ZačátečníkKoncepty·6 min

Empirické pravidlo 68-95-99,7 vysvětleno

Zvládněte empirické pravidlo (pravidlo 68-95-99,7) pro normální rozdělení. Naučte se rychle odhadovat pravděpodobnosti a identifikovat odlehlé hodnoty pomocí směrodatné odchylky.

Co je empirické pravidlo?

Empirické pravidlo (nazývané také pravidlo 68-95-99,7 nebo pravidlo tří sigma) je zkratka pro zapamatování procenta hodnot v normálním rozdělení, které spadají do 1, 2 a 3 směrodatných odchylek od průměru.

68 %

v rámci ±1σ

95 %

v rámci ±2σ

99,7 %

v rámci ±3σ

Vizuální rozbor

The Classic Bell Curve

Rozsah	Procento
μ ± 1σ	68,27 %
μ ± 2σ	95,45 %
μ ± 3σ	99,73 %

Praktické aplikace

Rychlé odhady pravděpodobnosti:Bez složitých výpočtů můžete odhadnout, že přibližně 95 % dat spadá do 2 směrodatných odchylek od průměru.
Detekce odlehlých hodnot:Datové body za hranicí 3σ se vyskytují v méně než 0,3 % případů, což z nich činí statistické odlehlé hodnoty hodné prošetření.
Kontrola kvality:Metodologie Six Sigma využívá toto pravidlo k nastavení prahů kvality a identifikaci procesních odchylek.

Řešené příklady

Příklad: Výsledky SAT

Výsledky SAT jsou normálně rozděleny s μ = 1050 a σ = 200. - 68 % výsledků spadá mezi 850 a 1250 (±1σ) - 95 % výsledků spadá mezi 650 a 1450 (±2σ) - 99,7 % výsledků spadá mezi 450 a 1650 (±3σ) Skóre 1450+ řadí studenta mezi nejlepší ~2,5 % účastníků testu.

Omezení

Funguje pouze pro normální rozdělení

Empirické pravidlo platí POUZE pro data, která sledují normální (Gaussovo) rozdělení. Pro zešikmená nebo nenormální data tato procenta neplatí. Před použitím tohoto pravidla vždy zkontrolujte, zda jsou vaše data normálně rozdělena.

How to Read This Article

A statistics tutorial is a practical interpretation guide, not just a formula dump. It refers to the assumptions, notation, and reporting language that analysts need when they explain a result to a teacher, manager, client, or reviewer. The article body covers the specific topic, while the sections below create a common interpretation frame that readers can reuse across related metrics.

Reading goal	What to focus on	Common mistake
Definition	What the metric is and what quantity it summarizes	Treating the formula as self-explanatory
Formula choice	Sample versus population assumptions and notation	Using n when n-1 is required or vice versa
Interpretation	Whether the result indicates concentration, spread, or risk	Calling a large value good or bad without context

Frequently Asked Questions

How should I interpret a high standard deviation?

A high standard deviation means the observations are spread farther from the mean on average. Whether that spread is acceptable depends on the context: wide dispersion might signal risk in finance, instability in manufacturing, or genuine natural variation in scientific data.

Why do some articles mention n while others mention n-1?

The denominator reflects the difference between population and sample formulas. Population variance and population standard deviation use N because the full dataset is known. Sample variance and sample standard deviation often use n-1 because Bessel’s correction reduces bias when estimating population spread from a sample.

What is a statistical interpretation guide?

A statistical interpretation guide is a page that moves beyond arithmetic and explains meaning. It tells you what a metric is, when the formula applies, and how to describe the result in plain English without overstating certainty.

Can I cite this article in a report?

You should cite the underlying authoritative reference for formal work whenever possible. This page is best used as an explanatory bridge that helps you understand the concept before quoting the original standard or handbook.

Why include direct citations on every article page?

Direct citations give readers a route to verify the definition, notation, and assumptions. That improves trust and reduces the chance that a simplified explanation is mistaken for the entire technical standard.

Authoritative References

These sources define the concepts referenced most often across our articles. Bessel's correction is a sample adjustment, variance is a squared measure of spread, and standard deviation is the square root of variance expressed in the same units as the data.