2.6 Statistisk programvare

Statistisk programvare

Moderne statistisk analyse utføres nesten alltid med programvare. I dette kapittelet lærer du å bruke de tre mest relevante verktøyene for VG3-elever: Python (med biblioteket SciPy), R (et dedikert statistikkspråk), og regneark (Excel/Google Sheets). Du skal lære å utføre beregninger, kjøre tester og lage figurer — og forstå når hvert verktøy egner seg best.

Læringsmål:
- Utføre beskrivende statistikk i Python, R og regneark
- Kjøre t-tester og kjikvadratstester med programvare
- Lage statistiske figurer og diagrammer
- Vurdere styrker og begrensninger ved ulike verktøy
- Tolke programvareutdata korrekt

Python for statistisk analyse

Python er blitt det mest brukte programmeringsspråket for dataanalyse og statistikk globalt. Med bibliotekene NumPy, SciPy og Pandas har Python alt som trengs for statistisk analyse.

Grunnleggende statistikk med NumPy

import numpy as np

data = [23, 27, 31, 25, 28, 30, 22, 26, 29, 24]

# Beskrivende statistikk
gjennomsnitt = np.mean(data)        # 26.5
median = np.median(data)            # 26.5
std_avvik = np.std(data, ddof=1)    # 3.03 (utvalgsstandaravvik)
varians = np.var(data, ddof=1)      # 9.17

print(f"Gjennomsnitt: {gjennomsnitt:.1f}")
print(f"Standardavvik: {std_avvik:.2f}")

Viktig: Parameteren ddof=1 sikrer at vi bruker utvalgsformelen (deler på $n-1$), ikke populasjonsformelen (deler på $n$). I forskning bruker vi nesten alltid ddof=1.

Hypotesetesting med SciPy

from scipy import stats

# Uavhengig t-test
gruppe_a = [82, 78, 85, 90, 76, 88, 84, 79]
gruppe_b = [72, 68, 75, 80, 71, 74, 69, 73]

t_stat, p_verdi = stats.ttest_ind(gruppe_a, gruppe_b)
print(f"t = {t_stat:.3f}, p = {p_verdi:.4f}")
# t = 3.574, p = 0.0030

Konfidensintervall med SciPy

from scipy import stats
import numpy as np

data = [23, 27, 31, 25, 28, 30, 22, 26, 29, 24]
n = len(data)
gjennomsnitt = np.mean(data)
se = stats.sem(data)  # standardfeil

# 95 %-konfidensintervall med t-fordeling
ki = stats.t.interval(0.95, df=n-1, loc=gjennomsnitt, scale=se)
print(f"95 % KI: [{ki[0]:.2f}, {ki[1]:.2f}]")
# 95 % KI: [24.33, 28.67]

R for statistisk analyse

R er et programmeringsspråk designet spesielt for statistikk og dataanalyse. Det er førstevalget i mange forskermiljøer og har innebygd støtte for de fleste statistiske metoder.

Grunnleggende statistikk i R

data <- c(23, 27, 31, 25, 28, 30, 22, 26, 29, 24)

# Beskrivende statistikk
mean(data)        # 26.5
median(data)      # 26.5
sd(data)          # 3.03 (bruker n-1 automatisk)
var(data)         # 9.17
summary(data)     # Min, Q1, Median, Snitt, Q3, Max

Fordel med R: Funksjonen sd() bruker automatisk utvalgsformelen ($n-1$), så du trenger ikke huske noen ekstra parameter som i Python.

Hypotesetesting i R

# Uavhengig t-test
gruppe_a <- c(82, 78, 85, 90, 76, 88, 84, 79)
gruppe_b <- c(72, 68, 75, 80, 71, 74, 69, 73)

t.test(gruppe_a, gruppe_b)
# t = 3.574, df = 12.3, p-value = 0.003
# 95 % KI for forskjellen: [4.25, 18.25]

# Kjikvadratstest
tabell <- matrix(c(30, 20, 15, 35), nrow=2)
chisq.test(tabell)
# X-squared = 9.52, df = 1, p-value = 0.002

Korrelasjon og regresjon i R

x <- c(2, 4, 6, 8, 10)
y <- c(15, 22, 30, 35, 42)

# Korrelasjon
cor(x, y)                  # 0.998
cor.test(x, y)             # Med p-verdi og KI

# Lineær regresjon
modell <- lm(y ~ x)
summary(modell)
# Coefficients:
#   (Intercept)  8.20
#   x            3.40
# R-squared: 0.997

Regneark for statistisk analyse

Regneark som Microsoft Excel og Google Sheets er de mest tilgjengelige verktøyene for statistisk analyse. De er spesielt nyttige for enklere analyser og for å bygge intuisjon om statistiske metoder.

Viktige funksjoner i regneark

t-test i regneark

=T.TEST(A1:A10; B1:B10; 2; 2)

Resultatet er p-verdien direkte.

Konfidensintervall i regneark

=KONFIDENS.NORM(0,05; STDAV(A1:A10); ANTALL(A1:A10))

Begrensninger ved regneark

- Lett å gjøre uoppdagede feil i formler

- Dårlig egnet for store datasett (> 10 000 rader)

Oppsummering

- Python (med NumPy, SciPy, Pandas) er allsidig og kraftig — bruk ddof=1 for utvalgsstatistikk.
- R er designet for statistikk og gir den mest komplette støtten — sd() bruker automatisk $n-1$.
- Regneark (Excel/Google Sheets) er mest tilgjengelig og egner seg for enkle analyser — bruk STDAV() (ikke STDAVP()).
- Alle tre verktøyene kan utføre beskrivende statistikk, t-tester, korrelasjon, regresjon og konfidensintervaller.
- Reproduserbarhet er en viktig fordel med kode (Python/R) over regneark — analysen kan enkelt gjentas og kontrolleres.
- Velg verktøy ut fra oppgavens kompleksitet: regneark for kjappe beregninger, Python/R for seriøse analyser.