NybörjareKoncept·6 min

68-95-99,7 empiriska regeln förklarad

Bemästra den empiriska regeln (68-95-99,7-regeln) för normalfördelningar. Lär dig att snabbt uppskatta sannolikheter och identifiera avvikande värden med standardavvikelse.

Vad är den empiriska regeln?

Den empiriska regeln (även kallad 68-95-99,7-regeln eller tresigmaregeln) är en genväg för att komma ihåg andelen värden i en normalfördelning som faller inom 1, 2 och 3 standardavvikelser från medelvärdet.

68 %

inom ±1σ

95 %

inom ±2σ

99,7 %

inom ±3σ

Visuell nedbrytning

The Classic Bell Curve

Intervall	Procent
μ ± 1σ	68,27 %
μ ± 2σ	95,45 %
μ ± 3σ	99,73 %

Praktiska tillämpningar

Snabba sannolikhetsuppskattningar:Utan komplicerade beräkningar kan du uppskatta att cirka 95 % av data faller inom 2 standardavvikelser från medelvärdet.
Detektion av avvikande värden:Datapunkter bortom 3σ förekommer i mindre än 0,3 % av fallen, vilket gör dem till statistiska outliers värda att undersöka.
Kvalitetskontroll:Six Sigma-metodiken använder regeln för att sätta kvalitetströsklar och identifiera processvariationer.

Beräknade exempel

Exempel: SAT-poäng

SAT-poäng är normalfördelade med μ = 1050 och σ = 200. - 68 % av poängen faller mellan 850 och 1250 (±1σ) - 95 % av poängen faller mellan 650 och 1450 (±2σ) - 99,7 % av poängen faller mellan 450 och 1650 (±3σ) En poäng på 1450+ placerar en student bland de översta ~2,5 % av testdeltagarna.

Begränsningar

Fungerar bara för normalfördelningar

Den empiriska regeln gäller BARA för data som följer en normalfördelning (Gaussfördelning). För snedfördelad eller icke-normal data gäller inte dessa procentsatser. Kontrollera alltid om din data är normalfördelad innan du använder denna regel.

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.