Hoofdstuk 2

STATISTIEK 2
Hoofdstuk 2: Kansverdelingen en
kansberekening
Vanhoomissen & Valkeneers, hoofdstuk 2

PREVIOUSLY ON STATISTIEK 2
• Onderzoek begint met een onderzoeksvraag. Daaruit wordt afgeleid wat
de populatie is (verzameling waarover we een uitspraak willen doen) en
wat de onderzoekseenheden zijn (de elementen van die verzameling).
• Bedoeling van statistiek is om op basis van verzamelde data een
onderbouwde beslissing te nemen over verband/verschil. We gebruiken
hiervoor steekproeven omdat de hele populatie onderzoeken te
omslachtig is.
• Daarom zijn we nooit 100% zeker over onze beslissing. Dat is niet erg, zo
lang we maar de mate van onzekerheid kennen.
• Om die mate van onzekerheid te bepalen, hebben we kansberekeningen
nodig. We willen vooral te weten komen hoe (on)waarschijnlijk het is om
de verzamelde data te observeren.
• Op basis daarvan kunnen we beslissen of een verband/verschil
significant is.
• Statistiek is geen wetenschap op zich. Statistische conclusies zijn pas
waardevol als ook aan de randvoorwaarden voldaan is en statistiek niet
misbruikt wordt.
kansberekening
2
VANDAAG
Kansverdelingen en kansberekening
Om antwoorden te geven op vragen als

“Als ik straks op straat een willekeurige jongeling aan de haak sla, hoe groot is dan de kans dat
hij groter is dan 1m75 maar kleiner dan 1m95?”
KANSEN
Kans = waarschijnlijkheid om een bepaalde gebeurtenis te observeren,
uitgedrukt met een getal tussen 0 en 1
Hoe waarschijnlijk is het om een “3” te gooien met 1 worp van een
dobbelsteen?
-> P(3) = 1/6 (of 0.1666)
of nog:
Hoe waarschijnlijk is het om

bij aselecte trekking van “een
docent statistiek” de gebeurtenis
“niet saai” te observeren?
-> P(“niet saai”) = ???
kansberekening
4
WAAROM KANSEN?
Waarom kansen nodig in statistiek?
Belangrijk doel in statistiek: op basis van steekproefgegevens conclusies

trekken over populatie
Soorten vragen:
1. Interval-estimatie
2. Hypothesetoetsing
kansberekening
5
WAAROM KANSEN?
1. Interval-estimatie
• Vraag: Wat is het gemiddelde IQ van alle kinderen in het 1e jaar secundair
onderwijs die 1 of meerdere jaren blijven zitten zijn in het basisonderwijs?
• Antwoord op basis van gegevens uit steekproef: “Het gemiddelde IQ van alle
kinderen in het 1e jaar SO die 1 of meerdere jaren blijven zitten zijn in het
BaO ligt tussen X1 en X2 met 95% zekerheid.”
• Betekenis: Indien je steeds deze bewering aanhoudt, dan weet je dat je in
5% van de gevallen fout zal zijn OF de kans op een fout is 0.05 -> zegt iets
over nauwkeurigheid van de schatting van de populatieparameter op basis
van de steekproefgegevens
• Nodig: Steekproefstatistieken (gemiddelde, standaardafwijking, grootte
steekproef) + Kansverdeling
kansberekening
6
WAAROM KANSEN?
2. Hypothesetoetsing
• Hypothese: Het IQ van leerlingen in het 1e jaar SO die 1 of meerdere jaren in het
BaO zijn blijven zitten (populatie 1) is gelijk aan het IQ van leerlingen 1e jaar SO
die niet zijn blijven zitten (populatie 2).
• Antwoord op basis van gegevens uit steekproef: “We verwerpen deze hypothese”
of “We kunnen deze hypothese niet verwerpen”.
• Nodig: Steekproefstatistieken (gemiddelde, standaardafwijking, grootte
steekproef) + Kansverdeling
• Waarom kansverdeling nodig? Stel dat we vinden dat IQ in steekproef 1 = 105 en
IQ in steekproef 2 = 115 .
• Hoe groot is de kans om dit verschil te vinden als er in werkelijkheid geen
verschil is tussen de twee populatiegemiddelden?
-> grote kans: hypothese niet verwerpen
-> kleine kans: hypothese verwerpen
kansberekening
7
KANSEN
Relevante begrippen
Uitkomst = 1 enkelvoudig resultaat

