Słownik metodologiczny · Statystyka opisowa

Rozkład normalny – co to jest, wzór, reguła 68–95–99.7 i ocena normalności

Rozkład normalny to symetryczna krzywa w kształcie dzwonu, opisana dwoma parametrami: średnią i odchyleniem standardowym. Wyjaśniamy wzór, regułę 68–95–99.7, wyniki z oraz to, kiedy normalność danych naprawdę ma znaczenie.

Strona główna / Słownik / Rozkład normalny
W skrócie: Rozkład normalny N(μ, σ²) to symetryczny rozkład w kształcie dzwonu, w którym średnia, mediana i dominanta są równe, a w przedziale ±1σ, ±2σ i ±3σ leży odpowiednio 68.27%, 95.45% i 99.73% wyników. W teście t, ANOVA i regresji założenie normalności dotyczy reszt, a nie surowych danych – oceniaj je wykresem Q-Q i z uwzględnieniem liczebności próby, a nie tylko testem normalności.

Co to jest rozkład normalny?

Rozkład normalny (rozkład Gaussa, ang. normal distribution) to symetryczny, dzwonowaty rozkład zmiennej ciągłej, w którym większość wyników skupia się wokół średniej, a im dalej od niej, tym wyniki są rzadsze. Zapisuje się go jako X ~ N(μ, σ²): pełny kształt wyznaczają tylko dwa parametry – średnia μ i odchylenie standardowe σ (σ² to wariancja).

W psychologii rozkład normalny pełni trzy role. Jest modelem dla wielu wyników testów (na nim opiera się np. skala IQ o średniej 100 i odchyleniu 15), przybliżeniem rozkładu średnich z prób (dzięki centralnemu twierdzeniu granicznemu) i założeniem o resztach w teście t, ANOVA i regresji liniowej.

Wzór i parametry μ oraz σ

Gęstość rozkładu normalnego opisuje wzór:

f(x) = 1 / (σ√(2π)) × exp[−(x − μ)² / (2σ²)]

Wysokość krzywej nie jest prawdopodobieństwem pojedynczego wyniku. Prawdopodobieństwo to pole pod krzywą w danym przedziale, a całe pole wynosi 1. Rysunek 1 pokazuje, co robią parametry: μ przesuwa krzywą wzdłuż osi, a σ ją rozciąga lub zwęża – im większe σ, tym niższy i szerszy „dzwon”.

Dwa panele z krzywymi rozkładu normalnego: po lewej trzy krzywe o średnich 85, 100 i 115 przy σ = 15, przesunięte wzdłuż osi; po prawej trzy krzywe o średniej 100 i odchyleniach 7.5, 15 i 25 – najwęższa jest najwyższa
Rysunek 1. Zmiana średniej μ przesuwa krzywą (po lewej), a zmiana odchylenia standardowego σ zmienia jej szerokość i wysokość (po prawej). Obliczenia: R (rozkłady teoretyczne).

Najważniejsze własności rozkładu normalnego:

  • jest symetryczny, więc średnia, mediana i dominanta są równe;
  • jego skośność wynosi 0, a kurtoza nadmiarowa – 0;
  • ogony ciągną się w nieskończoność, ale szybko cienieją: wyniki odległe od średniej o ponad 3σ to tylko 0.27%.

Reguła 68–95–99.7

W każdym rozkładzie normalnym – niezależnie od μ i σ – w przedziale ±1σ wokół średniej leży 68.27% wyników, w przedziale ±2σ – 95.45%, a w przedziale ±3σ – 99.73%. To tzw. reguła trzech sigm. Na skali IQ oznacza to, że dwie trzecie osób ma wynik między 85 a 115, a poniżej 55 lub powyżej 145 – tylko około trzy osoby na tysiąc.

Krzywa normalna skali IQ ze średnią 100 i odchyleniem 15: pasma 85–115 obejmują 68.3% wyników (po 34.1% z każdej strony), 70–130 obejmują 95.4% (dodatkowo po 13.6%), a 55–145 obejmują 99.7% (dodatkowo po 2.1%); poza nimi po 0.1%
Rysunek 2. Odsetki wyników w kolejnych pasmach rozkładu normalnego na skali IQ. Pod osią podano odpowiadające im wyniki z. Obliczenia: R (rozkład teoretyczny).

Reguła dotyczy tylko rozkładu normalnego. W rozkładach skośnych i o ciężkich ogonach udział wyników skrajnych bywa wielokrotnie większy, dlatego nie używaj jej do oceny prawdziwych danych bez sprawdzenia ich kształtu.

