Normalfordeling og 68-95-99,7-reglen

Matematik A · STX · A-niveau · Statistik og sandsynlighed

🧮 Normalfordeling og 68-95-99,7-reglen

Normalfordelingen (Gauss-fordelingen, "klokkekurven") er en af statistikkens mest fundamentale koncepter. Den dukker op overalt — fra IQ-tests til måleusikkerhed til kvalitetskontrol.

Hvad er normalfordelingen?

Normalfordelingen er en symmetrisk klokkeformet kurve defineret ved:

• Middelværdi μ (gennemsnittet, midten)
• Standardafvigelse σ (spredning)

#### Tæthedsfunktion (formel)

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

Det ser komplekst ud, men det er bare den matematiske formel for klokkekurven.

Standardnormal

Ved standardisering kan vi gøre enhver normal til standardnormal:

$$Z = \frac{X - \mu}{\sigma}$$

Resultatet: Z er standardnormalfordelt med μ=0 og σ=1: Z ~ N(0, 1).

Det er nyttigt, fordi det giver os én tabel der virker for alle normalfordelinger.

68-95-99,7-reglen

Det vigtigste at huske om normalfordelingen:

| Inden for | Procent |

|---|---|

| μ ± 1σ | ~68% af observationerne |

| μ ± 2σ | ~95% af observationerne |

| μ ± 3σ | ~99,7% af observationerne |

Eksempler udenfor ±3σ er ekstremt sjældne (0,3%) — ofte outliers eller fejl.

Eksempel: IQ

IQ er normalfordelt med:

• μ = 100 (gennemsnits-IQ)
• σ = 15

Anvend reglen:

• 68% har IQ mellem 85 og 115
• 95% har IQ mellem 70 og 130
• 99,7% har IQ mellem 55 og 145

Kun ~0,15% har IQ over 145 — det er et i 700 personer.

Eksempel: Højde for danske mænd

• μ ≈ 180 cm
• σ ≈ 7 cm

Anvend:

• 68% af mænd er 173-187 cm
• 95% er 166-194 cm
• 99,7% er 159-201 cm

Vigtige egenskaber

#### Symmetri

Normalfordelingen er symmetrisk omkring μ — middelværdien = medianen = typetallet.

#### Sum af normale

Summen af uafhængige normalfordelte er også normalfordelt:

• Hvis X₁ ~ N(μ₁, σ₁) og X₂ ~ N(μ₂, σ₂)
• så X₁ + X₂ ~ N(μ₁+μ₂, √(σ₁²+σ₂²))

#### Central grænseværdisætning (CLT)

Den vigtigste sætning i statistik:

Middel af mange uafhængige stikprøver bliver normalfordelt — uanset oprindelig fordeling.

Det betyder:

• Selv hvis data IKKE er normalfordelt
• Når du tager mange stikprøver
• Bliver stikprøvemiddelværdien normalfordelt

Det er derfor normalfordelingen er så hyppigt nyttig — den dukker op i naturen overalt.

Anvendelser i praksis

#### Kvalitetskontrol

Six Sigma = ±6σ-grænse:

• 3,4 fejl pr. million produkter
• Bruges i Toyota, GE, Motorola
• Mål: minimere defekter

#### Aktie-afkast

• Tilnærmet normalfordelt
• Men har "fede haler" — ekstreme bevægelser sker oftere end normalt
• Black Swan-events ekstremt vigtige

#### Måleusikkerhed (fysik)

• Tilfældige fejl er normalfordelte
• Bruges til fejlforplantning

#### Eksamenskarakterer

• Karakterer er ofte ikke normalfordelt — typisk højreskæv (flere får 7-10 end 02 eller 12)

#### Biologiske egenskaber

• Højde, vægt, blodtryk
• Hjerneaktivitet
• Gener (mange er normalt fordelt)

Sandsynlighedsberegninger

#### Med standardnormal-tabel

Tabel viser Φ(z) = P(Z ≤ z):

Fx Φ(1,96) = 0,975 betyder: 97,5% af standard-normal ligger under 1,96.

Med formelsamlingen kan du beregne:

• Højre-hale: 1 - Φ(z)
• Intervaller: Φ(b) - Φ(a)
• Tværforhold: kombinationer

#### CAS-værktøjer

Excel:

```

=NORMDIST(x, mean, sd, TRUE) → kumulativ

=NORMINV(prob, mean, sd) → omvendt

```

R:

```

dnorm(x, mean, sd) # tæthed

pnorm(q, mean, sd) # kumulativ

qnorm(p, mean, sd) # quantile

```

TI-Nspire:

```

normalCdf(lower, upper, mean, sd)

invNorm(prob, mean, sd)

```

Hypotese-test

Normalfordelingen er fundamentet for moderne hypotese-test:

• z-test: når σ er kendt
• t-test: når σ er ukendt (Student-fordeling, tæt på normal)
• Konfidensintervaller: μ ± z·σ/√n

Almindelige fælder

• ❌ Antage at alt er normalfordelt (det er det ikke!)
• ❌ Glemme fede haler i finans og forsikring
• ❌ Forveksle σ og σ² (varians)
• ❌ Bruge 68-95-99,7 reglen på ikke-normal data

Vidste du at...

📊 Carl Friedrich Gauss (1777-1855) opdagede normalfordelingen — derfor navnet "Gauss-fordeling". Han var en af historiens største matematikere.

🎯 Six Sigma kom fra Motorola i 1980erne og blev senere adopteret af GE — det reducerer fejl dramatisk.

📈 Den centrale grænseværdisætning kaldes nogle gange "statistikkens magnum opus" — den forklarer hvorfor normalfordelingen er overalt.

Læringsmål

• Forstå normalfordelingens form og parametre (μ, σ)
• Anvende 68-95-99,7-reglen til at vurdere sandsynligheder
• Standardisere værdier via z-score
• Beregne sandsynligheder vha. CAS eller z-tabel
• Anvende centralt grænseværdisætning til at forklare normalfordelingens prevalence
• Udføre simpel hypoteseprøvning med z-test

Sådan kan du arbejde med emnet

• En population har middelværdi 50 og standardafvigelse 5 — beregn intervallet, der indeholder ca. 95% af observationerne
• Forklar hvad 68-95-99,7-reglen siger om afstanden til middelværdien
• Diskutér et eksempel fra hverdagen, hvor normalfordelingen er en god model for variationen

Træningsforslag

• IQ er normalfordelt med μ=100, σ=15. Beregn andelen med IQ over 130 og under 70.
• Standardisér en observation x=187 fra N(180, 7) til en z-værdi, og find P(X ≤ 187) i CAS.
• Forklar med egne ord, hvorfor den centrale grænseværdisætning gør normalfordelingen så udbredt.
• Diskutér: hvorfor er aktieafkast IKKE perfekt normalfordelte ("fede haler")?

Brobygning

Normalfordelingen er fundamentet for hypoteseprøvning, konfidensintervaller og kvalitetskontrol — den binder statistik sammen med naturvidenskab (måleusikkerhed) og samfundsfag (meningsmålinger).