In sport, voedingswetenschap en andere gezondheidsgerelateerde disciplines spelen statistische verdelingen een cruciale rol bij het analyseren van prestaties, het optimaliseren van trainingen en het begrijpen van biologische variabiliteit. Een van de meest gebruikte verdelingen is de normale verdeling, ook bekend als de Gauss-verdeling. Deze verdeling helpt bij het interpreteren van data, het nemen van beslissingen en het begrijpen van hoe variabelen zoals prestaties, lichaamsgewicht of zelfs productkwaliteit zich gedragen. In dit artikel zullen we de toepassing van de normale verdeling in sportprestaties en praktische situaties uitleggen, met betrekking tot zowel de fysiologische als de statistische aspecten.
Inleiding
De normale verdeling is een statistische verdeling die symmetrisch is rondom het gemiddelde en waarbij de meeste waarden dicht bij het gemiddelde liggen, met afnemende frequentie naarmate je verder van het gemiddelde komt. In sport, zoals bijvoorbeeld bij kogelstoten, kunnen de resultaten van meerdere pogingen normaal verdeeld zijn. Dit betekent dat we het gemiddelde en de standaarddeviatie kunnen gebruiken om de spreiding van de prestaties te begrijpen en voorspellingen te doen over toekomstige prestaties.
In dit artikel zullen we kijken naar hoe de normale verdeling wordt toegepast in sportprestaties, zoals bij kogelstoten, en hoe het in andere praktische situaties, zoals in productieprocescontrole of het bepalen van de ideale zithoogte van een bureau, gebruikt wordt. We zullen ook zien hoe dit statistische concept helpt bij het nemen van beslissingen, bijvoorbeeld bij het inkopen van zwembroeken of het bepalen van het percentage van de populatie dat bepaalde criteria voldoet.
Normale verdeling in sportprestaties: een voorbeeld bij kogelstoten
Een kogelstoter die in een zware trainingsweek veel worpen heeft gedaan, kan deze data gebruiken om zijn prestaties te analyseren. In de gegeven dataset zien we dat de geworpen afstanden in verschillende intervallen verdeeld zijn. Deze data kan gebruikt worden om te bepalen of de verdeling normaal is en hoe we het gemiddelde en de standaarddeviatie kunnen berekenen.
A. Bepaling van normale verdeling
Om te bepalen of een verdeling normaal is, kunnen we gebruik maken van een normaal-waarschijnlijkheidspapier. Hierbij worden de data in cumulatieve percentielen geplaatst en vergeleken met de verwachte waarden bij een normale verdeling. Als de punten op het papier bij benadering op een rechte lijn liggen, spreken we van een normale verdeling.
In het gegeven voorbeeld van de kogelstoter is aangenomen dat de verdeling bij benadering normaal is met een gemiddelde (μ) van 18,25 meter en een standaarddeviatie (σ) van 1 meter. Deze waarden worden gebruikt voor verdere berekeningen.
B. Kansberekening bij meerdere pogingen
De kogelstoter gaat meedoen in een wedstrijd waarbij de resultaten van drie pogingen worden opgeteld. We willen de kans berekenen dat hij in totaal meer dan 58 meter zal stoten. Aangezien elke poging normaal verdeeld is, is de som van drie pogingen ook normaal verdeeld. Het gemiddelde van de som is 3 × μ = 3 × 18,25 = 54,75 meter. De standaarddeviatie van de som is de wortel van 3 × σ², dus √3 × 1 ≈ 1,732.
De kans dat de totale afstand meer dan 58 meter is, wordt berekend door de Z-score te bepalen:
$$ Z = \frac{58 - 54,75}{1,732} \approx 1,88 $$
De kans dat de Z-score groter is dan 1,88 is ongeveer 3% (of 0,0314). Dit betekent dat er ongeveer een 3%-kans is dat de kogelstoter in totaal meer dan 58 meter stoot.
C. Kans op een topresultaat
Bij een wedstrijd met 30 worpen willen we weten hoe groot de kans is dat de beste worp meer dan 19,1 meter is. Aangezien elke worp normaal verdeeld is, is de kans dat één worp meer dan 19,1 meter is:
$$ Z = \frac{19,1 - 18,25}{1} = 0,85 $$
De kans dat één worp meer dan 19,1 meter is, is ongeveer 19,8%. De kans dat de beste van 30 worpen meer dan 19,1 meter is, is iets ingewikkelder. Aangezien we de beste van 30 worpen bekijken, is de kans dat minstens één worp groter is dan 19,1 meter:
$$ 1 - P(\text{alle worpen } \leq 19,1) = 1 - (0,802)^{30} \approx 1 - 0,007 = 0,993 $$
Dit betekent dat er ongeveer een 99,3%-kans is dat minstens één van de 30 worpen meer dan 19,1 meter is.
