However, we're not just concerned with how far values are from the mean, we're
also concerned with whether or not they're below the mean or above the mean.
When you standardize any score on the x-axis, we get the z score. We already
called it z before. And we're always going to subtract the mean from the x
value, and then divide by the standard deviation. So that way if we have a value
less than the mean, we're going to get a negative z score. The z score is
basically the number of standard deviations any value is away from the mean.
Therefore, we can convert any value in a normal distribution to a z score. When
we do this, we standardize the distribution. We can start with any normal
distribution, and then standardize it. So let's again, refer back to our normal
distribution. The mean is 190, this is the actual mean of Facebook friends I've
looked at up, but let's pretend that this standard deviation is 36 like it was
in our example were Andy and I were arguing our unpopularity. So using this
information click the link that we share and tell us how many Facebook friends
you have And then calculate your z score. Later we're going to, to analyze that
data and see if we get a normal distribution. So we'll be able to tell if some z
score values don't match up. Do your best when you calculate your z score
because it's good practice, and we're going to use z scores the rest of the
class. If you don't have Facebook just enter 0, but be careful. This does not
mean that your z score is going to be 0. You'll have to calculate that and
figure out what it is. And I will know if you didn't calculate it correctly.
Mas não estamos preocupados
apenas com o quanto
os valores distam da média.
Também nos interessa se estão
ou não abaixo ou acima da média.
Ao padronizar
qualquer escore no eixo X,
obtemos o "Escore Z",
outrora apenas Z.
Nós iremos subtrair a média
do valor de X
e dividir a diferença
pelo desvio padrão.
Assim, se tivermos
um valor menor que a média,
teremos um
Escore Z negativo.
O Escore Z é, basicamente,
o número de desvios padrão
que qualquer valor
dista da média.
Assim sendo, pode-se
converter qualquer valor
numa distribuição normal
para um Escore Z.
Ao fazer isso,
padronizamos a distribuição.
Podemos pegar
qualquer distribuição normal
e padronizá-la.
Vamos retornar
à nossa distribuição normal.
A média é 190,
esta é a média verdadeira
de amigos no Facebook,
eu chequei,
mas vamos fazer de conta
que o desvio padrão é 36,
como no exemplo em que eu
e Andy discutíamos
nossa impopularidade.
Usando essa informação,
abra o link que compartilhamos,
conte-nos quantos amigos
no Facebook você tem...
e calcule seu Escore Z.
Nós analisaremos
os dados depois
e veremos se chegamos
a uma distribuição normal.
Então, saberemos se a conta
de algum Escore Z não fechar.
Dê o seu melhor
calculando seu Escore Z,
porque é boa prática
e usaremos Escores Z
até o fim da aula.
Se não tiver Facebook, ponha 0.
Mas cuidado:
isso não quer dizer
que seu Escore Z será 0.
Você terá que calcular
e descobrir qual é.
Eu saberei se você errar!
但是 我们不仅关心各个值与平均值之间的距离
还关心这些值是小于还是大于平均值
在 x 轴上标准化任何数值时 我们得出 z 值
之前就将其称为 z 我们始终会用 x 减去平均值
然后除以标准偏差 这样 当某个值小于平均值时
结果会是负的 z 值
z 值是指任何值距离平均值的标准偏差数
因此 我们可以将正态分布中的任何值转换为 z 值
这么转换时 我们就标准化了分布图 我们可以
对任何正态分布图进行标准化 我们回到之前的正态分布图
平均值是 190 这是实际的 Facebook 好友数平均值
我查过了 假设标准偏差是 36
就像我和 Andy 之前在讨论不受欢迎程度时的示例
请根据这一信息 点击我们分享的链接 告诉我们你有多少 Facebook 好友
然后计算你的 z 值 稍后我们会分析这一数据
看看是否能得出正态分布图 然后就可以判断某些 z 值
是否不相符 在计算你的 z 值时 请尽量努力发挥
这将是一次很好的锻炼机会 我们会在这节课的后续内容中使用到 z 值
如果你没有 Facebook 直接输入 0 但是要注意
这并不表明你的 z 值将是 0 你需要去计算
并得出结果 我会知道你是否正确地计算了该值