Mathematik · Stochastik

Sigma-Regeln (Sigma-Umgebungen)

Q: Wie stellt man ein Prognoseintervall für eine Trefferzahl auf?

Für $n = 100$ und $p = 0{,}3$ sind $\mu{} = 30$ und $\sigma{} = \sqrt{21} \approx{} 4{,}58$; die Laplace-Bedingung $\sigma{} > 3$ ist erfüllt. Ein stetiges 95%-Normalintervall verwendet den Radius $1{,}96\sigma{} \approx{} 8{,}98$. Mit Kontinuitätskorrektur wird daraus für ganze Treffer ungefähr 21 bis 39. Die exakte Binomialsumme $P(21 \le{} X \le{} 39)$ beträgt rund 96,25 %; diskrete Intervalle treffen das nominelle Niveau oft nicht genau. Die Grenzen 22 bis 38 hätten hier sogar nur etwa 93,72 % Abdeckung. Für eine präzise Aussage berechnest du die Randwahrscheinlichkeiten direkt binomial. Die Normalnäherung ist eine schnelle Orientierung, keine Garantie für exakt 95 %.

Q: Wie nutzt man die Sigma-Regeln bei Hypothesentests?

Die Normalnäherung liefert für einen zweiseitigen Test mit $\alpha{} = 5 \%$ zunächst die Grenzen μ ± 1,96σ. Bei Binomialdaten sind Treffer aber ganzzahlig; die tatsächliche Testgröße hängt davon ab, welche Randwerte eingeschlossen werden. Für eine faire Münze mit $n = 200$ sind $\mu{} = 100$ und $\sigma{} \approx{} 7{,}07$. Der gerundete Bereich 86 bis 114 deckt exakt rund 96,00 % ab, der Ausschluss also etwa 4,00 %, nicht genau 5 %. Ein exakter Binomialtest bestimmt die Grenzen über die kumulierten Randwahrscheinlichkeiten. 120-mal Kopf ist weit außerhalb und liefert starke Evidenz gegen H₀. Ein Ergebnis innerhalb des Annahmebereichs beweist H₀ nicht.

Die Sigma-Regeln geben an, mit welcher Wahrscheinlichkeit eine normalverteilte Größe in den Umgebungen $\mu\pm\sigma$ , $\mu\pm2\sigma$ und $\mu\pm3\sigma$ liegt.

FortgeschrittenPrüfungsrelevantSekundarstufe IIUni/HochschuleBachelor-Grundlagen

Karteikarten oder Test erstellen Ich habe schon ein Konto

Ansehen kostenlos · Karteikarten oder Multiple-Choice-Test · übernehmen ab Essential

Formel

P (μ - 2 σ \leq X \leq μ + 2 σ) \approx 95, 4 %

Wahrscheinlichkeiten dimensionslos · μ und σ in der Einheit der Zufallsgröße

Variablen & Einheiten

Variablen & Einheiten
Symbol	Bedeutung	Einheit
$μ$	Erwartungswert (Zentrum der Umgebung)	wie X
$σ$	Standardabweichung (halbe Breite der 1σ-Umgebung)	wie X
$k$	Umgebungsfaktor (1, 2, 3 oder 1,64 / 1,96 / 2,58)	dimensionslos
$P$	Wahrscheinlichkeit der k·σ-Umgebung	dimensionslos

LaTeX

P(\mu - 2\sigma \leq X \leq \mu + 2\sigma) \approx 95{,}4\,\%

QUANTA STUDYquanta-study.de

Diagramm: Eine Glockenkurve mit hervorgehobener Fläche von μ − 2σ bis μ + 2σ; darunter drei geschachtelte Doppelpfeile für die 1σ-, 2σ- und 3σ-Umgebung mit ihren Prozentwerten. — Sigma-Regeln: In μ ± σ liegen rund 68,3 %, in μ ± 2σ rund 95,4 % und in μ ± 3σ rund 99,7 % der Werte.

Herleitung & Hintergrund

Die Regeln folgen aus der Normalverteilung: 68,3 % der Werte liegen in $\mu\pm\sigma$ , 95,4 % in $\mu\pm2\sigma$ und 99,7 % in $\mu\pm3\sigma$ . Für glatte Niveaus nutzt man die umgekehrten Faktoren $\mu\pm1{,}64\sigma$ (90 %), $\mu\pm1{,}96\sigma$ (95 %) und $\mu\pm2{,}58\sigma$ (99 %). Für Binomialverteilungen ist das nur eine Normalnäherung; die Laplace-Bedingung $\sigma{} = \sqrt{(n\cdot{}p\cdot{}(1-p))} > 3$ ist eine grobe Plausibilitätsregel, keine Garantie exakter Abdeckung. Dort gilt $\mu{} = n\cdot{}p$ .

