7 Kontinuerlige fordelinger
Hvor lenge må du vente på bussen? Hvor høy er en tilfeldig valgt elev? Hva er medianinntekten i en tilfeldig kommune? Slike størrelser kan få alle verdier i et intervall, ikke bare hele tall. Da gir det ikke mening å spørre etter sannsynligheten for én bestemt verdi. I stedet beskriver vi fordelingen med en kurve, og sannsynligheten er arealet under kurven. Den viktigste slike fordelingen er normalfordelingen, som vi skal bruke resten av boka.
Last ned oppgaveheftet for kapittel 7 (PDF): oppsummering, gjennomregnede eksempler og oppgaver med fasit, til arbeid uten PC.
Læringsmål
Etter å ha arbeidet med kapittelet skal du kunne
- forklare at sannsynlighet for en kontinuerlig variabel er arealet under tetthetsfunksjonen,
- regne med den uniforme fordelingen og andre enkle tetthetsfunksjoner,
- beskrive normalfordelingen og bruke 68–95–99,7-regelen,
- standardisere og bruke tabellen over standard normalfordeling,
- finne sannsynligheter og grenseverdier i normalfordelingen med Python,
- vurdere om en normalfordeling passer som modell for data,
- gjennomføre en undersøkelse der data sammenliknes med en sannsynlighetsmodell.
7.1 Kontinuerlige sannsynlighetsmodeller
Seksjonen handler om hvordan vi beskriver variabler som kan få alle verdier i et intervall. Vi går fra histogrammet til en glatt kurve, tetthetsfunksjonen, og ser på den enkleste kontinuerlige modellen, den uniforme fordelingen.
7.1.1 Fra histogram til tetthetsfunksjon
Hva er sannsynligheten for at en tilfeldig valgt elev er nøyaktig \(170\) cm høy? Med et vanlig målebånd er det kanskje noen. Men nøyaktig \(170{,}000\) cm? Eller \(170{,}000\,000\) cm? Jo mer nøyaktig vi måler, jo færre treffer akkurat verdien, og i grensen blir sannsynligheten \(0\). For en kontinuerlig variabel spør vi derfor heller etter sannsynligheten for et intervall, for eksempel mellom \(165\) og \(175\) cm.
Læringsmål
Etter dette delkapittelet skal du kunne
- forklare forskjellen på en diskret og en kontinuerlig stokastisk variabel,
- lese andeler som areal i et histogram,
- forklare hva en tetthetsfunksjon er, og finne sannsynligheter som arealer.
Andel som areal
I 2.2.1 lagde vi histogrammer der høyden på søylene var antall. Nå lar vi i stedet arealet av hver søyle være andelen observasjoner i klassen. Høyden er da andelen delt på klassebredden, og den kalles tettheten. Summen av alle arealene blir \(1\).
Histogrammet viser medianinntekten etter skatt for husholdningene i de \(357\) kommunene i 2024:
Kilde: SSB, tabell 06944. Hold over en søyle for å se andelen.
Klassen \(600\)–\(650\) har \(117\) kommuner, altså andelen \(\frac{117}{357} \approx 0{,}328\). Klassebredden er \(50\), så tettheten er \(\frac{0{,}328}{50} \approx 0{,}0066\). Arealet av søylen er \(50 \cdot 0{,}0066 \approx 0{,}328\), som er andelen.
Trekker vi en tilfeldig kommune, er sannsynligheten for at medianinntekten ligger mellom \(600\,000\) og \(650\,000\) kr altså omtrent \(0{,}33\). Sannsynligheten er arealet.
Tetthetsfunksjonen
Med mange observasjoner og smale klasser blir histogrammet glattere og glattere. I grensen erstatter vi det med en glatt kurve, en tetthetsfunksjon.
En linje har ikke noe areal. Derfor er \(P(X = a) = 0\) for alle \(a\), og det spiller ingen rolle om vi skriver \(<\) eller \(\le\):
\[ P(a \le X \le b) = P(a < X < b) \]
Det er en viktig forskjell fra de diskrete variablene i kapittel 6.