− “een 3” bij het gooien met een dobbelsteen
− “Chad Smith” bij het trekken van een bandlid van RHCP
Uitkomstenruimte = verzameling van alle mogelijke enkelvoudige

uitkomsten
− bij dobbelsteen {1,2,3,4,5,6}
− bij trekking bandlid {Chad Smith, Anthony Kiedis, Flea, Josh
Klinghoffer}
kansberekening
8
KANSVERDELING
Kansverdeling = combinatie van uitkomstenruimte met respectievelijke
kansen - overzicht van mogelijke waarden van een variabele en
bijhorende kansen
− bij dobbelsteen:
1,00
uitkomst kans
0,90
1 1/6 0,80
0,70
2 1/6
0,60
3 1/6 0,50
0,40
4 1/6
0,30
5 1/6 0,20
6 1/6 0,10
0,00
1 2 3 4 5 6
kansberekening
9
KANSVERDELING
variabele = aantal ogen bij werpen van 2 dobbelstenen

18
16,67
16
13,89 13,89
14
procent 12 11,11 11,11
10
8,33 8,33
8
6 5,56 5,56
4
2,78 2,78
0
2 3 4 5 6 7 8 9 10 11 12
kansberekening
10
KANSVERDELING
Kansverdeling is analoog aan de frequentieverdeling (zie Statistiek 1)
verschil:
frequentieverdeling bij geobserveerde waarden
kansverdeling bij theoretische waarden
gemiddelde en standaardafwijking bij kansverdeling niet echt

mogelijk wegens geen observaties, maar wél op basis van
kansberekening
kansberekening
11
KANSVERDELING
gemiddelde van de kansverdeling : verwachte waarde
bv bij het gooien van 1 dobbelsteen:
kansberekening
12
KANSVERDELING
Variantie van een kansverdeling:
bv bij het gooien van 1 dobbelsteen:
kansberekening
13
DE STEEKPROEVENVERDELING
Een bijzondere kansverdeling: de

steekproevenverdeling van het gemiddelde
Stel:
• We trekken uit een populatie een oneindig aantal steekproeven.
• Elke steekproef wordt gekenmerkt door een aantal steekproefstatistieken
zoals het gemiddelde. We krijgen dus een oneindig aantal
steekproefgemiddelden waarvan we een verdeling kunnen opstellen.
• Steekproevenverdeling van gemiddelde = alle mogelijke waarden van
steekproefgemiddelden samen met de kansen op die steekproefgemiddelden
• Daarna kunnen we dus de kans bepalen op het vinden van een bepaald
steekproefgemiddelde.
kansberekening
14
populatie
steekproef
steekproeven-
verdeling
kansberekening
15
We trekken een steekproef van n = 2 uit de populatie van getallen 2,

4, 6
Waarden Gemiddelde Kans X P(X)

steekproef van
steekproef
2 2 2 1/9 2 1/9
2 4 3 1/9
3 2/9
2 6 4 1/9
4 3/9
4 2 3 1/9
4 4 4 1/9 5 2/9
4 6 5 1/9 6 1/9
6 2 4 1/9
6 4 5 1/9
6 6 6 1/9
kansberekening
16
Verwachte waarde van steekproevenverdeling =
populatiegemiddelde
E( X ) =  X = 
(2 + 4 + 6)/3 = 4
(1/9 x 2) + (2/9 x 3) + (3/9 x 4) + (2/9 x 5) + (1/9 x 6) = 4
-> gemiddelde van de steekproef is een ‘zuivere schatter’ van het gemiddelde
van de populatie
Schatter: we schatten met behulp van het steekproefgemiddelde het
populatiegemiddelde
Zuiver: er zullen geen systematische afwijkingen zijn wanneer men kijkt naar
het gemiddelde van alle mogelijke steekproeven om de populatiegrootheid
te schatten
kansberekening
17
Standaardafwijking van steekproevenverdeling = standaardfout van

gemiddelde

SE X =  X = standaardafwijking van populatie
N
indien
steekproefgrootte niet
standaardafwijking van het gemiddelde gekend
Standard Error of standaardfout van het gemiddelde
standaardafwijking van de steekproef

s
N
kansberekening
18
Hoe groter de steekproef, hoe kleiner de standaardfout
Gemiddelde lengte van alle 20-jarige mannen = 180cm met een

standaardafwijking van 10cm.
10
Bij een steekproef van n = 300 SE X = = 0.58cm
300
10
Bij een steekproef van n = 700 SE X = = 0.38cm
700
kansberekening
19
Vorm van de steekproevenverdeling
gemiddelde en standaarddeviatie van deze verdeling zijn bekend

