เริ่มต้นแนวคิด·6 min

อธิบายกฎเชิงประจักษ์ 68-95-99.7

เชี่ยวชาญกฎเชิงประจักษ์ (กฎ 68-95-99.7) สำหรับการแจกแจงปกติ เรียนรู้วิธีประมาณความน่าจะเป็นอย่างรวดเร็วและระบุค่าผิดปกติโดยใช้ส่วนเบี่ยงเบนมาตรฐาน

กฎเชิงประจักษ์คืออะไร?

กฎเชิงประจักษ์ (เรียกอีกอย่างว่ากฎ 68-95-99.7 หรือกฎสามซิกมา) เป็นวิธีลัดสำหรับจดจำเปอร์เซ็นต์ของค่าในการแจกแจงปกติที่อยู่ภายใน 1, 2 และ 3 ส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย

68%

ภายใน ±1σ

95%

ภายใน ±2σ

99.7%

ภายใน ±3σ

การแยกส่วนแบบภาพ

The Classic Bell Curve

ช่วง	เปอร์เซ็นต์
μ ± 1σ	68.27%
μ ± 2σ	95.45%
μ ± 3σ	99.73%

การประยุกต์ใช้เชิงปฏิบัติ

การประมาณความน่าจะเป็นอย่างรวดเร็ว:โดยไม่ต้องคำนวณซับซ้อน คุณสามารถประมาณได้ว่าประมาณ 95% ของข้อมูลอยู่ภายใน 2 ส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ย
การตรวจจับค่าผิดปกติ:จุดข้อมูลที่เกิน 3σ เกิดขึ้นน้อยกว่า 0.3% ของเวลา ทำให้เป็นค่าผิดปกติทางสถิติที่ควรตรวจสอบ
การควบคุมคุณภาพ:ระเบียบวิธี Six Sigma ใช้กฎนี้เพื่อกำหนดเกณฑ์คุณภาพและระบุความแปรผันของกระบวนการ

ตัวอย่างพร้อมวิธีทำ

ตัวอย่าง: คะแนนสอบ SAT

คะแนน SAT มีการแจกแจงปกติ โดยมี μ = 1050 และ σ = 200 - 68% ของคะแนนอยู่ระหว่าง 850 ถึง 1250 (±1σ) - 95% ของคะแนนอยู่ระหว่าง 650 ถึง 1450 (±2σ) - 99.7% ของคะแนนอยู่ระหว่าง 450 ถึง 1650 (±3σ) คะแนน 1450 ขึ้นไปทำให้นักเรียนอยู่ในกลุ่มบน ~2.5% ของผู้สอบ

ข้อจำกัด

ใช้ได้เฉพาะกับการแจกแจงปกติ

กฎเชิงประจักษ์ใช้ได้เฉพาะกับข้อมูลที่มีการแจกแจงปกติ (เกาส์เซียน) เท่านั้น สำหรับข้อมูลที่เบ้หรือไม่เป็นปกติ เปอร์เซ็นต์เหล่านี้ใช้ไม่ได้ ตรวจสอบเสมอว่าข้อมูลของคุณมีการแจกแจงปกติก่อนใช้กฎนี้

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.