I denne boka finner vi arealer på tre måter: med geometri (rektangler og trekanter), med tabeller og med Python. Arealer under kurver regnes ellers ut med integraler, som du lærer om i matematikk R2.
- I et vanlig histogram er høyden antall. Når søylene har ulik bredde, eller når vi skal sammenlikne med en tetthetsfunksjon, er det arealet som skal være andelen.
- \(f(x)\) er ikke en sannsynlighet. Det er arealet under kurven som er sannsynligheten. \(f(x)\) kan godt være større enn \(1\) hvis intervallet er kort.
- For en kontinuerlig variabel er \(P(X = a) = 0\), så \(P(X < a) = P(X \le a)\). For diskrete variabler gjelder ikke dette.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Tetthetsfunksjon
\(f(x) \ge 0\), og det totale arealet er \(1\).
Sannsynlighet som areal
\(P(a \le X \le b)\) er arealet under \(f\) mellom \(a\) og \(b\).
Én verdi
\[ P(X = a) = 0 \]
- For kontinuerlige variabler er \(P(X < a) = P(X \le a)\).
- \(f(x)\) er en tetthet, ikke en sannsynlighet.
7.1.2 Uniform kontinuerlig fordeling
Bussen går hvert tiende minutt, og du kommer til holdeplassen uten å ha sjekket tabellen. Hvor lenge må du vente? Alt mellom \(0\) og \(10\) minutter er mulig, og ingen ventetid er mer sannsynlig enn en annen. Tettheten må da være lik i hele intervallet, og grafen blir et rektangel.
Læringsmål
Etter dette delkapittelet skal du kunne
- forklare hva en uniform kontinuerlig fordeling er,
- regne ut sannsynligheter som arealet av et rektangel,
- finne forventningsverdien, og simulere en uniform variabel.
Den uniforme fordelingen
Arealet av rektangelet skal være \(1\). Er bredden \(b - a\), må høyden være \(\frac{1}{b - a}\).
Sannsynligheten er bredden av intervallet delt på hele bredden, akkurat som \(\frac{g}{m}\) i en uniform diskret modell. Formelen for \(\sigma\) må regnes ut med integraler, så den bruker vi bare.
Simulere en uniform variabel
rng.random() fra 5.1.2 gir et tall som er uniformt fordelt fra \(0\) til \(1\). Ganger vi med \(10\), får vi en uniform ventetid fra \(0\) til \(10\).
- Tettheten er \(\frac{1}{b - a}\), ikke \(1\). Den avhenger av hvor bredt intervallet er.
- Uniform betyr at alle like lange intervaller er like sannsynlige, ikke at alle verdier har sannsynlighet større enn \(0\). \(P(X = 3) = 0\) også her.
- En uniform modell passer bare når det ikke er noen grunn til at noen verdier skal være vanligere enn andre.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Uniform tetthet
\[ f(x) = \frac{1}{b - a} \]
Sannsynlighet
\[ P(c \le X \le d) = \frac{d - c}{b - a} \]
Forventning
\[ \mu = \frac{a + b}{2} \]
Standardavvik
\[ \sigma = \frac{b - a}{\sqrt{12}} \]
rng.random()er uniform fra \(0\) til \(1\).a + (b - a) * rng.random()er uniform fra \(a\) til \(b\).
7.2 Normalfordelingen
Seksjonen handler om den viktigste kontinuerlige fordelingen. Mange størrelser som er summen av mange små, tilfeldige bidrag, er omtrent normalfordelte. Vi ser på formen, regner med tabeller og Python, og vurderer når normalfordelingen er en god modell.
7.2.1 Normalfordelingen
Kast ti terninger og legg sammen øynene. Summen kan være alt fra \(10\) til \(60\), men de fleste summene havner rundt \(35\). Figuren viser sannsynlighetsfordelingen for summen, og kurven over den er en normalfordeling. Den passer nesten perfekt. Slik er det ofte: Når en størrelse er summen av mange små, uavhengige bidrag, blir fordelingen omtrent normal. Høyde avhenger av mange gener og miljøfaktorer, og målefeil kommer fra mange små kilder. Derfor dukker normalfordelingen opp overalt.
