Övning 2: Tärning kastas 100 gånger. Vad är P(medelvärde > 4)?

X̄₁₀₀ ~ N(3.5, 35/1200) = N(3.5, 0.0292) σ_X̄ = √0.0292 = 0.171 P(X̄ > 4) = P(Z > (4-3.5)/0.171) = P(Z > 2.92) ≈ 0.002 Svar: ≈ 0.008

Avancerad

Centrala gränsvärdessatsen

Centrala gränsvärdessatsen och dess tillämpningar för approximationer av fördelningar.

centrala gränsvärdessatsen approximation provmedelvärde standardfel

Centrala gränsvärdessatsen är sannolikhetsteorins mest häpnadsväckande resultat. Den säger att oavsett hur konstig din ursprungliga fördelning är - skev, bucklig, eller fullständigt galen - så blir medelvärdet av många observationer alltid normalfördelat. Det är som att naturen har en inbyggd tendens mot normalitet när vi tar många mätningar. Detta förklarar varför normalfördelningen dyker upp överallt.

Fördjupning

Centrala gränsvärdessatsen (CLT) säger att summan (eller medelvärdet) av många oberoende, identiskt fördelade stokastiska variabler approximativt följer en normalfördelning, oavsett den ursprungliga fördelningens form. Detta är fundamentalt för statistisk inferens eftersom det låter oss använda normalfördelning för hypotestestning och konfidensintervall även när den underliggande fördelningen är okänd.

Formell formulering

Om X₁, X₂, ..., Xₙ är oberoende, identiskt fördelade med E[Xᵢ] = μ och Var(Xᵢ) = σ², då konvergerar standardiserade summan mot standardnormalfördelning när n → ∞.

Centrala gränsvärdessatsen

Praktiska aspekter

För de flesta fördelningar är n ≥ 30 tillräckligt för god approximation. För symmetriska fördelningar räcker n ≥ 15, för mycket skeva behövs n ≥ 50-100.

Tärningskast

En tärning ger jämn fördelning på 1-6. Medelvärdet av 30 kast blir approximativt N(3.5, 35/12) ≈ N(3.5, 2.92).

Förutsättningar och begränsningar

Kräver oberoende observationer och existerade varians. För extremt skeva fördelningar eller heavy-tailed fördelningar kan större stickprov behövas.

Tillämpningar i statistik

CLT är grunden för z-tester, t-tester och konfidensintervall. Det låter oss använda normalfördelning även när populationsfördelningen är okänd.

Tillämpning av CLT för medelvärden

Vanliga misstag

❌ Anta CLT gäller för små stickprov

CLT är asymptotisk - behöver tillräckligt stort n

Exempel: n=5 från skev fördelning ger inte normalfördelat medelvärde

❌ Glömma oberoendekriteriet

CLT kräver oberoende observationer

Exempel: Tidsserie-data med autokorrelation följer inte standard CLT

❌ Tro att enskilda observationer blir normalfördelade

CLT gäller medelvärden/summor, inte individuella värden

Exempel: CLT säger inget om fördelningen av X₁, bara om X̄ₙ

Tillämpningar

Kvalitetskontroll

Kontrollkort baserade på stickprovsmedelvärden

Exempel: Övervaka produktkvalitet genom att plotta medelvärden av dagliga stickprov

Opinionsmätning

Konfidensintervall för proportioner baserat på CLT

Exempel: 95% CI för valresultat från stickprov av väljare

Finansiell riskanalys

Portföljrisker approximeras med normalfördelning

Exempel: VaR-beräkningar för portföljer med många tillgångar

Övningar

1 Medel

Exponentialfördelning med λ=2. Vad är fördelningen för medelvärdet av 40 observationer?

Tips

För exponentialfördelning: μ=1/λ, σ²=1/λ²

Visa facit

μ = 1/2 = 0.5, σ² = 1/4 = 0.25
X̄₄₀ ~ N(μ, σ²/n) = N(0.5, 0.25/40)
= N(0.5, 0.00625)

Svar: X̄₄₀ ~ N(0.5, 0.00625)

2 Medel

Tärning kastas 100 gånger. Vad är P(medelvärde > 4)?

Tips

Tärning: μ=3.5, σ²=35/12. Använd CLT och standardisering

Visa facit

X̄₁₀₀ ~ N(3.5, 35/1200) = N(3.5, 0.0292)
σ_X̄ = √0.0292 = 0.171
P(X̄ > 4) = P(Z > (4-3.5)/0.171) = P(Z > 2.92) ≈ 0.002

Svar: ≈ 0.008

Sammanfattning

Centrala gränsvärdessatsen är grunden för statistisk inferens. Den förklarar varför normalfördelningen är så viktig och låter oss använda normalbaserade metoder även för okända fördelningar. Kräver oberoende observationer och tillräckligt stort stickprov.