dus:
als de verdeling normaal verdeeld is, kennen we het volledige verloop
maar: is de verdeling normaal verdeeld?
Centrale Limiet Theorema (A. De Moivre, 17E)
kansberekening
20
Hoe groter de steekproef, hoe meer de normale verdeling benaderd wordt:
(vb: gooien van 1 dobbelsteen)
kansberekening
21
Vorm van de steekproevenverdeling
• Als de populatie waaruit men steekproeven trekt normaal verdeeld is, dan is
de steekproevenverdeling van het gemiddelde ook normaal verdeeld met
een verwachte waarde μ en een standaardafwijking  / N .
• Als de populatie waaruit men een steekproeven trekt niet normaal verdeeld
is, maar de steekproeven zijn groot genoeg (N > 30), dan zal de
steekproevenverdeling bij benadering normaal verdeeld zijn met een
verwachte waarde μ en een standaardafwijking  / N . (wat als N < 30?
zie later)
• Als σ niet gekend is, mag men σ vervangen door de standaardafwijking van
de steekproef als N > 100.
kansberekening
22
Wat is er nu zo cool aan de steekproevenverdeling van het
gemiddelde?
Aangezien:
− we het gemiddelde van deze verdeling kennen (µ) 
− we de standaardafwijking van de verdeling kennen (
of indien σ niet gekend is en N>100 :
s ) N
N
− we weten dat ze normaal verdeeld is (als populatie normaal verdeeld
is of als N > 30)
kunnen we z-scores berekenen en kansen

uit de standaardnormaalverdeling halen! x − X
z=
X
kansberekening
23
NORMALE VERDELING
Waarom is die vorm zo belangrijk?

• kennis over de verdeling van kansen van een bepaalde variabele
maakt intervalestimatie en hypothesetoetsing mogelijk.
• kansvariabelen die passen in theoretische verdeling (model) bieden
meer mogelijkheden voor verwerking.
• veelgebruikt model: normale verdeling (= vaak voorkomende
verdeling van kansen in gedragswetenschappen)
0,5
0,4
Probability Density
0,3
0,2
0,1
0
-4 -3 -2 -1 0 1 2 3 4
kansberekening
24
NORMALE VERDELING
• normale verdelingen verschillen enkel in gemiddelde en

standaarddeviatie. De curve is altijd klokvormig en symmetrisch.
• kans om een waarde te observeren tussen 2 grenzen is gelijk aan de
oppervlakte onder de curve
• totale oppervlakte onder de curve is dus 1
0,3
0,25
Probability Density
0,2
0,15
0,1
0,05 6,43%
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
kansberekening
25
NORMALE VERDELING
−( X − )
f (X ) =
Formule: 1 2 2
e
 2
f (X) = hoogte in curve
π = 3.14
e = 2.72
μ = mu = verwachte waarde, gemiddelde van de normale verdeling
-> bepaalt de plaats van het midden van de verdeling
σ = sigma = standaardafwijking van de verdeling, spreiding van scores
-> bepaalt hoe breed of smal de verdeling is (kleine sigma geeft smalle en hoge
curve; grote sigma geeft brede en lage curve)
Dus:
μ en σ bepalen de normaalverdeling
er zijn vele soorten normaalverdelingen (naargelang μ en σ )
kansberekening
26
NORMALE VERDELING
Verschillende μ ,
gelijke σ
Y
-4 -2 0 2 4 6 8
X
Gelijke μ ,
verschillende σ
Y
-15 -10 -5 0 5 10 15
X
kansberekening
27
NORMALE VERDELING
• Totale oppervlakte onder curve = 1
− − −     
kansberekening
28
NORMALE VERDELING
• Kans op een waarde in bepaald gebied = oppervlakte onder curve
− − −     
kansberekening
29
NORMALE VERDELING
.3413 .3413
.0228 .0228
.1359 .1359
μ -3σ μ -2σ μ -σ μ μ +σ μ +2σ μ +3σ
kansberekening
30
NORMALE VERDELING
.3413 .3413
.0228 .0228
.1359 .1359
μ -3σ μ -2σ μ -σ μ μ +σ μ +2σ μ +3σ
IQ is normaal verdeeld met μ = 100 en σ = 15

ongeveer 68% heeft IQ tussen 85 en 115
ongeveer 95% heeft IQ tussen 70 en 130
ongeveer 2.3% heeft een IQ lager dan 70; ongeveer 2.3% heeft een IQ hoger dan
130
kansberekening
31
STANDAARDNORMALE VERDELING
Standaardnormale verdeling
− Eén bepaald type normale verdeling
− Namelijk met μ = 0 en σ = 1 



