Tilbake
6.1
Alle fag for Høyskole

6.1 Standardintervallene: μ, σ² og andel — og hva et KI faktisk betyr

z- og t-intervall for μ, kjikvadrat-intervall for σ², intervall for andel — med riktige frihetsgrader og riktig tolkning.

60 min
12 oppgaver
Standardintervalleneandelhva et KI faktisk betyr
Din fremgang i kapitlet
0 / 12 oppgaver
Kapitlets plass i kurset
Forkunnskaper: Dette kapitlet bygger på utvalgsgjennomsnittet og estimatorer fra kap. 5.1, gjennomsnittets fordeling fra kap. 3.2, sentralgrenseteoremet fra kap. 3.3 og standardiseringen med kvantilnotasjon fra kap. 3.1.

Sist du var her — de tre resultatene vi bygger på (ferdig oppfrisket):

1. For uavhengige, identisk fordelte normale observasjoner er gjennomsnittet normalfordelt:
Xˉ∼N ⁣(μ,σ2n),sa˚Xˉ−μσ/n∼N(0,1).\bar{X} \sim N\!\left(\mu, \frac{\sigma^2}{n}\right), \qquad \text{så} \qquad \frac{\bar{X}-\mu}{\sigma/\sqrt{n}} \sim N(0,1).
2. Kvantilnotasjonen med øvre haleareal: zαz_\alpha er tallet der P(Z>zα)=αP(Z > z_\alpha) = \alpha. For et 95 %-intervall trenger vi z0,025=1,96z_{0{,}025} = 1{,}96 (fordi 2,5 % ligger i hver hale). Tilsvarende tν,αt_{\nu,\alpha} og χν,α2\chi^2_{\nu,\alpha}.
3. Empirisk varians S2=1n−1∑(Xi−Xˉ)2\displaystyle S^2 = \frac{1}{n-1}\sum (X_i - \bar{X})^2 (alltid divisor n−1n-1) fra kap. 1.4 og kap. 5.1.

Du trenger å kunne løse en enkel dobbeltulikhet for en ukjent. Ingen ny matematikk — alt handler om å sette kvantiler rundt en kjent størrelse og snu det til et intervall.

Et punktestimat som xˉ=34,2\bar{x} = 34{,}2 er étt enkelt tall — men hvor sikkert er det? Et konfidensintervall svarer på nettopp det: det gir et helt intervall av rimelige verdier for den ukjente parameteren, sammen med en tallfestet grad av tillit (typisk 95 %).

Vi går gjennom sju løkker. Først konstruksjonslogikken én gang aktivt, med z-intervallet for μ\mu (kjent σ\sigma) som byggekloss, så du ser hvor intervallene kommer fra (løkke 1). Deretter de tre øvrige standardintervallene som står i formelsamlingen: μ\mu med ukjent σ\sigma (t), variansen σ2\sigma^2 (kjikvadrat) og en andel pp (løkke 2–4). Så den avgjørende tolkningen — hva et KI faktisk betyr, og de vanlige feiltolkningene (løkke 5). Til slutt prediksjonsintervallet for en ny observasjon (løkke 6) og de ensidige intervallene (løkke 7). Hver løkke går teori → eksempel → oppgave.

Samlet kjernetid ≈ 60 min. Naturlige pausepunkter er markert mellom løkkene — dette er et tungt kapittel, del det gjerne i to økter.

Løkke 1 — Konstruksjonslogikken: pivotal i miniatyr (~8 min)

Alle konfidensintervaller lages på samme måte. Vi viser det én gang for μ\mu når σ\sigma er kjent; deretter bruker vi bare de ferdige formlene fra formelsamlingen.

Utgangspunktet er en størrelse med kjent fordeling som ikke inneholder den ukjente parameteren — en pivotal (vi møter begrepet for fullt i kap. 6.2). Her er den standardiseringen fra kap. 3.1:
Z=Xˉ−μσ/n∼N(0,1).Z = \frac{\bar{X}-\mu}{\sigma/\sqrt{n}} \sim N(0,1).