Læringsmål
Etter dette delkapittelet skal du kunne
- beskrive formen på normalfordelingen, og hvordan \(\mu\) og \(\sigma\) påvirker den,
- bruke 68–95–99,7-regelen,
- forklare hvorfor mange størrelser er omtrent normalfordelte.
Formen
Formelen trenger du ikke å huske eller regne med. Det viktige er egenskapene til kurven:
- Den er symmetrisk om \(\mu\), så gjennomsnitt, median og typetall er like.
- Den er høyest ved \(\mu\) og faller mot \(0\) på begge sider, men blir aldri helt \(0\).
- \(\sigma\) bestemmer bredden. Større \(\sigma\) gir en lavere og bredere kurve, fordi arealet alltid er \(1\).
68–95–99,7-regelen
For alle normalfordelinger er andelen innenfor et visst antall standardavvik fra \(\mu\) den samme:
Det er derfor \(\mu \pm 2\sigma\) var «vanlige verdier» i 6.2.3: Utenfor ligger bare omtrent \(5\ \%\).
- 68–95–99,7-regelen gjelder for normalfordelinger. For skjeve fordelinger kan andelene bli helt andre.
- \(68\ \%\) ligger innenfor ett standardavvik. Over \(\mu + \sigma\) ligger bare halvparten av de resterende \(32\ \%\), altså \(16\ \%\).
- Andre parameter i \(N(\mu, \sigma)\) er standardavviket, ikke variansen.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Notasjon
\[ X \sim N(\mu, \sigma) \]
68–95–99,7-regelen
\(\mu \pm \sigma\): \(68\ \%\). \(\mu \pm 2\sigma\): \(95\ \%\). \(\mu \pm 3\sigma\): \(99{,}7\ \%\).
- Kurven er symmetrisk om \(\mu\), og \(\sigma\) bestemmer bredden.
- Summer av mange små, uavhengige bidrag blir omtrent normalfordelte.
7.2.2 Standardisering og tabeller
Emma fikk \(520\) poeng på en prøve der gjennomsnittet var \(500\) og standardavviket \(10\). Jonas fikk \(78\) på en annen prøve der gjennomsnittet var \(70\) og standardavviket \(5\). Hvem gjorde det best, sammenliknet med de andre? Tallene kan ikke sammenliknes direkte. Men vi kan spørre hvor mange standardavvik over gjennomsnittet hver av dem ligger: Emma ligger \(\frac{20}{10} = 2\) standardavvik over, Jonas \(\frac{8}{5} = 1{,}6\). Emma gjorde det best.
Læringsmål
Etter dette delkapittelet skal du kunne
- standardisere en verdi og tolke \(Z\)-verdien,
- bruke tabellen over standard normalfordeling,
- regne ut sannsynligheter i en hvilken som helst normalfordeling for hånd.
Standardisering
Alle normalfordelinger har samme form. Når vi trekker fra \(\mu\), flyttes toppen til \(0\). Når vi deler på \(\sigma\), får kurven bredde \(1\). Derfor holder det med én tabell, for \(Z\).
Tabellen
Tabellen i bilag A gir \(P(Z \le z)\), arealet til venstre for \(z\). Tabellen har bare positive \(z\). Siden kurven er symmetrisk, er arealet til venstre for \(-z\) like stort som arealet til høyre for \(z\).
Tegn alltid en skisse av kurven, marker \(\mu\) og verdiene, og farg arealet du skal finne. Da ser du om svaret skal være større eller mindre enn \(0{,}5\).
- \(Z = \frac{X - \mu}{\sigma}\). Del på standardavviket, ikke variansen.
- Tabellen gir arealet til venstre. For «over» må du bruke \(1 - P(Z \le z)\).
- Negative \(z\): \(P(Z \le -1) = 1 - P(Z \le 1)\), ikke \(-P(Z \le 1)\).
