z分数计算器
输入原始值、均值与标准差，z分数计算器可计算标准分、百分位和尾概率，也能由z分数或百分位反查原始分，并换算T分数、离差智商与标准九。
最常用：给出原始值与这批数据的均值、标准差，算 z 分数与百分位。
要标准化的那个数，如你的考试分数、某次测量值、某个身高体重数值。
这批数据的平均水平，如班级平均分、人群平均身高。
必须大于 0，衡量数据分散程度。手里只有方差请先开方；只有原始数据请切到「一组数据求 z」。
z =（85 − 72）÷ 8 = 1.625，高于平均 1.625 个标准差；在正态分布假设下大约超过 94.79% 的数据，即处在第 94.791872 百分位。
略偏离均值：落在 1σ 与 2σ 之间，高于平均水平已经看得出来，但还称不上异常——正态分布下约 27.18% 的数据在这一档（两侧合计）。 按更高一侧的尾概率 0.052081 计，约每 19 个里出现 1 个。
换算到常用标准分量表：
怎么用
- 选计算方向：默认「已知 μ、σ 求 z」：手上有一个分数和这批数据的平均数、标准差，就用它。想知道「排到前 5% 需要考多少分」选「反查原始值 x」；只有一串原始数据、还没算过平均数和标准差，选「一组数据求 z」。
- 填均值 μ 与标准差 σ：μ 是这批数据的平均水平（班级平均分、人群平均身高），σ 衡量数据的分散程度，必须大于 0。手里只有方差要先开方；成绩单上给的「标准差」直接填即可。「一组数据求 z」模式下这两项由工具自动算出，不用填。
- 填要标准化的值 x：填你要考察的那个原始数值，如自己的分数、某次测量结果。反查模式则改填百分位（如 95 表示超过 95% 的人）或直接填 z 分数（可正可负，负数表示在平均水平以下）。
- 读结果：顶部是 z 分数（反查模式为原始值 x），下面给出对应百分位、上下尾概率、双侧尾概率、离均差，以及 |z| 所处的档位解读和「约每几个里出现 1 个」的稀有度；最后一栏把同一个 z 换算成 T 分数、离差智商与标准九，方便和常见量表对照。双侧尾概率只有在满足检验前提时，才能解释为双侧 z 检验的 p 值。
核心要点
z 分数（z-score，又叫标准分）表示一个原始值距离均值有几个标准差。 输入 x、μ、σ 可直接计算 z；已知 z 或百分位时也能反查原始值。 百分位和尾概率的解释依赖近似正态分布，比较不同成绩时还要使用可比的参照群体。
- 公式：
z =（x − μ）÷ σ； 如 μ = 72、σ = 8、x = 85，则z = 1.625，即高于平均 1.625 个标准差。 - 百分位与反查：
百分位 = Φ(z) × 100，x = μ + z × σ。想进前 5%（百分位 95）取z ≈ 1.645，对应x ≈ 85.2。 - 结果解读：z 的正负表示高于或低于均值，绝对值表示偏离程度； 双侧尾概率只有在满足检验前提时，才能解释为双侧 z 检验的 p 值。
- 口径：σ 除以 n（总体）还是 n−1（样本）会影响 z， 小样本尤其明显，工具两种口径都给。
- 边界：σ 必须大于 0；算 z 本身不要求正态分布， 但把 z 换成百分位或尾概率时需要近似正态，偏态数据更适合结合实际排名判断。
原理与公式
z 分数（z-score，又叫标准分、标准得分、standard score） 把一个原始数值换算成「它离平均数几个标准差」。原始分数只有放回它所在的 那批数据里才有意义——85 分是高是低，取决于平均分和大家分数的分散程度， z 分数正是把这两件事一次性折进去。
公式：由 x 求 z
z =（x − μ）÷ σ
其中 x 是原始值，μ 是这批数据的均值，σ 是标准差（必须大于 0）。分子 x − μ 叫离均差， 分母把它换算成以标准差为单位的长度。经过这一步，任何一批数据都被搬到均值为 0、标准差为 1 的同一把尺子上，这也是它能跨科目、 跨量表比较的原因。
公式：由 z 或百分位反求 x
x = μ + z × σ
若已知的是百分位 P，先由标准正态分位数得到 z = Φ⁻¹(P/100)，再代入上式。常用值：P = 90 → z ≈ 1.2816，P = 95 → z ≈ 1.6449，P = 97.5 → z ≈ 1.9600，P = 99 → z ≈ 2.3263。
从 z 到百分位
当数据近似服从正态分布时，P(Z ≤ z) = Φ(z)， 百分位就是 Φ(z) × 100；上尾概率 P(Z ≥ z) = 1 − Φ(z) 表示「比它更高的比例」， 双侧尾概率 2Φ(−|z|) 就是双尾 z 检验的 p 值。 常用对照如下：
