Forestil dig, at en fabrik producerer pakker med havregryn til præcis 500 gram. Maskinen er ikke perfekt, og pakker varierer lidt: de fleste vejer tæt på 500 gram, men nogle vejer 495 og andre 505. Trækker du 1.000 pakker ud og tegner vægterne ind i et histogram, danner søjlerne en klokkekurve med toppunkt ved 500 gram. Den kurve er en normalfordeling, og den optræder overalt: fra gymnasielevers højde til karakterfordelinger på eksamen og fyldningsmål på chokoladefabrikker.

Normalfordeling er fast pensum på Matematik A på STX og HHX. Som UVMs læseplan for matematik A fastslår, skal du til eksamen kunne beregne sandsynligheder samt middelværdi og spredning i normalfordelingen. Denne guide gennemgår alt fra tæthedsfunktionen og fordelingsfunktionen til standardnormalfordelingen, 68-95-99,7-reglen, fraktiler og konfidensinterval for middelværdi. Har du brug for personlig hjælp undervejs, er du velkommen hos Toptutors' matemattutors, der har hjælpt gymnasieelever i mere end 70.000 undervisningstimer.

Hvad er normalfordeling?

Middelværdien \( \mu \) er klokkekurvens centrum: det punkt, hvor tæthedsfunktionen har sit toppunkt. Jo større \( \mu \), desto mere forskydes kurven til højre. Standardafvigelsen \( \sigma \) styrer bredden: en lille \( \sigma \) giver en smal, høj klokke, og en stor \( \sigma \) giver en bred, flad klokke. De to tal er alt, hvad der skal til for at bestemme en normalfordeling entydigt.

Nøglebegreb

Normalfordeling

En normalfordeling er en kontinuert sandsynlighedsfordeling med en symmetrisk, klokkeformet tæthedsfunktion. Den bestemmes entydigt af middelværdien \( \mu \) og standardafvigelsen \( \sigma \). Vi skriver X ~ N(\( \mu \), \( \sigma \)), når en stokastisk variabel X er normalfordelt. Arealet under kurven er altid lig med 1.

Eksempel: X ~ N(174, 8) kan modellere højden i cm for voksne danskere. X ~ N(7, 2) kan modellere karakterfordelingen på en gymnasieeksamen.

Matematisk opstår normalfordelingen, fordi summen af mange små, uafhængige tilfældige bidrag altid nærmer sig en klokkeform. Som lektor Ege Rubak fra Aalborg Universitet forklarer på videnskab.dk: "Gauss' normalfordeling er den vigtigste af alle sandsynlighedsfordelinger i sandsynlighedsregning og statistik." Carl Friedrich Gauss beskrev fordelingens formel i sit astronomiske hovedværk Theoria motus fra 1809, og siden er den brugt alt fra kvalitetskontrol til rumfart.

Formel

Tæthedsfunktionen for normalfordelingen

\[f(x) = \dfrac{1}{\sigma\sqrt{2\pi}} \cdot e^{-\frac{(x-\mu)^2}{2\sigma^2}}\]

Variable

SymbolNavn
\( f(x) \)Tæthedsfunktionens værdi (sandsynlighedstætheden)
\( \mu \)Middelværdien (klokkekurvens centrum)
\( \sigma \)Standardafvigelsen (spredning, kræver \( \sigma > 0 \))
\( e \)Eulers tal (ca. 2,718)
\( \pi \)Pi (ca. 3,14159)
Hvornår: Bruges til at tegne og forstå klokkekurven. I gymnasiet beregner du ikke f(x) direkte; sandsynligheder beregnes som arealer under kurven ved hjælp af CAS.
\[f(x) = \frac{1}{\sigma\sqrt{2\pi}} \cdot e^{-\frac{(x-\mu)^2}{2\sigma^2}}\]

Standardnormalfordelingen N(0,1): den klassiske klokkekurve

Tæthedsfunktionen og fordelingsfunktionen

Her er en klassisk forvirring at undgå til eksamen: tæthedsfunktionen \( f(x) \) og fordelingsfunktionen \( F(x) \) er ikke det samme. De hænger tæt sammen, men bruges til vidt forskellige formål, og blander du dem, kan du hurtigt besvare den forkerte opgave.

