Z =（x-μ）/ σ
μ为均值，σ为标准差。
以下是R中将z-score转为p.value的方法：
pnorm(q, mean = 0, sd = 1, lower.tail = TRUE)
q就是z-score；
个人最常用的是双边检验（two-tailed test).
变量= { , , … , } 经 Z-Score 处理后的变量为= { , , … , }，其中：
数据格式为 样本×变量 ，即行为样本，列为变量。group 列代表样本分类 label。
为了适配 z-score 得分图支持的数据格式，需要对原有数据格式做一步格式转化：
转化后的数据格式：
标准正态分布下mean=0，sd=1 95%置信区间为[mean-1.96*sd,mean+1.96*sd] 即左侧概率和为97.5%的数据减去左侧概率和为2.5%的数据，期间的数据概率即为95%的置信区间。那为什么是1.96倍呢，先看两个函数dnorm 中的 d 表示 density ， norm 表示正态分布，这个函数是正态分布的 概率密度(probability density)函数 。 给定x，μ和σ后， dnorm() 这个函数返回的就是会返回上面的这个公式的值，如果是标准正态分布，dnorm(n,mean=0,sd=1)输出就是当取n时的概率值，就是正态分布图当x=n时y的值。 pnorm函数中的p表示Probability，它的功能是，在正态分布的PDF曲线上，返回从负无穷到q的积分，其中这个q指的是一个Z-score，x=(mean+Z-score*sd)时的Z-score。现在我们大概就可以猜测出pnorm(0)的值是0.5，因为在标准正态分布曲线上，当Z-score等于0时，这个点正好在标准正态分布曲线的正中间，那么从负无穷到0之间的曲线面积就是整个标准正态分布曲线下面积的一半，pnorm(n,mean=0,sd=1)输出从负无穷到mean+sd*n的概率总和 用的最多的是3倍sd,相当于在正态分布落在3倍sd区间的概率为99.73002%，落在1.96倍sd区间的概率为95.00042% 那怎么求标准正态分布下0.975%，0.025%对应的Z-score呢，利用qnorm函数，非标准正态下不能这么求，因为qnorm函数输入的是分位值。或者查询正态分布表。 rnorm()函数的功能用于生成一组符合正态分布的随机数，在学习各种统计学方法时，rnorm这个函数应该是最常用的，它的参数有n,mean，sd，表示随机生成n个正态分布均值为mean标准差为sd时的一组数据，如下所示： 当出现如图所示的分布，近似正态分布，但是左右胖瘦不太一致时，这是现实中普遍存在的分布情况，如高通量测序过程中的碱基GC分布，这种情况求95%区间的方法 -先求取左侧部分的sd,但是要补足右侧对称的数据 -同样求右侧部分的sd,同时补足左侧对称的数据 -用最高密度值时max_gc值加减1.96倍左右侧的sd 做出效果如图