Steg 1 — sett kvantiler rundt. Siden Z∼N(0,1)Z \sim N(0,1) og P(Z>zα/2)=α/2P(Z > z_{\alpha/2}) = \alpha/2, ligger ZZ mellom −zα/2-z_{\alpha/2} og zα/2z_{\alpha/2} med sannsynlighet 1−α1-\alpha:
P ⁣(−zα/2≤Xˉ−μσ/n≤zα/2)=1−α.P\!\left(-z_{\alpha/2} \le \frac{\bar{X}-\mu}{\sigma/\sqrt{n}} \le z_{\alpha/2}\right) = 1-\alpha.

Steg 2 — løs dobbeltulikheten for μ\mu. Gang med σ/n\sigma/\sqrt{n}, trekk fra Xˉ\bar{X} og gang med −1-1 (som snur ulikheten):
P ⁣(Xˉ−zα/2σn≤μ≤Xˉ+zα/2σn)=1−α.P\!\left(\bar{X} - z_{\alpha/2}\frac{\sigma}{\sqrt{n}} \le \mu \le \bar{X} + z_{\alpha/2}\frac{\sigma}{\sqrt{n}}\right) = 1-\alpha.

Det vi står igjen med, er intervallet Xˉ±zα/2 σ/n\bar{X} \pm z_{\alpha/2}\,\sigma/\sqrt{n}. Intuisjon: vi startet med noe vi kjente fordelingen til, la et sannsynlighetsvindu rundt det, og «pakket ut» μ\mu av vinduet. Nettopp denne oppskriften — finn pivotal, sett kvantiler, løs ut — er hele hemmeligheten, og den gjentas for hver ny parameter.

✏️Eksempel 1: Konstruksjonen på tall

Trykkfastheten til betong er normalfordelt med kjent standardavvik σ=3,0\sigma = 3{,}0 MPa. Tolv prøvestykker gir gjennomsnitt xˉ=38,5\bar{x} = 38{,}5 MPa. Konstruer et 95 % konfidensintervall for forventet trykkfasthet μ\mu, og skriv én linje om hva tallene betyr.

Velg intervall. σ\sigma er kjent, så vi bruker z-intervallet xˉ±zα/2 σ/n\bar{x} \pm z_{\alpha/2}\,\sigma/\sqrt{n}.

Kvantil. 95 % gir α=0,05\alpha = 0{,}05 og α/2=0,025\alpha/2 = 0{,}025, så z0,025=1,96z_{0{,}025} = 1{,}96 (tabelloppslag i Φ\Phi).

Regn. Standardfeilen er σ/n=3,0/12=0,8660\sigma/\sqrt{n} = 3{,}0/\sqrt{12} = 0{,}8660. Feilmarginen blir 1,96⋅0,8660=1,6971{,}96 \cdot 0{,}8660 = 1{,}697. Intervallet:
38,5±1,697=[36,80,  40,20] MPa.38{,}5 \pm 1{,}697 = [36{,}80,\; 40{,}20] \text{ MPa}.

Tolkning i én linje: metoden som ga dette intervallet, treffer den sanne μ\mu i 95 % av alle slike forsøk — vi bruker den her og rapporterer [36,80,  40,20][36{,}80,\; 40{,}20].

> Sensornotat: oppgi tabelloppslaget (z0,025=1,96z_{0{,}025}=1{,}96) og standardfeilen eksplisitt. Ikke avrund 12\sqrt{12} for tidlig — hold to–tre desimaler i mellomregningen.

📝Oppgave 1

(Innstegsoppgave — sett inn i formelen.) En prosess har kjent standardavvik σ=8\sigma = 8. Et utvalg på n=25n = 25 gir xˉ=142\bar{x} = 142.

a) Hvilket standardintervall passer, z eller t? Hvorfor?

b) Slå opp z0,005z_{0{,}005} for et 99 % intervall, og konstruer intervallet for μ\mu.

