Web Analytics
Medel

Stickprovsfördelningar

Fördelning av stickprovsmedelvärden och standardfel.

stickprov population stickprovsmedelvärde standardfel bias

Stickprovsfördelningar är bron mellan det vi observerar (vårt stickprov) och det vi vill veta (populationen). När vi tar ett stickprov och beräknar medelvärdet, hur förhåller sig det till populationsmedelvärdet? Stickprovsfördelningar berättar hur våra skattningar varierar från stickprov till stickprov - det är kartan över vår osäkerhet.

Fördjupning

Stickprovsfördelningen beskriver hur en stickprovsstatistika (som medelvärdet) varierar mellan olika stickprov från samma population. Den är grundläggande för statistisk inferens eftersom den kvantifierar osäkerheten i våra skattningar. Centrala gränsvärdessatsen säger att stickprovsmedelvärdet approximativt följer en normalfördelning med väntevärde μ och standardfel σ/√n.

Definition och grundbegrepp

Stickprovsfördelningen är fördelningen av en statistika (som X̄) beräknad från alla möjliga stickprov av storlek n från en population.

Stickprovsfördelning för medelvärde
Stickprovsfördelning för medelvärde
Population vs stickprovsfördelning av medelvärde
Population vs stickprovsfördelning av medelvärde

Standardfel

Standardfelet är standardavvikelsen för stickprovsfördelningen. För medelvärdet är SE = σ/√n, vilket minskar när stickprovsstorleken ökar.

Standardfel för olika statistikor
Standardfel för olika statistikor

Effekt av stickprovsstorlek

Population: μ=100, σ=15. För n=25: SE=3. För n=100: SE=1.5. Större stickprov → mindre standardfel.

Centralitet och bias

En väntevärdesriktig (unbiased) skattning har E[Θ̂] = θ. Stickprovsmedelvärdet är väntevärdesriktigt för populationsmedelvärdet.

Bias och varians för skattningar
Bias och varians för skattningar

Olika typer av stickprovsfördelningar

t-fördelning för medelvärde med okänd varians, chi-kvadrat för varians, F-fördelning för kvot av varianser.

Olika stickprovsfördelningar (t, chi-kvadrat, F)
Olika stickprovsfördelningar (t, chi-kvadrat, F)

Vanliga misstag

❌ Förväxla populationsfördelning med stickprovsfördelning

Populationsfördelning beskriver individer, stickprovsfördelning beskriver statistikor

Exempel: Population kan vara skev men stickprovsmedelvärdet bli normalfördelat (CLT)

❌ Använda populationsstandardavvikelse istället för standardfel

Standardfel = σ/√n, inte σ

Exempel: För konfidensintervall: använd SE = s/√n, inte s

❌ Anta samma fördelning för olika statistikor

Medelvärde, varians och andra statistikor har olika stickprovsfördelningar

Exempel: X̄ ~ Normal, S² ~ chi-kvadrat (skalerad)

Tillämpningar

Konfidensintervall

Använder stickprovsfördelning för att kvantifiera osäkerhet

Exempel: 95% CI för μ baserat på t-fördelning

Hypotestestning

Teststatistikor följer kända stickprovsfördelningar under H₀

Exempel: t-test använder t-fördelning för teststatistika

Stickprovsstorlek

Bestämma n för önskad precision baserat på standardfel

Exempel: För marginalen ±2: SE ≤ 2 → n ≥ (1.96σ/2)²

Övningar

1 Lätt

Population: μ=50, σ=12. Stickprov n=36. Vad är fördelningen för X̄?

Tips

Använd CLT och standardfel-formeln

Visa facit
  1. E[X̄] = μ = 50
  2. SE = σ/√n = 12/√36 = 12/6 = 2
  3. Var(X̄) = SE² = 4

Svar: X̄ ~ N(50, 4)

2 Lätt

Hur stort stickprov behövs för standardfel ≤ 1 om σ=8?

Tips

SE = σ/√n ≤ 1

Visa facit
  1. SE = 8/√n ≤ 1
  2. √n ≥ 8
  3. n ≥ 64

Svar: n ≥ 64

Sammanfattning

Stickprovsfördelningar beskriver hur statistikor varierar mellan stickprov. Centralt för inferens genom konfidensintervall och hypotestestning. Standardfel kvantifierar precision och minskar med √n. CLT säger att medelvärden blir normalfördelade.