− − −    
kansberekening
32
Waarom die speciale verdeling?
− bij normaal verdeelde gegevens -> kans afleiden uit oppervlakte

onder de curve
− oppervlakte berekenen = heel omslachtig -> beter aflezen uit
tabel
− onmogelijk om van elke normale verdeling een tabel op te stellen
(oneindige verzameling)
=> slechts 1 tabel opstellen en elke normale verdeling transformeren

naar de verdeling waarvoor de tabel is gemaakt, nl. de
standaardnormale verdeling
kansberekening
33
Hoe gaat dat in zijn werk?
Transformatie van normale verdeling: vorm blijft behouden, maar µ

en σ worden resp. 0 en 1.
Transformatie = “standaardiseren” = Z-waarden berekenen:
x − X
z=
X
De verdeling is dan standaardnormaal en de kansen kunnen
afgelezen worden uit de tabel voor de standaardnormale
verdeling.
kansberekening
34
IQ is normaal verdeeld met μ = 100 en σ = 15.

Wat is kans op een IQ groter of gelijk aan 112?
Stap 1:
x − X
z=
X
dus:
112 − 100
Z(IQ112) = = 0.8
15
kansberekening
35
Stap2: kans van waarde 0.8 opzoeken in tabel





− − −    
Z = 0.80
P(z < 0.80) = 0.7881
P(z ≥ 0.80) = 1 – 0.7881
Pr(0.80) = 0.2119
kansberekening
36
Andere soorten oefeningen ivm kansberekening: analoog aan

berekening van percentages in statistiek 1 (hoofdstuk 6).
Voor herhaling: zie slides achteraan.
kansberekening
37
We kunnen nu dus raadsels als deze oplossen:
− We hebben een normaal verdeelde populatie met μ = 100 en σ =

15. Uit deze populatie trekken we een steekproef van n = 40. Het
gemiddelde van de steekpoef is 102 en de standaardafwijking is
14. Hoe groot is de kans op een steekproefgemiddelde van 102 of
hoger?
− Wat is gevraagd?
P(X ≥ 102)
− Is de steekproevenverdeling normaal verdeeld?
Ja, want de populatie is normaal verdeeld
kansberekening
38
Dus:
Stap1: z-score berekenen
X − X − X − zx =
102 − 100
40 = 0.843
zx = = = N
x   15
N
Stap 2: kans van z-score bepalen via standaardnormale verdeling
kansberekening
39




− − −    
Z = 0.84
P(z ≥ 0.84) = 1 - P(z ≤ 0.84)
= 1 - 0.7995 = 0.2005
kansberekening
40
Dus:
P(z ≥ 0.84) = 0.2005
Conclusie: De kans op een gemiddelde van 102 of groter is 0.20
We kunnen dus de kans berekenen op het voorkomen van een bepaald

gemiddelde van een steekproef. M.a.w.: we kunnen nagaan of ons
steekproefgemiddelde uitzonderlijk is of juist heel acceptabel.
En dat is net wat we nodig hebben om hypotheses te toetsen!!
kansberekening
41
SAMENGEVAT
Kansen zijn van groot belang in onderzoek omdat ze ons in staat stellen
om te beslissen of een observatie heel uitzonderlijk is of eerder heel
gewoon.
Om kansen te berekenen maken we gebruik van kansverdelingen:
theoretische verdelingen van mogelijke waarden en bijhorende
kansen van een variabele.
In de psychologie wordt de normale verdeling vaak gebruikt, aangezien
veel kenmerken van mensen als normaal verdeeld in de populatie
worden beschouwd.
Omdat voor elk kenmerk een normale verdeling met een ander
gemiddelde en standaarddeviatie geldt, is het onmogelijk om voor
elke verdeling de exacte kansen te kennen. Daarom herleiden we die
normale verdeling naar een standaardnormale verdeling door z-
scores te berekenen. Daarna kunnen we de kansen van de z-scores
aflezen uit een tabel.
Een specifieke kansverdeling is de steekproevenverdeling van het
gemiddelde, waarmee we kunnen uitrekenen hoe groot de kans is om
een bepaald gemiddelde te observeren.
kansberekening
42
Herhalingsoefeningen: kansen berekenen
in de normale verdeling.
(zelfstudie – zie statistiek 1)
scenario 1

Stap 1: x − X
z=
X
dus: 112 − 100

Z(IQ112) = = 0.8
15
kansberekening
44
Stap2: kans van waarde 0.8 opzoeken in tabel





− − −    
Z = 0.80
P(z < 0.80) = 0.7881
P(z ≥ 0.80) = 1 – 0.7881
Pr(0.80) = 0.2119
kansberekening
45
scenario 2
87 − 100
Stap 1: Z(IQ87) = = −0.867
15

Stap 2: P(z ≥ -0.867)=?