Løkke 2 — μ\mu når σ\sigma er ukjent: t-intervallet (~10 min)

Konfidensintervall for μ\mu når σ\sigma er ukjent (t-intervallet)
I praksis kjenner vi nesten aldri den sanne σ\sigma. Da estimerer vi den med den empiriske standardavviket ss — men det koster ekstra usikkerhet, og vi må bytte normalfordelingen ut med t-fordelingen med n−1n-1 frihetsgrader. Intervallet er:

xˉ±tn−1, α/2 sn.\bar{x} \pm t_{n-1,\,\alpha/2}\,\frac{s}{\sqrt{n}}.

Her er tn−1,α/2t_{n-1,\alpha/2} kvantilen i t-fordelingen (øvre hale α/2\alpha/2) med n−1n-1 frihetsgrader. Merk de to endringene fra z-intervallet: tt i stedet for zz, og ss i stedet for σ\sigma. t-fordelingen er litt bredere enn normalfordelingen (tyngre haler), så tn−1,α/2>zα/2t_{n-1,\alpha/2} > z_{\alpha/2} — intervallet blir litt bredere, som seg hør og bør når vi vet mindre. For stor nn nærmer tt seg zz.

✏️Eksempel 2: t-intervall for saltinnhold

Ni målinger av saltinnhold (g/L) i en produksjonstank gir xˉ=34,2\bar{x} = 34{,}2 og s=1,8s = 1{,}8. Standardavviket er ukjent. Konstruer et 95 % konfidensintervall for forventet saltinnhold μ\mu.

Velg intervall. σ\sigma er ukjent → t-intervallet xˉ±tn−1,α/2 s/n\bar{x} \pm t_{n-1,\alpha/2}\,s/\sqrt{n}.

Kvantil. n=9n = 9 gir n−1=8n-1 = 8 frihetsgrader; 95 % gir α/2=0,025\alpha/2 = 0{,}025. Tabelloppslag: t8; 0,025=2,306t_{8;\,0{,}025} = 2{,}306.

Regn. Standardfeil s/n=1,8/9=1,8/3=0,6s/\sqrt{n} = 1{,}8/\sqrt{9} = 1{,}8/3 = 0{,}6. Feilmargin 2,306⋅0,6=1,3842{,}306 \cdot 0{,}6 = 1{,}384. Intervallet:
34,2±1,384=[32,82,  35,58] g/L.34{,}2 \pm 1{,}384 = [32{,}82,\; 35{,}58] \text{ g/L}.

> Sensornotat: den klassiske fellen er å bruke z0,025=1,96z_{0{,}025}=1{,}96 her. Med ukjent σ\sigma skal det være t8; 0,025=2,306t_{8;\,0{,}025}=2{,}306, og frihetsgraden er n−1=8n-1 = 8, ikke n=9n = 9. Angi tabelloppslaget.

📝Oppgave 2

Femten oppdrettsfisk veies. Vektene (kg) gir xˉ=2,40\bar{x} = 2{,}40 og s=0,32s = 0{,}32. Standardavviket er ukjent.

a) Begrunn valget av t framfor z.

b) Konstruer et 95 % konfidensintervall for forventet fiskevekt μ\mu. Bruk t14; 0,025=2,145t_{14;\,0{,}025} = 2{,}145.

Løkke 3 — Variansen σ2\sigma^2: det asymmetriske kjikvadrat-intervallet (~9 min)

Konfidensintervall for variansen σ2\sigma^2
For å lage et intervall for variansen bruker vi at (n−1)S2σ2∼χn−12\displaystyle \frac{(n-1)S^2}{\sigma^2} \sim \chi^2_{n-1} (utledes i kap. 6.2). Kjikvadratfordelingen er skjev — ikke symmetrisk som normal og t — så vi setter to forskjellige kvantiler i endene. Intervallet blir:

[(n−1)s2χn−1, α/22,  (n−1)s2χn−1, 1−α/22].\left[\frac{(n-1)s^2}{\chi^2_{n-1,\,\alpha/2}},\; \frac{(n-1)s^2}{\chi^2_{n-1,\,1-\alpha/2}}\right].

