Normalverteilungs-Rechner
Geben Sie einen Mittelwert, eine Standardabweichung und einen Wert (oder zwei Grenzen) ein, um die Wahrscheinlichkeitsdichte, die kumulierten Wahrscheinlichkeiten P(X x), P(a < X < b) und den z-Wert für eine Normalverteilung zu erhalten.
Normalverteilungs-Wahrscheinlichkeiten berechnen
Formel der Normalverteilung
Dabei gilt:
- \(\mu\) — Mittelwert, das Zentrum der Glockenkurve
- \(\sigma\) — Standardabweichung, die Streuung der Verteilung (muss positiv sein)
- \(x\) — der Wert, an dem Dichte und Wahrscheinlichkeiten ausgewertet werden
- \(f(x)\) — Wahrscheinlichkeitsdichtefunktion (PDF), die Höhe der Kurve an der Stelle \(x\)
- \(F(x)\) — Verteilungsfunktion (CDF), die Fläche unter der Kurve links von \(x\)
- \(z\) — z-Wert, der Abstand vom Mittelwert, gemessen in Standardabweichungen
- \(\Phi\) — Verteilungsfunktion der Standardnormalverteilung (\(\mu=0,\ \sigma=1\))
Die erste Gleichung definiert die Glockenkurve selbst. Die zweite wandelt jeden Wert in einen z-Wert um und liest die Wahrscheinlichkeit aus der Standardnormalverteilung ab, sodass eine einzige universelle Tabelle (oder die Fehlerfunktion) für jeden Mittelwert und jede Standardabweichung funktioniert.
Normalverteilung – Rechenbeispiel
Beispiel: IQ-Werte sind näherungsweise normalverteilt mit einem Mittelwert von 100 und einer Standardabweichung von 15. Wie groß ist die Wahrscheinlichkeit, dass eine zufällig gewählte Person einen IQ unter 110 hat?
\[ z=\frac{x-\mu}{\sigma}=\frac{110-100}{15}=0.6667 \]
\[ P(X<110)=\Phi(0.6667)=\frac{1}{2}\left[1+\operatorname{erf}\!\left(\frac{0.6667}{\sqrt{2}}\right)\right]\approx 0.7475 \]
Die Wahrscheinlichkeitsdichte an dieser Stelle beträgt \( f(110)=\frac{1}{15\sqrt{2\pi}}e^{-0.6667^2/2}\approx 0.0213 \).
Ergebnis: P(X > 110) ≈ 25,25 %, und der z-Wert beträgt 0,6667.
So benutzen Sie den Rechner
- Geben Sie den Mittelwert (μ) ein — das Zentrum Ihrer Verteilung (z. B. 100).
- Geben Sie die Standardabweichung (σ) ein — sie muss größer als 0 sein.
- Wählen Sie die gewünschte Wahrscheinlichkeit: unterhalb eines Wertes, oberhalb eines Wertes, zwischen zwei Werten oder außerhalb eines Bereichs (die beiden Randbereiche).
- Geben Sie in den Modi „unterhalb“ und „oberhalb“ den Wert (x) ein, an dem die Wahrscheinlichkeiten ausgewertet werden sollen.
- Geben Sie in den Modi „zwischen“ und „außerhalb“ die untere Grenze (a) und die obere Grenze (b) ein; die obere Grenze muss größer als die untere sein. Sie können zusätzlich x ausfüllen, um auch die Dichte und die kumulierten Wahrscheinlichkeiten an dieser Stelle zu erhalten.
- Lesen Sie die Ergebnisse ab: Wahrscheinlichkeitsdichte, kumulierte Wahrscheinlichkeit, Wahrscheinlichkeit des oberen Randes, Fläche zwischen den Grenzen, z-Wert und eine Interpretation in Klartext.
Was ist die Normalverteilung?
Die Normalverteilung (auch Gauß-Verteilung oder Glockenkurve genannt) ist die am weitesten verbreitete Wahrscheinlichkeitsverteilung in der Statistik. Sie wird durch nur zwei Zahlen vollständig beschrieben: den Mittelwert \(\mu\), der das Zentrum der Kurve festlegt, und die Standardabweichung \(\sigma\), die bestimmt, wie breit oder schmal sie ist. Viele natürliche Messungen — Körpergrößen, Messfehler, Testergebnisse, Blutdruck — sind näherungsweise normalverteilt, vor allem wegen des zentralen Grenzwertsatzes: Wenn sich viele kleine unabhängige Effekte aufaddieren, strebt die Summe gegen eine Glockenkurve.
