使用方法（3步）
- Pick a mode: from mean & SD, from a score list / frequency table, or reverse from a target percentile/deviation score.
- 输入您的分数或粘贴数据。如果您使用经验数据，请选择 SD 类型（总体/样本）和平局处理。
- 结果自动更新：偏差分数、百分位数、最高百分比和提供队列大小时的估计排名。复制要共享的结果或 URL。
数字仅在您的浏览器中处理。接受小数和负值。
快速预设
输入
结果会在您键入时自动更新。百分位数基于模式 A/C 中的正态近似和模式 B 中的经验计数。
偏差分数 & percentile
--
偏差分数
—
百分位数（分数 ≤ x）
—
最高百分比
—
z 分数
—
预计排名
—
所需分数
—
数据计数
—
意思是
—
标准差
—
最小/最大
— · —
正态近似
—
百分位显示为分数 ≤ x。前 % = 100 − 百分位数。
计算方法
- z 分数：z =（分数 - 平均值）/SD。偏差分数（T 分数/hensachi）= 50 + 10 × z。
- 百分位（正态近似）：Φ(z) × 100。Φ 使用基于 erf 的近似，并带有 |error| ≤ 1e-6。
- 经验百分位数（数据模式）：选择平局处理 - 最小值（低于/N）、中位（（低于 + 0.5×平局）/N）、最大（（低于 + 平局）/N）。
- 目标→分数：百分位数使用逆标准正态CDF，在z ∈ [−10, 10]中搜索； 0 和 100 被剪掉。
- 估计排名（可选）：floor((1 − 百分位数/100) × N) + 1，剪裁为 1..N。
常问问题
我应该使用总体标准差还是样本标准差？
若数据为全体样本，优先用总体标准差；样本估计时可选择样本标准差以减少偏差。
百分位数的平局处理是怎样的？
可选择不同约定（严格低于、含并列平局、含等于）来匹配不同学校/行业口径。
可以从百分位数反算目标分数吗？
支持。输入分布信息与目标百分位，即可反推理论分数值范围。
结果是否本地计算？
是的，所有公式计算在浏览器端执行，不会上传你的个人分数列表。
数据量越大是否越慢？
正常范围内性能稳定；若一次粘贴数据过长，可先合并筛选再计算以减少视图渲染负担。
Ad
评论
仅在需要时加载评论。