Sannolikhetskalkylator för normalfördelning
Beräkna sannolikheten att en normalfördelad slumpvariabel hamnar inom ett angivet intervall, under ett tröskelvärde eller över ett – med hjälp av medelvärdet och standardavvikelsen som fullständigt beskriver klockurvan. Används inom Six Sigma-kvalitetsstyrning, finans (VaR), psykometri och alla processer som modelleras med normalfördelningen.
Last updated: May 2026
Jämför med liknande
Om denna räknare
Normalfördelningen (Gaussfördelningen) är en symmetrisk, klockformad sannolikhetsfördelning som fullständigt beskrivs av två parametrar: medelvärdet μ (centrum) och standardavvikelsen σ (spridning). Sannolikheter beräknas som areor under kurvan. För ett givet värde standardiseras det till ett z-värde: z = (X − μ) / σ. Sannolikheten att X ligger mellan L och U ges av P(L ≤ X ≤ U) = Φ(z_U) − Φ(z_L), där Φ är den kumulativa fördelningsfunktionen (CDF) för standardnormalfördelningen. Eftersom Φ saknar ett slutet elementärt uttryck beräknas den numeriskt via felfunktionen: Φ(z) = 0,5 · [1 + erf(z / √2)]. Kalkylatorn utvärderar detta uttryck med Abramowitz–Steguns rationella approximation (noggrannhet ~7 decimaler), så du behöver ingen z-tabell. För svanssannolikheter gäller: P(X < a) = Φ((a − μ)/σ); P(X > b) = 1 − Φ((b − μ)/σ). Viktiga tumregler (68-95-99,7-regeln): ungefär 68 % av sannolikheten ligger inom ±1σ från medelvärdet, 95 % inom ±2σ och 99,7 % inom ±3σ. Kantfall: σ måste vara > 0; om L = U är sannolikheten 0 (en kontinuerlig fördelning tilldelar noll sannolikhet till en enskild punkt); om L > U kan kalkylatorn returnera ett negativt resultat – byt plats på dem. Extrema svanssannolikheter (|z| > 5) returneras som ~0 eftersom den rationella approximationen förlorar precision där, men de verkliga sannolikheterna är försvinnande små (P(|Z| > 5) ≈ 5,7 × 10⁻⁷). Normalmodellen är endast korrekt för variabler vars genereringsprocess matchar dess antaganden (summan av många små oberoende additiva effekter). För skeva data (inkomster, svarstider), data med tunga svansar (aktiekurser i kristider) eller begränsade data (andelar) är andra fördelningar mer lämpliga.
Hur du använder den
Exempel 1 – Längdintervall för vuxna män. Vuxna mäns längder är ungefär normalfördelade med μ = 175 cm, σ = 7 cm. Hur stor andel av männen är mellan 168 cm och 189 cm långa? Ange Medelvärde = 175, Standardavvikelse = 7, Undre gräns = 168, Övre gräns = 189, Typ = mellan. z_L = (168 − 175)/7 = −1,00; z_U = (189 − 175)/7 = +2,00. P = Φ(2,00) − Φ(−1,00) ≈ 0,9772 − 0,1587 = 0,8185. ✓ Ungefär 81,9 % av vuxna män faller inom det längdintervallet. Exempel 2 – IQ över 130. IQ-poäng är normerade till μ = 100, σ = 15. Hur stor andel av befolkningen har IQ över 130? Ange Medelvärde = 100, Standardavvikelse = 15, Undre gräns = 130, Övre gräns = 9999, Typ = mellan (eller använd det dedikerade alternativet "större" med Undre gräns = 130). z = (130 − 100)/15 = 2,00. P(X > 130) = 1 − Φ(2,00) ≈ 1 − 0,9772 = 0,0228. ✓ Ungefär 2,28 % av befolkningen har IQ ≥ 130 – den konventionella gränsen för "begåvad".
Vanliga frågor
Vad är 68-95-99,7-regeln och var kommer den ifrån?
För alla normalfördelningar ligger ungefär 68,27 % av värdena inom ±1 standardavvikelse från medelvärdet, 95,45 % inom ±2 standardavvikelser och 99,73 % inom ±3 standardavvikelser. Dessa procenttal följer direkt av Φ(1) ≈ 0,8413, Φ(2) ≈ 0,9772 och Φ(3) ≈ 0,99865, samt motsvarande symmetriska tvåsvanssannolikheter. Regeln är enormt användbar för snabba rimlighetskontroller: om ett normalfördelat kvalitetsmått hamnar 3 standardavvikelser från medelvärdet bör det inträffa ungefär 3 gånger per 1 000 produktionsenheter – att se det en gång är rimligt, att se det fem gånger samma morgon är en varningssignal värd att undersöka. Regeln är också grunden för "Six Sigma"-kvalitetsprogram, som siktar på processer där defekter ligger 6+ standardavvikelser från medelvärdet – en frekvens på cirka 3,4 per miljon tillfällen.
