We onderzoeken een [url=https://www.geogebra.org/m/ermrfpec#material/enxmg3tg]csv-dataset[/url] met de lengte en het gewicht van 200 personen.[br]Het csv-bestand werd ingevoerd in het tabelvenster van Suite. Zo krijg je een lijst [br][list][*]x_1 met de indexnummers,[/*][*]y_1 met de lengtes in ich,[/*][*]y_2 met de gewichten in pound.[/*][/list]

[list][*]De lijst y[sub]1[/sub] bevat de lengte (in inch) van de 200 proefpersonen. [/*][*]In een nieuwe lijst reken je deze lengtes om naar cm: [br]In een nieuwe lijst reken je deze lengtes om naar cm: [math]lengte=y_1\cdot2.54[/math].[/*][*]Met minimum = 160 en klassenbreedte = 5 maak je een lijst met klassengrenzen.[/*][*][b]Histogram(Klassengrenzen, lijst met ruwe gegevens, true, 1/n) [/b]creëert een genormaliseerd histogram.[/*][*][b]Normaal(gemiddelde, standaardafwijking, x, false)[/b] creëert een normale dichtheidsverdeling. [br]Je merkt dat de lengte bij benadering normaal verdeeld is.[br][br][/*][/list]

Dat de lengtes inderdaad normaal verdeeld zijn, merk je nog beter bij het tekenen van een QQ-plot of kwantielplot. Hierbij worden de gestandaardiseerde steekproefgegevens (empirische kwantielen) uitgezet tegenover de theoretische kwantielen. [br]Hoe beter de puntenwolk de eerste bissectrice benadert, hoe meer de steekproef normaal verdeeld is.[br]