Tæthedsfunktionen \( f(x) \) er selve klokkekurven. Dens y-værdier er sandsynlighedstætheder, ikke direkte sandsynligheder. Jo højere \( f(x) \) er ved et punkt, desto mere sandsynligt er det at observere en værdi i nærheden af det punkt. Sandsynligheder beregnes som arealer under kurven, aldrig som enkeltværdier af f(x).

Fordelingsfunktionen \( F(x) \) giver arealet under klokkekurven fra \( -\infty \) til x. Det vil sige: \( F(a) = P(X \leq a) \). Grafen for \( F(x) \) er S-formet og vokser fra 0 til 1. Et centralt resultat: \( F(\mu) = 0{,}5 \) altid, fordi kurven er symmetrisk om middelværdien. Beregning af \( F(x) \) kræver integralregning, men i gymnasiet bruger du altid CAS til selve udregningen.

For at beregne sandsynligheden for et interval bruger du sammenhængen \( P(a \leq X \leq b) = F(b) - F(a) \). Det er arealet under klokkekurven mellem de to grænser. I GeoGebra: NormalFordeling(\( \mu \), \( \sigma \), a, b) beregner dette direkte i CAS-feltet.

  1. 1

    Åbn GeoGebra Calculator

    Gå til geogebra.org/calculator og klik på ikonet for Sandsynlighedsregner (Probability Calculator) nederst til venstre.

  2. 2

    Vælg Normal og ind parametre

    Vælg 'Normal' i rullemenuen. Ind middelværdien μ (Mean) og standardafvigelsen σ (Std. Dev.).

  3. 3

    Vælg intervaltype

    Klik på det midterste ikon for P(a ≤ X ≤ b) og ind grænserne a og b.

  4. 4

    Aflæs sandsynlighed

    Sandsynligheden P(a ≤ X ≤ b) vises direkte. Alternativt: skriv NormalFordeling(μ, σ, a, b) i CAS-feltet.

Eksempelopgave

X er normalfordelt med μ = 10 og σ = 2, dvs. X ~ N(10, 2). Beregn sandsynligheden P(8 ≤ X ≤ 12).

Vis løsning
  1. 1

    Identificer fordelingen og intervallet

    Middelværdien er μ = 10 og standardafvigelsen er σ = 2. Intervallet [8; 12] = [10-2; 10+2] = [μ-σ; μ+σ], dvs. præcis ét σ fra middelværdien.

  2. 2

    Skriv sandsynligheden som difference af fordelingsfunktionen

    \[ P(8 \leq X \leq 12) = F(12) - F(8) \]
  3. 3

    Beregn i GeoGebra

    NormalFordeling(10, 2, 8, 12) i GeoGebra CAS-feltet.

    \[ P(8 \leq X \leq 12) \approx 0{,}6827 = 68{,}27\% \]
  4. 4

    Fortolk

    Ca. 68% af observationerne fra X ~ N(10, 2) falder i [8; 12]. Det passer med 68-95-99,7-reglen for [μ-σ; μ+σ].

Standardnormalfordelingen og z-scoren

Tre fabrikker pakker chokolade: én i 100 g pakker med σ = 3, én i 500 g pakker med σ = 10, og én i 1.000 g pakker med σ = 20. Hvilken er mest præcis? Det kan du ikke afgøre ved at sammenligne σ direkte, fordi enhederne er forskellige. En σ = 3 ved 100 g-pakker er relativt set større end σ = 20 ved 1.000 g-pakker. Z-scoren løser problemet ved at omregne til en fælles skala.