Legg merke til to ting. For det første er intervallet asymmetrisk — det ligger ikke som s2±s^2 \pm noe. For det andre står den store kvantilen (χn−1,α/22\chi^2_{n-1,\alpha/2}) i nevneren under den nedre grensen, og den lille kvantilen (χn−1,1−α/22\chi^2_{n-1,1-\alpha/2}) under den øvre — fordi vi deler på kvantilen (å dele på et stort tall gir en liten grense). Vil du ha et intervall for standardavviket σ\sigma, tar du kvadratroten av begge endene.

✏️Eksempel 3: Kjikvadrat-intervall for spredning i vannkvalitet

Ti målinger av nitratkonsentrasjon (mg/L) i en elv gir empirisk standardavvik s=0,45s = 0{,}45. Målingene antas normalfordelte. Konstruer et 95 % konfidensintervall for variansen σ2\sigma^2, og deretter for standardavviket σ\sigma.

Oppsett. n=10n = 10, frihetsgrad n−1=9n-1 = 9. s2=0,452=0,2025s^2 = 0{,}45^2 = 0{,}2025, så (n−1)s2=9⋅0,2025=1,8225(n-1)s^2 = 9 \cdot 0{,}2025 = 1{,}8225.

Kvantiler (95 %, α/2=0,025\alpha/2 = 0{,}025). Tabelloppslag i χ92\chi^2_9: χ9; 0,0252=19,023\chi^2_{9;\,0{,}025} = 19{,}023 (stor) og χ9; 0,9752=2,700\chi^2_{9;\,0{,}975} = 2{,}700 (liten).

Intervall for σ2\sigma^2:
[1,822519,023,  1,82252,700]=[0,0958,  0,6749].\left[\frac{1{,}8225}{19{,}023},\; \frac{1{,}8225}{2{,}700}\right] = [0{,}0958,\; 0{,}6749].

Intervall for σ\sigma (kvadratrot av endene): [0,0958,  0,6749]=[0,310,  0,822][\sqrt{0{,}0958},\; \sqrt{0{,}6749}] = [0{,}310,\; 0{,}822] mg/L.

> Sensornotat: den store kvantilen 19,02319{,}023 hører til den nedre grensen. Bytter du dem om, får du et intervall der nedre grense er større enn øvre — umulig, og et sikkert tegn på at kvantilene står feil vei. Legg også merke til at intervallet ikke er symmetrisk om s2=0,2025s^2 = 0{,}2025.

📝Oppgave 3

Åtte målinger av en komponents diameter (mm) gir empirisk varians s2=4,5s^2 = 4{,}5. Målingene antas normalfordelte. Konstruer et 95 % konfidensintervall for variansen σ2\sigma^2. Bruk χ7; 0,0252=16,013\chi^2_{7;\,0{,}025} = 16{,}013 og χ7; 0,9752=1,690\chi^2_{7;\,0{,}975} = 1{,}690.

Løkke 4 — En andel pp (~8 min)

Konfidensintervall for en andel pp
Når vi teller hvor mange av nn enheter som har en egenskap (defekte, positive, foretrukne), estimerer vi andelen med p^=x/n\hat{p} = x/n. Fra sentralgrenseteoremet er p^\hat{p} tilnærmet normalfordelt, og intervallet blir:

p^±zα/2p^(1−p^)n.\hat{p} \pm z_{\alpha/2}\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}.

Gyldighetssjekk (obligatorisk): normaltilnærmingen holder bare når np^≥5n\hat{p} \ge 5 og n(1−p^)≥5n(1-\hat{p}) \ge 5 (noen krever ≥10\ge 10) — altså nok observasjoner i begge kategorier. Sensor forventer at du skriver denne sjekken eksplisitt før du stoler på intervallet. Er andelen svært liten eller nn liten, er tilnærmingen dårlig. Merk at her brukes zz, ikke t — dette er en tilnærming basert på normalfordelingen, uten en σ\sigma som estimeres separat.

✏️Eksempel 4: Andel defekte komponenter

I en kvalitetskontroll av 250 tilfeldig valgte komponenter er 30 defekte. Konstruer et 95 % konfidensintervall for andelen defekte pp i produksjonen, og sjekk at tilnærmingen er gyldig.

