Normalverteilung — Glockenkurve, Z-Score & Formel

Eine Normalverteilung ist ein glockenförmiges Wahrscheinlichkeitsmodell, bei dem Werte nahe am Mittelwert am häufigsten vorkommen und weiter entfernte Werte auf symmetrische Weise seltener werden. Wenn du die Glockenkurve, den Z-Score oder die Formel der Normalverteilung verstehen willst, ist die Grundidee einfach: Der Mittelwert legt die Mitte fest, und die Standardabweichung bestimmt die Streuung.

Dieses Modell ist nur dann nützlich, wenn die Normalform zu den Daten oder zur Situation sinnvoll passt. Wenn diese Bedingung erfüllt ist, kannst du typische Bereiche abschätzen, Werte mit Z-Scores vergleichen und einordnen, wie ungewöhnlich ein Ergebnis ist.

Was die Glockenkurve bedeutet

Wenn eine Variable einer Normalverteilung folgt, sind Werte nahe am Mittelwert häufiger als weit entfernte Werte. Die linke und rechte Seite spiegeln sich, daher ist ein Wert, der $2$ Standardabweichungen über dem Mittelwert liegt, genauso ungewöhnlich wie ein Wert, der $2$ Standardabweichungen darunter liegt.

Oft sieht man die Schreibweise

$$X \sim N(\mu, \sigma^2)$$

Das bedeutet, dass die Zufallsvariable $X$ als normalverteilt mit Mittelwert $\mu$ und Varianz $\sigma^2$ modelliert wird. Da die Varianz $\sigma^2$ ist, ist die Standardabweichung $\sigma$, wobei $\sigma > 0$.

Formel der Normalverteilung in einfacher Sprache

Die Dichtefunktion der Normalverteilung lautet

$$f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-(x-\mu)^2/(2\sigma^2)}$$

Du musst nicht jeden Teil der Formel auswendig lernen, um die Idee gut anzuwenden. Am wichtigsten ist: $\mu$ verschiebt die Kurve nach links oder rechts, während $\sigma$ sie schmaler oder breiter macht.

Diese Formel beschreibt eine Dichte, nicht die Wahrscheinlichkeit für genau einen einzelnen Wert. Bei einem stetigen Modell ergeben sich Wahrscheinlichkeiten aus Intervallen wie $P(X < 80)$ oder $P(65 \le X \le 85)$.

Wie Mittelwert, Standardabweichung und Z-Score zusammenhängen

Wenn sich der Mittelwert ändert, verschiebt sich die Kurve nach links oder rechts. Wenn sich die Standardabweichung ändert, wird die Kurve schmaler oder breiter. Ein kleines $\sigma$ bedeutet, dass die Werte dicht um den Mittelwert liegen. Ein größeres $\sigma$ bedeutet, dass sie stärker gestreut sind.

Um einen einzelnen Wert mit dem Rest der Verteilung zu vergleichen, verwendet man den Z-Score:

$$z = \frac{x - \mu}{\sigma}$$

Er gibt die relative Position in Einheiten der Standardabweichung an. Wenn $z = 1.5$, liegt der Wert $1.5$ Standardabweichungen über dem Mittelwert. Wenn $z = -2$, liegt er $2$ Standardabweichungen unter dem Mittelwert.

Für ein Normalmodell ist eine praktische Faustregel die empirische Regel:

$$\text{etwa } 68\% \text{ der Werte liegen innerhalb von } \mu \pm \sigma$$ $$\text{etwa } 95\% \text{ der Werte liegen innerhalb von } \mu \pm 2\sigma$$ $$\text{etwa } 99.7\% \text{ der Werte liegen innerhalb von } \mu \pm 3\sigma$$

Verwende das nur dann, wenn ein Normalmodell tatsächlich sinnvoll ist. Es ist eine nützliche Näherung, aber keine Garantie für jeden realen Datensatz.

Durchgerechnetes Beispiel mit Z-Score und Glockenkurve

Angenommen, Prüfungsergebnisse werden modelliert durch

$$X \sim N(70, 10^2)$$

Dann ist der Mittelwert $70$ und die Standardabweichung $10$.

Verwende zuerst die empirische Regel. Etwa $68\%$ der Ergebnisse sollten innerhalb einer Standardabweichung um den Mittelwert liegen:

$$70 \pm 10$$

Das schnelle Intervall ist also

$$60 \text{ bis } 80$$

Etwa $95\%$ der Ergebnisse sollten innerhalb von zwei Standardabweichungen liegen:

$$70 \pm 2(10) = 70 \pm 20$$

Damit ergibt sich das Intervall

$$50 \text{ bis } 90$$

Betrachte nun einen Schüler oder eine Schülerin mit $85$ Punkten. Der Z-Score ist

$$z = \frac{85 - 70}{10} = 1.5$$

Das bedeutet, dass das Ergebnis $1.5$ Standardabweichungen über dem Mittelwert liegt. Das ist die schnellste sinnvolle Einordnung: Das Ergebnis liegt klar über dem Durchschnitt, aber nicht extrem weit im Randbereich.

Häufige Fehler bei Aufgaben zur Normalverteilung

Jede glockenförmige Grafik als normalverteilt behandeln

Manche Daten sind schief, haben schwere Randbereiche oder mehrere Gipfel. In solchen Fällen kann ein Normalmodell schlecht passen, auch wenn die Grafik grob gerundet aussieht.

Dichte mit Wahrscheinlichkeit verwechseln

Die Formel $f(x)$ ist nicht die Wahrscheinlichkeit dafür, dass $X$ genau einer einzelnen Zahl entspricht. Bei stetigen Verteilungen ist die Wahrscheinlichkeit für einen exakten Einzelwert $0$, deshalb arbeitet man stattdessen mit Intervallen.

Die empirische Regel verwenden, ohne das Modell zu prüfen

Die $68$-$95$-$99.7$-Regel gehört zur Normalverteilung. Sie sollte nicht automatisch auf jeden Datensatz angewendet werden.

Varianz und Standardabweichung verwechseln

Die Varianz ist $\sigma^2$. Der Z-Score verwendet $\sigma$, nicht $\sigma^2$.

Wann die Normalverteilung verwendet wird

Die Normalverteilung tritt oft auf, wenn Messwerte sich um einen zentralen Wert häufen und extreme Werte relativ selten sind. Sie ist häufig bei Modellen für Messfehler, bei der Interpretation von Testergebnissen, in der Qualitätskontrolle und bei der Untersuchung von Stichprobenmittelwerten.

Das bedeutet nicht, dass alle realen Daten normalverteilt sind. Es bedeutet, dass das Normalmodell eine nützliche Näherung ist, wenn Form, Kontext und Annahmen diese Näherung sinnvoll machen.

Probiere eine ähnliche Aufgabe

Ändere das Beispiel zu $X \sim N(100, 15^2)$ und berechne den Z-Score von $130$. Bestimme dann das Intervall, das etwa $95\%$ der Werte abdeckt. Eine eigene Variante mit einem anderen Mittelwert oder einer anderen Standardabweichung auszuprobieren, ist eine gute Möglichkeit zu sehen, wie sich die Glockenkurve verändert.