8 Utvalgsfordelinger
En meningsmåling spør \(1000\) personer og finner at \(27\ \%\) vil stemme på et parti. Hvor nær er det andelen blant alle velgerne? For å svare må vi vite hvor mye resultatet ville variert hvis vi hadde trukket et annet utvalg. Det er tema for dette kapittelet: hvordan gjennomsnitt og andeler varierer fra utvalg til utvalg, og hvorfor de nesten alltid blir normalfordelte. Det er grunnlaget for konfidensintervallene og hypotesetestene i kapittel 9 og 10.
Last ned oppgaveheftet for kapittel 8 (PDF): oppsummering, gjennomregnede eksempler og oppgaver med fasit, til arbeid uten PC.
Læringsmål
Etter å ha arbeidet med kapittelet skal du kunne
- skille mellom parametre i en populasjon og størrelser regnet ut fra et utvalg,
- forklare hva en utvalgsfordeling er, og simulere den,
- regne ut forventning og standardavvik for summer, gjennomsnitt og andeler,
- bruke sentralgrensesetningen i problemløsning,
- tilnærme binomiske sannsynligheter med normalfordelingen.
8.1 Utvalgsfordelinger
Seksjonen handler om hva som skjer med gjennomsnitt og andeler når vi trekker mange utvalg fra samme populasjon. Vi starter med simulering, finner regler for forventning og standardavvik, og ser hvorfor normalfordelingen dukker opp igjen.
8.1.1 Variasjon fra utvalg til utvalg
Ved stortingsvalget i 2025 fikk Arbeiderpartiet \(28{,}0\ \%\) av stemmene. Tenk deg at du hadde spurt \(1000\) tilfeldige velgere om hva de stemte. Ville du fått nøyaktig \(28{,}0\ \%\)? Nesten sikkert ikke. Du kunne fått \(26{,}5\ \%\) eller \(29{,}3\ \%\). Et nytt utvalg ville gitt et nytt tall. Hvor mye slike tall varierer, avgjør hvor mye vi kan stole på et enkelt utvalg.
Læringsmål
Etter dette delkapittelet skal du kunne
- skille mellom en parameter og en observator,
- forklare hva en utvalgsfordeling er,
- simulere en utvalgsfordeling, og beskrive hvordan den avhenger av utvalgsstørrelsen.
Parameter og observator
Det er de samme symbolene som i 6.1.4, der modellen hadde \(\mu\) og \(\sigma\) og dataene \(\bar{x}\) og \(s\). Når vi trekker et tilfeldig utvalg, er observatoren en stokastisk variabel, og utvalgsfordelingen er sannsynlighetsfordelingen dens.
Simulere en utvalgsfordeling
For en stor populasjon er det altfor mange mulige utvalg til å skrive opp. Da simulerer vi. Hver simulert meningsmåling er \(1000\) trekninger der hver velger stemmer Ap med sannsynlighet \(0{,}28\). Antall Ap-velgere er da \(B(1000;\ 0{,}28)\), som rng.binomial trekker direkte.
Figuren viser \(\hat{p}\) i \(5000\) simulerte meningsmålinger med \(100\) og med \(1000\) velgere. Flytt glideren.
Begge fordelingene ligger rundt \(0{,}28\). Med \(100\) velgere havner \(\hat{p}\) ofte så langt unna som \(0{,}20\) eller \(0{,}36\). Med \(1000\) velgere ligger nesten alle mellom \(0{,}25\) og \(0{,}31\).
- Parameteren (\(\mu\), \(p\)) er fast. Det er observatoren (\(\bar{x}\), \(\hat{p}\)) som varierer.
- At to utvalg gir ulike svar, betyr ikke at noen har gjort feil. Det er utvalgsvariasjon.
- Et større utvalg gir mindre tilfeldig variasjon, men retter ikke opp skjevhet. Et skjevt utvalg (1.3.3) bommer like mye med \(10\,000\) personer som med \(100\).
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Parameter
Fast tall i populasjonen: \(\mu\), \(\sigma\), \(p\).
