skorunuzdan ortalamayı çıkarıp standart sapmaya bölerek z-skoru formülünü uygulayın.

Bir örnek üzerinden gidelim: 85, 92, 78, 96, 88 sınav puanları tam veri kümemizi temsil ediyorsa (ortalama = 87,8, standart sapma = 6,14), 92 puanının z-skoru (92 - 87,8) / 6,14 = 0,68’dir.

Z-skorlarını Excel’deki STANDARDIZE() işlevini veya Google E-Tablolar’daki aynı işlevi, anakütle verileri için AVERAGE() ve STDEV.P() ya da örneklem verileri için STDEV.S() ile birlikte kullanarak da hızlıca hesaplayabilirsiniz.

Yorumlama yönergeleri

Z-skorlarının yorumlanması, özgün veriniz ne olursa olsun tutarlı yön kurallarını izler. Pozitif z-skorları ortalamanın üzerindeki değerleri, negatif z-skorları ise ortalamanın altındaki değerleri gösterir. Z-skoru 0, veri noktanızın ortalamaya tam olarak eşit olduğu anlamına gelir.

Normal dağılmış veriler için ek yorumlama kuralları uygulayabilirsiniz: z-skoru ±2’nin ötesindeki değerler alışılmadık kabul edilir (yaklaşık %5 olasılıkla görülür), z-skoru ±3’ün ötesindeki değerler ise nadirdir (olasılığı %1’den azdır). Z-tablolarını kullanarak, herhangi bir z-skorunun altında kalan gözlemlerin yüzdesini gösteren normal dağılımlar için kesin yüzdelikleri bulabilirsiniz.

Normal olmayan verilerde z-skorları yine göreli konumu gösterir ve potansiyel aykırı değerleri belirlemeye yardımcı olur, ancak belirli yüzdelikler geçerli değildir.

Z-Skorlarının ve Standart Sapmanın Yorumlanması

Z-skorları ile standart sapma arasındaki ilişkiyi anlamak, bu standartlaştırılmış değerlerin gerçekte neyi temsil ettiğini kavramanızı sağlar.

Standart sapmayla ilişki

Z-skorları, ortalamadan olan uzaklığı doğrudan standart sapma birimleri cinsinden ölçer. Z-skoru 2,5 olan bir veri noktası, ortalamanın 2,5 standart sapma üzerindedir. Bu, standart sapmanın kendisinden farklıdır; standart sapma, verinin ortalama etrafındaki tipik yayılımını ölçer.

Standart sapma tek bir veri kümesi içindeki değişkenliği tanımlarken, z-skorları farklı ortalama ve yayılımlara sahip veri kümeleri arasında karşılaştırma yapılmasına olanak tanır. Standart sapmayı dağılımınızın “genişliğini” ölçen bir ölçüt, z-skorlarını ise bireysel noktaların bu genişlik içinde tam olarak nereye düştüğünü söyleyen bir ölçüt olarak düşünebilirsiniz.

Bir z-skorunun altındaki gözlemlerin yüzdesi

Normal dağılmış veriler için z-tabloları, z-skorlarını yüzdelik sıralara dönüştürerek değerinizi altında kalan gözlemlerin yüzdesini gösterir. Normal dağılımda z-skoru 1,0, 84. yüzdeliğe karşılık gelir; yani gözlemlerin %84’ü daha küçüktür.

Güncel çevrimiçi hesaplayıcılar ve istatistik yazılımları, normal dağılımlar için bu dönüşümleri anında yapar. Ancak normal olmayan veriler için, standart z-tablosu yüzdeleri geçerli olmayacağından yüzdelikleri belirlemek için dağılıma özgü yöntemlere ihtiyaç duyarsınız.

Z-Skorlarının Uygulamaları

Z-skorları, istatistik ve veri bilimi genelinde, farklı alanlardaki pratik sorunları çözmek için karşımıza çıkar.