Standardnormalfordelingen Z ~ N(0, 1) er normalfordelingen med middelværdi 0 og standardafvigelse 1. Den adskiller sig fra binomialfordelingen ved at være kontinuert og symmetrisk om 0. Enhver normalfordeling X ~ N(μ, σ) kan omregnes til standardnormalfordelingen ved standardisering: z = (x - μ)/σ. Resultatet er en z-score, der angiver, hvor mange standardafvigelser en observation befinder sig fra middelværdien.

Formel

Z-scoren (standardisering)

\[z = \dfrac{x - \mu}{\sigma}\]

Variable

SymbolNavn
\( z \)Z-scoren: antal standardafvigelser fra middelværdien
\( x \)Den konkrete observation
\( \mu \)Middelværdien for fordelingen
\( \sigma \)Standardafvigelsen for fordelingen
Hvornår: Bruges til at standardisere en observation fra N(μ, σ) til en z-score. Giver mulighed for sammenligning på tværs af fordelinger og beregning af sandsynligheder i Z ~ N(0, 1).
\[z = \frac{x - \mu}{\sigma}\]

En z-score på +2 betyder, at observationen er 2 standardafvigelser over gennemsnittet. En z-score på -1,5 betyder 1,5 σ under gennemsnittet. I GeoGebra: NormalFordeling(0, 1, z) beregner P(Z ≤ z), og du kan derved finde enhver sandsynlighed i standardnormalfordelingen.

Eksempelopgave

En klasse har testresultater normalfordelt med μ = 65 og σ = 10. En elev scorer 82 point. Beregn z-scoren og find sandsynligheden P(X ≤ 82).

Vis løsning
  1. 1

    Beregn z-scoren

    \[ z = \frac{82 - 65}{10} = \frac{17}{10} = 1{,}7 \]
  2. 2

    Fortolk z-scoren

    Eleven scorer 1,7 standardafvigelser over klassegennemsnittet.

  3. 3

    Find sandsynlighed

    \[ P(X \leq 82) = P\!\left(Z \leq 1{,}7\right) \approx 0{,}9554 = 95{,}54\% \]
  4. 4

    Fortolkning

    Eleven klarer sig bedre end ca. 95,5% af klassen. Kun ca. 4,5% har et højere resultat.

68-95-99,7-reglen og normale udfald

Karaktererne fra en landsdækkende matematik A-eksamen er tilnærmelsesvist normalfordelt med middelværdi 7,2 og standardafvigelse 2,3. Hvad er sandsynligheden for at score i intervallet [4,9; 9,5]? Svaret er 68,27%, og du behøvede ikke åbne GeoGebra en eneste gang.

68-95-99,7-reglen er en af de mest nyttige tommelfingerregler i statistik. Den siger, at for enhver normalfordeling X ~ N(μ, σ) gælder tre faste procentandele, uanset værdien af μ og σ. Intervalbredden vokser med antallet af standardafvigelser, og sandsynligheden vokser tilsvarende.

IntervalSandsynlighedEksempel X ~ N(7,2 ; 2,3)
[μ - σ ; μ + σ]ca. 68,27%[4,9 ; 9,5]
[μ - 2σ ; μ + 2σ]ca. 95,45%[2,6 ; 11,8]
[μ - 3σ ; μ + 3σ]ca. 99,73%[0,3 ; 14,1]

Ud fra reglen definerer vi normale og exceptionelle udfald. Et udfald er normalt, hvis det befinder sig inden for to standardafvigelser fra middelværdien, dvs. i \( [\mu - 2\sigma ; \mu + 2\sigma] \). Det svarer til 95,45% af alle observationer. Et udfald er exceptionelt, hvis det befinder sig mere end tre standardafvigelser fra middelværdien. Sandsynligheden for et exceptionelt udfald er kun ca. 0,27%, svarende til ca. 1 ud af 370 observationer.