Normale verdeling in productiecontrole: een machine die garen spoelt
Een andere toepassing van de normale verdeling is in productiecontrole. In het gegeven voorbeeld spoelt een machine garen op een klosje. De lengte van de draad op een klosje is normaal verdeeld met een gemiddelde van 100 meter en een standaardafwijking van 47 cm. Als de draadlengte meer dan 60 cm van het gemiddelde afwijkt, wordt de machine opnieuw afgesteld.
A. Kans dat de machine toch wordt afgesteld
De kans dat de machine, ondanks een correcte instelling, toch wordt afgesteld, is de kans dat de draadlengte meer dan 60 cm van het gemiddelde afwijkt. Dit betekent dat we de kans moeten berekenen dat de draadlengte ligt buiten het interval [100 - 0,60, 100 + 0,60].
De Z-scores voor deze grenzen zijn:
$$ Z1 = \frac{100 - 0,60 - 100}{0,47} \approx -1,28, \quad Z2 = \frac{100 + 0,60 - 100}{0,47} \approx 1,28 $$
De kans dat de draadlengte buiten dit interval valt is:
$$ P(Z < -1,28 \text{ of } Z > 1,28) = 2 \times 0,1003 = 0,2006 $$
Dit betekent dat er ongeveer een 20%-kans is dat de machine opnieuw wordt afgesteld, ondanks een correcte instelling.
Normale verdeling in productiecontrole: toepassing bij een nieuwe machine
Als een nieuwe machine wordt aangeschaft die nauwkeuriger werkt, willen we weten hoe groot de standaardafwijking moet zijn om ervoor te zorgen dat de kans op een verkeerde afgestelde machine 10% is. Dit betekent dat we de standaardafwijking moeten bepalen zodat de kans dat de draadlengte meer dan 60 cm van het gemiddelde afwijkt 10% is.
De kans dat de draadlengte meer dan 60 cm afwijkt is 10%, dus de kans dat de draadlengte binnen 60 cm ligt is 90%. Dit betekent dat we de Z-score moeten bepalen die overeenkomt met een 95%-percentiel (aangezien de kans symmetrisch is rond het gemiddelde).
De Z-score voor een 95%-percentiel is ongeveer 1,645. Dus:
$$ 1,645 = \frac{0,60}{\sigma} \Rightarrow \sigma = \frac{0,60}{1,645} \approx 0,365 \text{ meter} = 36,5 \text{ cm} $$
De standaardafwijking van de draadlengte moet ongeveer 36,5 cm zijn.
Normale verdeling in het bepalen van de ideale zithoogte
In het gegeven voorbeeld van een bureau met een gasveer wordt de ideale zithoogte van volwassen Nederlanders genomen als normaal verdeeld met een gemiddelde van 46,0 cm en een standaardafwijking van 3,8 cm. De ontwerper wil weten hoe lang de gasveer moet zijn om ervoor te zorgen dat 90% van de mensen de stoel op hun ideale zithoogte kan instellen.
De zithoogte kan variëren binnen een range van 8,0 cm. De ontwerper wil dat deze range zodanig is dat 90% van de mensen de stoel op de ideale zithoogte kan instellen. Dit betekent dat de minimum- en maximumhoogte symmetrisch rond het gemiddelde moet liggen.
De Z-score voor 90% is ongeveer 1,645. Dus:
$$ 1,645 = \frac{r}{3,8} \Rightarrow r = 1,645 \times 3,8 \approx 6,25 \text{ cm} $$
De range moet ongeveer 6,25 cm zijn. Aangezien de gasveer 8,0 cm lang is, moet de ontwerper de minimum- en maximumhoogte zo kiezen dat de range binnen 6,25 cm valt.
Normale verdeling in het inkopen van zwembroeken
Een inkoper die zwembroeken inkoopt voor zijn sportwinkel, wil weten hoeveel hij moet inkopen om een zo groot mogelijke winst te maken. De verkoop van zwembroeken is normaal verdeeld met een gemiddelde van 1000 en een standaarddeviatie van 60. De inkoopprijs is 20 euro, de verkoopprijs 35 euro en de afkoopprijs in de uitverkoop is 15 euro.
