Normalfordelingen (eller Gauss-fordelingen) er den vigtigste sandsynlighedsfordeling i statistik. It describes how many natural phenomena are distributed — test scores, heights, measurement errors, stock returns — and is the foundation of most statistical inference and hypothesis testing.

Formlen

Sandsynlighedstæthedsfunktionen for en normalfordeling er:

f(x) = (1 / (σ√(2π))) × e^(-(x-μ)²/(2σ²))

Hvor:

  • μ (mu) = middelværdi (midt af fordelingen)
  • σ (sigma) = standardafvigelse (spredning af fordelingen)
  • x = den værdi, du evaluerer
  • e ≈ 2,71828
  • π ≈ 3,14159

Formen er klokkebuet, og omkring 68% af værdierne falder inden for 1 standardafvigelse af middelværdien, 95% inden for 2 standardafvigelser og 99,7% inden for 3 standardafvigelser (68-95-99,7-reglen).

Bearbejdet eksempel

En standardiseret test har middelværdi 100 og standardafvigelse 15. Hvad er sandsynligheden for, at en tilfældig score er mindre end 115?

Konverter først til en z-score:

z = (115 - 100) / 15 = 1.0

En z-score på 1,0 betyder, at 115 er en standardafvigelse over middelværdien. Ved at bruge en standard normal tabel eller lommeregner, P(z ≤ 1,0) ≈ 0,8413 eller 84,13%.

Så omkring 84 % af testdeltagerne scorer under 115.

Nøgleegenskaber

Normalfordelingen er udelukkende defineret af dens middelværdi og standardafvigelse. Hvis middelværdien skiftes, flyttes kurven til venstre eller højre; at øge standardafvigelsen udjævner og udvider den. Det samlede areal under kurven er altid lig med 1.

Enhver normalfordeling kan konverteres til standardnormalfordelingen (middelværdi 0, standardafvigelse 1) ved hjælp af z-score formlen ovenfor. Denne standardisering giver dig mulighed for at bruge en universel normal tabel.

Hvornår skal du bruge

Brug normalfordelingen, når:

  • Dataklynger omkring en central værdi
  • Værdier følger et klokkeformet histogram
  • Central Limit Theorem gælder (stikprøvemiddel fra enhver fordeling er omtrentlig normal)
  • Du laver hypotesetest eller konfidensintervaller

De fleste kontinuerlige data fra den virkelige verden følger nogenlunde en normalfordeling, hvilket gør dette til arbejdshesten i anvendt statistik.

Tips

Tjek for normalitet ved hjælp af et histogram eller Q-Q plot, før du antager, at data er normale. Hvis data er meget skæve eller har afvigende værdier, er normalfordelingen muligvis ikke passende. For ikke-normale data, brug ikke-parametriske test eller datatransformation.

Brug vores Normal Distribution Calculator til at finde sandsynligheder, percentiler og z-score med det samme.