Normale og exceptionelle udfald

Normalt udfald: x befinder sig i [μ - 2σ ; μ + 2σ] (sandsynlighed ca. 95,45%). Exceptionelt udfald: x befinder sig uden for [μ - 3σ ; μ + 3σ] (sandsynlighed ca. 0,27%). Husk: exceptionelt betyder ikke umuligt, blot meget usandsynligt.

68-95-99,7-reglen visualiseret på N(0,1)

Eksempelopgave

X ~ N(9, 2). Bestem intervallet for normale udfald og afgør, om 14 er et exceptionelt udfald.

Vis løsning
  1. 1

    Normale udfald: beregn [μ - 2σ ; μ + 2σ]

    Normale udfald: [5 ; 13].

    \[ \mu - 2\sigma = 9 - 4 = 5 \quad \text{og} \quad \mu + 2\sigma = 9 + 4 = 13 \]
  2. 2

    Grænse for exceptionelle udfald

    \[ \mu - 3\sigma = 9 - 6 = 3 \quad \text{og} \quad \mu + 3\sigma = 9 + 6 = 15 \]
  3. 3

    Vurder om 14 er exceptionelt

    14 befinder sig i [3 ; 15], dvs. inden for 3σ fra middelværdien. Udfaldet 14 er IKKE exceptionelt. Et udfald på fx 16 ville derimod være exceptionelt (16 > 15).

Fraktiler i normalfordelingen

Sandsynlighed og fraktil er det omvendte af hinanden. Kender du et udfald x og vil finde sandsynligheden P(X ≤ x), bruger du fordelingsfunktionen F(x). Kender du sandsynligheden p og vil finde den tilhørende x-værdi, bruger du p-fraktilen. Det er den inverse operation.

P-fraktilen \( x_p \) er den x-værdi, for hvilken præcis p · 100% af observationerne er mindre end eller lig med \( x_p \). Formelt: \( F(x_p) = p \). Fraktiler bruges bl.a. til at besvare spørgsmål som: 'Hvad skal en elev score for at tilhøre den øverste 10%?' eller 'Hvad er den maksimale vægt, som 95% af pakkerne ikke overstiger?'.

Formel

P-fraktilen

\[x_p = F^{-1}(p)\]

Variable

SymbolNavn
\( x_p \)P-fraktilen: den x-værdi, der svarer til sandsynlighed p
\( F^{-1} \)Den inverse fordelingsfunktion
\( p \)Sandsynlighedsniveauet (0 < p < 1)
Hvornår: Bruges når du kender sandsynligheden p og vil finde den tilhørende x-grænse. GeoGebra-kommando: NormalFordelingInvers(μ, σ, p).

I GeoGebra hedder kommandoen NormalFordelingInvers(μ, σ, p). Den returnerer p-fraktilen og bruges direkte i CAS-feltet. Særligt relevante fraktiler i gymnasiet: 0,95-fraktilen (95%), 0,975-fraktilen (bruges ved 95%-konfidensinterval) og 0,99-fraktilen (99%).

  1. 1

    Åbn Sandsynlighedsregner i GeoGebra

    Klik på ikonet for Probability Calculator i GeoGebra Calculator.

  2. 2

    Vælg Normal og ind μ og σ

    Indtast middelværdien og standardafvigelsen.

  3. 3

    Skift til invers beregning (fraktilmodus)

    Klik på pil-ikonet for at bytte rundt: nu bestemmer du x ud fra p.

  4. 4

    Ind p-værdien og aflæs x_p

    Ind sandsynligheden p (fx 0,9 for 90%-fraktilen) og aflæs den tilhørende x-værdi.

  5. 5

    CAS-alternativ

    Skriv NormalFordelingInvers(μ, σ, p) direkte i CAS-feltet for hurtig beregning.

Eksempelopgave

Gymnasieelevernes højde er normalfordelt med μ = 174 cm og σ = 8 cm. Find 90%-fraktilen og fortolk resultatet.

