5 Beskrivende mål - Gyldendal
5 Beskrivende mål - Gyldendal
5 Beskrivende mål - Gyldendal
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
når der er tale om udtrækninger fra virkelige populationer, hvor alle elementer<br />
ikke har samme chance for udvælgelse. Lad os illustrere denne tankegang<br />
med et par eksempler:<br />
Eksempel 5.1: I forbindelse med indkomstfordelingen fra starten af kapitlet kan vi definere<br />
En virkelig<br />
population<br />
følgende eksperiment: „Udvælg en person og lad den stokastiske variabel, X,<br />
angive vedkommendes indkomst.“ Hvis alle personer har samme chance for<br />
udvælgelse, så vil sandsynlighedsfunktionen for X være lig med andelsfunktionen<br />
for populationen. Dermed har X samme „fordeling“ som populationen.<br />
Hvis en andel på 0,1 af befolkningen tjener mere end 300.000 kr., så<br />
er der tilsvarende sandsynligheden 0,1 for, at X antager en værdi større end<br />
300.000. Om vi beskriver fordelingen af populationen eller fordelingen af X,<br />
gør derfor ingen forskel i dette tilfælde.<br />
Eksempel 5.2: I eksemplet fra kapitel 3 med en 30årig obligation er kursen i morgen kl.<br />
En superpopulation<br />
12.00 en stokastisk variabel, Y, som har en given sandsynlighedsfordeling.<br />
Der er fx sandsynligheden 0,3 for, at kursen vil ligge under 100. Sandsynlighedsfordelingen<br />
for denne variabel kan imidlertid ikke umiddelbart<br />
for tolkes som andele i superpopulationen af kurser. Men vi kan stadig beskrive<br />
sandsynlighedsfordelingen for Y ved hjælp af en række beskrivende<br />
<strong>mål</strong>.<br />
I mange af eksemplerne i dette kapitel vil der være den i eksempel 5.1 nævnte<br />
sammenhæng mellem fordelingen af den stokastiske variabel og en virkelig<br />
population. Det er dog vigtigt at huske på, at de beskrivende <strong>mål</strong> også finder<br />
anvendelse i en lang række andre situationer, hvor fordelingen af den stokastiske<br />
variabel ikke svarer til fordelingen af en underliggende virkelig population,<br />
som tilfældet fx er i eksempel 5.2.<br />
5.2 Momenter<br />
Det mest kendte moment for en stokastisk variabel, X, er middelværdien, også<br />
kaldet den forventede værdi. Middelværdien betegnes typisk med bogstavet µ<br />
eller E(X), hvor E’et står for „expectation“ (forventning). Et andet ofte brugt<br />
moment er variansen, som beskriver, hvor meget de mulige værdier af X gennemsnitligt<br />
er spredt i forhold til middelværdien. Variansen betegnes typisk<br />
med s 2 eller V(X).<br />
Fortolkningen af et moment er den samme, uanset om den stokastiske variabel<br />
er diskret eller kontinuert. Beregningsteknisk er der dog en forskel, så vi<br />
5.2 Momenter 103