Estimat. p^=30/250=0,12\hat{p} = 30/250 = 0{,}12.

Gyldighetssjekk. np^=30≥5n\hat{p} = 30 \ge 5 og n(1−p^)=220≥5n(1-\hat{p}) = 220 \ge 5 — normaltilnærmingen er gyldig.

Kvantil og standardfeil. 95 % → z0,025=1,96z_{0{,}025} = 1{,}96. Standardfeil p^(1−p^)/n=0,12⋅0,88/250=0,0004224=0,02055\sqrt{\hat{p}(1-\hat{p})/n} = \sqrt{0{,}12 \cdot 0{,}88/250} = \sqrt{0{,}0004224} = 0{,}02055.

Intervall. Feilmargin 1,96⋅0,02055=0,04031{,}96 \cdot 0{,}02055 = 0{,}0403:
0,12±0,0403=[0,0797,  0,1603].0{,}12 \pm 0{,}0403 = [0{,}0797,\; 0{,}1603].

Med 95 % tillit ligger den sanne andelen defekte mellom ca. 8,0 % og 16,0 %.

> Sensornotat: skriv gyldighetssjekken np^≥5n\hat{p} \ge 5, n(1−p^)≥5n(1-\hat{p}) \ge 5 eksplisitt — den gir poeng og viser at du vet når metoden gjelder.

📝Oppgave 4

En spørreundersøkelse blant 400 tilfeldig valgte brukere finner at 52 rapporterer en bestemt feil.

a) Sjekk om normaltilnærmingen er gyldig.

b) Konstruer et 95 % konfidensintervall for andelen pp som opplever feilen.

Løkke 5 — Hva et konfidensintervall faktisk betyr (~9 min)

Den riktige tolkningen av et konfidensintervall

Dette er spørsmålet eksamen elsker å legge feller rundt. Nøkkelen: intervallet er tilfeldig, parameteren er fast. Før vi henter data, er endepunktene Xˉ±zα/2σ/n\bar{X} \pm z_{\alpha/2}\sigma/\sqrt{n} stokastiske (de avhenger av Xˉ\bar{X}). Den sanne μ\mu er et fast, ukjent tall — ikke tilfeldig.

Den presise formuleringen er en utsagn om metoden, ikke om det ene intervallet:

> Ved gjentatte forsøk vil metoden som lager 95 %-intervallet, fange den sanne parameteren i 95 % av tilfellene.

Når vi først har regnet ut [36,80,  40,20][36{,}80,\; 40{,}20], er dette intervallet enten riktig eller galt — μ\mu ligger i det, eller ikke. Det gir derfor ikke mening å si at «det er 95 % sannsynlighet for at μ\mu ligger i [36,80,  40,20][36{,}80,\; 40{,}20]», for her er ingenting lenger tilfeldig. Tenk på 95 % som en egenskap ved fremgangsmåten, som en produksjonslinje der 95 % av intervallene den lager treffer.

📝Oppgave 5

En rapport konkluderer: «Vi fant et 95 % konfidensintervall [36,80,  40,20][36{,}80,\; 40{,}20] for forventet trykkfasthet.» En kollega sier: «Da er det 95 % sannsynlig at den sanne forventningen ligger mellom 36,80 og 40,20.»

a) Er kollegaens utsagn korrekt? Forklar kort.

b) Gi en presis, korrekt formulering av hva 95 % viser til.

Løkke 6 — Prediksjonsintervall: KI for en parameter vs. PI for en observasjon (~9 min)

Prediksjonsintervall for en ny observasjon
Et konfidensintervall fanger en parameter (μ\mu). Et prediksjonsintervall (PI) fanger en fremtidig enkeltobservasjon XnyX_{\text{ny}} — et helt annet spørsmål. En ny observasjon svinger av to grunner: rundt sitt eget senter og fordi vi ikke kjenner senteret eksakt. Derfor har PI et ekstra ledd under rottegnet:

xˉ±tn−1, α/2 s1+1n.\bar{x} \pm t_{n-1,\,\alpha/2}\,s\sqrt{1 + \frac{1}{n}}.

