Statistik-Glossar

Z-Wert

Z-Score / Standardwert · Maximilian Fuchs · 24. April 2026 · 4 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Z-Wert?
Warum ist der Z-Wert wichtig?
Praxisbeispiel

Was versteht man unter Z-Wert?

Der Z-Wert (auch: Standardwert oder Z-Score) gibt an, um wie viele Standardabweichungen ein einzelner Messwert vom Mittelwert seiner Verteilung abweicht. Er standardisiert Rohdaten auf eine einheitliche Skala und ist definiert als:

Formel: Z-Wert

$z = \frac{x - \mu}{\sigma}$

Dabei steht $x$ für den einzelnen Messwert, $\mu$ für den Mittelwert der Verteilung und $\sigma$ für die Standardabweichung. Ein positiver Z-Wert zeigt an, dass der Messwert über dem Mittelwert liegt; ein negativer Z-Wert zeigt, dass er darunter liegt. Bei einem Z-Wert von 0 entspricht der Messwert genau dem Mittelwert.

Einfach erklärt: Stell dir vor, du hast in einer Prüfung 72 von 100 Punkten erreicht. Ob das gut oder schlecht ist, hängt davon ab, wie die anderen abgeschnitten haben. Der Z-Wert beantwortet genau das: Er sagt dir, wie weit dein Ergebnis vom Durchschnitt der Gruppe entfernt ist – und zwar in einer einheitlichen Einheit, die immer vergleichbar ist.

Warum ist der Z-Wert für statistische Analysen wichtig?

Der Z-Wert erfüllt in der Praxis mehrere wichtige Funktionen:

Vergleichbarkeit herstellen: Unterschiedliche Merkmale mit verschiedenen Skalen – etwa Körpergröße in Zentimetern und Gewicht in Kilogramm – lassen sich nach der Standardisierung direkt miteinander vergleichen.
Ausreißer erkennen: Messwerte mit einem Z-Wert von mehr als ±2 oder ±3 gelten häufig als potenzielle Ausreißer und verdienen besondere Aufmerksamkeit.
Wahrscheinlichkeiten ablesen: Bei normalverteilten Daten lässt sich mithilfe des Z-Werts und der Standardnormalverteilung direkt ablesen, wie wahrscheinlich ein bestimmter Messwert oder ein extremerer Wert ist.
Grundlage für Hypothesentests: Viele statistische Tests – darunter der Z-Test – beruhen direkt auf dem Z-Wert.

Häufiger Fehler: Der Z-Wert setzt voraus, dass die Daten annähernd normalverteilt sind. Bei stark schiefen Verteilungen oder sehr kleinen Stichproben kann die Interpretation des Z-Werts irreführend sein. Außerdem verwechseln viele den Z-Wert mit dem t-Wert: Der t-Wert wird verwendet, wenn die Populationsstandardabweichung unbekannt ist und aus der Stichprobe geschätzt werden muss – was in der Praxis häufig der Fall ist.

Praxisbeispiel zu Z-Wert

Eine Forscherin untersucht die Schlafdauer von Studierenden. In ihrer Stichprobe beträgt der Mittelwert 7,0 Stunden und die Standardabweichung 1,0 Stunden. Sie möchte wissen, wie ungewöhnlich die Schlafdauer zweier Personen ist:

Tabelle 1. Z-Werte für zwei Studierende mit unterschiedlicher Schlafdauer
Person	Schlafdauer (Stunden)	Z-Wert	Interpretation
Anna	8,5	+1,5	1,5 Standardabweichungen über dem Mittelwert
Ben	4,5	−2,5	2,5 Standardabweichungen unter dem Mittelwert – möglicher Ausreißer

Annas Z-Wert von +1,5 zeigt, dass sie etwas mehr schläft als der Durchschnitt, aber noch im üblichen Bereich liegt. Bens Z-Wert von −2,5 hingegen deutet auf eine auffällig kurze Schlafdauer hin: Bei einer Normalverteilung liegen weniger als 2 % aller Werte so weit oder weiter unterhalb des Mittelwerts. Die Forscherin würde Bens Datenpunkt bei einer Ausreißeranalyse genauer unter die Lupe nehmen.

Gut zu wissen: Eine Sammlung von Z-Werten folgt – sofern die Ausgangsdaten normalverteilt sind – immer einer Standardnormalverteilung mit Mittelwert 0 und Standardabweichung 1. Diesen Zusammenhang nutzen Statistiksoftware und Z-Tabellen, um Wahrscheinlichkeiten schnell ablesbar zu machen.