Upload
may-bartlett
View
30
Download
0
Embed Size (px)
DESCRIPTION
732G70 Statistik A. FL5. Normalfördelningsapproximation av binomialfördelningen. Låt X = antalet kunder som föredrar vårt företags produkt De fyra antagandena är uppfyllda (se föreläsning 4) varför det gäller att Eftersom kan vi approximera med normalfördelningen enligt. - PowerPoint PPT Presentation
Citation preview
732G70
Statistik A
FL5
Normalfördelningsapproximation av binomialfördelningen
2
ExempelBaserat på marknadsandelar vet vi att 20% av konsumenterna föredrar vårt företags produkt. Vad är sannolikheten att av 70 slumpmässigt utvalda konsumenter högst 20 väljer vår produkt?
Låt X = antalet kunder som föredrar vårt företags produkt
De fyra antagandena är uppfyllda (se föreläsning 4) varför det gäller att
Eftersom
kan vi approximera med normalfördelningen enligt
2.0;70~ nBiX
52.112.012.0701 n
35.32.012.070;142.070~ NfX
Normalfördelningsapproximation av binomialfördelningen
Vi söker
3
)20Pr( X
4
Population och stickprovSampling = konsten att dra stickprov
Population (även målpopulation) = den (på logisk väg definierade) grupp av enheter (ofta individer) som vi vill undersöka
Urvalsram = förteckning över populationen, ofta ett register
Stickprov (sample) = de av enheterna i populationen som vi faktiskt undersöker
Urvalsenheter = de enheter som blivit utvalda i stickprovet
Population
Stickprov
Konsten att dra slutsatser om en population baserat på ett stickprov (statistisk slutledning) är en av grundpelarna inom statistiken!
Obundet slumpmässigt urval (OSU)(engelska Simple Random Sample)
Stickprovsdragning på ett sådant sätt att alla enheter i populationen har samma sannolikhet
att bli utvalda.
Exempel:Vår population är alla studenter i ett klassrum, och vi vill undersöka genomsnittsvikten i klassen. Att väga alla skulle ta lång tid, och man vill därför dra ett stickprov om 20 personer.
Det enklaste sättet att göra ett OSU skulle då vara att skriva ned allas namn på lappar, lägga dem i en låda och dra 20 lappar ur lådan. Då har slumpen valt ut 20 personer åt oss och alla har lika stor chans att bli utvalda.
N
n
Stratifierat urval(engelska Stratified Random Sample)
När vi vill dra slutsatser om en heterogen population (en population som kan delas in i undergrupper med avseende på det som vi vill undersöka).
Varje sådan grupp kallas för ett stratum, och vi drar ett OSU ur varje stratum och väger ihop resultaten.
Stratifierat urval ger, om populationen är heterogen, lägre standardavvikelse än ett OSU och därmed säkrare slutsatser om populationen.
Exempel (forts):Vi delar upp populationen i kvinnor och män, och lägger sedan lapparna med namn i en låda för kvinnor och en för män. Sedan drar vi 10 lappar ur varje låda.
7
Problem vid stickprovsdragning
Övertäckning = när det finns enheter i urvalsramen som egentligen inte tillhör målpopulationen
Exempel: Vid studie av vikter bland studenter i ett klassrum används klasslistan som urvalsram. Men vissa studenter har hoppat av utbildningen sedan klasslistan trycktes – de tillhör inte längre målpopulationen utan utgör övertäckning.
Undertäckning = när det finns enheter i målpopulationen som saknas i urvalsramen
Exempel: Vissa studenter har påbörjat sin utbildning sedan klasslistan trycktes. De tillhör därför målpopulationen men har ingen chans att bli utvalda och utgör därför undertäckning.
Problem vid stickprovsdragningBortfall = när enheter inte vill (eller kan) mätas. Skilj på
Partiellt bortfall: när enheten har nåtts, men vi inte fått all information (exempelvis att inte alla frågor på en enkät besvarats)
Totalbortfall: när ingen information erhållits alls från enheten
8
Populationsparametrar och skattningsfunktioner
9
Populationsparameter(okänd sanning)
Skattningsfunktion(uppskattning baserat
på stickprov)
Medelvärde
Varians
Proportionstal
X2 2S
P
Tabell över väntvärdesriktiga skattningsfunktioner.