Die Kurve ist symmetrisch um den Mittelwert und berührt die Null nie, sie erstreckt sich unendlich in beide Richtungen. Die Wahrscheinlichkeit eines exakten Wertes ist null; Wahrscheinlichkeiten entsprechen stattdessen Flächen unter der Kurve. Die kumulierte Wahrscheinlichkeit \(F(x)=P(Xx)=1-F(x)\) ist die Fläche rechts davon. Die Wahrscheinlichkeitsdichte \(f(x)\) ist selbst keine Wahrscheinlichkeit — sie ist die Höhe der Kurve, nützlich, um zu vergleichen, wie wahrscheinlich verschiedene Bereiche relativ zueinander sind.
Der z-Wert \(z=(x-\mu)/\sigma\) drückt einen Wert als Anzahl von Standardabweichungen vom Mittelwert aus. Ein z-Wert von 2 bedeutet „zwei Standardabweichungen über dem Durchschnitt“. Die Umrechnung in z-Werte ist der zentrale Trick: Jede Normalverteilung, mit welchem Mittelwert und welcher Standardabweichung auch immer, wird zur selben Standardnormalverteilung, sodass Wahrscheinlichkeiten aus einer einzigen universellen Funktion abgelesen werden können.
Interpretation des Ergebnisses
Die 68-95-99,7-Regel (empirische Regel) liefert eine schnelle Plausibilitätskontrolle für jedes Ergebnis:
| Bereich um den Mittelwert | Anteil der Daten innerhalb | Anteil außerhalb (beide Randbereiche) |
|---|---|---|
| \(\mu \pm 1\sigma\) | 68,27 % | 31,73 % |
| \(\mu \pm 2\sigma\) | 95,45 % | 4,55 % |
| \(\mu \pm 3\sigma\) | 99,73 % | 0,27 % |
Wenn Ihre berechnete Wahrscheinlichkeit stark von diesen Richtwerten abweicht, überprüfen Sie Ihre Eingaben. Mit den Standardeinstellungen sollte die Wahrscheinlichkeit für einen Wert unter 110 (z = 0,67) beispielsweise etwas mehr als 68 % betragen, da 110 mehr als eine Standardabweichung über dem Mittelwert liegt — und 74,75 % entsprechen genau dieser Erwartung.
Annahmen, Grenzen und praktische Hinweise
- Normalitätsannahme: Der Rechner setzt voraus, dass Ihre Daten tatsächlich einer Normalverteilung folgen. Reale Daten sind oft schief, begrenzt oder haben schwere Ränder; Wahrscheinlichkeiten für extreme Werte sind gegenüber dieser Annahme besonders empfindlich.
- Strikte vs. nicht-strikte Ungleichung: Bei einer stetigen Verteilung sind \(P(X<x)\) und \(P(X\le x)\) identisch; es spielt also keine Rolle, welche Konvention Sie verwenden.
- Kleine Wahrscheinlichkeiten: Werte weit in den Randbereichen (|z| jenseits von etwa 4) ergeben Wahrscheinlichkeiten nahe 0 oder 1; der Rechner zeigt sechs Dezimalstellen an, sodass Sie sie dennoch ablesen können.
- Stichprobe vs. Grundgesamtheit: Geben Sie Mittelwert und Standardabweichung der Grundgesamtheit ein, wenn Sie sie kennen. Wenn Sie nur Schätzwerte aus einer Stichprobe haben, sind die Ergebnisse Näherungen — bei kleinen Stichproben ist eine t-Verteilung angemessener.
- Negatives oder null σ: Die Standardabweichung muss strikt positiv sein; der Rechner lehnt alles andere ab, da eine Streuung von null die Kurve zu einer Spitze zusammenfallen ließe.
- Genauigkeit: Wahrscheinlichkeiten werden mit einer Approximation der Fehlerfunktion berechnet, die auf etwa 7 Dezimalstellen genau ist — mehr als ausreichend für die Praxis.
Häufig gestellte Fragen
Wie berechne ich Wahrscheinlichkeiten der Normalverteilung von Hand ohne Rechner?
Wandeln Sie Ihren Wert zunächst in einen z-Wert um: \(z = (x - \mu) / \sigma\). Schlagen Sie den z-Wert dann in einer Standardnormalverteilungstabelle (Z-Tabelle) nach, die Ihnen \(P(Z x) = 1 - \Phi(z)\) liefert. Für einen Bereich subtrahieren Sie die beiden Tabellenwerte: \(P(a < X < b) = \Phi(z_b) - \Phi(z_a)\). Für negative z nutzen Sie die Symmetrie der Kurve: \(\Phi(-z) = 1 - \Phi(z)\).
