正态分布与 z 分数：百分位到底怎么读

很多自然与测量结果呈钟形：中间多、两边少、大致对称，由均值 μ（中心）与标准差 σ（宽度）完全决定。

σ 越大，曲线越扁、数据越分散。均值和标准差相同，整条曲线就相同——这就是为什么只报均值不够，必须同时报离散程度。

• 约 68.3% 的数据落在 μ ± 1σ 内
• 约 95.4% 落在 μ ± 2σ 内
• 约 99.7% 落在 μ ± 3σ 内

所以"超过均值 2 个标准差"意味着大约只有 2.3% 的人比你高（(100 − 95.4) ÷ 2 ≈ 2.3%）。注意要除以 2，因为只算单侧尾巴。

z = (x − μ) ÷ σ，意思是"离均值几个标准差"。常用对应：

• z = 0 → 50% 百分位
• z = 1 → 84.1%
• z = 1.5 → 93.3%
• z = 1.96 → 97.5%（双侧 95% 的临界值）
• z = −1 → 15.9%

全班均值 70 分、标准差 10 分，你考了 85：

z = (85 − 70) ÷ 10 = 1.5 → 约 93.3 百分位，即高于约 93% 的同学。

若另一班均值 75、标准差 5，同是 85 分则 z = 2 → 97.7 百分位。同样的分数，在不同班里含义完全不同——这就是为什么看排名不能只看原始分。

• 分布明显偏态：收入、房价、停留时长是右偏的，用正态换算百分位会严重失真。
• 样本很小：十几个数据点估出的 σ 不稳定，z 分数也就不可靠。
• 有极端值：一个异常值会同时抬高均值和 σ，把其他人的 z 分数压扁。
• 数据不独立：重复测量同一批人，标准误与分布假设都不同。

更稳妥的做法：数据量大时直接看经验百分位（排序后数位置），它不依赖任何分布假设。