Sammenlign med t-konfidensintervallet xˉ±tn−1,α/2 s1/n=xˉ±tn−1,α/2 s/n\bar{x} \pm t_{n-1,\alpha/2}\,s\sqrt{1/n} = \bar{x} \pm t_{n-1,\alpha/2}\,s/\sqrt{n}. Det ekstra 1-tallet under rota er observasjonens egen spredning, og det gjør PI mye bredere enn KI — og bredden krymper ikke mot null når nn vokser, for en enkeltmåling er alltid variabel. Bruk KI når du spør om gjennomsnittet/forventningen; bruk PI når du spør om neste enkeltmåling.

✏️Eksempel 5: KI og PI side om side

Bruk saltinnholdsdataene fra eksempel 2 (n=9n = 9, xˉ=34,2\bar{x} = 34{,}2, s=1,8s = 1{,}8). Konstruer et 95 % prediksjonsintervall for saltinnholdet i neste tank, og forklar hvorfor det er bredere enn konfidensintervallet.

PI-formel. xˉ±t8; 0,025 s1+1/n\bar{x} \pm t_{8;\,0{,}025}\,s\sqrt{1 + 1/n} med t8; 0,025=2,306t_{8;\,0{,}025} = 2{,}306.

Regn. 1+1/9=1,1111=1,0541\sqrt{1 + 1/9} = \sqrt{1{,}1111} = 1{,}0541. Feilmargin 2,306⋅1,8⋅1,0541=4,3752{,}306 \cdot 1{,}8 \cdot 1{,}0541 = 4{,}375. Intervallet:
34,2±4,375=[29,82,  38,58] g/L.34{,}2 \pm 4{,}375 = [29{,}82,\; 38{,}58] \text{ g/L}.

Sammenligning. Konfidensintervallet var [32,82,  35,58][32{,}82,\;35{,}58] (bredde 2,77); prediksjonsintervallet er [29,82,  38,58][29{,}82,\;38{,}58] (bredde 8,75) — over tre ganger så bredt.

Hvorfor bredere: KI-et fanger bare usikkerheten i gjennomsnittet (s1/ns\sqrt{1/n}). PI-et må i tillegg romme at en enkelt ny tank svinger rundt gjennomsnittet (s⋅1s \cdot \sqrt{1}) — det ekstra 1-tallet under rota. En enkeltobservasjon er alltid mer uforutsigbar enn snittet.

> Sensornotat: dette er den vanligste forvekslingen på KI-oppgaver. Spør oppgaven om «neste måling» / «en ny komponent», er det PI — aldri KI.

📝Oppgave 6

Bruk fiskevektdataene fra oppgave 2 (n=15n = 15, xˉ=2,40\bar{x} = 2{,}40, s=0,32s = 0{,}32, t14; 0,025=2,145t_{14;\,0{,}025} = 2{,}145).

a) Skal du bruke KI eller PI for å si hvor tungt én ny, tilfeldig valgt fisk trolig veier? Begrunn.

b) Konstruer det passende 95 % intervallet.

Løkke 7 — Ensidige konfidensintervaller (~7 min)

Ensidige konfidensintervaller
Iblant er bare én grense interessant — en nedre garanti for styrke, eller en øvre grense for en feilandel. Da samler vi hele risikoen α\alpha i én hale og bruker kvantilen zαz_\alpha (eller tn−1,αt_{n-1,\alpha}), ikke α/2\alpha/2:

Nedre grense: μ≥xˉ−zασn,Øvre grense: μ≤xˉ+zασn.\text{Nedre grense: } \mu \ge \bar{x} - z_\alpha\frac{\sigma}{\sqrt{n}}, \qquad \text{Øvre grense: } \mu \le \bar{x} + z_\alpha\frac{\sigma}{\sqrt{n}}.