Olasılık tahmini ve hipotez testi

Z-skorları, normal dağılımlarda olasılık hesaplamalarının temelini oluşturur. Ortalama 500 ve standart sapması 100 olan normal dağılmış sınav puanlarında 600’ün üzerinde puan alma olasılığını bulmak istediğinizde, önce 600’ü 1,0’lık bir z-skoruna dönüştürür, ardından karşılık gelen olasılığı (yaklaşık %16) bulursunuz. İki z-skoru arasındaki olasılıkları, kümülatif olasılıklarının farkını alarak da hesaplayabilirsiniz.

Hipotez testinde, z-skorları, normalite varsayımı altında örneklem istatistiklerini beklenen anakütle değerleriyle karşılaştırarak istatistiksel anlamlılığı belirlemede yardımcı olur. R ile Hipotez Testi kursumuz bu uygulamaları ele alır ve z-skorlarının p-değerleri ve güven aralıklarıyla nasıl bağlantılı olduğunu gösterir. 

Aykırı değer tespiti ve veri standardizasyonu

Veri bilimciler, potansiyel aykırı değerleri belirlemek için düzenli olarak z-skorlarını kullanırlar. Normal dağılmış verilerde, z-skoru ±3’ün ötesindeki değerler son derece alışılmadık (zamanın %1’inden azında görülür) olup sıklıkla veri girişi hatalarını, ölçüm sorunlarını veya araştırmaya değer gerçekten istisnai vakaları işaret eder. Normal olmayan verilerde dahi, aşırı z-skorları daha yakından incelenmeyi hak eden gözlemleri işaretleyebilir.

Tüm veri kümelerini z-skorlarıyla standardize etmek, ortalaması 0 ve standart sapması 1 olan değişkenler üretir ve bunları doğrudan karşılaştırılabilir hale getirir. Bu, k-ortalama kümeleme veya sinir ağları gibi ölçek farklılıklarına duyarlı makine öğrenimi algoritmalarında değerlidir. 

Farklı ölçeklerdeki puanların karşılaştırılması

Z-skorları, benzer dağılım şekillerine sahip farklı testler veya ölçümler arasında adil karşılaştırmalar yapılmasını sağlar. Başta bahsettiğimiz SAT ve ACT karşılaştırması, her iki puanı da kendi ortalama ve standart sapmalarıyla z-skora dönüştürdüğünüzde kolaylaşır. SAT z-skoru 1,2 olan bir öğrenci, ACT z-skoru 0,8 olan birinden daha iyi performans göstermiştir; farklı ölçekler önemli değildir.

İstatistik ve veri biliminde ileri uygulamalar

Z-skorları, kümeleme analizi (tüm değişkenlerin eşit katkı yapmasını sağlamak için standardizasyonun kullanıldığı), çok boyutlu ölçekleme ve temel bileşenler analizi gibi gelişmiş analitik tekniklerde karşımıza çıkar. 

Regresyon analizinde, standartlaştırılmış katsayılar (beta katsayıları olarak da adlandırılır), tümünü aynı ölçeğe getirerek sürekli yordayıcıların göreli önemini karşılaştırmanıza yardımcı olur. Süreç, regresyonu çalıştırmadan önce tüm değişkenleri (hem yordayıcılar hem de sonuçlar) z-skorlarına dönüştürmeyi içerir. Ortaya çıkan standartlaştırılmış katsayılar, “bu yordayıcı bir standart sapma arttığında sonucun kaç standart sapma değişmesi beklenir?” sorusunu yanıtlayarak, farklı özgün birimlere sahip yordayıcılar arasında doğrudan karşılaştırma yapılmasını mümkün kılar.