Observator
Regnes ut fra utvalget: \(\bar{x}\), \(s\), \(\hat{p}\).
Utvalgsfordeling
Fordelingen til en observator over alle mulige utvalg av samme størrelse.
- Utvalgsfordelingen ligger rundt parameteren og blir smalere når \(n\) øker.
- Større utvalg retter ikke opp et skjevt utvalg.
8.1.2 Summer og gjennomsnitt
En heis er godkjent for \(900\) kg. Vekten til voksne har forventningsverdi \(80\) kg og standardavvik \(12\) kg. Ti personer går inn. Den samlede vekten venter vi blir \(10 \cdot 80 = 800\) kg. Men hvor mye varierer den? Standardavviket er ikke \(10 \cdot 12 = 120\) kg. Noen er tyngre og noen lettere enn gjennomsnittet, og avvikene utjevner hverandre delvis. I dette delkapittelet finner vi regnereglene.
Læringsmål
Etter dette delkapittelet skal du kunne
- regne ut forventning og standardavvik for summen av uavhengige variabler,
- regne ut forventning og standardavvik for et gjennomsnitt,
- forklare hvorfor standardavviket til gjennomsnittet er \(\frac{\sigma}{\sqrt{n}}\).
Regneregler
Det er variansene vi legger sammen, ikke standardavvikene. Standardavviket til summen er derfor \(\sqrt{\operatorname{Var}(X) + \operatorname{Var}(Y)}\), som er mindre enn \(\operatorname{SD}(X) + \operatorname{SD}(Y)\).
Sum og gjennomsnitt av n observasjoner
Har vi \(n\) uavhengige observasjoner \(X_1, X_2, \ldots, X_n\) med samme \(\mu\) og \(\sigma\), gir reglene:
- Summen har forventning \(n\mu\) og varians \(n\sigma^2\), så standardavviket er \(\sqrt{n\sigma^2} = \sigma\sqrt{n}\).
- Gjennomsnittet \(\bar{X} = \frac{1}{n}(X_1 + \cdots + X_n)\) har forventning \(\frac{1}{n} \cdot n\mu = \mu\) og standardavvik \(\frac{1}{n} \cdot \sigma\sqrt{n} = \frac{\sigma}{\sqrt{n}}\).
Standardavviket til gjennomsnittet kalles også standardfeilen. Det forklarer det vi så i 8.1.1: Fire ganger så stort utvalg gir halvparten så stor spredning, fordi \(\sqrt{4} = 2\).
Andeler
En andel er et gjennomsnitt av \(0\) og \(1\): Hver person teller \(1\) hvis den har egenskapen og \(0\) ellers. Én slik observasjon har forventning \(p\) og standardavvik \(\sqrt{p(1 - p)}\) (6.2.3). Da gir regelen for gjennomsnitt:
Det samme får vi fra den binomiske fordelingen: \(\hat{p} = \frac{X}{n}\), der \(X \sim B(n, p)\) har standardavvik \(\sqrt{np(1 - p)}\). Deler vi på \(n\), får vi \(\sqrt{\frac{p(1 - p)}{n}}\).
- Standardavvik kan ikke legges sammen. Legg sammen variansene og ta roten.
- Standardavviket til gjennomsnittet er \(\frac{\sigma}{\sqrt{n}}\), ikke \(\frac{\sigma}{n}\) og ikke \(\sigma\).
- Regelen for variansen krever uavhengige variabler. Vektene til en familie i heisen er kanskje ikke uavhengige.
- Ikke bland standardavviket til én observasjon (\(\sigma\)) med standardavviket til gjennomsnittet (\(\frac{\sigma}{\sqrt{n}}\)).
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Sum (uavhengige)
\(E(X + Y) = E(X) + E(Y)\), \(\operatorname{Var}(X + Y) = \operatorname{Var}(X) + \operatorname{Var}(Y)\)
Sum av \(n\)
\[ n\mu \qquad \sigma\sqrt{n} \]
Gjennomsnitt
\[ \mu \qquad \frac{\sigma}{\sqrt{n}} \]
Andel
\[ p \qquad \sqrt{\frac{p(1 - p)}{n}} \]
- Legg sammen variansene, ikke standardavvikene.
