把任意值标准化、由 z 反推原始值,或从一组数据自动算出 μ 与 σ,附带左尾/右尾/双尾正态概率与百分位
- 本地处理
- 分类 计算度量
- 适合 买东西、做计划、训练或排期前,先算出大概范围。
x 在均值上方 1.5 个标准差处。
这个工具能做什么
三合一的标准分工具,全部在你浏览器里运行。模式一把原始值转成 z 分数:输入 x、均值 μ 和标准差 σ,返回 z = (x − μ) / σ,精确告诉你 这个值在均值上方还是下方、差了几个标准差。模式二做反向计算:给一个 z 分数,它重建出原始值 x = μ + z·σ,这正是把一个百分位目标换算回 分数线的做法。模式三接受你粘贴的一组数据,自动算出均值和标准差(可 在样本 n − 1 估计量和总体 n 除数之间切换),再把任意值放进这个分布里 打分。每个 z 都附上完整的标准正态概率,由 Φ(z) = ½(1 + erf(z/√2)) 算出:左尾 P(Z < z)、右尾 P(Z > z)、双尾 P(|Z| > |z|),以及百分位。 误差函数用 Abramowitz–Stegun 近似,精度约 1.5e-7,所以 z = 1.96 读 出来正是第 97.50 百分位,和统计表上一致。输入会同步到可分享的链接, 你输入的任何数据都不会离开页面。
工具细节
- 输入
- 文本 + 数值
- 页面会根据工具类型展示文本框、数值控件、文件选择或结构化输入。
- 输出
- 即时结果 + 复制
- 结果区优先给出可操作结果，支持项会显示复制、下载或可视化预览。
- 隐私
- 浏览器本地处理
- 主工具逻辑未发现外部 API 调用，输入通常留在当前标签页内处理。
- 保存 / 分享
- 可分享链接状态
- 关键设置会进入 URL，复制链接后别人能复现同一组参数。
- 性能预算
- 首屏 JS ≤ 10 KB
- 没有声明 WASM 依赖，适合快速打开和移动端使用。
- 适用场景
- 计算度量 · 学生
- 分类和职业标签用于推荐相关工具、组织内链，并帮助用户快速判断是否适合当前任务。
怎么用
-
1. 输入
把内容粘贴或拖入工具面板。
-
2. 处理
点击按钮,在浏览器内本地处理,文件不上传。
-
3. 复制 / 下载
一键复制结果或下载到本地。
Z 分数计算器 适合怎么用
适合快速估算、对比和规划数字,帮你在做最终决定前先有底。
适合计算任务
- 买东西、做计划、训练或排期前,先算出大概范围。
- 一次只改一个输入,对比不同方案。
- 把模糊假设变成能讨论的数字。
计算检查项
- 认真核对单位、日期、比例和取整方式。
- 健康、金融、税务、法律相关结果只能做规划参考,不能替代专业意见。
- 重要结果要保存输入条件,方便以后复算。
下一步可以接着做
这些入口会把当前任务接到更完整的工具链里。
真实使用场景
把两场不同考试的成绩标准化对比
一个学生期中考 78 分(μ = 70,σ = 8),期末考 85 分(μ = 80, σ = 10)。相对全班,哪次发挥更好?把 78/70/8 放进原始值 → z 模式 (z ≈ +1.0),再把 85/80/10 算一遍(z = +0.5)。期中才是更好的成绩: 它超过了约 84% 的同学,而期末只超过 69%。只看原始分(78 对 85) 会把你带偏。
把百分位目标换算成分数线
你要把奖学金门槛定在申请池的第 90 百分位,该标准化考试 μ = 1050、 σ = 150。第 90 百分位对应 z ≈ 1.2816。切到 z → 原始值模式,输入这个 z 以及 μ = 1050、σ = 150,工具返回分数线 ≈ 1242。任何考到 1242 及以上 的人就进了前 10%。
在质量控制批次里标出异常值
你有一列螺栓直径,规格规定偏离均值 ±3σ 以外即为次品。把测量值粘进 数据集模式,让它算出 μ 和 σ(用总体,因为这一批就是全部对象),再给 极端值打分。任何 |z| > 3 的读数都是值得挑出来的异常值,双尾概率 告诉你它自然出现的几率只有约 0.27%。
把 A/B 测试的提升解读成 z 分数
你的实验组转化率比对照组高出 2.6 个标准误。在任意能显示 z 字段的 模式里输入 z = 2.6,读双尾 P(|Z| > |z|) ≈ 0.93%。这低于常用的 5% 阈值,所以这个提升不太可能是噪声。单独看右尾概率在你的假设是单边 (实验组只可能更好)时也很有帮助。
看孩子的身高在生长曲线上的位置
儿科生长表在某个年龄给出 μ = 110 cm、σ = 5 cm。一个孩子量得 102 cm。 原始值 → z 模式返回 z = −1.6,百分位读出约 5.5,意味着这个孩子比 约 94% 的同龄人矮,这是一个值得进一步沟通的数值,而不是需要惊慌。 百分位把抽象的 z 翻译成了家长能听懂的语言。
常见踩坑
用错了除数。如果你的数据是更大总体的一个样本,要用 n − 1(样本)标准差;只有当你确实手握全部对象时才用 n(总体)除数。混用会让后面每一个 z 和百分位都带偏。
把百分位当成右尾。百分位是你这个值以下的左尾比例,所以 z 为 +2 是约第 97.7 百分位,而不是第 2.3。如果你想要的是上方的比例,请改看右尾 P(Z > z)。
数据明显不近似正态时仍盲信 z 分数。百分位映射假设是正态分布。对严重偏态或双峰的数据,z 仍能算出来,但由 Φ(z) 得到的百分位可能误导,先检查一下分布形状。
隐私说明
每一步计算(z 分数、反向计算、数据集的均值和标准差、误差函数,以及 所有正态分布概率)都是在你浏览器标签页里跑的纯 JavaScript。你输入的 任何值都不会被上传、记录,也不会发往任何外部 API。唯一要留意的:可分享 链接会把你当前的输入写进 query string(mode、x、μ、σ、z),所以你把 分享链接粘到别处时,对方服务器的访问日志会留下这些数字。做作业无所谓; 如果某个数值敏感,请手动复制结果,不要分享 URL。粘贴的数据集本身永远 不会写进 URL。
常见问题
类似工具组合
做你这行的人, 还会一起用这些。