Sağlık ve eğitimde değerlendirme

Tıp profesyonelleri, test sonuçlarını referans anakütle verileriyle karşılaştırarak yorumlamak için z-skorlarını kullanır. Kemik yoğunluğu z-skorları, bireysel ölçümleri yaşıtlarıyla karşılaştırır ve osteoporoz gibi durumların teşhisinde yardımcı olur. Eğitim değerlendirmeleri, farklı yıllar ve popülasyonlar arasında test sonuçlarını standardize etmek için z-skorlarına dayanır; böylece değişen test koşullarına rağmen adil karşılaştırmalar yapılabilir. 

Hesaplama Yöntemleri ve Araçlar

Güncel analizler, z-skoru hesaplamalarını otomatikleştiren yazılım araçlarına dayanır.

Z-tabloları ve yüzdelik dönüşümü

Geleneksel z-tabloları, normal dağılımlarda z-skorları ile olasılıklar arasındaki bağlantıyı anlamak için hâlâ kullanışlıdır. Bu tablolar genellikle z = -3,49 ile z = 3,49 aralığındaki standart normal dağılım değerleri için kümülatif olasılıkları listeler. Bir z-tablosunu okumak için, z-skorunuzun ilk iki basamağını sol sütunda, üçüncü basamağını ise üst satırda bulun.

Programlama ile z-skoru hesaplama

Adım adım hesaplama bölümünde Excel’in STANDARDIZE() işlevini ele almıştık. Python ve R için, aynı örnek üzerinden (sınav puanları: 85, 92, 78, 96, 88) ilerleyelim.

scipy.stats ile Python:

import numpy as np
from scipy import stats

# Our exam scores
scores = np.array([85, 92, 78, 96, 88])

# Calculate z-scores using scipy (uses population std by default)
# This means dividing by N, not N-1
z_scores = stats.zscore(scores)
print(f"Z-scores: {z_scores}")
# Output: [-0.46  0.68 -1.59  1.33  0.03]

# Manual calculation for verification
mean_score = np.mean(scores)
std_score = np.std(scores, ddof=0)  # Population standard deviation
z_manual = (scores - mean_score) / std_score
print(f"Manual z-scores: {z_manual}")Altyapı:

scale() fonksiyonuyla R:

# Our exam scores
scores <- c(85, 92, 78, 96, 88)

# Calculate z-scores using scale() (uses sample std by default)
z_scores <- scale(scores)[,1]  # Extract vector from matrix
print(paste("Z-scores:", z_scores))
# Output: [-0.41  0.61 -1.43  1.19  0.03]

# Manual calculation for verification
z_manual <- (scores - mean(scores)) / sd(scores)
print(paste("Manual z-scores:", z_manual))Altyapı:

Python ve R’ın biraz farklı sonuçlar verdiğine dikkat edin; çünkü scipy.stats.zscore() anakütle standart sapmasını (N’ye böler) kullanırken, R’ın scale() fonksiyonu örneklem standart sapmasını (N-1’e böler) kullanır. 92 puanımız için Python 0,68, R ise 0,61’lik bir z-skoru verir. Verinizi tam bir anakütle mi yoksa bir örneklem mi olarak ele aldığınıza bağlı olarak her ikisi de doğrudur. 

Sonuç

Z-skorları, ham veri ile anlamlı istatistiksel yorum arasındaki köprüyü sağlar. Farklı ölçekler arasında adil karşılaştırmalar yapmaya, veri normal dağılımları izlediğinde olasılık hesaplamalarına ve araştırmaya değer olağandışı gözlemleri belirlemeye olanak tanır.

Bu standartlaştırılmış değerler, temel veri analizinden gelişmiş makine öğrenimi uygulamalarına kadar uzanır ve nicel verilerle çalışan herkes için faydalı araçlardır. Gerçek veri setleriyle istatistiksel çıkarım tekniklerini görmek için R ile Sayısal Verilerde Çıkarım kursumuzu ve z-skoru kavramlarının sıkça uygulandığı hipotez testi yöntemleri için R ile A/B Testi kursumuzu keşfedin.