Prüfungs-Blueprint

Gültigkeitsbereich

Exakt für die Normalverteilung; für Binomialverteilungen als Näherung zulässig, wenn die Laplace-Bedingung $\sigma{} = \sqrt{(np(1-p))} > 3$ erfüllt ist. Bei ganzzahligen Trefferzahlen Intervallgrenzen runden.

Herleitung in Schritten

Flächen unter der Glockenkurve zwischen symmetrischen Grenzen um μ.

1Standardisieren: $z =\frac{ (X - \mu{})}{\sigma{}}$ macht aus jeder Normalverteilung die Standardnormalverteilung.
2Die Tabelle liefert $\Phi{}(1) - \Phi{}(-1) \approx{} 0{,}683$ , $\Phi{}(2) - \Phi{}(-2) \approx{} 0{,}954$ , $\Phi{}(3) - \Phi{}(-3) \approx{} 0{,}997$ .

Umstellen

Umgekehrte Sigma-Regeln

\mu \pm 1{,}64\sigma \; (90\,\%), \quad \mu \pm 1{,}96\sigma \; (95\,\%), \quad \mu \pm 2{,}58\sigma \; (99\,\%)

Für vorgegebene glatte Sicherheitsniveaus.

Umgebungsradius

r = k \cdot \sigma

Prognoseintervall [μ − kσ; μ + kσ]; k nach Niveau wählen.

Binomial-Kennwerte

\mu = n p, \quad \sigma = \sqrt{n p (1-p)}

Vorab berechnen und Laplace-Bedingung $\sigma{} > 3$ prüfen.

Aufgabenvariante

$n = 100$ , $p = 0{,}3$ : Gib ein näherungsweises 95-Prozent-Prognoseintervall für die Trefferzahl an.

$\mu{} = 30$ , $\sigma{} = \sqrt{21} \approx{} 4{,}58 > 3$ .
Das stetige Normalintervall μ ± 1,96σ hat Grenzen [21,02; 38,98].
Mit Kontinuitätskorrektur sind 21 bis 39 ganze Treffer plausibel; die exakte Binomialsumme deckt rund 96,25 % ab.
Ohne Korrektur decken 22 bis 38 nur 93,72 % ab.

IQ-Werte: $\mu{} = 100$ , $\sigma{} = 15$ . Wie viel Prozent liegen zwischen 85 und 115, wie viel über 130?

85 bis 115 ist die 1σ-Umgebung: ≈ 68,3 %.
Über 130 (mehr als 2σ über μ): $\frac{(100 - 95{,}4)}{2} \approx{} 2{,}3 \%$ .

Typische Fehler

2σ-Regel einer Normalverteilung (95,45 %) mit dem 95-%-Faktor 1,96 verwechseln.

Für die Normalverteilung liefert $k = 2$ rund 95,45 %; exakt 95 % gehört zu $k \approx{} 1{,}96$ . Bei diskreten Binomialdaten muss die Abdeckung nach dem Runden separat geprüft werden.

Sigma-Regeln ohne Laplace-Bedingung auf Binomialverteilungen anwenden.

Erst $\sigma{} = \sqrt{(np(1-p))} > 3$ prüfen, sonst ist die Näherung zu grob.

Einseitige und symmetrische Fragen mischen.

Außerhalb von μ ± 2σ liegen 4,6 %, oberhalb allein nur 2,3 %.

Klausurkontext

Prognoseintervalle und Hypothesentests im Stochastik-Abitur, Qualitätskontrolle, Interpretation von Messreihen.

Formelcluster

Normalverteilung anwenden

Sigma-Regeln übersetzen μ und σ in konkrete Intervalle und Testentscheidungen.

f(x) = 1/(σ√2π) · e^(−(x−μ)²/2σ²)

Normalverteilung (Gaußsche Glockenkurve)

σ = √Var(X)

Standardabweichung

P(X=k) = (n über k)·pᵏ·(1−p)ⁿ⁻ᵏ

Binomialverteilung

Rechenbeispiel

Binomial mit $n = 200$ , $p = 0{,}5$ : $\mu{} = 100$ und $\sigma{} = \sqrt{50} \approx{} 7{,}07 > 3$ . Die ganzzahlige 2σ-Umgebung enthält 86 bis 114 Treffer; die exakte Binomialsumme ergibt dafür $P \approx{} 96{,}00 \%$ . Die 95,45 % gelten exakt für eine stetige Normalverteilung, nicht automatisch für gerundete Binomialgrenzen.

