Normalfördelningskalkylator
Beräkna kumulativ sannolikhet P(X ≤ x) för en normalfördelning givet valfritt medelvärde, standardavvikelse och x-värde. Användbart för statistikstudenter, forskare och ingenjörer som arbetar med kontinuerliga stokastiska variabler.
Last updated: May 2026
Om denna räknare
Normalfördelningen är en symmetrisk klockformad kurva som definieras av sitt medelvärde μ och standardavvikelse σ. För att beräkna sannolikheten att ett värde understiger x beräknas först z-värdet: z = (x − μ) / σ. Den kumulativa sannolikheten P(X ≤ x) är sedan arean under normalkurvan till vänster om x, beräknad via den kumulativa fördelningsfunktionen (CDF). Kalkylatorn använder en noggrann approximation av CDF baserad på felfunktionen: P ≈ 0,5 × (1 + erf(z / √2)). Ungefär 68 % av värdena faller inom 1σ från medelvärdet, 95 % inom 2σ och 99,7 % inom 3σ (den empiriska regeln). Normalfördelningen beskriver längder, testresultat, mätfel och otaliga naturliga fenomen.
Hur du använder den
Anta att provresultat är normalfördelade med μ = 70 och σ = 10, och att du vill veta sannolikheten att en student får under 85 poäng. Steg 1 — Beräkna z: z = (85 − 70) / 10 = 1,5. Steg 2 — Beräkna CDF(1,5) ≈ 0,9332. Alltså får ungefär 93,3 % av studenterna under 85 poäng. Ange medelvärde = 70, standardavvikelse = 10 och x = 85 i kalkylatorn för att bekräfta P(X ≤ 85) ≈ 0,9332.
Vanliga frågor
Hur beräknar jag sannolikheten att X faller mellan två värden i en normalfördelning?
För att beräkna P(a ≤ X ≤ b) beräknar du CDF i båda ändpunkterna och subtraherar: P(a ≤ X ≤ b) = CDF(b) − CDF(a). Med exempelvis μ = 70 och σ = 10 ger P(60 ≤ X ≤ 80) = CDF(80) − CDF(60) ≈ 0,8413 − 0,1587 = 0,6827, vilket exakt motsvarar 68-procentsregeln. Kör kalkylatorn två gånger, en gång för varje gräns, och subtrahera resultaten. Metoden fungerar för vilket intervall som helst.
Vad är ett z-värde och varför är det viktigt vid normalfördelningsberäkningar?
Ett z-värde anger hur många standardavvikelser ett värde x befinner sig från medelvärdet: z = (x − μ) / σ. Det standardiserar vilken normalfördelning som helst till en gemensam skala med μ = 0 och σ = 1, kallad standardnormalfördelningen. På så sätt kan du använda en och samma uppsättning sannolikhetstabeller eller formler oavsett ursprungligt medelvärde och spridning. Z-värden över 2 eller under −2 anses ofta statistiskt ovanliga, och z-värden är grundläggande inom hypotesprövning och konfidensintervall.
När är det olämpligt att använda normalfördelningen för sannolikhetsberäkningar?
Normalfördelningen förutsätter att data är kontinuerliga, symmetriska och klockformade – antaganden som brister i många verkliga situationer. Den lämpar sig inte för kraftigt skeva data, som inkomstfördelningar eller väntetider, som bättre beskrivs av log-normal- eller exponentialfördelningar. Den fungerar heller inte för diskreta räknedata (använd binomial- eller Poissonfördelning) eller data med hårda gränser, som procenttal nära 0 eller 100. Kontrollera alltid ett histogram eller ett normalitetstest (t.ex. Shapiro-Wilk) innan du antar normalfördelning.