For et 95 % ensidig intervall bruker vi altså z0,05=1,645z_{0{,}05} = 1{,}645 (ikke z0,025=1,96z_{0{,}025} = 1{,}96). Fordi hele α\alpha ligger i én hale, blir den ene grensen strammere (nærmere xˉ\bar{x}) enn i det tosidige intervallet. Ved ukjent σ\sigma byttes zαz_\alpha mot tn−1,αt_{n-1,\alpha} og σ\sigma mot ss.

📝Oppgave 7

For betongen i eksempel 1 (σ=3,0\sigma = 3{,}0 kjent, n=12n = 12, xˉ=38,5\bar{x} = 38{,}5) ønsker en ingeniør en nedre 95 % konfidensgrense for forventet trykkfasthet (bare den nedre garantien betyr noe).

a) Hvilken kvantil skal brukes, z0,025z_{0{,}025} eller z0,05z_{0{,}05}? Hvorfor?

b) Finn den nedre grensen.

📝Oppgave 8

Tolv målinger av bruddstyrke (kN) gir xˉ=58,0\bar{x} = 58{,}0 og s=4,2s = 4{,}2; standardavviket er ukjent, og målingene antas normalfordelte. Bruk t11; 0,025=2,201t_{11;\,0{,}025} = 2{,}201.

a) Konstruer et 95 % konfidensintervall for forventet bruddstyrke μ\mu.

b) Konstruer et 95 % konfidensintervall for variansen σ2\sigma^2. Bruk χ11; 0,0252=21,920\chi^2_{11;\,0{,}025} = 21{,}920 og χ11; 0,9752=3,816\chi^2_{11;\,0{,}975} = 3{,}816.

c) En kunde spør hvor sterk én ny, tilfeldig stang minst er. Hvilket intervall passer — og hva er kvalitativt forskjellen fra svaret i a)?

Begrepsbank

De sentrale begrepene og formlene i kapitlet, samlet som repetisjonskort.

Flashcard-/repetisjonsstoff — hopp trygt over ved førstegangslesing; tidsanslaget gjelder kjernestoffet.

Konfidensintervall (KI)

Et konfidensintervall er et intervall av rimelige verdier for en ukjent parameter, utstyrt med et tallfestet konfidensnivå (typisk 95 %). Det bygges fra data slik at metoden fanger den sanne parameteren i en kjent andel av gjentatte forsøk. Formelt for μ\mu med kjent σ\sigma: xˉ±zα/2 σ/n\bar{x} \pm z_{\alpha/2}\,\sigma/\sqrt{n}.

Konfidensnivå 1−α1-\alpha
Konfidensnivået 1−α1-\alpha er andelen av gjentatte forsøk der metoden fanger parameteren; α\alpha er den tillatte bomprosenten. Et 95 %-intervall har α=0,05\alpha = 0{,}05. Høyere nivå (mindre α\alpha) gir bredere intervall — mer sikkerhet koster presisjon.
Konstruksjonslogikken (pivotal i miniatyr)

Alle KI lages likt: (1) finn en størrelse med kjent fordeling fri for parameteren (en pivotal), f.eks. Xˉ−μσ/n∼N(0,1)\displaystyle \frac{\bar{X}-\mu}{\sigma/\sqrt{n}} \sim N(0,1); (2) sett kvantiler rundt så den ligger imellom med sannsynlighet 1−α1-\alpha; (3) løs dobbeltulikheten for parameteren. Resultatet er intervallet.

z-intervall for μ\mu (kjent σ\sigma)
Når standardavviket σ\sigma er kjent, er konfidensintervallet for forventningen: xˉ±zα/2 σn.\bar{x} \pm z_{\alpha/2}\,\frac{\sigma}{\sqrt{n}}. For 95 %: z0,025=1,96z_{0{,}025} = 1{,}96. Brukes sjelden i praksis, men er byggeklossen alle andre intervaller kommer fra.
Hvorfor t og ikke z

Å estimere σ\sigma med ss tilfører ekstra usikkerhet. t-fordelingen har tyngre haler enn normalfordelingen, så tn−1,α/2>zα/2t_{n-1,\alpha/2} > z_{\alpha/2} og intervallet blir litt bredere — som seg hør og bør når vi vet mindre. For stor nn nærmer tt seg zz.

