2.1 Populasjoner, utvalg og sannsynlighet

Populasjoner, utvalg og sannsynlighet

I dette kapittelet skal du lære om grunnleggende statistiske begreper som er avgjørende for all empirisk forskning. Statistikk er verktøyet som gjør det mulig å trekke slutninger om store grupper basert på informasjon fra mindre grupper.

Læringsmål:
- Forklare forskjellen mellom populasjon og utvalg
- Forstå begrepene utvalgsfeil og skjevhet
- Beskrive sannsynlighetsfordelinger, spesielt normalfordelingen
- Beregne og tolke standardavvik og gjennomsnitt i kontekst

Populasjon og utvalg

All statistisk analyse starter med et fundamentalt skille: vi ønsker å si noe om en populasjon, men vi har som regel bare tilgang til et utvalg.

Tenk deg at du vil undersøke gjennomsnittlig skjermtid blant norske VG3-elever. Populasjonen er alle VG3-elever i Norge — kanskje 60 000 personer. Det er umulig å spørre alle, så du velger ut et utvalg på for eksempel 200 elever og måler deres skjermtid.

Utfordringen er å sikre at utvalget er representativt — at det gjenspeiler populasjonen godt nok til at vi kan generalisere resultatene. Hvordan vi velger utvalget er derfor helt avgjørende for kvaliteten på forskningen.

Utvalgsteknikker

Det finnes flere metoder for å trekke utvalg:

Sannsynlighetsutvalg (tilfeldig utvalg):
- Enkelt tilfeldig utvalg: Alle i populasjonen har lik sannsynlighet for å bli valgt. Tilsvarer loddtrekning.
- Stratifisert utvalg: Populasjonen deles i undergrupper (strata), og det trekkes tilfeldig fra hvert stratum. Sikrer at viktige undergrupper er representert.
- Klyngeutvalg: Populasjonen deles i naturlige klynger (f.eks. skoler), og hele klynger velges tilfeldig. Praktisk, men gir større utvalgsfeil.

Ikke-sannsynlighetsutvalg:
- Bekvemmelighetsutvalg: Man bruker de som er lettest tilgjengelige. Vanlig, men gir størst risiko for skjevhet.
- Snøballutvalg: Deltakere rekrutterer andre deltakere. Nyttig for vanskelig tilgjengelige grupper.

Utvalgsfeil og skjevhet

Selv med et godt utvalg vil utvalgsstatistikken aldri være nøyaktig lik populasjonsparameteren. Denne forskjellen kalles utvalgsfeil, og den oppstår uunngåelig fordi vi bare undersøker en del av populasjonen.

Utvalgsfeil kan deles i to hovedtyper:

Tilfeldig utvalgsfeil (sampling error):
Skyldes tilfeldigheter i hvilke enheter som havner i utvalget. Denne feilen er uunngåelig, men kan reduseres ved å øke utvalgsstørrelsen. Tilfeldig utvalgsfeil følger kjente statistiske lovmessigheter, og vi kan beregne hvor stor den sannsynligvis er.

Systematisk skjevhet (bias):
Skyldes at utvalget på en systematisk måte avviker fra populasjonen. Denne feilen kan ikke reduseres ved å øke utvalgsstørrelsen — et stort skjevt utvalg er like skjevt som et lite skjevt utvalg. Eksempler:
- Seleksjonsskjevhet: Ikke alle i populasjonen har lik sjanse for å bli valgt
- Frafallsskjevhet: De som svarer skiller seg systematisk fra de som ikke svarer
- Responsskjevhet: Deltakere svarer uærlig eller påvirkes av spørsmålsformulering

Standardfeilen

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

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

der $s$ er utvalgsstandardavviket og $n$ er utvalgsstørrelsen. Formelen viser at standardfeilen synker når utvalgsstørrelsen øker — et større utvalg gir mer presise estimater.

Sannsynlighetsfordelinger og normalfordelingen

En sannsynlighetsfordeling beskriver hvilke verdier en tilfeldig variabel kan ta, og med hvilken sannsynlighet. Den gir en matematisk modell for usikkerhet.

I statistisk analyse er normalfordelingen den viktigste sannsynlighetsfordelingen. Den er klokkekurve-formet og beskrevet av to parametere:
- Gjennomsnittet $\mu$ (sentrum av fordelingen)
- Standardavviket $\sigma$ (spredningen rundt sentrum)

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

68-95-99,7-regelen

For normalfordelingen gjelder:
- Ca. 68 % av verdiene ligger innenfor $\mu \pm 1\sigma$
- Ca. 95 % av verdiene ligger innenfor $\mu \pm 2\sigma$
- Ca. 99,7 % av verdiene ligger innenfor $\mu \pm 3\sigma$

Denne regelen gir en rask måte å vurdere om en observasjon er «vanlig» eller «uvanlig». En verdi som ligger mer enn $2\sigma$ fra gjennomsnittet forekommer bare i 5 % av tilfellene og regnes ofte som statistisk uvanlig.

Sentralgrenseteoremet

Sentralgrenseteoremet (SGT) er et av statistikkens viktigste resultater: Uansett hvordan den opprinnelige fordelingen ser ut, vil fordelingen av utvalgsgjennomsnittet nærme seg en normalfordeling når utvalgsstørrelsen $n$ blir stor nok (tommelregel: $n \geq 30$).

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

Dette betyr at vi kan bruke normalfordelingen til å lage konfidensintervaller og utføre hypotesetester — selv når den underliggende variabelen ikke er normalfordelt.

Oppsummering

- Populasjonen er hele gruppen vi vil si noe om; utvalget er den delen vi faktisk undersøker.
- Greske bokstaver ($\mu$, $\sigma$) brukes for populasjonsparametere, latinske ($\bar{x}$, $s$) for utvalgsstatistikk.
- Tilfeldig utvalgsfeil er uunngåelig, men kan reduseres med større utvalg. Systematisk skjevhet kan ikke reduseres ved å øke utvalget.
- Standardfeilen $SE = s / \sqrt{n}$ angir presisjonen til et estimat og synker med kvadratroten av utvalgsstørrelsen.
- Normalfordelingen er klokkekurve-formet og beskrevet av $\mu$ og $\sigma$. 68-95-99,7-regelen gir en rask tommelregel.
- Sentralgrenseteoremet sikrer at utvalgsgjennomsnitt er tilnærmet normalfordelt for store nok utvalg, uavhengig av populasjonens form.