3.2 Normalfordeling

Klokkekurven som styrer verden

Visste du at hvis du målte høyden til alle 18 år gamle gutter i Norge og laget et histogram av resultatene, ville du fått en nesten perfekt klokkeformet kurve? De fleste guttene ville samlet seg rundt 180 centimeter, og det ville blitt færre og færre jo lenger du gikk fra dette senteret -- noen få veldig korte, noen få veldig høye, men de aller fleste et sted i nærheten av gjennomsnittet.

Denne formen -- symmetrisk, med en topp i midten og haler som faller jevnt av på begge sider -- kalles normalfordelingen. Den er også kjent som Gausskurven (oppkalt etter den tyske matematikeren Carl Friedrich Gauss) eller den berømte «bell curve». Og den dukker opp overalt. Høyder, fødselsvekter, blodtrykk, IQ-skårer, feilmarginer i produksjon -- listen er lang.

I dette kapittelet skal vi utforske normalfordelingen i dybden. Vi begynner med å forstå hva den er og hva som kjennetegner den. Så lærer vi den kraftige 68--95--99,7-regelen som lar oss svare på spørsmål om andeler uten avanserte beregninger. Og til slutt møter vi z-skåren, et verktøy som lar oss sammenligne epler og pærer -- eller rettere sagt, resultater fra helt ulike prøver og målinger.

Hva er normalfordelingen?

La oss begynne med det grunnleggende. Normalfordelingen er en matematisk modell som beskriver hvordan verdier fordeler seg i mange naturlige fenomener. Den har noen klare kjennetegn som gjør den lett å kjenne igjen.

For det første er den symmetrisk rundt gjennomsnittet $\mu$. Det betyr at venstre side av kurven er et speilbilde av høyre side. For det andre er gjennomsnitt, median og typetall alle like -- de faller sammen i det ene toppunktet på kurven. For det tredje nærmer kurven seg, men berører aldri, $x$-aksen. Det betyr at det alltid er en liten sannsynlighet for verdier langt fra sentrum, selv om den sannsynligheten er forsvinnende liten.

Formen på kurven bestemmes av to tall: gjennomsnittet $\mu$ bestemmer hvor sentrum ligger, og standardavviket $\sigma$ bestemmer hvor bred kurven er. Stort standardavvik gir en bred og flat kurve -- verdiene sprer seg mye. Lite standardavvik gir en smal og høy kurve -- verdiene samler seg tett rundt gjennomsnittet.

La oss ta et konkret eksempel. Høyden til norske 18-årige gutter er tilnærmet normalfordelt med $\mu = 180$ cm og $\sigma = 7$ cm. Hva betyr det i praksis? De fleste guttene har en høyde nær 180 cm. Gjennomsnittet, medianen og typetallet er alle omtrent 180 cm. Standardavviket på 7 cm betyr at en «typisk» avstand fra gjennomsnittet er 7 cm. Og fordi kurven er symmetrisk, er like mange høyere enn 180 cm som lavere.

Men det er viktig å huske at ikke alt er normalfordelt. Inntekt, boligpriser og ventetider er typisk skjevfordelt og følger ikke denne pene klokkekurven. Normalfordelingen er et kraftig verktøy, men du må alltid sjekke at den passer til dataene dine.

Den empiriske regelen -- 68, 95 og 99,7

Nå kommer vi til noe virkelig nyttig. For enhver normalfordeling med gjennomsnitt $\mu$ og standardavvik $\sigma$ gjelder en elegant tommelfingerregel kjent som den empiriske regelen eller 68--95--99,7-regelen.

Regelen sier at ca. 68 prosent av alle verdier ligger innenfor $\mu \pm 1\sigma$, altså mellom $\mu - \sigma$ og $\mu + \sigma$. Ca. 95 prosent ligger innenfor $\mu \pm 2\sigma$. Og ca. 99,7 prosent ligger innenfor $\mu \pm 3\sigma$. Det betyr at nesten alle verdier -- 99,7 prosent -- befinner seg innenfor tre standardavvik fra gjennomsnittet.

La oss gjøre dette konkret med et eksempel. Vekten til nyfødte barn er normalfordelt med $\mu = 3{,}5$ kg og $\sigma = 0{,}5$ kg. Mellom hvilke verdier ligger 95 prosent av fødselsvektene? Vi beregner $\mu \pm 2\sigma$: $3{,}5 - 2 \cdot 0{,}5 = 2{,}5$ kg og $3{,}5 + 2 \cdot 0{,}5 = 4{,}5$ kg. Altså ligger 95 prosent av fødselsvektene mellom 2,5 og 4,5 kg.

