z 分数到底在说什么
z 分数只回答一个问题：这个值离平均值有多少个标准差？它是统计里的"通用尺子"——身高 180 厘米、考试 1150 分、配送用时 42 分钟，只要换算成 z，就能放在一起比较。公式只有一次减法和一次除法：z = (x − μ) ÷ σ。
怎么读这个数字
- z = 0 表示正好等于平均值；z = +1 表示比平均值高一个标准差。
- 百分位来自正态曲线：z = 1 对应 84.13% 的人低于这个值、15.87% 高于；z = 1.96 对应 97.5%，这正是 1.96 成为经典 95% 双侧临界值的原因。
- z = 2 对应 97.72%（约 44 人中有 1 人更高），z = 3 对应 99.87%（约 741 人中有 1 人）。
- 68–95–99.7 法则是速记版：正态分布下 ±1σ 覆盖 68.3%，±2σ 覆盖 95.4%，±3σ 覆盖 99.7%。
标准化为什么有用
两个学生都考 85 分，但难度不同。A 卷平均 70、标准差 10，B 卷平均 60、标准差 15，两人的 z 分别是 1.5 和 1.67——第二个成绩其实更突出，尽管卷面分数看起来相反。同样的逻辑可以用来比较不同年龄儿童的身高体重、把质检样本和工艺均值对比，以及任何"这个数算不算异常"比数值本身更重要的场合。
百分位与反向计算
反过来算同样常见："想进前 10% 需要多少分？"先取正态分布 90% 分位对应的 z = 1.282，再用 x = μ + zσ 换算。平均 100、标准差 15 的考试，就是 100 + 1.282 × 15 = 119.2 分。工厂设定规格上下限、招生办把百分位目标换算成分数线，用的都是这一步。
什么时候不该用 z 分数
三点提醒。偏态：收入、等待时间这类严重偏斜的数据，正态百分位是错的，应该直接用数据中的实际百分位。小样本：样本少于约 30 个时，标准差本身就不稳定，用尾巴更厚的 t 分布得到的概率更诚实。非正态分布：像 1~5 分的满意度评分这种有界量表，绝大多数人集中在两三个档位，z 分数几乎提供不了额外信息。
只有均值和标准差也能算
如果你手上只有"均值 100、标准差 15"这样的摘要数据，依然可以回答比例类问题——下面的表格就是为此准备的。找到你对应的 z 那一行，读累计比例即可；如果要求两个 z 之间的比例，用大的累计比例减去小的；如果区间跨过均值，就把两侧距离 0.5 的差值相加。
常见问题解答
z 分数用大白话怎么解释？
就是"这个值离平均值有多少个标准差"。平均 100、标准差 15 的考试中考了 115 分，z 就是 +1，说明成绩大约高于 84% 的考生。
z 分数怎么换成百分位？
查正态曲线即可：Φ(1) = 84.13%，Φ(1.645) = 95%，Φ(1.96) = 97.5%，Φ(2) = 97.72%。页面下方的表格给出了 z 从 −4.0 到 4.0 每 0.1 一档的累计比例，输入任意 z 也能直接算出来。
90% 分位对应多少 z？
z = 1.282。要换算成分数就用 x = μ + zσ：均值 100、标准差 15 的量表上，90% 分位是 100 + 1.282 × 15 = 119.2 分，95% 分位是 100 + 1.645 × 15 = 124.7 分。
为什么统计里总用 1.96？
因为 Φ(1.96) = 0.975：正态分布中高于它的占 2.5%、低于 −1.96 的也占 2.5%，中间正好剩下 95%。这就是常见的 95% 置信区间"均值 ± 1.96 个标准误"的来源。
什么时候该用 t 分布而不是 z？
样本量小（大约少于 30 个）或者总体标准差未知、只能用样本估计时。t 分布的尾巴更厚，给出的区间更宽、p 值更大——在你对 σ 的估计本身就不确定时，这才是更诚实的答案。
z 可以是负数吗？负数是不是不好？
可以，负数只表示低于平均值——z = −0.5 很普通，大约高于 31% 的总体。判断"是否异常"只看绝对值：|z| 大于 2 就不常见，大于 3 时建议先检查数据有没有录错，再下结论。