De verwachtingswaarde van de winst bij het inkopen van een extra zwembroek is positief als de kans dat deze verkocht wordt groter is dan 0,25. Dit betekent dat als de kans dat een extra zwembroek verkocht wordt groter is dan 25%, de verwachtingswaarde van de winst positief is.
De kans dat een extra zwembroek verkocht wordt is 0,25. Dit is het grensgeval waarbij de verwachtingswaarde van de winst nul is. De inkoper moet dus bepalen hoeveel zwembroeken hij moet inkopen om dit grensgeval te bereiken.
De kansverdeling van het aantal verkochte zwembroeken is normaal verdeeld met een gemiddelde van 1000 en een standaarddeviatie van 60. De kans dat de nde zwembroek verkocht wordt is 0,25. De inkoper moet dus bepalen voor welke n deze kans geldt.
$$ P(X \geq n) = 0,25 $$
De Z-score voor 0,25 is ongeveer -0,675. Dus:
$$ -0,675 = \frac{n - 1000}{60} \Rightarrow n = 1000 - 0,675 \times 60 \approx 960 $$
De inkoper moet dus 960 zwembroeken inkopen om het grensgeval te bereiken.
Normale verdeling in de medische praktijk
In een medische praktijk wordt de tijd die een huisarts nodig heeft voor een patiënt genomen als normaal verdeeld met een gemiddelde van 10 minuten en een standaarddeviatie van 4 minuten. De tijd wordt ingedeeld in drie groepen: gemakkelijke patiënten (≤ 5 minuten), gewone patiënten (5-15 minuten) en tijdrovende patiënten (≥ 15 minuten).
A. Verwachtingswaarde van het aantal tijdrovende patiënten
De verwachtingswaarde van het aantal tijdrovende patiënten is het product van het aantal patiënten en de kans dat een patiënt tijdrovend is. De kans dat een patiënt tijdrovend is is:
$$ P(X \geq 15) = P(Z \geq \frac{15 - 10}{4}) = P(Z \geq 1,25) \approx 0,1056 $$
De verwachtingswaarde van het aantal tijdrovende patiënten is dus:
$$ 12 \times 0,1056 \approx 1,27 $$
De verwachtingswaarde is ongeveer 1,27 tijdrovende patiënten per spreekuur.
B. Kans op 2 gemakkelijke en 10 gewone patiënten
De kans dat de huisarts 2 gemakkelijke en 10 gewone patiënten krijgt is berekend met behulp van de binomiale verdeling. De kans dat een patiënt gemakkelijk is is:
$$ P(X \leq 5) = P(Z \leq \frac{5 - 10}{4}) = P(Z \leq -1,25) \approx 0,1056 $$
De kans dat een patiënt gewoon is is:
$$ P(5 < X < 15) = P(-1,25 < Z < 1,25) \approx 0,7888 $$
De kans op 2 gemakkelijke en 10 gewone patiënten is:
$$ \binom{12}{2} \times (0,1056)^2 \times (0,7888)^{10} \approx 66 \times 0,01116 \times 0,1937 \approx 0,140 $$
De kans is ongeveer 14%.
Conclusie
De normale verdeling is een krachtig statistisch hulpmiddel dat in veel verschillende contexten wordt gebruikt. In sportprestaties helpt het bij het analyseren van prestaties en het voorspellen van toekomstige resultaten. In productiecontrole helpt het bij het bepalen van kwaliteitscontrole en het nemen van beslissingen. In medische en commerciële toepassingen helpt het bij het plannen van resources en het optimaliseren van processen.
De toepassing van de normale verdeling vereist een goed begrip van de statistische parameters, zoals het gemiddelde en de standaarddeviatie, en het vermogen om kansen en verwachtingen te berekenen. Deze kennis is essentieel voor professionele sporters, trainers, bedrijven en medici die willen optimaliseren en efficiënt werken.
Door de normale verdeling te begrijpen en toe te passen, kunnen we betere beslissingen nemen, prestaties verbeteren en processen optimaliseren. Of het nu gaat om sportprestaties, productkwaliteit of medische behandelingen, de normale verdeling is een fundamentele tool in de statistiek.