- En sannsynlighet over \(0{,}5\) for «over en verdi som er større enn \(\mu\)» er alltid feil. Sjekk med skissen.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Standardisering
\[ Z = \frac{X - \mu}{\sigma} \]
Over
\[ P(Z > z) = 1 - P(Z \le z) \]
Symmetri
\[ P(Z \le -z) = 1 - P(Z \le z) \]
Mellom
\[ P(a \le Z \le b) = P(Z \le b) - P(Z \le a) \]
- Tabellen i bilag A gir arealet til venstre for \(z\).
- Tegn alltid en skisse og farg arealet.
7.2.3 Normalfordeling med digitale verktøy
Til nå har vi funnet en sannsynlighet når grensen er gitt. Ofte er spørsmålet omvendt: Foreningen Mensa tar bare opp de \(2\ \%\) med høyest IQ. Hvor høy IQ må du ha? Nå kjenner vi arealet, \(0{,}02\) til høyre, og skal finne grensen. Det kan vi gjøre med tabellen baklengs eller med Python.
Læringsmål
Etter dette delkapittelet skal du kunne
- regne ut sannsynligheter i normalfordelingen med Python,
- finne en grenseverdi når sannsynligheten er gitt, med tabell og med Python,
- løse praktiske problemer med normalfordelingen.
Sannsynligheter med Python
SciPy har normalfordelingen. norm.cdf(x, mu, sigma) gir \(P(X \le x)\), arealet til venstre for \(x\). Vi trenger ikke standardisere først.
Svarene, \(0{,}9088\) og \(0{,}4950\), er litt forskjellige fra tabellsvarene i 7.2.2, fordi vi der rundet av \(z\) til to desimaler.
Grenseverdier
\(x = \mu + z\sigma\) får vi ved å løse \(z = \frac{x - \mu}{\sigma}\) for \(x\).
norm.ppftar arealet til venstre. For de øverste \(2\ \%\) er detnorm.ppf(0.98, ...), ikkenorm.ppf(0.02, ...).- Rekkefølgen er
norm.cdf(x, mu, sigma)ognorm.ppf(p, mu, sigma). Andre parameter er standardavviket. - Med tabell: Let etter arealet inne i tabellen, ikke etter \(z\) i margen.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Sannsynlighet
norm.cdf(x, mu, sigma) \(= P(X \le x)\)
Grenseverdi
norm.ppf(p, mu, sigma)
Med tabell
\[ x = \mu + z \cdot \sigma \]
- Både
cdfogppfgjelder arealet til venstre. - Øverste \(p\): bruk arealet \(1 - p\) til venstre.
7.2.4 Passer modellen?
I de forrige delkapitlene brukte vi en normalfordeling som modell for medianinntekten i kommunene. Modellen ga omtrent riktige svar, men ikke helt. Når er en normalfordeling god nok? Alle modeller er forenklinger, så spørsmålet er ikke om modellen er riktig, men om den er god nok til det vi skal bruke den til.
Læringsmål
Etter dette delkapittelet skal du kunne
- sammenlikne et histogram med en normalfordelingskurve,
- bruke en sjekkliste for å vurdere om normalfordeling passer,
- forklare hva som kan gå galt når modellen ikke passer.
Sammenlikne data med modellen
Vi tegner histogrammet med tetthet (7.1.1) og legger normalfordelingskurven med \(\mu = \bar{x}\) og \(\sigma = s\) oppå.
Kurven følger histogrammet ganske godt, men toppen ligger litt til venstre for kurvens topp, og høyre hale er litt lengre. Fordelingen er svakt skjev mot høyre.
- At en normalfordeling passer for midten av dataene, betyr ikke at den passer i halene. Sannsynligheter for ekstreme verdier er mest følsomme for valg av modell.
- Ingen data er nøyaktig normalfordelte. Spørsmålet er om modellen er god nok til formålet.
- Med få observasjoner kan histogrammet se ujevnt ut selv om populasjonen er normalfordelt.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Sjekkliste
Histogram, gjennomsnitt mot median, 68–95–99,7, uteliggere, konteksten.