?

− − −    
-0.867
kansberekening
46
Stap2: kans van waarde -0.867 opzoeken in tabel
Probleem: tabel
bevat enkel
kansen voor
positieve
z-waarden!
kansberekening
47
Gelukkig is de standaardnormale verdeling symmetrisch!


P (z ≤ -0.867) P (z ≥ 0.867)


− − −    
Dus: P ( z ≤ -0.867) = P ( z ≥ 0.867)

En ook: P (z ≥ -0.867) = P ( z ≤ 0.867)
kansberekening
48
En uit de tabel lezen we af:
P ( z ≤ 0.867) = 0.8078
= P (z ≥ -0.867)
kansberekening
49
scenario 3
Wat is kans op een IQ kleiner of gelijk aan 114?
114 − 100
Stap 1: Z(IQ114) = = 0.93
15


Stap 2: P(z ≤ 0.93)=?


Lees rechtstreeks af uit de tabel:

P(z ≥ 0.93) = 0.8238 
− − −    
kansberekening
50
scenario 4
Wat is kans op een IQ kleiner of gelijk aan 87?
87 − 100
Stap 1: Z(IQ87) = = −0.867
15

Stap 2: P(z ≤ -0.867)=?


Niet af te lezen uit tabel! Maar we weten dat: 
P(z ≤ -0.867) = P(z ≥ 0.867)


Dus:
P(z ≤ 0.867) = 0.8078 − − −    
En P(z ≥ 0.867) = 1 - 0.8078 = 0.1922
kansberekening
51
Meer varianten op hetzelfde thema!

Wat is kans op een IQ kleiner of gelijk aan 87 OF groter of gelijk aan
113?
87 − 100
Z(IQ87) = = −0.867 
Stap 1: 15
113 − 100
Z(IQ113) = = 0.867 
15


− − −    
OF
kansberekening
52
Stap 2: P(z ≥ 0.867) OF P(z ≤ -0.867)=
P(z ≥ 0.867) + P(z ≤ -0.867) 



− − −    
P(z ≥ 0.867) + P(z ≤ -0.867) = 0.192 + 0.192

= 0.384
=> kans op IQ kleiner dan of gelijk aan 87 OF groter dan of gelijk aan
113 is 0.384
kansberekening
53
Meer varianten op hetzelfde thema!

Wat is kans op een IQ tussen 87 en 113?
87 − 100
Z(IQ87) = = −0.867
Stap 1: 15 
113 − 100
Z(IQ113) = = 0.867 
15
?


− − −    
kansberekening
54
Stap 2: P( -0.867 ≤ z ≤ 0.867) =
P(z ≤ 0.867) - P(z ≤ -0.867) 


P(z ≤ 0.867) = 0.8078

en 
P(z ≤ -0.867) = 1 - P(z ≤ 0.867) = 0.1922

− − −    
Dus:
P(z ≤ 0.867) - P(z ≤ -0.867) = 0.8078 – 0.1922
= 0.616
=> kans op IQ tussen 87 en 113 is 0.616
kansberekening
55
Algemene werkwijze bij gelijkaardige oefeningen:
• Bereken de z-scores
• Noteer in P(z ≥ x)-vorm wat je zoekt
• Haal uit de tabel wat rechtstreeks kan afgelezen worden
• Gebruik optelling of aftrekking om kansen af te leiden die niet in de
tabel staan => makkelijker als je even de tekening maakt!




− − −    
kansberekening
56
Verdere toepassing van dezelfde techniek:
Een normaal verdeelde test heeft een gemiddelde van 100 en een
standaardafwijking van 15. Welke score moet men hebben om bij
de 5% best scorende mensen te behoren?