Standardowy rozkład normalny i wyniki z: przykład

Rozkład normalny o średniej 0 i odchyleniu standardowym 1, N(0, 1), nazywa się standardowym rozkładem normalnym. Każdy rozkład normalny można do niego sprowadzić przez standaryzację: z = (x − μ) / σ. Dzięki temu z jednej tablicy (albo jednej funkcji w R) odczytasz odsetki dla dowolnej skali.

Przykład: osoba uzyskała w teście inteligencji 118 punktów (μ = 100, σ = 15).

  1. Wynik z = (118 − 100) / 15 = 1.20.
  2. Pole pod krzywą na lewo od z = 1.20 wynosi 0.885, więc wynik jest wyższy niż u 88.5% populacji (percentyl 88.5).
  3. Wynik powyżej 130 (z > 2) ma 2.28% osób, a wynik od 85 do 115 – 68.27%.
  4. Do 10% najwyższych wyników należy każdy wynik od 119.22 punktów wzwyż.

Z tego samego rozkładu pochodzi liczba 1.96 – wartość krytyczna odcinająca po 2.5% w każdym ogonie, której używa się przy 95% przedziale ufności dla dużych prób. Pole pod krzywą standardowego rozkładu normalnego jest też podstawą wartości p – zob. wpis P value krok po kroku.

Czy dane muszą mieć rozkład normalny?

Idealnie normalne dane prawie się nie zdarzają. Micceri (1989) przeanalizował 440 dużych rozkładów wyników testów osiągnięć i miar psychometrycznych: wszystkie istotnie odbiegały od normalności, m.in. pod względem ciężkości ogonów, asymetrii i wielomodalności. Na szczęście większość metod tego nie wymaga. Założenie normalności w teście t, ANOVA i regresji dotyczy reszt modelu (czyli rozkładu wyników wokół średnich grup lub linii regresji), a nie surowej zmiennej (zob. regresja liniowa i ANOVA krok po kroku).

Co więcej, przy większych próbach i to założenie traci na znaczeniu. Ghasemi i Zahediasl (2012) piszą, że przy liczebności powyżej 30–40 osób naruszenie normalności nie powinno powodować poważnych problemów, a Lumley i in. (2002) pokazują, że test t i regresja liniowa w dużych próbach są trafne przy dowolnym rozkładzie zmiennej wynikowej. Sprawdziliśmy to symulacyjnie: 10 000 razy losowaliśmy próby z populacji czasów reakcji o silnej skośności (1.75) i liczyliśmy 95% przedział ufności dla średniej z rozkładu t.

Odsetek 95% przedziałów ufności obejmujących prawdziwą średnią przy danych normalnych i skośnych
Liczebność próbyPopulacja normalnaPopulacja skośna (czas reakcji)
n = 1094.7%92.1%
n = 3094.8%93.7%
n = 10094.8%94.2%
n = 30094.8%94.9%

Przy dziesięciu osobach przedział obejmował prawdziwą średnią w 92.1% prób zamiast w 95%, ale przy 300 osobach – w 94.9%, czyli tak samo jak przy danych normalnych. Mechanizm wyjaśnia centralne twierdzenie graniczne: rozkład średnich z prób zbliża się do normalnego, nawet gdy same wyniki są skośne. Przy silnej skośności i bardzo małej próbie przedział bywa jednak zbyt wąski – opisz to w pracy albo rozważ metody omówione w haśle skośność.

Jak sprawdzić normalność?

Mishra i in. (2019) dzielą metody oceny normalności na liczbowe (testy Shapiro-Wilka i Kołmogorowa-Smirnowa, wartości z skośności i kurtozy) i graficzne (histogram, wykres pudełkowy, wykresy P-P i Q-Q). W praktyce łącz obie grupy:

  • wykres – histogram pokazuje kształt, a wykres kwantylowy Q-Q – odstępstwa w ogonach; Q-Q jest łatwiejszy w interpretacji przy dużych próbach (Ghasemi i Zahediasl, 2012);
  • skośność i kurtoza z ich błędami standardowymi – Kim (2013) uzależnia kryterium od liczebności (dla n > 300 liczą się same wartości, np. |skośność| > 2);
  • test formalny – Ghasemi i Zahediasl (2012) zalecają test Shapiro-Wilka, bo test Kołmogorowa-Smirnowa ma małą moc i nie jest zalecany, gdy parametry szacuje się z danych.