Vis løsning
  1. 1

    Opsæt fraktilligningen

    Vi søger x_{0,9}: den højde, som 90% af eleverne er under. Formelt: F(x_{0,9}) = 0,9.

  2. 2

    Beregn med GeoGebra

    \[ x_{0{,}9} = \text{NormalFordelingInvers}(174,\; 8,\; 0{,}9) \approx 184{,}3 \text{ cm} \]
  3. 3

    Fortolk

    90% af eleverne er under 184,3 cm høje. Kun den øverste 10% er højere end 184,3 cm.

Konfidensinterval for middelværdi

Du trækker 20 tilfældige pakker havregryn fra produktionslinjen og vejer dem. Gennemsnitsvægten er \( \bar{x} = 502 \) gram med en stikprøvespredning på \( s = 6 \) gram. Spørgsmålet er: Hvor præcist er de 502 gram som estimat for alle pakkernes sande middelværdi? Det er det, et konfidensinterval besvarer.

Et 95%-konfidensinterval for middelværdien er et interval, der i 95% af tilfældene indeholder populationens sande middelværdi μ. Som Erik Vestergaard bemærker i sine noter om normalfordelingen: vi kender sjældent σ på forhånd, og det er her t-fordelingen træder ind i stedet for standardnormalfordelingen.

T-fordelingen ligner standardnormalfordelingen, men har tykkere haler og kompenserer for usikkerheden ved at estimere σ fra stikprøven. Dens form bestemmes af frihedsgrader = n - 1, hvor n er stikprøvestørrelsen. For n > 30 nærmer t-fordelingen sig Z-fordelingen, men i gymnasiet bruger du altid t-fordelingen, medmindre σ er eksplicit givet i opgaven.

Formel

Konfidensinterval for middelværdi (ukendt σ)

\[I = \left[ \bar{x} - t_{1-\alpha/2} \cdot \dfrac{s}{\sqrt{n}} \;,\; \bar{x} + t_{1-\alpha/2} \cdot \dfrac{s}{\sqrt{n}} \right]\]

Variable

SymbolNavn
\( \bar{x} \)Stikprøvens middelværdi (estimat for μ)
\( s \)Stikprøvens standardafvigelse (estimat for σ)
\( n \)Stikprøvestørrelsen
\( t_{1-\alpha/2} \)Fraktil i t-fordeling med n-1 frihedsgrader
\( \alpha \)Signifikansniveauet (1 minus konfidensniveauet)
Hvornår: Bruges ved estimation af populationens middelværdi fra en normalfordelt stikprøve, når σ er ukendt.
\[I = \left[ \bar{x} - t_{1-\alpha/2} \cdot \frac{s}{\sqrt{n}} \;,\; \bar{x} + t_{1-\alpha/2} \cdot \frac{s}{\sqrt{n}} \right]\]

T-fordeling vs. z-fordeling

Brug t-fordelingen (med n-1 frihedsgrader), når σ er ukendt og estimeres fra stikprøven som s. Brug z-fordelingen kun, hvis σ er præcist known på forhånd. I langt de fleste gymnasieopgaver er σ ukendt, og du bruger t-fordelingen.

  1. 1

    Åbn GeoGebra og gå til Statistik

    I GeoGebra Calculator: åbn Sandsynlighedsregner eller brug Statistik-menuen.

  2. 2

    Vælg T-interval for middelværdi

    Under Statistik vælger du 'T Interval for middelværdi' (T Confidence Interval).

  3. 3

    Ind stikprøvedata

    Ind middelværdi x̄, stikprøvespredning s og stikprøvestørrelse n. Vælg konfidensniveauet (typisk 0,95).

  4. 4

    Aflæs konfidensintervallet

    Aflæs de nedre og øvre grænser. Det er dit konfidensinterval for μ.

Eksempelopgave

n = 20 pakker, x̄ = 502 g, s = 6 g. Opstil et 95%-konfidensinterval for populationens middelværdi μ.