Anwendungsgebiete

Prognoseintervalle im Abitur, Hypothesentests (Annahme- und Ablehnungsbereich), Qualitätskontrolle (Six Sigma), Interpretation von IQ- und Messwerten

Rechenbeispiel: Sigma-Regeln (Sigma-Umgebungen)

Eine typische Aufgabe Schritt für Schritt: Sigma-Regeln (Sigma-Umgebungen) (μ±σ: 68,3 %, μ±2σ: 95,4 %, μ±3σ: 99,7 %).

1
Aufgabe
$n = 100$ , $p = 0{,}3$ : Gib ein näherungsweises 95-Prozent-Prognoseintervall für die Trefferzahl an.
Rechenweg
1. $\mu{} = 30$ , $\sigma{} = \sqrt{21} \approx{} 4{,}58 > 3$ .
2. Das stetige Normalintervall μ ± 1,96σ hat Grenzen [21,02; 38,98].
3. Mit Kontinuitätskorrektur sind 21 bis 39 ganze Treffer plausibel; die exakte Binomialsumme deckt rund 96,25 % ab.
4. Ohne Korrektur decken 22 bis 38 nur 93,72 % ab.
2
Aufgabe
IQ-Werte: $\mu{} = 100$ , $\sigma{} = 15$ . Wie viel Prozent liegen zwischen 85 und 115, wie viel über 130?
Rechenweg
1. 85 bis 115 ist die 1σ-Umgebung: ≈ 68,3 %.
2. Über 130 (mehr als 2σ über μ): $\frac{(100 - 95{,}4)}{2} \approx{} 2{,}3 \%$ .

Häufige Fragen: Sigma-Regeln (Sigma-Umgebungen)

Was besagen die Sigma-Regeln konkret?+

Sie geben den Anteil einer normalverteilten Größe in symmetrischen Umgebungen an: In μ ± σ liegen etwa 68,27 %, in μ ± 2σ etwa 95,45 % und in μ ± 3σ etwa 99,73 %. Bei einem IQ-Modell mit $\mu{} = 100$ und $\sigma{} = 15$ liegen damit etwa 68,27 % zwischen 85 und 115 und 95,45 % zwischen 70 und 130. Die Regeln gelten für jede Normalverteilung, weil $z =\frac{ (X - \mu{})}{\sigma{}}$ sie auf dieselbe Standardnormalverteilung abbildet. Bei binomialen Trefferzahlen sind sie nur Näherungen: Rundung auf ganze Werte verändert die Abdeckung, sodass man für genaue Ergebnisse die Binomialwahrscheinlichkeiten summiert. Für eine schnelle grafische oder überschlägige Einschätzung bleiben die Sigma-Regeln nützlich.

Was ist der Unterschied zwischen der 2σ-Regel und dem Faktor 1,96?+

Es sind zwei Blickrichtungen auf dieselbe Glockenkurve. Die 2σ-Regel startet beim glatten Faktor $k = 2$ und fragt nach der Wahrscheinlichkeit: In μ ± 2σ liegen 95,4 % der Werte. Der Faktor 1,96 startet umgekehrt beim glatten Niveau 95 % und fragt nach dem nötigen k: Für exakt 95 % reicht μ ± 1,96σ. Analog gehören 90 % zu 1,64σ und 99 % zu 2,58σ. In Aufgaben entscheidet die Formulierung: "2σ-Umgebung" heißt $k = 2$ und 95,4 %; "95-%-Prognoseintervall" heißt $k = 1{,}96$ . Wer beide vermischt, bekommt systematisch leicht falsche Intervalle. Als Eselsbrücke: glattes k, krumme Prozente; krummes k, glatte Prozente.

Was ist die Laplace-Bedingung und warum braucht man sie?+

Die Sigma-Regeln gelten exakt für Normalverteilungen. Binomialzahlen sind diskret; die Laplace-Bedingung $\sigma{} = \sqrt{(n\cdot{}p\cdot{}(1-p))} > 3$ dient als grobe Schulregel, wann eine Normalnäherung plausibel ist, ist aber keine Garantie für eine bestimmte exakte Abdeckung. Beispiel: $n = 200$ und $p = 0{,}5$ liefern $\sigma{} \approx{} 7{,}07$ . Die ganzen Treffer 86 bis 114 liegen im gerundeten 2σ-Bereich; ihre exakte Binomialwahrscheinlichkeit beträgt rund 96,00 %, während die stetige Normalfläche 95,45 % ist. Bei $n = 20$ und $p = 0{,}1$ ist $\sigma{} \approx{} 1{,}34$ , sodass die Näherung besonders fragwürdig wäre. Für exakte Randwahrscheinlichkeiten summierst du die Binomialverteilung oder nutzt eine kumulierte Funktion.

