经验法则计算器 - 正态分布 68-95-99.7
将经验法则（68-95-99.7 法则）应用于任意正态分布：输入均值和标准差，即可得到 68%、95% 和 99.7% 数据的精确区间。
输入正态分布的均值 (μ) 和标准差 (σ)，计算三个经验法则区间。
经验法则计算器 - 正态分布 68-95-99.7
将经验法则（68-95-99.7 法则）应用于任意正态分布：输入均值和标准差，即可得到 68%、95% 和 99.7% 数据的精确区间。
关于经验法则计算器
经验法则，也称三西格玛法则或 68-95-99.7 法则，是统计学中描述数据在正态（钟形）分布中如何分布的简明规则。它指出，约 68% 的观测值落在均值的一个标准差内，约 95% 落在两个标准差内，约 99.7% 落在三个标准差内。这些数值是应用统计学中最重要的一组数字。
更精确地说，这些百分比为 68.27%、95.45% 和 99.73%，来自标准正态分布的累积分布函数。互补概率同样重要：约 32% 的数据落在一西格玛区间之外，约 5% 落在二西格玛区间之外，只有 0.27%（约 370 个中 1 个）落在三西格玛区间之外。最后这个数字是质量控制和六西格玛方法中广泛使用的“三西格玛限”的基础。
经验法则只适用于数据服从或近似服从正态分布的情况。许多自然现象近似正态：成年人的身高、IQ 分数、测量误差、血压读数，以及许多经济和金融指标都近似正态分布。在这些情况下，经验法则无需复杂计算，只需基本算术就能给出快速、实用的答案。
要应用该法则，只需要两个参数：均值 (μ)，用于定位分布的中心；标准差 (σ)，用于衡量离散程度。一西格玛区间为 (μ − σ, μ + σ)，二西格玛区间为 (μ − 2σ, μ + 2σ)，三西格玛区间为 (μ − 3σ, μ + 3σ)。本计算器会立即计算全部三个区间。
实际应用非常广泛。在制造和质量控制中，如果产出落在三西格玛限内（99.73% 的时间），过程就被认为处于受控状态。在 IQ 测试中，若 μ = 100 且 σ = 15，约 68% 的人得分在 85 到 115 之间，约 95% 在 70 到 130 之间，约 99.7% 在 55 到 145 之间。在金融中，经验法则用于在正态性假设下估计极端收益的可能性，是风险价值计算的基础。在生物学和医学中，它有助于识别异常测量值：血压读数若偏离均值超过两个标准差，就位于 95% 区间之外，值得进一步检查。
经验法则示例
三个真实世界的分布，展示 68-95-99.7 法则如何提供即时洞察。
| 分布 | 1σ 范围 (68%) | 应用 |
|---|---|---|
| IQ 分数：μ = 100，σ = 15 | 85 到 115 | 约 68% 的人得分为 85–115，约 95% 为 70–130，约 99.7% 为 55–145。高于 130（比均值高 2σ）的分数位于前 2.5%。 |
| 成年男性身高：μ = 175 cm，σ = 7 cm | 168 到 182 cm | 约 68% 的成年男性身高为 168–182 cm。约 95% 落在 161–189 cm。低于 154 cm 或高于 196 cm 的身高位于 3σ 范围之外（<0.3%）。 |
| 大学考试成绩：μ = 78，σ = 6 | 72 到 84 | 约 68% 的学生得分为 72–84。前 2.5%（高于 2σ = 90）可获得优秀等级。约 99.7% 的分数在 60 到 96 之间。 |
| 制造业螺栓长度：μ = 50 mm，σ = 0.5 mm | 49.5 到 50.5 mm | 约 99.73% 的螺栓位于 3σ = 48.5–51.5 mm 内。任何超出此范围的螺栓都会按六西格玛质量标准标记为缺陷品。 |
如何使用经验法则计算器
- 在第一个字段输入正态分布数据的均值 (μ)。均值可以是任意实数。
- 在第二个字段输入标准差 (σ)。标准差必须是大于零的正数。
- 点击计算。计算器会显示三个彩色面板：68.27%、95.45% 和 99.73% 区间。
- 每个面板会显示范围（下限到上限）以及预计落入该范围的数据百分比。
- 使用示例按钮载入常见分布（IQ 分数、成人身高、考试成绩），查看经验法则的实际效果。
经验法则常见问题
统计学中的经验法则是什么？
经验法则（也称 68-95-99.7 法则或三西格玛法则）指出，对于正态分布，约 68% 的数据落在均值的一个标准差内，约 95% 落在两个标准差内，约 99.7% 落在三个标准差内。它是一种快速描述正态分布离散程度并估计观测值落入不同范围概率的方法。
经验法则适用于所有分布吗？
不适用——经验法则只适用于正态（高斯）分布。如果数据偏斜、多峰或具有厚尾，百分比会不同。对于非正态分布，切比雪夫不等式给出较弱但普遍有效的结果：至少 75% 的数据落在均值的 2σ 内（正态分布为 95%），至少 88.9% 落在 3σ 内（正态分布为 99.7%）。
如何知道我的数据是否服从正态分布？
常见方法包括查看直方图（是否呈钟形且对称？）、绘制 Q-Q（分位数-分位数）图（正态数据的点应接近一条直线），或使用 Shapiro-Wilk、Kolmogorov-Smirnov 等正式检验。对于大样本（n > 30），中心极限定理意味着即使原始数据并非正态，均值的抽样分布也近似正态。
“位于两个标准差之外”是什么意思？
对于正态分布，约 95.45% 的数据落在均值的 2σ 内，这意味着约 4.55% 落在外部——每个尾部约 2.275%。高于均值超过 2σ 在统计上较为罕见，位于分布的前 2.27%。这个阈值（常被宽泛地说成 5% 或 1/20）是假设检验中传统 p < 0.05 显著性水平的基础。
经验法则如何用于质量控制？
在制造和过程质量中，控制限通常设在距均值三个标准差处（3σ 限）。在正态性假设下，当过程受控时，99.73% 的过程产出会落在这些限值内。超出 3σ 限的点被视为特殊原因变异的信号，需要调查。这构成了统计过程控制 (SPC) 和六西格玛质量管理方法的基础。
我可以用它计算单侧概率吗？
经验法则给出以均值为中心的双侧区间。对于单侧概率，将互补概率除以二。例如，约 95.45% 的数据落在两侧 2σ 内，因此 4.55% 落在外部——2.275% 高于 μ+2σ，2.275% 低于 μ−2σ。这就是为什么 95% 双侧置信区间使用 z = 1.96（约 2σ）：每个尾部排除 2.5%。