Vis løsning
  1. 1

    Find t-fraktilen

    Frihedsgrader: n - 1 = 19. Konfidensniveau 95%, α = 0,05, brug 0,975-fraktilen.

    \[ t_{0{,}975}(19) \approx 2{,}093 \]
  2. 2

    Beregn fejlmargen

    \[ E = 2{,}093 \cdot \frac{6}{\sqrt{20}} \approx 2{,}093 \cdot 1{,}342 \approx 2{,}81 \text{ g} \]
  3. 3

    Opstil konfidensintervallet

    \[ I = [502 - 2{,}81 \;,\; 502 + 2{,}81] = [499{,}19 \;,\; 504{,}81] \text{ g} \]
  4. 4

    Fortolk

    Vi er 95% sikre på, at populationens sande middelværdi μ ligger i [499,19; 504,81] gram. Resultatet er statistisk konsistent med en målvægt på 500 gram.

Normalfordeling i GeoGebra: de tre vigtigste kommandoer

GeoGebra er det primære CAS-værktøj til normalfordeling på gymnasiet, og du bør kende tre CAS-kommandoer udenad til skriftlig eksamen. De dækker henholdsvis sandsynlighed op til en grænse, sandsynlighed i et interval og fraktilberegning.

GeoGebra CAS-kommandoer til normalfordeling

NormalFordeling(μ, σ, x): beregner F(x) = P(X ≤ x). NormalFordeling(μ, σ, a, b): beregner P(a ≤ X ≤ b). NormalFordelingInvers(μ, σ, p): finder p-fraktilen x_p.

  1. 1

    Åbn Probability Calculator

    Klik på histogrammet/terningeikonet i GeoGebra Calculator for at åbne Sandsynlighedsregneren.

  2. 2

    Vælg Normal og ind μ og σ

    Vælg 'Normal' i rullemenuen. Ind Mean = μ og Std. Dev. = σ.

  3. 3

    Vælg sandsynlighedstype

    Brug de tre ikoner til at vælge P(X ≤ a), P(a ≤ X ≤ b) eller P(X ≥ a). Ind grænserne.

  4. 4

    Skift til fraktilmodus for x_p

    Klik på pil-ikonet for at bytte om til invers beregning: ind p og aflæs x_p.

  5. 5

    Konfidensinterval: brug Statistik-menuen

    Statistik > T-interval for middelværdien (ukendt σ) eller Z-interval (known σ).

TI-Nspire kommandoer

normCdf(a, b, μ, σ) beregner P(a ≤ X ≤ b). normPdf(x, μ, σ) giver tæthedsfunktionens værdi. invNorm(p, μ, σ) finder p-fraktilen. tInterval(x̄, s, n, α) beregner t-konfidensintervallet.

Typiske fejl med normalfordeling

Disse tre fejl dukker op igen og igen på eksamen. De er ikke oplagte begynderfejl, men subtile forvekslinger, der kan koste point selv for elever, der forstår teorien godt.

Typiske fejl med normalfordeling

❌ Typisk fejl✓ Korrekt
Fortolker f(x) som en sandsynlighed: 'f(5) = 0,3 betyder, at sandsynligheden for X = 5 er 30%'f(x) er tæthedsfunktionen, ikke en sandsynlighed. Sandsynligheder beregnes som arealer under kurven. P(X = a) = 0 altid i en kontinuert fordeling, fordi et enkelt punkt ikke har noget areal.
Indsætter variansen σ² i stedet for standardafvigelsen σ i GeoGebra-formlenI notationen X ~ N(μ, σ) er den anden parameter standardafvigelsen σ, ikke variansen σ². Er X ~ N(10, 4), er σ = 4 og σ² = 16. Indsætter du 16, beregner du sandsynligheder for en anden fordeling.
Bruger z-fraktilerne (z = 1,96 for 95%-konfidensinterval), selvom σ er ukendtZ-fraktilerne gælder kun, når σ er præcist known. Estimerer du σ fra stikprøven (s), brug altid t-fordelingen med n-1 frihedsgrader. Forskellen er størst ved små stikprøver.