Wie stellt man ein Prognoseintervall für eine Trefferzahl auf?+

Für $n = 100$ und $p = 0{,}3$ sind $\mu{} = 30$ und $\sigma{} = \sqrt{21} \approx{} 4{,}58$ ; die Laplace-Bedingung $\sigma{} > 3$ ist erfüllt. Ein stetiges 95%-Normalintervall verwendet den Radius $1{,}96\sigma{} \approx{} 8{,}98$ . Mit Kontinuitätskorrektur wird daraus für ganze Treffer ungefähr 21 bis 39. Die exakte Binomialsumme $P(21 \le{} X \le{} 39)$ beträgt rund 96,25 %; diskrete Intervalle treffen das nominelle Niveau oft nicht genau. Die Grenzen 22 bis 38 hätten hier sogar nur etwa 93,72 % Abdeckung. Für eine präzise Aussage berechnest du die Randwahrscheinlichkeiten direkt binomial. Die Normalnäherung ist eine schnelle Orientierung, keine Garantie für exakt 95 %.

Wie nutzt man die Sigma-Regeln bei Hypothesentests?+

Die Normalnäherung liefert für einen zweiseitigen Test mit $\alpha{} = 5 \%$ zunächst die Grenzen μ ± 1,96σ. Bei Binomialdaten sind Treffer aber ganzzahlig; die tatsächliche Testgröße hängt davon ab, welche Randwerte eingeschlossen werden. Für eine faire Münze mit $n = 200$ sind $\mu{} = 100$ und $\sigma{} \approx{} 7{,}07$ . Der gerundete Bereich 86 bis 114 deckt exakt rund 96,00 % ab, der Ausschluss also etwa 4,00 %, nicht genau 5 %. Ein exakter Binomialtest bestimmt die Grenzen über die kumulierten Randwahrscheinlichkeiten. 120-mal Kopf ist weit außerhalb und liefert starke Evidenz gegen H₀. Ein Ergebnis innerhalb des Annahmebereichs beweist H₀ nicht.

Quanta-Prüfungsset

Kuratiertes Prüfungsset für "Sigma-Regeln (Sigma-Umgebungen)":

Frage (Vorderseite)

Welche Formel beschreibt Sigma-Regeln (Sigma-Umgebungen)?

Antwort in deinem Set

Frage (Vorderseite)

Wie stellst du μ±σ: 68,3 %, μ±2σ: 95,4 %, μ±3σ: 99,7 % nach Umgekehrte Sigma-Regeln um?

Antwort in deinem Set

Frage (Vorderseite)

Welcher typische Fehler passiert bei μ±σ: 68,3 %, μ±2σ: 95,4 %, μ±3σ: 99,7 %?

Antwort in deinem Set

+ 7 weitere Karten: Einheiten, Variablen, Herleitung, Beispiel, Klausuraufgabe

Das Formelset enthält 10 Karten. Nach der Übernahme kannst du sie prüfen und lernen; deine Bewertungen bestimmen die weiteren Wiederholungen.

Karteikarten oder Test erstellen Ich habe schon ein Konto

Fachquellen und weiterführende Literatur

Die Liste nennt Fachquellen und weiterführende Literatur. Eine Seiten- oder Abschnittsnummer steht dabei, wenn sie Teil der Literaturangabe ist; es handelt sich nicht um wörtliche Zitate.

[1]OpenStax, Introductory Statistics 2e, §6.1: The Standard Normal Distribution

Weitere Formeln: Stochastik

P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}

Satz von Bayes

E(X) = \mu = \sum_{i} x_{i} \cdot p_{i}

Erwartungswert

P(A \mid B) = \frac{P(A \cap B)}{P(B)} \quad (P(B) > 0)

Bedingte Wahrscheinlichkeit

b = \frac{\sum (x_{i}-\bar{x})(y_{i}-\bar{y})}{\sum (x_{i}-\bar{x})^{2}}, \quad a = \bar{y} - b\bar{x}

Lineare Regression (Ausgleichsgerade)

Spaced Repetition

Formeln nachhaltig lernen

Aktiver Abruf

Abrufen statt wiederlesen

FSRS vs. SM-2

Optimaler Algorithmus

Formel-Prüfungsset erstellen

Ab Essential in Quanta

Sigma-Regeln (Sigma-Umgebungen) prüfungssicher behalten

Erstelle ein kuratiertes FSRS-Prüfungsset für μ±σ: 68,3 %, μ±2σ: 95,4 %, μ±3σ: 99,7 %: Formelabruf, Variablen, Herleitung, Umstellung, Beispiel, typische Fehler und Klausurkontext.