Men vi kan få enda mer ut av regelen. Hvor stor andel veier mer enn 4,5 kg? Siden 95 prosent ligger innenfor $\mu \pm 2\sigma$, ligger 5 prosent utenfor. Og fordi fordelingen er symmetrisk, er halvparten av disse 5 prosentene over $\mu + 2\sigma$ og halvparten under $\mu - 2\sigma$. Altså veier ca. 2,5 prosent av nyfødte mer enn 4,5 kg.

Denne logikken kan du bruke om og om igjen. Levetiden til en type lyspære er normalfordelt med $\mu = 1\,200$ timer og $\sigma = 100$ timer. 68 prosent varer mellom 1 100 og 1 300 timer (innenfor $\mu \pm 1\sigma$). Bare 2,5 prosent varer lenger enn 1 400 timer ($\mu + 2\sigma$). Og nesten ingen -- bare 0,15 prosent -- har en levetid under 900 timer ($\mu - 3\sigma$).

Z-skåren -- å sammenligne epler og pærer

Tenk deg at du har fått to prøver tilbake: 78 poeng i norsk og 82 poeng i matte. Hvilken prøve gikk best? Du kan ikke bare se på poengene, fordi prøvene kan ha vært ulikt vanskelige. Kanskje norskprøven var mye vanskeligere og 78 poeng var et fantastisk resultat, mens matteprøven var lett og 82 var bare gjennomsnittlig.

For å kunne sammenligne resultater fra ulike fordelinger bruker vi z-skåren, som forteller hvor mange standardavvik en observasjon ligger fra gjennomsnittet: $\displaystyle z = \frac{x - \mu}{\sigma}$. Hvis $z = 0$, er verdien lik gjennomsnittet. Hvis $z = 1$, ligger den ett standardavvik over. Hvis $z = -2$, ligger den to standardavvik under.

La oss bruke dette. Kari fikk 78 poeng på norskprøven der $\mu = 65$ og $\sigma = 10$. Z-skåren blir $\displaystyle z = \frac{78 - 65}{10} = 1{,}3$. På matteprøven fikk hun 82 poeng, med $\mu = 70$ og $\sigma = 8$. Z-skåren blir $\displaystyle z = \frac{82 - 70}{8} = 1{,}5$. Kari lå 1,3 standardavvik over gjennomsnittet i norsk og 1,5 standardavvik over i matte. Altså gjorde hun det relativt sett best i matte, selv om norskresultatet var lavere.

Z-skåren kan også brukes sammen med den empiriske regelen. Hvis Ola løp 100 meter på 12,2 sekunder, og klassen hadde $\mu = 13{,}5$ s og $\sigma = 1{,}0$ s, blir z-skåren $\displaystyle z = \frac{12{,}2 - 13{,}5}{1{,}0} = -1{,}3$. Negativt fortegn betyr at han er under gjennomsnittet i tid, altså raskere. Med z = −1,3 er han raskere enn de fleste i klassen -- omtrent 90 prosent av klassen er langsommere. Vi kan også snu formelen for å finne en verdi fra en z-skår: $x = \mu + z \cdot \sigma$. En elev med $z = 0{,}5$ hadde en tid på $13{,}5 + 0{,}5 \cdot 1{,}0 = 14{,}0$ sekunder.

Normalfordelingen i hverdagen

Normalfordelingen er ikke bare teori -- den brukes i mange praktiske sammenhenger rundt oss, ofte uten at vi merker det.

I kvalitetskontroll bruker fabrikker normalfordelingen til å avgjøre om produktene holder mål. Tenk på en fabrikk som produserer bolter med lengde $\mu = 50$ mm og $\sigma = 0{,}2$ mm. Bolter utenfor $50 \pm 0{,}4$ mm kasseres. Siden $0{,}4 = 2\sigma$, vet vi at 95 prosent ligger innenfor denne grensen, og 5 prosent kasseres. Bedriften kan bruke denne informasjonen til å planlegge produksjonen og budsjettere for svinn.

