Z分数能告诉你什么

Z分数用于衡量一个原始值与平均值之间的距离，以标准差为单位。如果一个值的Z分数为2，说明它比平均值高出两个标准差；如果Z分数为−1.5，则说明它比平均值低了一个半标准差。

计算公式为：

其中，$x$ 为原始值，$\mu$ 为平均值，$\sigma$ 为标准差。标准差必须为正数，因为它代表数据的分散程度。

如何解读正、负及零Z分数

• 正Z分数表示原始值高于平均值。
• 负Z分数表示原始值低于平均值。
• Z分数为零表示原始值与平均值完全相等。

数值的大小同样重要。接近0的Z分数说明该值靠近平均水平，而Z分数为2或−2则表示与中心相距较远。极大或极小的Z分数需要结合背景来解读：它们可能表明一个异常观测值、一个有意义的离群值，也可能只是该分布本身就预期会出现极端值。

从原始值到标准正态分布

标准化将原始值从其原始量纲转换为标准正态分布的量纲，即平均值为0、标准差为1的分布。这使得来自不同正态分布的测量值可以在同一尺度上进行比较。

一旦知道Z分数，就可以将其与标准正态分布联系起来：

• 左尾概率 $P(X \le x)$，是原始值左侧曲线下的面积。
• 百分位数是将左尾概率以百分比表示的结果。百分位数为84%，意味着约84%的正态分布值位于该点或其以下。
• 右尾概率 $P(X > x)$，是原始值右侧曲线下的面积。

这些概率依赖于正态模型。如果原始分布严重偏斜、存在多个峰值或包含极端离群值，正态概率的可靠性可能会降低——尽管Z分数公式本身仍能对值进行正确的标准化。

计算示例

假设某次考试成绩为 $x = 85$，全班平均分为 $\mu = 70$，标准差为 $\sigma = 15$。

该成绩比平均分高出一个标准差。在正态模型下，Z分数为1对应的左尾概率约为0.8413，即该成绩大约处于第84百分位数。右尾概率约为0.1587。

注意事项

• $\sigma$ 必须大于0。标准差为0意味着数据没有任何分散，Z分数公式将出现除以零的情况。
• 正态概率假设分布近似服从正态分布。Z分数本身只是一个标准化的距离，但百分位数和尾概率的解读使用的是正态曲线。
• 极端Z分数需要结合具体背景理解。在某些领域，超过3个标准差的值非常罕见；在另一些具有厚尾特性的领域，这类值则不那么罕见。

常见问题

Z分数越高越好吗？

不一定。Z分数越高只意味着该值比平均值高得越多。这究竟是好还是坏，取决于所测量的变量本身。考试分数高当然是好事，但血压偏高则可能是一个警示信号。

负Z分数意味着什么？

负Z分数表示原始值低于平均值。例如，$z = -2$ 表示该值比平均值低了两个标准差。

百分位数和概率是同一回事吗？

两者密切相关，但通常以不同方式表达。左尾概率是曲线下面积的小数形式，例如0.8413；百分位数则将相同的位置表示为百分比，例如第84百分位数。