Wynik testu interpretuj ostrożnie. W małych próbach testy normalności mają małą moc, więc dane zwykle je „przechodzą”; w dużych wykrywają nawet drobne odchylenia, które nie wpływają na wyniki testów parametrycznych (Ghasemi i Zahediasl, 2012). Decyzję opieraj na wykresie reszt i liczebności próby, a nie na samym p.

Jak opisać ocenę normalności w pracy (APA)

W rozdziale z wynikami opisz, czego dotyczyła ocena (zmiennej czy reszt), jakich metod użyto i co z niej wynika dla wyboru analizy. Przykład dla wyników testu inteligencji z sekcji z kodem:

Rozkład wyników testu inteligencji (N = 200; M = 99.29, SD = 16.09) był zbliżony do normalnego: skośność wyniosła −0.15, a kurtoza nadmiarowa −0.11. Test Shapiro-Wilka nie wykazał istotnego odchylenia od normalności, W = .99, p = .623.
Przykład reprodukowalny

Przykład w R

Funkcje pnorm() (pole pod krzywą) i qnorm() (kwantyl) zastępują tablice rozkładu normalnego. Druga część kodu losuje 200 wyników IQ i sprawdza regułę 68–95–99.7 w próbie. W SPSS normalność sprawdzisz w menu Analiza → Opis statystyczny → Eksploracja → Wykresy → Wykresy normalności z testami.

Odsetki i kwantyle rozkładu normalnego

Dane wejściowe: parametry skali IQ (μ = 100, σ = 15) i 200 wyników IQ (dane symulowane, set.seed(8)).

Co odczytać: odsetki pod krzywą, próg 10% najwyższych wyników, odsetek wyników w ±1, ±2 i ±3 SD w próbie oraz wynik testu Shapiro-Wilka.

R
# prawdopodobieństwa i kwantyle rozkładu normalnego na skali IQ (M = 100, SD = 15)
pnorm(118, mean = 100, sd = 15)            # odsetek osób z wynikiem niższym niż 118
1 - pnorm(130, mean = 100, sd = 15)        # odsetek wyników powyżej 130
pnorm(115, 100, 15) - pnorm(85, 100, 15)   # odsetek wyników od 85 do 115
qnorm(0.90, mean = 100, sd = 15)           # próg 10% najwyższych wyników
qnorm(0.975)                               # wartość krytyczna z dla 95% CI

# próba 200 osób: ile wyników mieści się w ±1, ±2 i ±3 SD?
set.seed(8)
iq <- round(rnorm(200, mean = 100, sd = 15))
z  <- (iq - mean(iq)) / sd(iq)             # standaryzacja: wyniki z
round(100 * sapply(1:3, function(k) mean(abs(z) <= k)), 1)
round(c(skosnosc = psych::skew(iq, type = 2), kurtoza = psych::kurtosi(iq, type = 2)), 2)
shapiro.test(iq)
Wynik w R
[1] 0.8849303
[1] 0.02275013
[1] 0.6826895
[1] 119.2233
[1] 1.959964
[1]  69.0  95.5 100.0
skosnosc  kurtoza
   -0.15    -0.11

	Shapiro-Wilk normality test

data:  iq
W = 0.99415, p-value = 0.6234

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3; rysunki przygotowano w pakietach ggplot2 i patchwork. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. psych (wersja 2.6.5): Revelle, W. (2026). psych: Procedures for psychological, psychometric, and personality research [R package]. Northwestern University. https://CRAN.R-project.org/package=psych
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze błędy

  • Sprawdzanie normalności surowej zmiennej zależnej zamiast reszt – w ANOVA różnice między grupami mogą dać rozkład dwu- lub trójmodalny, choć reszty są normalne.
  • Decyzja tylko na podstawie testu normalności – w małych próbach test prawie zawsze „przepuści” dane, w dużych prawie zawsze je „odrzuci”.
  • Stosowanie reguły 68–95–99.7 do danych skośnych, np. do czasów reakcji – odsetki wyników skrajnych są wtedy inne.
  • Test Kołmogorowa-Smirnowa bez poprawki Lillieforsa, gdy średnią i odchylenie standardowe oszacowano z tych samych danych.
  • Traktowanie wysokości krzywej jako prawdopodobieństwa – prawdopodobieństwo to pole pod krzywą w przedziale, a nie wartość gęstości w punkcie.

Najczęstsze pytania

Co to jest rozkład normalny?

To symetryczny rozkład zmiennej ciągłej w kształcie dzwonu: najwięcej wyników leży blisko średniej, a im dalej od niej, tym jest ich mniej. Jest w pełni opisany przez średnią μ i odchylenie standardowe σ; średnia, mediana i dominanta są w nim równe.

