ΑρχάριοιΈννοιες·6 min

Ο Εμπειρικός Κανόνας 68-95-99,7 Εξηγημένος

Κατακτήστε τον εμπειρικό κανόνα (κανόνας 68-95-99,7) για κανονικές κατανομές. Μάθετε πώς να εκτιμάτε γρήγορα πιθανότητες και να εντοπίζετε ακραίες τιμές χρησιμοποιώντας την τυπική απόκλιση.

Τι είναι ο Εμπειρικός Κανόνας;

Ο εμπειρικός κανόνας (γνωστός επίσης ως κανόνας 68-95-99,7 ή κανόνας τριών σίγμα) είναι ένας συνοπτικός τρόπος να θυμάστε το ποσοστό τιμών σε μια κανονική κατανομή που βρίσκονται εντός 1, 2 και 3 τυπικών αποκλίσεων από τον μέσο.

68%

εντός ±1σ

95%

εντός ±2σ

99,7%

εντός ±3σ

Οπτική Ανάλυση

The Classic Bell Curve

Εύρος	Ποσοστό
μ ± 1σ	68,27%
μ ± 2σ	95,45%
μ ± 3σ	99,73%

Πρακτικές Εφαρμογές

Γρήγορες Εκτιμήσεις Πιθανότητας:Χωρίς πολύπλοκους υπολογισμούς, μπορείτε να εκτιμήσετε ότι περίπου 95% των δεδομένων βρίσκεται εντός 2 τυπικών αποκλίσεων από τον μέσο.
Ανίχνευση Ακραίων Τιμών:Σημεία δεδομένων πέρα από 3σ εμφανίζονται λιγότερο από 0,3% του χρόνου, καθιστώντας τα στατιστικά ακραίες τιμές που αξίζει να ερευνηθούν.
Ποιοτικός Έλεγχος:Η μεθοδολογία Six Sigma χρησιμοποιεί τον κανόνα για να θέσει κατώφλια ποιότητας και να εντοπίσει μεταβολές στη διαδικασία.

Λυμένα Παραδείγματα

Παράδειγμα: Βαθμολογίες SAT

Οι βαθμολογίες SAT κατανέμονται κανονικά με μ = 1050 και σ = 200. - 68% των βαθμολογιών βρίσκεται μεταξύ 850 και 1250 (±1σ) - 95% των βαθμολογιών βρίσκεται μεταξύ 650 και 1450 (±2σ) - 99,7% των βαθμολογιών βρίσκεται μεταξύ 450 και 1650 (±3σ) Βαθμολογία 1450+ τοποθετεί έναν μαθητή στο κορυφαίο ~2,5% των εξεταζομένων.

Περιορισμοί

Ισχύει Μόνο για Κανονικές Κατανομές

Ο εμπειρικός κανόνας ισχύει ΜΟΝΟ για δεδομένα που ακολουθούν κανονική (Gaussian) κατανομή. Για ασύμμετρα ή μη κανονικά δεδομένα, αυτά τα ποσοστά δεν ισχύουν. Πάντα ελέγχετε αν τα δεδομένα σας κατανέμονται κανονικά πριν χρησιμοποιήσετε αυτόν τον κανόνα.

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.