經驗法則計算器

經驗法則計算器

成長中 AI Skill PRO

輸入計算

數學公式

μ±kσ=平均值 (μ)±k·SD (σ)其中{68%:μ±1σ95%:μ±2σ99.7%:μ±3σ\begin{gathered} \mu \pm k\sigma = {{\text{平均值 }(\mu)}} \pm k \cdot {{\text{SD }(\sigma)}} \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} 68\% &: \mu \pm 1\sigma \\ 95\% &: \mu \pm 2\sigma \\ 99.7\% &: \mu \pm 3\sigma \end{aligned} \right. \end{gathered}
使用統計

廣告

結果

68% 的數值落在
85   至   115
μ ± 1σ
範圍 區間 上下界
68% (μ ± 1σ) 1σ 85 – 115
95% (μ ± 2σ) 2σ 70 – 130
99.7% (μ ± 3σ) 3σ 55 – 145

回報本頁錯誤

什麼是經驗法則?

經驗法則(Empirical Rule)又稱為 68-95-99.7 法則或三倍標準差法則,用來描述資料在常態分布(鐘形曲線)中的分布情形。它指出:大約 68% 的數值落在平均值的一個標準差之內,約 95% 落在兩個標準差之內,而約 99.7% 落在三個標準差之內。這個計算器能將平均值(\(\mu\))與標準差(\(\sigma\))即時換算成上述三個區間。

分成多段的鐘形曲線,顯示平均值的一個、兩個、三個標準差範圍內分別包含 68%、95%、99.7% 的資料
經驗法則:常態資料中約 68%、95% 和 99.7% 落在平均值的 1、2、3 個標準差範圍內。

如何使用這個計算器

輸入資料集的平均值與標準差,即可讀出三個對應範圍。最上方顯示的是 \(\mu \pm 1\sigma\) 區間,約涵蓋 68% 的觀測值;下方表格則進一步列出 95% 與 99.7% 的範圍。請注意,這項法則僅適用於近似常態分布的資料。

公式說明

每一個範圍都來自同一個簡單算式:

$$\mu \pm k\sigma = \text{Mean }(\mu) \pm k \cdot \text{SD }(\sigma), \quad k = 1, 2, 3$$

其中 \(k\) 為 1、2 或 3。下界為平均值減去 \(k\) 倍標準差,上界為平均值加上 \(k\) 倍標準差。\(k\) 值越大,區間就越寬,所涵蓋的資料比例也越高。

$$\begin{gathered} \mu \pm k\sigma = \text{Mean }(\mu) \pm k \cdot \text{SD }(\sigma) \\[1.5em] \text{where}\quad \left\{ \begin{aligned} 68\% &: \mu \pm 1\sigma \\ 95\% &: \mu \pm 2\sigma \\ 99.7\% &: \mu \pm 3\sigma \end{aligned} \right. \end{gathered}$$
廣告
水平數線,顯示平均值兩側一個、兩個、三個標準差處的對稱區間
每個區間在平均值的下方和上方對稱延伸相同的距離。

實例演算

假設某次考試的成績呈常態分布,平均值為 100,標準差為 15。那麼 68% 的成績會落在 85 到 115 之間(\(100 \pm 15\)),95% 落在 70 到 130 之間(\(100 \pm 30\)),而 99.7% 落在 55 到 145 之間(\(100 \pm 45\))。換句話說,幾乎所有成績都介於 55 到 145 之間。

常見問題

經驗法則一定準確嗎?不一定——它只適用於近似常態(對稱且呈鐘形)的資料。若資料呈偏態,則應改用柴比雪夫不等式(Chebyshev's inequality)。

為什麼是 68、95 與 99.7%?這些百分比來自標準常態曲線下、距平均值 1、2、3 個標準差範圍內的面積。

超過 \(3\sigma\) 的數值又如何?只有大約 0.3% 的資料落在三個標準差之外,因此這類觀測值通常被視為罕見值或潛在的離群值。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器