Close

English

WIKI: THE NORMAL DISTRIBUTION

1 What is the normal distribution?

The normal distribution is a probability distribution with the mean as the highest value. It is denser in
parts close to the mean, and becomes less dense as the values move farther from the mean.

2 Why do I need to learn the normal distribution?

Although it may be true that it is almost impossible to find a data set that shows perfectly normal
distribution, there are many real­life data that approximate the normal distribution closely enough. These
data sets can be analyzed with a certain degree of accuracy if they are assumed to be normal.

Data such as height, weight, and IQ are just some examples of real­life data that follow a normal
distribution.

Moreover, a sampling distribution becomes closer and closer to a normal distribution, as the number of
samples increases. This is the essence of the Central Limit Theorem. This sampling distribution is
created by getting different samples from a population, and calculating a statistic such as the mean for
each sample. The distribution of the means is referred to as a sampling distribution.

3 What does the normal distribution look like?

4 How do I construct and analyze a normal distribution?

Before we can discuss a normal distribution, we first need to define some terms.

An experiment is an action­­such as tossing a coin, rolling a spinner, or drawing a card from a deck­­
whose results have an element of uncertainty. This is why experiment outcomes use the concept of
probability.

An outcome is the result of an experiment.

Probability refers to the chance that an event will occur. In the context of an experiment, we can
calculate the probability of a given outcome using the following formula.

          P(event) = (# of favorable outcomes) / (total number of possible outcomes)

Example 1: Suppose a coin is tossed (experiment). The result could either be a head or a tail
(outcomes).

P(head) = 1/2 = 0.5 = 50%

There is a 50% chance that the coin will turn up a head.

A random variable is a variable that can take on numerical values assigned to outcomes of an
experiment.

Example 2: Suppose 2 coins are tossed. Let X = the number of heads that turn up. X is a random
variable, which can be assigned a value of 0, 1, or 2.

When 2 coins are tossed, the set of possible outcomes is {HH, HT, TH, TT}. This set of all possible
outcomes is called the sample space of the experiment.

Each outcome for the random variable X corresponds to a probability, denoted P(X = x). We can use the
sample space to determine each probability.

P(X= 0) = probability that there is no head = P(TT) = 1/4
P(X = 1) = probability that there is 1 head = P(HT or TH) = 2/4 = 1/2
P(X = 2) = probability that there are 2 heads = P(HH) = 1/4

We can organize this information into a probability distribution table, as shown below.
                                                   

We can construct a histogram for this probability distribution.

                                                                                 

This probability distribution displays a normal distribution. Because of the shape of this distribution, it
is also referred to as the bell curve.

Normally distributed data have the following characteristics:
­The mean, median, and mode are equal. This value is also the highest value in the data set, and is thus
the peak of the curve.
­The curve is symmetric along the line containing the mean.
­The total area under the curve (bounded by the x­axis) is 1.
­The curve comes closer and closer to the x­axis without touching it on either side.
­68% of the values in the set fall within 1 standard deviation away from the mean.
­95% of the values in the set fall within 2 standard deviations away from the mean.
­99.7% of the values in the set fall within 3 standard deviations away from the mean.

Values that fall within more than 3 standard deviations away from the mean are considered outliers of the
data set.

The mean of a probability distribution table is computed by multiplying each value of the random variable
to its corresponding probability, and adding the products. In computing the variance, each probability is
multiplied by the squared difference between the mean and each value for the random variable.

Mean = ᵴ = 0(1/4) + 1(1/2) + 2(1/4) = 1
2
Variance = ᵰ  = (0­1)2 (1/4) + (1­1)2 (1/2) + (2­1)2 (1/4) = 1/2
Standard deviation = ᵰ = 0.71

There is a special type of normal distribution, for which the mean is 0 and the standard deviation is 1.
Such a distribution is called a standard normal distribution.

Sometimes, the actual data do not display a normal distribution. In such cases, it is possible to
standardize the scores to convert it to a normal distribution. This is done by converting the actual scores
to a “normal score” and looking at the values in terms of the amount by which they deviate from the
mean.
To convert the values to a normal score or a z­score, we use the following formula:
                                                                    z = (x ­ ᵰ) / ᵰ

Example 3: The scores of 20 students in a 30­point test are recorded. The scores have a mean of 23,
and a standard deviation of 1.5. What z­score corresponds to a raw score of 20?

z = (20 ­ 23)/1.5 = ­2

This means that a score of 20 is 2 standard deviations away from the mean. Since the z­score is
negative, then the observed score is 2 standard deviations less than the mean.

Another number that statisticians are interested in is the area under the curve, bounded by the x­axis
and a given z­score. To get the area under a curve corresponding to a z­score, we refer to a statistical
tool called the Areas Under the Standard Normal Curve Table.
To read the table, refer to the first column for the whole number and tenths place. Refer to the first
column for the hundredths place of the decimal. For a z­score of 2, or 2.00, we can locate the area in the
following way. The table shows that the area under the standard normal curve that corresponds to a z­
score of 2 is 0.4772.
  

5 Additional Sources

The Normal Distribution
https://www.mathsisfun.com/data/sta....html
This gives a simple and straightforward discussion of the normal distribution, with some worked
examples.

6 Cited Resources