KezdőFogalmak·6 min

A 68-95-99,7 tapasztalati szabály magyarázata

Sajátítsd el a tapasztalati szabályt (68-95-99,7 szabály) a normális eloszlásokhoz. Tanuld meg, hogyan becsülheted gyorsan a valószínűségeket és azonosíthatod a kiugró értékeket a szórás segítségével.

Mi a tapasztalati szabály?

A tapasztalati szabály (más néven 68-95-99,7 szabály vagy három-szigma szabály) egy egyszerű módszer annak megjegyzésére, hogy egy normális eloszlásban az értékek hány százaléka esik az átlagtól 1, 2 és 3 szórásnyi távolságon belülre.

68%

±1σ-n belül

95%

±2σ-n belül

99,7%

±3σ-n belül

Vizuális áttekintés

The Classic Bell Curve

Tartomány	Százalék
μ ± 1σ	68,27%
μ ± 2σ	95,45%
μ ± 3σ	99,73%

Gyakorlati alkalmazások

Gyors valószínűségbecslés:Bonyolult számítások nélkül becsülheted, hogy az adatok kb. 95%-a az átlagtól 2 szórásnyi távolságon belül esik.
Kiugró értékek felismerése:A 3σ-n túli adatpontok az esetek kevesebb mint 0,3%-ában fordulnak elő véletlenül, így statisztikai kiugró értékek, amelyeket érdemes megvizsgálni.
Minőségellenőrzés:A Six Sigma módszertan a szabályt használja minőségi küszöbértékek meghatározásához és folyamateltérések azonosításához.

Kidolgozott példák

Példa: SAT-pontszámok

A SAT-pontszámok normális eloszlásúak, μ = 1050 és σ = 200. - A pontszámok 68%-a 850 és 1250 közé esik (±1σ) - A pontszámok 95%-a 650 és 1450 közé esik (±2σ) - A pontszámok 99,7%-a 450 és 1650 közé esik (±3σ) Egy 1450+ pontos eredmény a vizsgázók legjobb ~2,5%-ába sorolja a tanulót.

Korlátok

Csak normális eloszlásra érvényes

A tapasztalati szabály KIZÁRÓLAG normális (Gauss-) eloszlást követő adatokra alkalmazható. Ferde vagy nem normális adatok esetén ezek a százalékok nem érvényesek. Mindig ellenőrizd, hogy az adataid normális eloszlásúak-e, mielőtt alkalmaznád ezt a szabályt.

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.