2.1 Populasjoner, utvalg og sannsynlighet

Populasjonar, utval og sannsyn

I dette kapittelet skal du lære om grunnleggjande statistiske omgrep som er avgjerande for all empirisk forsking. Statistikk er verktøyet som gjer det mogleg å trekkje slutningar om store grupper basert på informasjon frå mindre grupper.

Læringsmål:
- Forklare skilnaden mellom populasjon og utval
- Forstå omgrepa utvalsfeil og skeivskap
- Skildre sannsynsfordelingar, spesielt normalfordelinga
- Rekne ut og tolke standardavvik og gjennomsnitt i kontekst

Populasjon og utval

All statistisk analyse startar med eit fundamentalt skilje: vi ønskjer å seie noko om ein populasjon, men vi har som regel berre tilgang til eit utval.

Tenk deg at du vil undersøkje gjennomsnittleg skjermtid blant norske VG3-elevar. Populasjonen er alle VG3-elevar i Noreg — kanskje 60 000 personar. Det er umogleg å spørje alle, så du vel ut eit utval på til dømes 200 elevar og måler skjermtida deira.

Utfordringa er å sikre at utvalet er representativt — at det speglar populasjonen godt nok til at vi kan generalisere resultata. Korleis vi vel utvalet er difor heilt avgjerande for kvaliteten på forskinga.

Utvalsteknikkar

Det finst fleire metodar for å trekkje utval:

Sannsynsutval (tilfeldig utval):
- Enkelt tilfeldig utval: Alle i populasjonen har lik sannsyn for å bli valde. Svarar til loddtrekning.
- Stratifisert utval: Populasjonen vert delt i undergrupper (strata), og det vert trekt tilfeldig frå kvart stratum. Sikrar at viktige undergrupper er representerte.
- Klyngeutval: Populasjonen vert delt i naturlege klynger (t.d. skular), og heile klynger vert valde tilfeldig. Praktisk, men gjev større utvalsfeil.

Ikkje-sannsynsutval:
- Tilgjengingsutval: Ein brukar dei som er lettast tilgjengelege. Vanleg, men gjev størst risiko for skeivskap.
- Snøballutval: Deltakarar rekrutterer andre deltakarar. Nyttig for vanskeleg tilgjengelege grupper.

Utvalsfeil og skeivskap

Sjølv med eit godt utval vil utvalsstatistikken aldri vere nøyaktig lik populasjonsparameteren. Denne skilnaden vert kalla utvalsfeil, og han oppstår uunngåeleg fordi vi berre undersøkjer ein del av populasjonen.

Utvalsfeil kan delast i to hovudtypar:

Tilfeldig utvalsfeil (sampling error):
Skuldast tilfeldigheiter i kva einingar som hamnar i utvalet. Denne feilen er uunngåeleg, men kan reduserast ved å auke utvalsstorleiken. Tilfeldig utvalsfeil følgjer kjende statistiske lovmessigheiter, og vi kan rekne ut kor stor han sannsynlegvis er.

Systematisk skeivskap (bias):
Skuldast at utvalet på ein systematisk måte avvik frå populasjonen. Denne feilen kan ikkje reduserast ved å auke utvalsstorleiken — eit stort skeivt utval er like skeivt som eit lite skeivt utval. Døme:
- Seleksjonsskeivskap: Ikkje alle i populasjonen har lik sjanse for å bli valde
- Fråfallsskeivskap: Dei som svarar skil seg systematisk frå dei som ikkje svarar
- Responsskeivskap: Deltakarar svarar uærleg eller vert påverka av spørsmålsformulering

Standardfeilen

Standardfeilen (standard error, SE) er eit mål på den tilfeldige uvissa i eit estimat. For gjennomsnittet er standardfeilen:

$$SE = \frac{s}{\sqrt{n}}$$

der $s$ er utvalsstandardavviket og $n$ er utvalsstorleiken. Formelen viser at standardfeilen søkk når utvalsstorleiken aukar — eit større utval gjev meir presise estimat.

Sannsynsfordelingar og normalfordelinga

Ei sannsynsfordeling skildrar kva verdiar ein tilfeldig variabel kan ta, og med kva sannsyn. Ho gjev ein matematisk modell for uvisse.

I statistisk analyse er normalfordelinga den viktigaste sannsynsfordelinga. Ho er klokkekurve-forma og skildra av to parametrar:
- Gjennomsnittet $\mu$ (sentrum av fordelinga)
- Standardavviket $\sigma$ (spreiinga rundt sentrum)

Vi skriv $X \sim N(\mu, \sigma^2)$ for å angje at variabelen $X$ er normalfordelt.

68-95-99,7-regelen

For normalfordelinga gjeld:
- Ca. 68 % av verdiane ligg innanfor $\mu \pm 1\sigma$
- Ca. 95 % av verdiane ligg innanfor $\mu \pm 2\sigma$
- Ca. 99,7 % av verdiane ligg innanfor $\mu \pm 3\sigma$

Denne regelen gjev ein rask måte å vurdere om ein observasjon er «vanleg» eller «uvanleg». Ein verdi som ligg meir enn $2\sigma$ frå gjennomsnittet førekjem berre i 5 % av tilfella og vert ofte rekna som statistisk uvanleg.

Sentralgrenseteoremet

Sentralgrenseteoremet (SGT) er eit av dei viktigaste resultata i statistikken: Uansett korleis den opphavlege fordelinga ser ut, vil fordelinga av utvalsgjennomsnittet nærme seg ei normalfordeling når utvalsstorleiken $n$ vert stor nok (tommelregel: $n \geq 30$).

$$\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)$$

Dette tyder at vi kan bruke normalfordelinga til å lage konfidensintervall og utføre hypotesetestar — sjølv når den underliggjande variabelen ikkje er normalfordelt.

Oppsummering

- Populasjonen er heile gruppa vi vil seie noko om; utvalet er den delen vi faktisk undersøkjer.
- Greske bokstavar ($\mu$, $\sigma$) vert brukte for populasjonsparametrar, latinske ($\bar{x}$, $s$) for utvalsstatistikk.
- Tilfeldig utvalsfeil er uunngåeleg, men kan reduserast med større utval. Systematisk skeivskap kan ikkje reduserast ved å auke utvalet.
- Standardfeilen $SE = s / \sqrt{n}$ angjev presisjonen til eit estimat og søkk med kvadratrota av utvalsstorleiken.
- Normalfordelinga er klokkekurve-forma og skildra av $\mu$ og $\sigma$. 68-95-99,7-regelen gjev ein rask tommelregel.
- Sentralgrenseteoremet sikrar at utvalsgjennomsnitt er tilnærma normalfordelte for store nok utval, uavhengig av forma til populasjonen.