Wat is gevraagd?
0.05

Een score x waarvoor P (z ≥ x) = 0.05



− − −    
Dus: omgekeerde richting: een score zoeken op basis

?
van een kans ipv een kans op basis van een score
kansberekening
57
In de tabel zien we dat de Z-score die een P van 0.95 heeft gelijk is aan
1.65
Dus: we zoeken een score x waarvan de Z score gelijk is aan 1.65

x − X
Remember: z=
X 
x – 100 = 1.65 
0.05
15 
x = (1.65 x 15) + 100 
x = 124.7 ~ 125 − − −    
?
Antwoord: men moet een score van 125 hebben om bij de 5% best
scorende mensen te horen
kansberekening
58
Een variabele is normaal verdeeld met een gemiddelde van 70 en een
standaardafwijking van 12. Hoeveel % van de mensen scoort hoger
dan 58?
Wat is gevraagd?
P (x ≥ 58) = ?
Stap 1: score van 58 omzetten in Z score

58 – 70 = -1
12
Stap 2: P (z ≥ -1) = ?
[scenario 2]
=> 0.8413 of 84%
kansberekening
59

Hoofdstuk 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Hoofdstuk 2

Uploaded by

Copyright:

Available Formats

STATISTIEK 2

Vanhoomissen & Valkeneers, hoofdstuk 2

Om antwoorden te geven op vragen als

Hoe waarschijnlijk is het om

Belangrijk doel in statistiek: op basis van steekproefgegevens conclusies

Uitkomst = 1 enkelvoudig resultaat

Uitkomstenruimte = verzameling van alle mogelijke enkelvoudige

variabele = aantal ogen bij werpen van 2 dobbelstenen

procent 12 11,11 11,11

Kansverdeling is analoog aan de frequentieverdeling (zie Statistiek 1)

gemiddelde en standaardafwijking bij kansverdeling niet echt

gemiddelde van de kansverdeling : verwachte waarde

bv bij het gooien van 1 dobbelsteen:

Variantie van een kansverdeling:

bv bij het gooien van 1 dobbelsteen:

Een bijzondere kansverdeling: de

We trekken een steekproef van n = 2 uit de populatie van getallen 2,

Waarden Gemiddelde Kans X P(X)

Standaardafwijking van steekproevenverdeling = standaardfout van

Standard Error of standaardfout van het gemiddelde

standaardafwijking van de steekproef

Hoe groter de steekproef, hoe kleiner de standaardfout

Gemiddelde lengte van alle 20-jarige mannen = 180cm met een

Vorm van de steekproevenverdeling

gemiddelde en standaarddeviatie van deze verdeling zijn bekend

maar: is de verdeling normaal verdeeld?

Centrale Limiet Theorema (A. De Moivre, 17E)

Vorm van de steekproevenverdeling

kunnen we z-scores berekenen en kansen

Waarom is die vorm zo belangrijk?

• normale verdelingen verschillen enkel in gemiddelde en

• Totale oppervlakte onder curve = 1

− − −     

• Kans op een waarde in bepaald gebied = oppervlakte onder curve

− − −     

μ -3σ μ -2σ μ -σ μ μ +σ μ +2σ μ +3σ

μ -3σ μ -2σ μ -σ μ μ +σ μ +2σ μ +3σ

IQ is normaal verdeeld met μ = 100 en σ = 15

− − −    

Waarom die speciale verdeling?

− bij normaal verdeelde gegevens -> kans afleiden uit oppervlakte

=> slechts 1 tabel opstellen en elke normale verdeling transformeren

Transformatie van normale verdeling: vorm blijft behouden, maar µ

Transformatie = “standaardiseren” = Z-waarden berekenen:

IQ is normaal verdeeld met μ = 100 en σ = 15.

Stap2: kans van waarde 0.8 opzoeken in tabel

− − −    

Andere soorten oefeningen ivm kansberekening: analoog aan

Voor herhaling: zie slides achteraan.

We kunnen nu dus raadsels als deze oplossen:

− We hebben een normaal verdeelde populatie met μ = 100 en σ =

Stap 2: kans van z-score bepalen via standaardnormale verdeling

− − −    

P(z ≥ 0.84) = 0.2005

Conclusie: De kans op een gemiddelde van 102 of groter is 0.20

We kunnen dus de kans berekenen op het voorkomen van een bepaald

En dat is net wat we nodig hebben om hypotheses te toetsen!!

IQ is normaal verdeeld met μ = 100 en σ = 15.

dus: 112 − 100

Stap2: kans van waarde 0.8 opzoeken in tabel

− − −    

Stap 2: P(z ≥ -0.867)=?

− − −    