Stickprov och Centrala gränsvärdessatsen

Efter den här lektionen kommer du att ha en djup förståelse för hur slumpmässiga stickprov representerar en population, vad en stickprovsfördelning är och varför Centrala gränsvärdessatsen (CLT) gör det möjligt att dra statistiska slutsatser även när vi inte känner till populationens ursprungliga fördelning.

Population, stickprov och slumpmässighet

Inom statistiken vill vi ofta förstå någonting om en hel grupp – detta kallas för populationen. Det kan handla om medelinkomsten i Sverige, livslängden för en viss typ av batterier eller kundnöjdheten hos ett företag.

Eftersom det oftast är för dyrt eller praktiskt omöjligt att undersöka hela populationen drar vi ett mindre urval: ett stickprov (sample).

För att stickprovet ska ge en rättvis bild måste det vara ett slumpmässigt stickprov (t.ex. obundet slumpmässigt urval, OSU). Detta innebär att varje individ i populationen har samma sannolikhet att komma med i urvalet. Om urvalet inte är slumpmässigt riskerar vi att få ett *systematiskt fel* (bias), vilket gör att stickprovet inte representerar populationen korrekt.

Vi skiljer strikt på två typer av mått:

• Populationsparameter: Ett sant men oftast okänt värde för hela populationen (t.ex. populationsmedelvärdet μ eller populationsstandardavvikelsen σ).
• Stickprovsvärde (statistika): Ett beräknat värde baserat på våra observerade data (t.ex. stickprovsmedelvärdet x̄ eller stickprovsstandardavvikelsen s).

Målet med inferensstatistik är att använda stickprovsvärdet x̄ för att göra en så god skattning som möjligt av den sanna parametern μ.

Stickprovsfördelning – att förstå slumpprocessen

Föreställ dig att du tar ett slumpmässigt stickprov på n = 30 personer och beräknar medelåldern x̄. Du får 42,5 år. Om din kollega gör om exakt samma procedur och tar ett nytt slumpmässigt stickprov på n = 30 personer, kommer kollegans medelvärde sannolikt inte att bli exakt 42,5 år – kanske blir det 41,8 år.

Om vi upprepar denna process tusentals gånger och samlar alla beräknade medelvärden (x̄₁, x̄₂, x̄₃, ...), bildar dessa medelvärden sin egen fördelning. Detta kallas för stickprovsfördelningen för medelvärdet (sampling distribution of the mean).

Det är avgörande att förstå skillnaden på tre fördelningar:

1. Populationsfördelningen: Fördelningen av enskilda observationer i hela populationen.

2. Stickprovsfördelningen i vårt urval: Fördelningen av de n enskilda observationer vi faktiskt samlade in.

3. Stickprovsfördelningen för medelvärdet: Sannolikhetsfördelningen för *alla möjliga stickprovsmedelvärden* av storlek n.

Medelvärdet av alla dessa stickprovsmedelvärden kommer att vara exakt lika med populationsmedelvärdet μ. Stickprovsmedelvärdet är alltså en *väntevärdesriktig* skattning av μ.

Medelfel (Standard Error) – måttet på osäkerhet

Hur mycket varierar stickprovsmedelvärdena från stickprov till stickprov? Det måttet kallas medelfel (på engelska *Standard Error*, förkortat SE).

Medelfelet är helt enkelt standardavvikelsen för stickprovsfördelningen. Det talar om för oss hur långt ifrån det sanna populationsmedelvärdet μ ett enskilt stickprovsmedelvärde x̄ i genomsnitt hamnar.

Formeln för medelfelet beror på populationens standardavvikelse σ och stickprovsstorleken n:

SE = σ / √n

Två mycket viktiga insikter kan dras från denna formel:

1. Spridning i populationen (σ): Ju större spridning det finns bland enskilda individer i populationen, desto större blir osäkerheten (SE) när vi skattar medelvärdet.

2. Stickprovsstorlek (n): Ju större stickprov n vi tar, desto *mindre* blir medelfelet. Eftersom n står under kvadratrottecknet i nämnaren krävs det en 4 gånger så stor stickprovsstorlek för att halvera medelfelet.

Det är viktigt att inte blanda ihop standardavvikelse (spridningen bland enskilda observationer) med medelfel (osäkerheten i skattningen av medelvärdet).

Centrala gränsvärdessatsen (CLT) – statistikens superkraft

Nu kommer vi till en av matematikens mest fundamentala och kraftfulla satser: Centrala gränsvärdessatsen (Central Limit Theorem, CLT).

Satsen säger följande: Oavsett vilken fördelning den ursprungliga populationen har (den kan vara snedfördelad, likformig eller ha två toppar), så kommer stickprovsfördelningen för medelvärdet x̄ att närma sig en normalfördelning när stickprovsstorleken n blir tillräckligt stor.

Praktiska konsekvenser av CLT:

• Medelvärde: Stickprovsfördelningens medelvärde är populationsmedelvärdet μ.
• Standardavvikelse: Stickprovsfördelningens standardavvikelse är medelfelet SE = σ / √n.
• Form: Fördelningen för x̄ är approximativt normalfördelad N(μ, σ/√n).

Hur stort måste n vara?

En vanlig tumregel är att om n ≥ 30 är stickprovsfördelningen tillräckligt nära en normalfördelning för att vi ska kunna använda normalfördelningsbaserade metoder (som z-tester och konfidensintervall). Om den ursprungliga populationen redan är normalfördelad gäller detta för alla n, även mycket små n.

Detta gör att vi i praktiken kan beräkna marginaler och hypotespröva medelvärden utan att behöva veta hur hela populationens fördelning ser ut!