Was ist ein guter oder normaler z-Wert?
Ein z-Wert sagt Ihnen, wie viele Standardabweichungen ein Wert vom Mittelwert entfernt ist. Werte zwischen −2 und +2 decken etwa 95 % der Fälle ab und gelten als typisch. Ein z-Wert jenseits von ±2 ist ungewöhnlich (ungefähr die oberen oder unteren 2,5 %), und jenseits von ±3 sehr selten (etwa 0,27 % der Daten liegen außerhalb von ±3). Einen allgemein „guten“ z-Wert gibt es nicht — es hängt vom Kontext ab: In der Qualitätskontrolle wünscht man sich z-Werte nahe 0, während manche Tests einen hohen z-Wert besser finden.
Warum ist meine Wahrscheinlichkeit größer als 1 oder die Dichte größer als 1?
Eine Wahrscheinlichkeit kann niemals größer als 1 sein. Wenn Sie das sehen, überprüfen Sie Ihre Eingaben — meistens wurde die Standardabweichung ins falsche Feld eingegeben oder ist extrem klein. Eine Dichte \(f(x)\) größer als 1 ist dagegen völlig zulässig: Die Dichte ist die Höhe der Kurve, keine Wahrscheinlichkeit. Bei kleinem \(\sigma\) ist die Kurve schmal und hoch; ihre Spitzenhöhe beträgt \(1/(\sigma\sqrt{2\pi})\) und kann leicht über 1 liegen.
Kann ich diesen Rechner für Stichprobendaten oder eine t-Verteilung verwenden?
Verwenden Sie ihn mit Schätzwerten für Mittelwert und Standardabweichung aus einer Stichprobe nur als Näherung, idealerweise mit mindestens 30 Beobachtungen. Bei kleinen Stichproben (etwa n < 30), bei denen die Standardabweichung der Grundgesamtheit unbekannt ist, ist die t-Verteilung besser geeignet — sie hat schwerere Ränder, sodass sich extreme Wahrscheinlichkeiten spürbar unterscheiden. Wenn Ihre Daten Zählungen, Anteile oder stark schief verteilt sind, passt eventuell eine andere Verteilung (Poisson, Binomial, Lognormal) besser.
Wie finde ich den Wert x, der zu einem gegebenen Perzentil gehört?
Dieser Rechner arbeitet in Vorwärtsrichtung, aber Sie können von Hand rückwärts rechnen. Nehmen Sie das Perzentil als Dezimalzahl (das 90. Perzentil ist 0,90), suchen Sie den z-Wert, dessen kumulierte Wahrscheinlichkeit ihm entspricht (für 0,90 ist z ≈ 1,2816), und entstandardisieren Sie dann: \(x = \mu + z \cdot \sigma\). Mit μ = 100 und σ = 15 liegt das 90. Perzentil beispielsweise bei 100 + 1,2816 × 15 ≈ 119,2.
Was ist der Unterschied zwischen der Normalverteilung und der Standardnormalverteilung?
Die Standardnormalverteilung ist einfach der Sonderfall mit \(\mu = 0\) und \(\sigma = 1\). Jede Normalverteilung lässt sich durch Standardisierung in sie überführen: den Mittelwert abziehen und durch die Standardabweichung teilen. Deshalb genügt eine einzige universelle Z-Tabelle für alle Normalverteilungen. Wenn Sie hier Mittelwert 0 und Standardabweichung 1 eingeben, erhalten Sie direkt die Standardnormalverteilung.
Spielt es eine Rolle, ob ich P(X < x) oder P(X ≤ x) abfrage?
Nein. Bei einer stetigen Verteilung wie der Normalverteilung ist die Wahrscheinlichkeit jedes einzelnen exakten Wertes null — die Fläche unter der Kurve an einem Punkt ist null. Daher sind \(P(X < x)\) und \(P(X \le x)\) identisch, und dasselbe gilt für den oberen Rand. Relevant wird das nur, wenn man diskrete Daten (z. B. auf ganze Zahlen gerundete Prüfungsergebnisse) mit einer Normalverteilung annähert; dort kann eine Stetigkeitskorrektur von ±0,5 die Genauigkeit verbessern.