Oplossing - Cumulative kansrekening in de standaard Neermal distribution

De Neermal distribution is important because wij see het often in nature. Suppose wij gather many unrelated measures, like human heights, blood pressure readings, of IQ scores. They will follow de Neermal distribution.

Wij see many Neermally distributed variables in psychology. Voor voorbeeld, reading ability, introversion of job satisfaction. In investing, de Neermal distribution shows asset class returns. Although deze distributions zijn only roughly Neermal, they zijn pretty close, en wij can treat them as Neermal.

De Neermal distribution is easy naar work met. Many statistical tests rely op het. Moreover, deze tests work well even wanneer de distribution is only approximately Neermal. Voor voorbeeld, als een set's gemiddelde en Standaardafwijking zijn kNeewn, en de set follows de Neermal distribution, wij can easily Zet om tussen percentiles en raw scores.

Enige Neermal distribution can zijn standardized naar een standaard Neermal distribution. Die way, wij can compare two of more separate data sets. Met standaard Neermal distribution, wij can estimate probabilities van events involving Neermal distribution. Deze way, wij can estimate hoe tall een person is likely naar grow, voor instance.