Väntevärdesriktig = vi gör inget systematiskt fel när vi
använder skattningsfunktionen som en uppskattning av
populationsparametern.
Punktskattning = att använda en skattningsfunktion som en uppskattning av motsvarande populationsparameter
Dock: skattningsfunktioner är slumpvariabler och antar olika värden för varje stickprov. Hur ska vi hantera den osäkerheten?
Vi börjar med att göra tre antaganden:
1. stickprovet är draget som ett OSU
2. populationen som vi drog stickprovet ur är normalfördelad
3. populationsstandardavvikelsen σ är känd
Är dessa antaganden rimliga?
10
Konfidensintervall för medelvärde när är känd
Konfidensintervall = ett osäkerhetsintervall utlagt kring som tillåter oss att med en viss säkerhet säga att µ ingår i intervallet
Formel för konfidensintervall:
1. Beräkna
2. Beräkna
3. Hämta värdet på z ur normalfördelningstabell
11
x
nzx
x
n
Exempel
Glödlampor som tillverkas i en viss fabrik har en lystid som kan betraktas som normalfördelad med medelvärde 1600 timmar och standardavvikelse 100 timmar. Nu har man bytt en maskin i fabriken, och har dragit ett stickprov om 150 lampor och konstaterat att bland dem var den genomsnittliga lystiden = 1618 timmar, medan standardavvikelsen förefaller oförändrad.
Bestäm ett 95% konfidensintervall för lystiderna för lampor tillverkade med den nya maskinen!
12
Hur kan vi påverka bredden på ett konfidensintervall?
1. Öka n
2. Välj en annan konfidensnivå:
Lägre konfidensnivå ger ett mindre tabellvärde och därmed ett smalare intervall, men samtidigt minskar säkerheten. Exempelvis 90% konfidensnivå innebär att vi bara med 90% säkerhet inkluderar det sanna populationsmedelvärdet (µ) i konfidensintervallet.
13
Den metod för att bilda konfidensintervall vi diskuterat hittills baseras alltså på de tre kraven
1. stickprovet måste vara draget som ett OSU
2. populationen som vi drog stickprovet ur är normalfördelad
3. populationsstandardavvikelsen σ är känd
Är det rimligt att dessa krav uppfylls i praktiken?
=> Nej, åtminstone inte att σ är känd
14
Konfidensintervall för medelvärde när σ är okänd
15
Baserat på antagandena att
1. stickprovet måste vara draget som ett OSU
2. populationen som vi drog stickprovet ur är normalfördelad
kan vi skatta σ med
och beräkna konfidensintervallet som
där t hämtas ur t-fördelningen (tabellsamlingen sidan 8-9) med
n – 1 frihetsgrader.
2
1
1xx
ns i
n
stx
Exempel
En viss sorts påsar med kryddor påstås innehålla 4 gram. Vi kontrollmäter fyra slumpmässigt utvalda påsar och erhåller
Bestäm ett 95% konfidensintervall för genomsnittsvikten i påsarna!
16
4.0 3.6 3.9 4.1
Normalfördelning (z) och t-fördelning (t) t-värdet är större än z för att ta hänsyn till den ökade
osäkerheten som följer av att konfidensintervallet baseras på två skattningar (både och s)
t-värdet konvergerar (går mot) z när n ökar (titta i t-tabellen!)
17
x
Exempel
En butiksägare funderar på om det är ekonomiskt försvarbart att fortsätta hålla butiken öppen på söndagar. Hon samlar därför ihop kvitton från alla försäljningar de 10 senaste söndagarna och beräknar medelvärde och standardavvikelse.
Totalt samlar hon ihop 980 kvitton, och beräknar
och
s = 250
Bestäm ett 95% konfidensintervall för den genomsnittliga försäljningen på söndagar!
18
125x