Karteikarten oder Test erstellen Schon registriert? Direkt weiter

Kuratiertes Formelset · LaTeX · FSRS Spaced Repetition · übernehmen ab Essential

Quanta Study Redaktion

Sigma-Regeln (Sigma-Umgebungen)

Die Sigma-Regeln geben an, mit welcher Wahrscheinlichkeit eine normalverteilte Größe in den Umgebungen

\mu\pm\sigma

\mu\pm2\sigma

und

\mu\pm3\sigma

liegt.

FortgeschrittenPrüfungsrelevantSekundarstufe IIUni/HochschuleBachelor-Grundlagen

Ansehen kostenlos · Karteikarten oder Multiple-Choice-Test · übernehmen ab Essential

Symbol

Bedeutung

Einheit

μ

Erwartungswert (Zentrum der Umgebung)

wie X

σ

Standardabweichung (halbe Breite der 1σ-Umgebung)

wie X

k

Umgebungsfaktor (1, 2, 3 oder 1,64 / 1,96 / 2,58)

dimensionslos

P

Wahrscheinlichkeit der k·σ-Umgebung

dimensionslos

Herleitung & Hintergrund

Prüfungs-Blueprint

Gültigkeitsbereich

Herleitung in Schritten

Flächen unter der Glockenkurve zwischen symmetrischen Grenzen um μ.

1Standardisieren: $z =\frac{ (X - \mu{})}{\sigma{}}$ macht aus jeder Normalverteilung die Standardnormalverteilung.
2Die Tabelle liefert $\Phi{}(1) - \Phi{}(-1) \approx{} 0{,}683$ , $\Phi{}(2) - \Phi{}(-2) \approx{} 0{,}954$ , $\Phi{}(3) - \Phi{}(-3) \approx{} 0{,}997$ .

Rechenbeispiel: Sigma-Regeln (Sigma-Umgebungen)

Eine typische Aufgabe Schritt für Schritt: Sigma-Regeln (Sigma-Umgebungen) (μ±σ: 68,3 %, μ±2σ: 95,4 %, μ±3σ: 99,7 %).

Aufgabe

$n = 100$ , $p = 0{,}3$ : Gib ein näherungsweises 95-Prozent-Prognoseintervall für die Trefferzahl an.

Rechenweg

$\mu{} = 30$ , $\sigma{} = \sqrt{21} \approx{} 4{,}58 > 3$ .
Das stetige Normalintervall μ ± 1,96σ hat Grenzen [21,02; 38,98].
Mit Kontinuitätskorrektur sind 21 bis 39 ganze Treffer plausibel; die exakte Binomialsumme deckt rund 96,25 % ab.
Ohne Korrektur decken 22 bis 38 nur 93,72 % ab.

Aufgabe

IQ-Werte: $\mu{} = 100$ , $\sigma{} = 15$ . Wie viel Prozent liegen zwischen 85 und 115, wie viel über 130?

Rechenweg

85 bis 115 ist die 1σ-Umgebung: ≈ 68,3 %.
Über 130 (mehr als 2σ über μ): $\frac{(100 - 95{,}4)}{2} \approx{} 2{,}3 \%$ .

Häufige Fragen: Sigma-Regeln (Sigma-Umgebungen)

Was besagen die Sigma-Regeln konkret?+

Was ist der Unterschied zwischen der 2σ-Regel und dem Faktor 1,96?+

Was ist die Laplace-Bedingung und warum braucht man sie?+

Wie stellt man ein Prognoseintervall für eine Trefferzahl auf?+

Wie nutzt man die Sigma-Regeln bei Hypothesentests?+

Sigma-Regeln (Sigma-Umgebungen) prüfungssicher behalten

Erstelle ein kuratiertes FSRS-Prüfungsset für μ±σ: 68,3 %, μ±2σ: 95,4 %, μ±3σ: 99,7 %: Formelabruf, Variablen, Herleitung, Umstellung, Beispiel, typische Fehler und Klausurkontext.

Kuratiertes Formelset · LaTeX · FSRS Spaced Repetition · übernehmen ab Essential