Quiz

Test din forståelse af normalfordeling

0/5 besvaret

1. X ~ N(12, 3). Hvad er sandsynligheden P(9 ≤ X ≤ 15) ifølge 68-95-99,7-reglen?

2. En observation x = 20 fra X ~ N(15, 2) giver z-scoren:

3. Hvad er 0,5-fraktilen (medianen) i enhver normalfordeling X ~ N(μ, σ)?

4. En fabrik producerer skruer X ~ N(50, 1) mm. Hvad er intervallet for normale udfald?

5. Et 95%-konfidensinterval fra n = 25 målinger kræver t-fraktilen fra:

Ofte stillede spørgsmål om normalfordeling

Hvad er forskellen på normalfordeling og standardnormalfordeling?
En normalfordeling X ~ N(μ, σ) kan have enhver middelværdi μ og enhver positiv standardafvigelse σ. Standardnormalfordelingen er den specielle normalfordeling Z ~ N(0, 1) med middelværdi 0 og standardafvigelse 1. Enhver normalfordeling kan omregnes til standardnormalfordelingen ved standardisering: z = (x - μ)/σ.
Hvad betyder det, at normalfordelingen er kontinuert?
At normalfordelingen er kontinuert betyder, at den stokastiske variabel X kan antage alle reelle værdier, ikke kun heltal. Sandsynligheder beregnes som arealer under kurven, og P(X = a) = 0 altid, fordi et enkelt punkt ikke har noget areal under kurven.
Hvornår bruger man t-fordelingen frem for normalfordelingen til konfidensintervaller?
Brug t-fordelingen, når du estimerer populationens middelværdi og standardafvigelsen σ er ukendt (du bruger s fra stikprøven som estimat). Det er det normale tilfælde. Brug z-fordelingen kun, hvis σ er præcist known på forhånd fra ekstern viden. I gymnasiet bruger du altid t-fordelingen medmindre opgaven eksplicit angiver σ.
Hvad er 68-95-99,7-reglen, og hvornår bruges den?
68-95-99,7-reglen siger, at for enhver normalfordeling X ~ N(μ, σ) gælder: ca. 68,27% af observationerne ligger i [μ-σ; μ+σ], ca. 95,45% i [μ-2σ; μ+2σ] og ca. 99,73% i [μ-3σ; μ+3σ]. Reglen bruges til hurtige overslag, til at definere normale og exceptionelle udfald, og til eksamensspørgsmål, der beder om procentandele inden for faste σ-intervaller.
Hvad er normalfordeling formel, og behøver jeg kende den udenad?
Tæthedsfunktionens formel er f(x) = (1/(σ√(2π))) · e^(-(x-μ)²/(2σ²)). Formlen er typisk opgivet i formelsamlingen til eksamen, og du forventes ikke at beregne f(x) i hånden. Det vigtige er at forstå, hvad μ og σ betyder for kurvens form, og at bruge CAS til sandsynlighedsberegninger.
Kan alle fænomener beskrives med normalfordeling?
Nej. Normalfordelingen passer bedst, når mange små, uafhængige faktorer bidrager til variationen, som fx højde og vægt. Den passer ikke til skæve fordelinger som indkomster, fordelinger begrænset til positive værdier, eller klart multimodale fordelinger. Tjek altid, om dine data er tilnærmelsesvist normalfordelt, fx ved et histogram.

Svært ved normalfordeling?

Vores tutors forklarer det trin for trin, præcis på det niveau du er. Mere end 1.000 certificerede matemattutors er klar, og du kan prøve en gratis time uden binding. 96% af vores elever giver positive anmeldelser.

Få en gratis prøvetime