| z | 百分位 | 上尾 P(Z ≥ z) | 双侧 p 值 |
|---|---|---|---|
| 0 | 50.00% | 50.00% | 1.000 |
| 1 | 84.13% | 15.87% | 0.317 |
| 1.28 | 89.97% | 10.03% | 0.201 |
| 1.645 | 95.00% | 5.00% | 0.100 |
| 1.96 | 97.50% | 2.50% | 0.050 |
| 2 | 97.72% | 2.28% | 0.046 |
| 2.576 | 99.50% | 0.50% | 0.010 |
| 3 | 99.87% | 0.13% | 0.0027 |
z 为负数时对称：Φ(−z) = 1 − Φ(z)，如 z = −1.645 对应第 5 百分位。
算例一：一次考试
班级平均分 μ = 72，标准差 σ = 8，你考了 85 分：
z =（85 − 72）÷ 8 = 1.625，Φ(1.625) ≈ 0.9479 → 约在第 94.79 百分位， 换算成 T 分数为 50 + 10 × 1.625 = 66.25。
算例二：跨科目比较
语文 85 分（μ = 78、σ = 6）→ z ≈ 1.17； 数学 78 分（μ = 60、σ = 15）→ z = 1.20。 原始分语文更高，标准分却是数学略胜——因为数学这次整体偏难、分数更分散， 78 分在群体中的位置更靠前。
算例三：由一组数据直接算
数据 2, 4, 4, 4, 5, 5, 7, 9：μ = 5， 总体标准差 σ = 2，样本标准差 s ≈ 2.1381。 求 x = 9 的 z：按总体口径 z = 4 ÷ 2 = 2， 按样本口径 z = 4 ÷ 2.1381 ≈ 1.8708。 同一个数、同一批数据，口径不同结论的强度就不同，这也是报告里必须写清 用的是 σ 还是 s 的原因。
换算到常用标准分量表
- T 分数：
T = 50 + 10z， 教育与心理测验常用，把负数和小数都变成好读的两位数。 - 离差智商：
IQ = 100 + 15z，韦氏量表刻度， IQ 130 即z = 2、约第 97.7 百分位。 - 标准九：
S = 5 + 2z四舍五入并截断在 1～9， 用九个等级粗分档次。
适用条件与常见坑
- 算 z 不需要正态，翻译成概率才需要： 偏态数据（收入、等待时间）的 z 依然可算，但对应的百分位与 p 值会失真。
- 小样本下 z 有天花板：样本量为 n 时任何观测的 |z| 最大只有
(n − 1)/√n，n = 10 时约 2.85——此时用「|z| > 3 判离群」 等于永远判不出，应改用基于中位数与 MAD 的修正 z 分数或 Grubbs 检验。 - μ、σ 必须来自同一参照群体：换了考试、换了年级， μ 与 σ 都变，跨群体的 z 不可直接比较。
- σ = 0 无法计算：所有数据完全相同时没有分散度， z 分母为 0，工具会直接提示而不是给出无穷大。
精度：本工具用十进制高精度运算（decimal.js）完成 (x − μ)/σ、μ + zσ 与数据集的均值、平方和， 不产生浮点误差；Φ(z) 与 Φ⁻¹(p) 采用双精度特殊函数（相对误差约 1e-15）。 远尾概率直接从所在一侧算出，因此 P(Z ≥ 10) = 7.62e-24 这样的极小值不会被「1 减」抹成 0。全部计算在浏览器本地完成，数据不上传。
常见问题
- z分数怎么算？标准分公式是什么？
- 公式只有一步：z =（x − μ）÷ σ，即先算原始值离平均数差多少（离均差 x − μ），再看这个差距相当于几个标准差。例如班级平均分 μ = 72、标准差 σ = 8，你考了 85 分，则 z =（85 − 72）÷ 8 = 1.625，意思是你比平均分高出 1.625 个标准差。z 是正数说明高于平均，负数说明低于平均，等于 0 说明正好在平均线上；z 本身没有单位，所以原始数据是分数、厘米还是毫克都不影响算法。本工具用高精度十进制代入公式，(x − μ)/σ 除不尽时按 6 位小数显示。
- z分数对应的百分位怎么查？z = 1.5 是超过了百分之多少的人？
- 把 z 代入标准正态分布的累积概率 Φ(z)，再乘 100 就是百分位。z = 1.5 时 Φ(1.5) ≈ 0.9332，即约超过 93.32% 的人，处在第 93.32 百分位，比你高的只有约 6.68%。几个常用对照：z = 0 → 50%，z = 1 → 84.13%，z = 1.28 → 90%，z = 1.645 → 95%，z = 1.96 → 97.5%，z = 2 → 97.72%，z = 3 → 99.87%；z 为负数时对称，如 z = −1 → 15.87%。工具直接给出百分位，不用再查标准正态分布表。注意这一换算的前提是数据近似服从正态分布，偏态明显的数据（如收入）算出的百分位会失真。
