交易金額 3200 元的 Z 分數是多少？
某金融科技公司以 Z 分數（Z-Score）監控交易金額異常狀況。若交易金額平均為新台幣 2,000 元，標準差為 400 元，某筆交易金額為 3,200 元，且公司以|Z| ≥ 3 判定為異常值（Outlier），下列判斷何者最為正確？
一家金融科技公司用 Z 分數來監控每筆交易是否異常。已知交易金額的平均值是 2,000 元，標準差是 400 元。有一筆交易金額是 3,200 元。公司規定 Z 分數的絕對值超過 3 才算異常值。
問你：這筆 3,200 元的交易，Z 分數是多少？這筆交易算不算異常值？
一句話總結
代入公式：Z = (3200 - 2000) / 400 = 1200 / 400 = 3。Z 分數 = 3，公司門檻是 |Z| ≥ 3，剛好到門檻，應標記為異常值。
先感受問題：這筆交易「比平均高多少個標準差」
富通金融科技的風控系統自動掃描每一筆交易。
大多數使用者的消費金額平均是 2,000 元，波動（標準差）是 400 元。
今天有一筆交易：3,200 元。風控員小莉要判斷：這筆交易「高到不尋常」嗎？
直接看「比平均高 1,200 元」沒有基準。但換算成 Z 分數：這 1,200 元的差距，是標準差的幾倍？這個「倍數」就是 Z 分數，提供了統一的相對基準。
公司規定 |Z| ≥ 3 才標記異常，這表示「偏離平均超過 3 個標準差」才觸發警報，在常態分佈下大約只有 0.27% 的正常交易會觸發，誤報率極低。
不用 Z 分數監控異常，有哪些問題
- 固定金額門檻不夠彈性：設「超過 5,000 元才異常」，對低單價商品交易（平均 500 元）是太寬鬆，對高單價商品（平均 8,000 元）卻是太嚴格。固定門檻無法適應不同商品或不同用戶群的消費模式。
- 百分比門檻忽略分佈形狀：設「超過平均的 150%」，但沒考慮資料的分散程度（標準差），對高度集中的分佈（標準差小）過於寬鬆，對分散的分佈（標準差大）過於嚴格。
- 多特徵異常無法比較：要同時監控「交易金額」「交易次數」「時間間隔」，這些特徵單位不同，無法直接比較哪個更異常。Z 分數統一成相對標準差的尺度，可以跨特徵比較。
- 季節性波動造成誤報：年節期間消費增加是正常現象，固定門檻會大量誤報。Z 分數如果根據近期資料動態更新均值和標準差，就能自動適應季節效應。
- 不知道門檻對應的統計意義：固定門檻「3,000 元」的觸發率在不同時間、不同商品下完全不同，難以評估系統的誤報率和漏報率。Z 分數的門檻有對應的常態分佈機率，可以精確控制誤報率。
代入 Z 分數公式：一步算出 3,200 元是幾個標準差
富通金融科技的風控員小莉套用公式：
Z = (X - μ) / σ = (3200 - 2000) / 400 = 1200 / 400 = 3
Z 分數 = 3，意思是：這筆 3,200 元的交易，比平均值高出整整 3 個標準差。
判斷：公司門檻是 |Z| ≥ 3。Z = 3，剛好達到門檻（3 ≥ 3 成立），應標記為異常值。
注意：題目選項 A 說「Z = 3，應標記為異常值」，這是完全正確的陳述。Z = 3 不是「快到但還沒到」，而是「剛好等於門檻」，條件 |Z| ≥ 3 中的「≥」包含等號，所以應該標記。
這就是選項 A 講的：該筆交易的 Z 分數為 3，應標記為異常值。
技術版：Z 分數異常偵測的完整計算流程
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
想像全公司員工的身高，平均 170 公分，大多數人在 160-180 之間。如果有人說身高 210 公分，我們會驚訝；如果有人說 172 公分，完全正常。
Z 分數就是把這個「驚訝程度」量化。「比平均差多少」除以「通常的波動範圍（標準差）」，得到一個純數字，告訴你這個值有多稀有。
風控系統的做法：算出每筆交易的 Z 分數，超過設定門檻（例如 3 個標準差）就觸發警報。3 個標準差外的事件在常態分佈下只有 0.27% 的機率，非常稀有，值得調查。
| 白話說法 | 公式 / 數值 |
|---|---|
| Z 分數公式 | Z = (X - μ) / σ |
| 本題代入 | Z = (3200 - 2000) / 400 = 3 |
| 異常判斷條件 | |Z| ≥ 3 → 異常；|Z| < 3 → 正常 |
| Z = 3 的統計意義 | 常態分佈下，|Z| ≥ 3 的機率 ≈ 0.27% |
- X
- 這筆資料的原始值，本題 = 3,200 元
- μ（mu）
- 母體或樣本的平均值，本題 = 2,000 元
- σ（sigma）
- 標準差，衡量資料的分散程度，本題 = 400 元
- Z
- Z 分數（標準分數），表示 X 偏離平均值幾個標準差，本題 = 3
- |Z|
- Z 分數的絕對值，不管正負都看距離，本題 = 3
已知： X（這筆交易金額）= 3,200 元 μ（平均交易金額）= 2,000 元 σ（標準差） = 400 元 異常門檻：|Z| ≥ 3 計算 Z 分數： Z = (X - μ) / σ Z = (3,200 - 2,000) / 400 Z = 1,200 / 400 Z = 3 判斷異常： |Z| = |3| = 3 3 ≥ 3 → 條件成立 → 標記為異常值 ✓ 反向驗算（選項 B 的 Z=2.5 是哪個金額？）： X = μ + Z × σ = 2000 + 2.5 × 400 = 2000 + 1000 = 3,000 元 （不是 3,200 元，所以 B 錯）