Modell fra data
\(N(\bar{x}, s)\)
- Modeller er forenklinger. Spør om modellen er god nok til formålet.
- Halene er mest følsomme for valg av modell.
7.3 Undersøkelse
7.3.1 Undersøkelse: Fødes det like mange barn hver måned?
Er fødslene jevnt fordelt over året, eller fødes det flere barn i noen måneder? Hvis det bare er tilfeldig hvilken dag et barn blir født, skal hver dag i året ha samme sannsynlighet. Da kan vi regne ut hvor mange fødsler vi venter i hver måned, og hvor mye antallet varierer av tilfeldige grunner. Ligger de virkelige tallene langt utenfor, er det noe mer enn tilfeldighet som styrer når barn blir født.
Undersøkelsen bruker alt fra del IV: en sannsynlighetsmodell (kapittel 5), binomisk fordeling med forventning og standardavvik (kapittel 6) og normalfordelingen (kapittel 7).
Læringsmål
Etter dette delkapittelet skal du kunne
- formulere en sannsynlighetsmodell for et reelt datasett,
- sammenlikne data med modellen ved å regne ut forventet antall, standardavvik og \(z\)-verdier,
- vurdere om avvikene kan skyldes tilfeldigheter, og drøfte mulige forklaringer.
Datasettet
| Fil | Variabler |
|---|---|
fodte-maned.csv |
levendefødte i hver måned, hvert år fra 1966 til 2025 |
Kilde: SSB, tabell 05531.
Oppgaven
Velg ett spørsmål, eller lag ditt eget:
- Passer modellen «alle dager er like sannsynlige» for fødslene i 2025?
- Hvilken måned skiller seg mest ut, og hvor mange standardavvik er avviket?
- Har mønsteret gjennom året endret seg fra 1970-tallet til i dag?
- Er mønsteret likt hvert år, eller varierer det tilfeldig?
Denne gangen får du bare datasettet og en liste med verktøy i notatboka. Gå gjennom alle fire stegene, og skriv en kort rapport. Rapporten skal ha med modellen og forutsetningene, forventet antall og standardavvik, en figur som sammenlikner data og modell, en vurdering av om avvikene kan skyldes tilfeldigheter, og en drøfting av mulige forklaringer og begrensninger.
Oppgaver
Oppgavene under kan løses uten notatboka.
Nivå 1
Nivå 2
Oppsummering
Sammenlikne data og modell
Forventet antall \(\mu = np\), standardavvik \(\sigma = \sqrt{np(1 - p)}\) og \(z = \frac{x - \mu}{\sigma}\).
- Avvik på mer enn \(2\)–\(3\) standardavvik er sjelden tilfeldige. Da passer ikke modellen.
- Med store datasett blir selv små systematiske avvik tydelige.
7.4 Oppgaver
Oppgavene blander stoff fra hele kapittelet.
7.5 Oppsummering
Kontinuerlige fordelinger
Sannsynlighet som areal
\(P(a \le X \le b)\) er arealet under tetthetsfunksjonen.
Én verdi
\[ P(X = a) = 0 \]
Uniform fordeling
\[ f(x) = \frac{1}{b - a} \]
Uniform: forventning og standardavvik
\[ \mu = \frac{a + b}{2} \qquad \sigma = \frac{b - a}{\sqrt{12}} \]
- For kontinuerlige variabler er \(P(X < a) = P(X \le a)\).
Normalfordelingen
68–95–99,7-regelen
\(\mu \pm \sigma\): \(68\ \%\). \(\mu \pm 2\sigma\): \(95\ \%\). \(\mu \pm 3\sigma\): \(99{,}7\ \%\).
Standardisering
\[ Z = \frac{X - \mu}{\sigma} \]
Symmetri
\[ P(Z \le -z) = 1 - P(Z \le z) \]
Grenseverdi
\[ x = \mu + z \cdot \sigma \]
Python
norm.cdf(x, mu, sigma) og norm.ppf(p, mu, sigma)
- Tabellen i bilag A gir arealet til venstre for \(z\).
- Sjekk alltid om normalfordelingen passer, særlig i halene.