- z分数多少算异常值？用 |z| > 2 还是 |z| > 3 判定离群值？
- 常见做法是把 |z| > 2 当作「值得关注」、|z| > 3 当作「疑似离群值」：正态分布下落在 μ ± 2σ 之外的只占约 4.55%，落在 μ ± 3σ 之外的只占约 0.27%（约每 370 个里 1 个）。但两个前提要注意：一是数据得近似正态，否则这条线没有意义；二是小样本下 z 分数存在上限，NIST 统计手册指出样本量为 n 时任何一个观测的 |z| 最大只能到 (n − 1)/√n——n = 10 时上限约 2.85，再离谱的点也够不到 3，此时用 |z| > 3 筛查等于永远筛不出来。样本较小或本身可能含多个异常点时，NIST 推荐改用基于中位数与 MAD 的修正 z 分数（|M| > 3.5 判为可疑），或用 Grubbs 等正式的离群值检验。
- 算z分数用样本标准差还是总体标准差？除以 n 还是 n−1？
- 看这组数据的身份：如果它就是你研究的全部对象（如全班 45 人的成绩，你只关心这 45 人），用总体标准差 σ，平方和除以 n；如果它只是从更大群体里抽出来的样本、你想借它推断整体，用样本标准差 s，平方和除以 n−1（贝塞尔校正），这也是统计课与 Excel STDEV 系列函数的默认口径。两者算出的 z 不同：n 越小差别越大，n = 8 时 s 比 σ 大约 7%，对应 z 会小约 7%；n 上百之后差别可忽略。本工具的「一组数据求 z」模式同时给出 σ 与 s，并可一键切换口径，方便与老师或论文要求的口径对齐。
- 已知百分位怎么反查原始分数？想进前 5% 至少要考多少分？
- 把公式反过来解：x = μ + z × σ，其中 z 由目标百分位查标准正态分位数得到。想进前 5%，即要超过 95% 的人，对应 z ≈ 1.645；若这门课平均分 μ = 72、标准差 σ = 8，则 x = 72 + 1.645 × 8 ≈ 85.2 分。工具的「反查原始值 x」模式填 95 即可直接得到这个分数，也可以直接填 z 分数反算。注意「前 5%」对应百分位 95（上侧），而不是 5；如果想算「垫底 5% 是多少分」，百分位填 5，得到的 z 为负数。
- z分数和T分数、标准九、离差智商怎么换算？
- 它们都是把同一个 z 搬到另一套刻度上，换算式统一为「量表分 = 量表均值 + 量表标准差 × z」：T 分数 = 50 + 10z，韦氏离差智商 = 100 + 15z，标准九 = 5 + 2z（四舍五入后截断在 1～9）。例如 z = 1.5 对应 T = 65、离差智商 = 122.5、标准九 = 8。T 分数常用于教育与心理测验，可将多数常见 z 值移到更易读的正数刻度，但结果仍可能有小数。这类线性变换不改变相对位置和对应百分位。
- 不同科目、不同考试的成绩能用z分数比较吗？需要什么前提？
- 这正是 z 分数最典型的用途：语文 85 分（μ = 78、σ = 6，z = 1.17）和数学 78 分（μ = 60、σ = 15，z = 1.2）看原始分是语文高，换成标准分后数学反而略强，因为它在各自群体中的相对位置更靠前。前提有三个：一是两次成绩的参照群体要有可比性（同一届、同一批考生），换了群体 μ 与 σ 都变，z 不能直接对比；二是各科分布不能过于偏态或有明显分数天花板（满分扎堆会压缩 σ，把 z 抬虚）；三是 μ 与 σ 要来自同一次考试的实际统计量，不能拿往年数据凑。满足这些条件时，比较 z 或换算后的 T 分数都可以，结论一致。
- 数据不服从正态分布还能算z分数吗？z-score标准化和这里的z分数是一回事吗？
- z =（x − μ）÷ σ 这一步对任何数据都能算，它只是「离平均几个标准差」的度量，不要求正态；机器学习里的 z-score 标准化（StandardScaler、数据无量纲化）用的就是同一个式子，目的是把不同量纲的特征拉到同一尺度。需要正态假设的是后一步——把 z 翻译成百分位、尾概率、p 值：只有近似正态时 Φ(z) 才对得上真实比例。偏态数据（收入、等待时间、点击量）建议先做对数等变换，或改用百分位排名、四分位距等稳健方法；只想做标准化的话，直接取本工具给出的 z 即可，忽略百分位一栏。