Denne figur skal illustrere to ting[br][br][b]1. Normalfordelingen opstår "naturligt"[/b][br]For kast med en terning er fordelingen af antallet af øjne velkendt, og man kan let beregne middelværdien [math]\mu_1=3.5[/math] og variansen [math]\sigma_1^2=2.91[/math] (se f.eks. [1] nedenfor).[br][br]For kast med syv terninger er [br][list][br][*]middelværdien [math]\mu = 7\cdot \mu_1 = 24.5[/math], [br][*]spredningen [math]\sigma = \sqrt{7\cdot \sigma_1^2}=4.52[/math], og [br][*]fordelingen [i]med god tilnærmelse[/i] normalfordelt [math]N(\mu,\sigma)[/math]. Normalfordelingskurven er vist med rødt nedenfor.[br][/list][br][br][b]2. Den statistiske usikkerhed afhænger af stikprøvens størrelse[/b][br]Start animationen ved at trykke på "play"-ikonet (nederst til venstre på figuren). I hver runde udføres der et antal (virtuelle) terningekast, og frekvenserne for de forskellige antal øjne (fra 7 til 42) vises i form af et søjlediagram. [br][br]Jo flere gange man slår med terningerne, jo tættere vil frekvenserne komme på den "rigtige" fordeling. Brug skydeknappen til at øge antallet af kast i hver runde (stikprøvestørrelsen).

Det fænomen at normalfordelingen "opstår" på denne måde er et resultat af [i]den centrale grænseværdisætning[/i] (som er en længere historie; se f.eks. Wikipedia [2].)[br][br][1] [url]http://sugarpillstudios.com/wp/?page_id=1004[/url][br][2] [url]https://en.wikipedia.org/wiki/Central_limit_theorem[/url]