Ile wyników mieści się w jednym odchyleniu standardowym od średniej?

W rozkładzie normalnym w przedziale ±1 odchylenie standardowe leży 68.27% wyników, w przedziale ±2 – 95.45%, a w przedziale ±3 – 99.73%. Na skali IQ (średnia 100, odchylenie 15) oznacza to, że dwie trzecie osób ma wynik od 85 do 115.

Jak sprawdzić, czy rozkład jest normalny?

Połącz wykres z liczbami: obejrzyj histogram i wykres kwantylowy Q-Q, policz skośność i kurtozę, a jako uzupełnienie wykonaj test Shapiro-Wilka. W dużych próbach test wykrywa nawet nieważne odchylenia, a w małych ma małą moc, więc nie opieraj decyzji na samym p.

Co zrobić, gdy rozkład nie jest normalny?

Najpierw sprawdź, czy założenie w ogóle dotyczy surowej zmiennej – w teście t, ANOVA i regresji dotyczy reszt. Przy większych próbach te metody są odporne na odstępstwa od normalności. Przy małej próbie i silnej skośności rozważ transformację, metody odporne albo test nieparametryczny.

Czym różni się rozkład normalny od standardowego rozkładu normalnego?

Standardowy rozkład normalny to szczególny przypadek o średniej 0 i odchyleniu standardowym 1, N(0, 1). Każdy rozkład normalny można do niego sprowadzić, zamieniając wyniki na wyniki z = (x − μ) / σ.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Ghasemi, A., & Zahediasl, S. (2012). Normality tests for statistical analysis: A guide for non-statisticians. International Journal of Endocrinology and Metabolism, 10(2), 486–489. https://doi.org/10.5812/ijem.3505 ● Otwarty dostęp
  2. Kim, H.-Y. (2013). Statistical notes for clinical researchers: Assessing normal distribution (2) using skewness and kurtosis. Restorative Dentistry & Endodontics, 38(1), 52–54. https://doi.org/10.5395/rde.2013.38.1.52 ● Otwarty dostęp
  3. Lumley, T., Diehr, P., Emerson, S., & Chen, L. (2002). The importance of the normality assumption in large public health data sets. Annual Review of Public Health, 23(1), 151–169. https://doi.org/10.1146/annurev.publhealth.23.100901.140546
  4. Micceri, T. (1989). The unicorn, the normal curve, and other improbable creatures. Psychological Bulletin, 105(1), 156–166. https://doi.org/10.1037/0033-2909.105.1.156
  5. Mishra, P., Pandey, C. M., Singh, U., Gupta, A., Sahu, C., & Keshri, A. (2019). Descriptive statistics and normality tests for statistical data. Annals of Cardiac Anaesthesia, 22(1), 67–72. https://doi.org/10.4103/aca.ACA_157_18 ● Otwarty dostęp

Cytowania BibTeX

@article{ghasemi2012normality, author={Ghasemi, Asghar and Zahediasl, Saleh}, title={{Normality tests for statistical analysis: A guide for non-statisticians}}, journal={International Journal of Endocrinology and Metabolism}, year={2012}, volume={10}, number={2}, pages={486--489}, doi={10.5812/ijem.3505}}
@article{kim2013assessing, author={Kim, Hae-Young}, title={{Statistical notes for clinical researchers: Assessing normal distribution (2) using skewness and kurtosis}}, journal={Restorative Dentistry \& Endodontics}, year={2013}, volume={38}, number={1}, pages={52--54}, doi={10.5395/rde.2013.38.1.52}}
@article{lumley2002importance, author={Lumley, Thomas and Diehr, Paula and Emerson, Scott and Chen, Lu}, title={{The importance of the normality assumption in large public health data sets}}, journal={Annual Review of Public Health}, year={2002}, volume={23}, number={1}, pages={151--169}, doi={10.1146/annurev.publhealth.23.100901.140546}}
@article{micceri1989unicorn, author={Micceri, Theodore}, title={{The unicorn, the normal curve, and other improbable creatures}}, journal={Psychological Bulletin}, year={1989}, volume={105}, number={1}, pages={156--166}, doi={10.1037/0033-2909.105.1.156}}
@article{mishra2019descriptive, author={Mishra, Prabhaker and Pandey, Chandra M. and Singh, Uttam and Gupta, Anshul and Sahu, Chinmoy and Keshri, Amit}, title={{Descriptive statistics and normality tests for statistical data}}, journal={Annals of Cardiac Anaesthesia}, year={2019}, volume={22}, number={1}, pages={67--72}, doi={10.4103/aca.aca_157_18}}
R