- 平均 5,000 元，標準差 800 元，某筆 7,400 元，Z 分數是多少？
- Z = -2 代表這筆交易在平均值的哪個方向？
- 為什麼 |Z| ≥ 3 是常見的異常門檻，不是 2 或 4？
- 如果市場劇烈波動導致標準差從 400 變成 600，同樣是 3,200 元的交易，Z 分數會怎麼改變？是否仍會觸發異常？
- Z 分數監控的前提假設是什麼？如果資料不是常態分佈會怎樣？
為什麼其他選項是錯的
B該筆交易的 Z 分數為 2.5，屬於合理變異範圍
Z = 2.5，沒有達到 3 的門檻，所以算正常。
算術計算錯誤。Z = (3200 - 2000) / 400 = 1200 / 400 = 3，不是 2.5。Z = 2.5 對應的金額是 2000 + 2.5 × 400 = 3,000 元，而不是 3,200 元。這個選項是用來測試考生是否真的代入公式計算，而不是憑感覺估計。
沒有把數字帶入公式，而是看到「3,200 比 2,000 多了 1,200，差不多 2-3 倍標準差」就猜 2.5 的人。計算題一定要算，不能憑感覺。
C該筆交易的 Z 分數為 2，顯示模型標準差估計過高
Z = 2，而且後面還加了一句對標準差估計的評論。
Z = 2 對應的金額是 2000 + 2 × 400 = 2,800 元，不是 3,200 元。計算本身就錯了，後面「標準差估計過高」的說法更是無中生有的評論，題目沒有給任何資訊可以判斷標準差估計是否過高。
計算錯誤且被額外的「技術說法」誤導的人。這種選項刻意加上聽起來合理的評論（「標準差估計過高」），讓考生覺得「分析很深入」而選錯。
D該筆交易的 Z 分數為 1.5，無須納入異常檢測
Z = 1.5，遠低於門檻 3，不需要處理。
Z = 1.5 對應的金額是 2000 + 1.5 × 400 = 2,600 元，不是 3,200 元。計算嚴重錯誤。這個選項測試的是：考生是否真的代入正確數字，還是隨便寫一個「感覺合理」的小數值。
沒有計算習慣，或把除數和被除數搞錯（例如算成 400/1200 = 0.33 而非 1200/400 = 3）的人。
同個考點下次怎麼變形
平均 5,000 元，標準差 800 元，某筆交易 7,400 元，Z 分數是多少？是否異常（|Z| ≥ 3）？
套公式算就好。
Z = (7400 - 5000) / 800 = 2400 / 800 = 3。|Z| = 3 ≥ 3，應標記為異常值。和本題數字不同但結論相同：剛好在門檻上。
如果把異常門檻從 |Z| ≥ 3 改為 |Z| ≥ 2.5，這筆 3,200 元的交易會有什麼不同？
門檻降低，是否更容易觸發？
Z = 3，無論門檻是 2.5 還是 3，這筆交易都會觸發（3 ≥ 2.5 且 3 ≥ 3）。門檻降低意味著更多「偏高但未必真的異常」的交易也會被標記，誤報率（False Positive）上升，但漏報率（False Negative）降低。風控策略就是在兩者之間取捨。
Z 分數監控的前提假設是什麼？如果資料嚴重右偏（很多大額交易），Z 分數還適用嗎？
Z 分數好像假設資料是常態分佈？
Z 分數的計算本身不需要常態分佈，但用「|Z| ≥ 3 對應 0.27% 機率」這個統計意義時，才需要常態假設。如果資料嚴重右偏（高峰值、長尾），Z = 3 對應的實際機率可能比 0.27% 高很多，門檻的統計意義就不準確。這時應考慮先對資料做對數轉換（Log Transform），或改用 IQR（四分位距）方法偵測異常值。
Z 分數異常偵測和 IQR 方法有什麼差別？
有其他偵測異常值的方法嗎？
Z 分數使用均值和標準差，對離群值本身很敏感（一個極端值就會大幅拉高均值和標準差，影響所有資料的 Z 值）。IQR（四分位距）法使用中位數和第 25、75 百分位，對離群值不敏感，更穩健。規則是：小於 Q1 - 1.5×IQR 或大於 Q3 + 1.5×IQR 視為異常。資料有極端值時，IQR 比 Z 分數更可靠。
動態門檻（滾動均值和標準差）比靜態門檻有什麼優勢？
均值和標準差應該隨時間更新嗎？
靜態門檻用歷史全體資料算一次均值和標準差，不會隨時間更新，無法適應消費趨勢（通膨、促銷）或季節性波動。動態門檻用最近 N 天的滾動視窗更新均值和標準差，年節期間正常消費增加時，均值上升，Z 分數不會誤報；而真正異常的大額交易，相對於近期均值的 Z 分數仍會高。
想再往下看，這 5 個
- Z-score（Z 分數）核心考點，把原始值轉成「距離平均幾個標準差」的標準化指標，金融風控常用。
- 異常偵測（Anomaly Detection）Z 分數是最基礎的統計異常偵測方法，|Z| ≥ 3 是常見的門檻設定。
- 正規化（Normalization）Z 分數標準化（Standardization）是資料前處理的核心步驟，讓不同特徵可以比較。
- 描述性統計（Descriptive Statistics）均值、標準差是計算 Z 分數的兩個核心統計量，描述資料的集中和分散程度。
- 常態分佈（Normal Distribution）Z = 3 對應常態分佈 0.27% 的機率，理解常態分佈讓 Z 分數門檻有統計依據。