- Fire ganger så stort utvalg gir halvparten så stor standardfeil.
8.1.3 Sentralgrensesetningen
Aldersfordelingen i Norge i 8.1.1 er langt fra normal. Den er nesten flat fra \(0\) til \(75\) år og faller så bratt. Likevel skjer det noe forunderlig når vi ser på gjennomsnittsalderen i utvalg: Med \(30\) personer i hvert utvalg ser fordelingen av \(\bar{x}\) ut som en normalfordeling. Det er ikke tilfeldig. Det er en av de viktigste setningene i statistikken.
Læringsmål
Etter dette delkapittelet skal du kunne
- forklare hva sentralgrensesetningen sier,
- bruke sentralgrensesetningen til å finne sannsynligheter for gjennomsnitt og summer,
- vurdere når setningen kan brukes.
Gjennomsnitt blir normalfordelt
Figuren viser fordelingen av gjennomsnittsalderen \(\bar{x}\) i \(5000\) simulerte utvalg fra befolkningen, for ulike utvalgsstørrelser \(n\). Kurven er normalfordelingen \(N\!\left(\mu, \frac{\sigma}{\sqrt{n}}\right)\). Flytt glideren.
Med \(n = 1\) er histogrammet bare aldersfordelingen, og kurven passer dårlig. Med \(n = 2\) er fordelingen allerede mer samlet på midten. Med \(n = 30\) passer kurven nesten perfekt, og fordelingen er mye smalere.
Forventningen og standardavviket kjente vi allerede fra 8.1.2. Det nye er formen: Fordelingen blir normal. Da kan vi bruke tabellen og Python fra kapittel 7.
- Sentralgrensesetningen handler om gjennomsnitt og summer, ikke om enkeltobservasjoner. Alderen til én tilfeldig person er fortsatt ikke normalfordelt.
- Bruk \(\frac{\sigma}{\sqrt{n}}\) for gjennomsnittet og \(\sigma\sqrt{n}\) for summen, ikke \(\sigma\).
- \(n \ge 30\) er en tommelfingerregel. Er populasjonen svært skjev, trengs flere.
- Observasjonene må være uavhengige, for eksempel et tilfeldig utvalg fra en stor populasjon.
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Sentralgrensesetningen, gjennomsnitt
\[ \bar{X} \approx N\!\left(\mu, \frac{\sigma}{\sqrt{n}}\right) \]
Sentralgrensesetningen, sum
\[ X_1 + \cdots + X_n \approx N(n\mu,\ \sigma\sqrt{n}) \]
Standardisere et gjennomsnitt
\[ z = \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} \]
- Gjelder uansett populasjonens form når \(n\) er stor (tommelfingerregel \(n \ge 30\)).
- Handler om gjennomsnitt og summer, ikke enkeltobservasjoner.
8.1.4 Normaltilnærming
Tabellen over binomisk fordeling i bilag A går bare til \(n = 20\). Men meningsmålinger har \(1000\) spurte, og i en kommune blir det født hundrevis av barn. Heldigvis ser vi at den binomiske fordelingen for store \(n\) ligner en normalfordeling (glideren i 6.2.2). Det følger av sentralgrensesetningen: En binomisk variabel er en sum av \(n\) uavhengige delforsøk som hver gir \(0\) eller \(1\).
Læringsmål
Etter dette delkapittelet skal du kunne
- tilnærme en binomisk fordeling med en normalfordeling, og vite når det er rimelig,
- bruke normaltilnærming for antall og for andeler,
- bruke halvkorreksjon for å få et bedre svar.
Binomisk fordeling som normalfordeling
Betingelsen sikrer at fordelingen ikke er for skjev. Når \(p\) er nær \(0\) eller \(1\), trengs mange forsøk før fordelingen blir symmetrisk. Noen bøker bruker \(5\) i stedet for \(10\) som grense.