Hur beräknar jag en ensidig sannolikhet?
För P(X < a) (vänstersvans), använd Typ = "less" och ange värdet som a; kalkylatorn returnerar Φ((a − μ)/σ). För P(X > b) (högersvans), använd Typ = "greater" med värdet som b; kalkylatorn returnerar 1 − Φ((b − μ)/σ). Om kalkylatorn endast stöder intervallgränser, simulera en vänstersvans genom att sätta Undre gräns till ett mycket negativt tal (−9999) och Övre gräns till a, och simulera en högersvans genom att sätta Undre gräns till b och Övre gräns till +9999. Tack vare normalfördelningens symmetri gäller P(X < μ − k·σ) = P(X > μ + k·σ), så du kan utnyttja symmetrin för att konvertera mellan vänster- och högersvansuppgifter utan att behöva mata in nya värden.
När är normalfördelningen faktiskt lämplig för mina data?
Normalfördelningen är lämplig när dina data uppkommer som summan av många små oberoende additiva effekter – längder, mätfel, IQ-poäng, tillverkningstoleranser och många biologiska egenskaper approximeras naturligt av den. Centrala gränsvärdessatsen garanterar också att stickprovsmedelvärdet för nästan vilken fördelning som helst blir ungefär normalfördelat för tillräckligt stora stickprov, vilket är anledningen till att så mycket av inferensstatistiken bygger på normalmodellen. Men: räknedata, händelsetider, andelar nära 0 eller 1, finansiella avkastningar under kristider samt kraftigt skeva variabler (inkomster, huspriser, filstorlekar) är vanligtvis inte normalfördelade, och att tillämpa normala sannolikhetsberäkningar på dem ger felaktiga svar – typiskt sett dramatiska underskattningar av svanssannolikheter. Rita alltid ett histogram eller Q-Q-diagram först; om data visar tydlig skevhet, flera toppar eller tunga svansar, använd en annan fördelning.
Vilka är de vanligaste misstagen vid beräkning av normalsannolikheter?
Det första är att anta normalitet utan att kontrollera – finansiella avkastningar är det klassiska exemplet, där normalantagandet katastrofalt underskattar svanrisken (2008 års kris innehöll flera "25-sigma"-dagar som praktiskt taget aldrig skulle inträffa i en verklig normalfördelad värld). Det andra är att blanda ihop kumulativ funktion och täthetsfunktion: normaltätheten f(x) är inte en sannolikhet och kan anta värden över 1 för litet σ – bara arean under kurvan är en sannolikhet. Det tredje är att glömma att för kontinuerliga fördelningar gäller P(X = a) = 0 för varje specifikt a; frågor som "sannolikheten att vara exakt 175 cm" måste omformuleras som ett litet intervall kring 175. Det fjärde är att använda stickprovsmedelvärde och stickprovsstandardavvikelse som om de vore de sanna populationsparametrarna i små stickprov; de resulterande sannolikheterna är något felaktiga och bör för rigoröst arbete beräknas med t-fördelningen. Slutligen förväxlar man ibland percentiler med sannolikheter – den 95:e percentilen är det värde under vilket 95 % av datan ligger, inte en sannolikhet i sig.
När bör jag inte använda den här kalkylatorn?
Hoppa över den när den underliggande variabeln tydligt är icke-normal – sned (inkomster, svarstider), diskret (räknedata, tärningskast), begränsad (andelar, procentsatser) eller tungsvansad (finansiella avkastningar under stressperioder). För sådana fall, använd lognormal-, Poisson-, binomial-, beta- eller t-fördelningen med respektive sannolikhetskalkylator. Använd den inte för extremt sällsynta händelser (z > 5) där den rationella approximationen försämras – för överlevnadsanalys, tillförlitlighetsteknik eller extremvärdesstatistik, använd dedikerade svanssannolikhetsverktyg. Det är fel verktyg för gemensamma eller betingade sannolikheter för flera normalvariabler; sådana kräver multivariat normalberäkning och en kovariansmatris. Slutligen, använd den inte utan att först kontrollera normalitetsantagandet – ett snabbt histogram eller Q-Q-diagram är alltid värt de 30 sekunder det tar.