Frihetsgrader n−1n-1

t- og kjikvadrat-intervallene bruker n−1n-1 frihetsgrader, ikke nn. Tanken: når xˉ\bar{x} først er beregnet, kan bare n−1n-1 av avvikene xi−xˉx_i - \bar{x} velges fritt (de summerer til null). Ni observasjoner → 8 frihetsgrader. Feil frihetsgrad er en klassisk poengtapper.

Gyldighetssjekk for andelsintervallet

Normaltilnærmingen for en andel krever nok observasjoner i begge kategorier: np^≥5n\hat{p} \ge 5 og n(1−p^)≥5n(1-\hat{p}) \ge 5 (noen krever ≥10\ge 10). Skriv sjekken eksplisitt — sensor forventer den. Er andelen svært liten eller nn liten, er intervallet upålitelig.

Feiltolkninger (antisvar)

Tre gale påstander som er faste distraktorer: (1) «95 % sannsynlighet for at μ\mu ligger i det utregnede intervallet» (nei — μ\mu er fast); (2) «95 % av observasjonene ligger i intervallet» (nei — det gjelder PI, ikke KI); (3) «μ\mu er tilfeldig» (nei — intervallet er tilfeldig).

KI vs. PI — når brukes hva
KI svarer på spørsmål om en parameter («forventet levetid», «forventet styrke») og blir smalt. PI svarer på spørsmål om en ny enkeltobservasjon («neste måling», «én ny komponent») og blir bredt. Signalordene «en ny / neste / en tilfeldig valgt» peker på PI.
Kvantilnotasjon zαz_\alpha (øvre hale)

I denne boka betyr zαz_\alpha tallet med øvre haleareal α\alpha: P(Z>zα)=αP(Z > z_\alpha) = \alpha. Et tosidig 95 %-intervall bruker zα/2=z0,025=1,96z_{\alpha/2} = z_{0{,}025} = 1{,}96 (2,5 % i hver hale). Samme konvensjon for tν,αt_{\nu,\alpha} og χν,α2\chi^2_{\nu,\alpha}.

Standardfeil (standard error)
Standardfeilen er standardavviket til estimatoren. For gjennomsnittet: σ/n\sigma/\sqrt{n} (kjent σ\sigma) eller s/ns/\sqrt{n} (estimert). For en andel: p^(1−p^)/n\sqrt{\hat{p}(1-\hat{p})/n}. Den er «±\pm-leddet» før man ganger med kvantilen, og krymper med n\sqrt{n}.
Feilmargin
Feilmarginen er halve bredden på et tosidig intervall: kvantil ×\times standardfeil, f.eks. zα/2 σ/nz_{\alpha/2}\,\sigma/\sqrt{n}. Intervallet er estimat±feilmargin\text{estimat} \pm \text{feilmargin}. Vil du halvere feilmarginen, må du firedoble nn (fordi den avtar som 1/n1/\sqrt{n}).
Hva bredden avhenger av

Bredden på et KI øker med konfidensnivået (større 1−α1-\alpha → større kvantil) og med spredningen (σ\sigma eller ss), og avtar med utvalgsstørrelsen (n\sqrt{n} i nevneren). Vil du ha et smalere intervall uten å miste sikkerhet: samle mer data.

Beslutningskort: hvilket intervall når
Forventning μ\mu, kjent σ\sigma → z-intervall. Forventning μ\mu, ukjent σ\sigma → t-intervall (n−1n-1 fr.grader). Varians σ2\sigma^2 → asymmetrisk kjikvadrat-intervall. Andel pp → z-intervall med gyldighetssjekk. Ny observasjon → prediksjonsintervall (t, ekstra 1-tall). Én grense interessant → ensidig (zαz_\alpha).
Repetisjonsoppgaver
Din fremgang
0 / 4 oppgaver
Symbol- og formelliste

Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.

Skolesaga er en uavhengig læringsressurs og er ikke tilknyttet eller godkjent av Norges teknisk-naturvitenskapelige universitet. Dette er ikke offisielt studiemateriell. Les mer.