Halvkorreksjon
Tilnærmingen over gir litt for lite. Grunnen er at \(X\) er diskret: Søylen for \(X = 300\) går fra \(299{,}5\) til \(300{,}5\), men normalfordelingen begynte å telle først fra \(300\). Starter vi i \(299{,}5\), får vi med hele søylen.
Når en diskret variabel tilnærmes med en kontinuerlig, blir svaret bedre hvis vi flytter grensen et halvt steg utover:
- \(P(X \ge 300) \approx P(Y \ge 299{,}5)\)
- \(P(X \le 431) \approx P(Y \le 431{,}5)\)
der \(Y\) er normalfordelt. For Ap-eksempelet gir det \(z = \frac{299{,}5 - 280}{14{,}2} \approx 1{,}37\) og \(1 - 0{,}9147 = 0{,}0853\), nesten nøyaktig det eksakte svaret. Når \(n\) er svært stor, betyr korreksjonen lite.
Andeler
- Sjekk betingelsen \(np \ge 10\) og \(n(1 - p) \ge 10\) før du bruker normaltilnærming.
- Standardavviket er \(\sqrt{np(1 - p)}\) for antall og \(\sqrt{\frac{p(1 - p)}{n}}\) for andelen. Ikke bland dem.
- Med halvkorreksjon flytter du grensen utover, slik at hele søylen kommer med: \(\ge 300\) blir \(\ge 299{,}5\), og \(\le 431\) blir \(\le 431{,}5\).
Oppgaver
Start på nivå 1. Når du får til de fleste oppgavene på et nivå, går du videre til neste. Utfordringene til slutt er for deg som vil prøve deg på noe vanskeligere.
Nivå 1
Nivå 2
Kodeoppgaver
Oppgaven skal løses uten PC. Bruk kodecellen etter oppgaven til å sjekke svaret ditt etterpå.
Utfordringer
Oppsummering
Betingelse
\[ np \ge 10 \quad \text{og} \quad n(1 - p) \ge 10 \]
Antall
\[ X \approx N\!\left(np,\ \sqrt{np(1 - p)}\right) \]
Andel
\[ \hat{p} \approx N\!\left(p,\ \sqrt{\frac{p(1 - p)}{n}}\right) \]
Halvkorreksjon
\(P(X \ge k) \approx P(Y \ge k - 0{,}5)\)
- En binomisk variabel er en sum av \(0\) og \(1\), så sentralgrensesetningen gjelder.
- Halvkorreksjon betyr mest når \(n\) er liten.
8.2 Oppgaver
Oppgavene blander stoff fra hele kapittelet.
8.3 Oppsummering
Utvalg og regneregler
Parameter og observator
\(\mu\), \(\sigma\), \(p\) er faste. \(\bar{x}\), \(s\), \(\hat{p}\) varierer.
Sum (uavhengige)
\(\operatorname{Var}(X + Y) = \operatorname{Var}(X) + \operatorname{Var}(Y)\)
Sum av \(n\)
\[ n\mu \qquad \sigma\sqrt{n} \]
Gjennomsnitt
\[ \mu \qquad \frac{\sigma}{\sqrt{n}} \]
Andel
\[ p \qquad \sqrt{\frac{p(1 - p)}{n}} \]
- Legg sammen variansene, ikke standardavvikene.
Sentralgrensesetningen og normaltilnærming
Sentralgrensesetningen
\[ \bar{X} \approx N\!\left(\mu, \frac{\sigma}{\sqrt{n}}\right) \]
Standardisere et gjennomsnitt
\[ z = \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} \]
Normaltilnærming
\(X \approx N\!\left(np, \sqrt{np(1 - p)}\right)\) når \(np \ge 10\) og \(n(1 - p) \ge 10\)
Halvkorreksjon
\(P(X \ge k) \approx P(Y \ge k - 0{,}5)\)
- Sentralgrensesetningen gjelder for store \(n\) (tommelfingerregel \(n \ge 30\)), uansett populasjonens form.