I medisin er blodtrykk, kolesterolnivå og andre biologiske mål tilnærmet normalfordelt. Legen din bruker normalfordelingen -- bevisst eller ubevisst -- når hen vurderer om verdiene dine er «normale» eller «unormale». Systolisk blodtrykk hos friske voksne er for eksempel normalfordelt med $\mu = 120$ mmHg og $\sigma = 15$ mmHg. En person med blodtrykk 150 mmHg har z-skår $\displaystyle z = \frac{150 - 120}{15} = 2{,}0$ -- to standardavvik over gjennomsnittet. Bare ca. 2,5 prosent av friske voksne har blodtrykk over dette, noe som kan tyde på forhøyet blodtrykk.

I utdanning brukes normalfordelingen blant annet til å standardisere prøveresultater. Resultatene på nasjonale prøver er ofte tilnærmet normalfordelt, og z-skåren brukes for å plassere eleven på en skala som er sammenlignbar på tvers av år og klasser.

I forskning danner normalfordelingen grunnlaget for mye av den statistiske analysen vi støter på. Feilmarginer i meningsmålinger, konfidensintervaller og hypotesetester bygger alle på antakelsen om at data er normalfordelt -- eller at gjennomsnittet av mange målinger er det. Denne siste innsikten, kjent som sentralgrenseteoremet, er en av statistikkens mest elegante resultater.

Å tenke i standardavvik

La oss avslutte med å bygge opp intuisjonen din for normalfordelingen gjennom et sammensatt eksempel. Tenk deg to elever, Ole og Kari, som har tatt tre prøver med følgende resultater:

Ole fikk 72 i norsk ($\mu = 60$, $\sigma = 8$), 55 i matte ($\mu = 50$, $\sigma = 5$) og 80 i engelsk ($\mu = 75$, $\sigma = 10$). Kari fikk 68 i norsk, 48 i matte og 85 i engelsk. Hvem gjorde det best?

Ved første øyekast er det fristende å legge sammen poengene, men det gir ikke mening fordi prøvene har ulikt gjennomsnitt og ulik spredning. I stedet beregner vi z-skårer. Ole: norsk $z = (72-60)/8 = 1{,}5$, matte $z = (55-50)/5 = 1{,}0$, engelsk $z = (80-75)/10 = 0{,}5$. Total z-skår: 3,0. Kari: norsk $z = (68-60)/8 = 1{,}0$, matte $z = (48-50)/5 = -0{,}4$, engelsk $z = (85-75)/10 = 1{,}0$. Total z-skår: 1,6.

Ole har en gjennomsnittlig z-skår på 1,0 -- han ligger ett standardavvik over gjennomsnittet i snitt. Kari har en gjennomsnittlig z-skår på omtrent 0,53. Ole gjør det altså relativt best totalt sett. Den største forskjellen mellom dem er i matte: Ole har $z = 1{,}0$ og Kari har $z = -0{,}4$, en forskjell på hele 1,4 standardavvik.

Denne måten å tenke på -- å «oversette» fra råtall til standardavvik -- er utrolig kraftig. Den lar deg sammenligne ting som i utgangspunktet ikke er sammenlignbare. Og den gir deg et presist språk for å snakke om hvor uvanlig en observasjon er. En z-skår på 2 betyr at du er blant de øverste 2,5 prosentene. En z-skår på 3 betyr at du er blant de øverste 0,15 prosentene. Det er språket normalfordelingen gir oss.

Oppsummering

Normalfordelingen er en av de viktigste modellene i hele statistikken, og nå har du verktøyene til å bruke den.

Normalfordelingen er symmetrisk og klokkeformet, bestemt av gjennomsnittet $\mu$ (plassering) og standardavviket $\sigma$ (bredde). I en normalfordeling er gjennomsnitt, median og typetall like.

Den empiriske regelen (68--95--99,7) gir deg raske svar: ca. 68 prosent av verdiene ligger innenfor $\mu \pm 1\sigma$, ca. 95 prosent innenfor $\mu \pm 2\sigma$, og ca. 99,7 prosent innenfor $\mu \pm 3\sigma$. Symmetrien gjør at du kan beregne andeler i én hale -- for eksempel er ca. 2,5 prosent over $\mu + 2\sigma$.

Z-skåren $\displaystyle z = \frac{x - \mu}{\sigma}$ forteller hvor mange standardavvik en verdi ligger fra gjennomsnittet. Den gjør det mulig å sammenligne verdier fra helt ulike fordelinger og gir et presist mål på hvor uvanlig en observasjon er.

I praksis brukes normalfordelingen i kvalitetskontroll, medisin, utdanning og forskning. Men husk: ikke alt er normalfordelt. Sjekk alltid om normalfordelingen passer til dataene dine før du bruker den.