Oversikt

Deskriptiv statistikk handler om å beskrive og oppsummere et datasett slik det faktisk er — uten å trekke slutninger utover dem som er målt. Temaet forekommer på tre av fire eksamenssett, nesten alltid som en regnedel i en større scenariooppgave: du får et lite rådatasett, og skal finne sentraltendens og spredning, si hva tallene betyr, og begrunne hvilket mål som passer. Formlene oppgis i oppgaveteksten, så det du må kunne, er hva de gjør og når de gjelder.

To spørsmål organiserer temaet: hvor ligger tyngdepunktet, og hvor spredt ligger observasjonene rundt det. I tillegg må du kunne beskrive fordelingens form — symmetrisk eller skjev, med eller uten uteliggere — fordi formen bestemmer hvilke mål som er forsvarlige.

Målenivået bestemmer hva du kan regne ut

Nominalnivå (kjønn, studieprogram) gir bare kategorier: frekvenser og modus. Ordinalnivå (en rangering) har meningsfull rekkefølge, men ulike avstander — modus og median er forsvarlige, gjennomsnitt strengt tatt ikke. Intervallnivå (mange testskårer) har like avstander, og gjennomsnitt, varians og standardavvik blir meningsfulle. Forholdstallnivå (reaksjonstid, antall feil) har i tillegg et absolutt nullpunkt. Likertskalaer er formelt ordinale, men behandles som intervallnivå når flere ledd summeres; nevner du det forbeholdet, viser du forståelse.

Sentraltendens

Gjennomsnittet \(\bar{x}\) er summen delt på antallet. Bruker all informasjonen i datasettet, men trekkes mot ekstreme verdier.
Medianen er den midterste verdien i et sortert datasett (gjennomsnittet av de to midterste ved partall \(n\)). Ser bare på rangeringen, og er derfor robust mot uteliggere.
Modus er verdien som forekommer oftest — det eneste sentralmålet som virker på nominalnivå. Et datasett kan ha flere modi eller ingen tydelig modus.

Sammenligningen av de tre er informativ i seg selv: i en symmetrisk unimodal fordeling faller de tilnærmet sammen, mens et gjennomsnitt klart over medianen tyder på høyreskjevhet (en hale av høye verdier) og et gjennomsnitt under medianen på venstreskjevhet.

Spredning

Variasjonsbredden er høyeste minus laveste verdi — enkel, men bestemt utelukkende av de to mest ekstreme observasjonene.
Interkvartilbredden \(IQR = Q_3 - Q_1\) er bredden på den midterste halvparten, og dermed robust.
Variansen \(s^2\) er gjennomsnittlig kvadrert avvik fra gjennomsnittet, med \(n-1\) i nevneren for et utvalg. Aldri negativ, og enheten er kvadrert.
Standardavviket \(SD = \sqrt{s^2}\) fører spredningen tilbake til den opprinnelige måleenheten.

Hvorfor \(n-1\)? Avvikene regnes fra utvalgets eget gjennomsnitt, som ligger nærmere observasjonene enn populasjonsgjennomsnittet gjør. Deler vi på \(n\), undervurderer vi populasjonsvariansen systematisk; å dele på antall frihetsgrader retter opp dette.

Eksempel 1: full beskrivelse av et rådatasett

Ti studenter løser en hukommelsesoppgave. Antall riktige svar er: 19, 15, 28, 17, 10, 22, 16, 19, 20, 14. Sortert: 10, 14, 15, 16, 17, 19, 19, 20, 22, 28.

Gjennomsnitt: summen er 180, så \(\bar{x} = 180/10 = 18{,}0\).

Median: med \(n = 10\) er de to midterste den 5. og 6. verdien, 17 og 19, så medianen blir \((17+19)/2 = 18{,}0\). Modus er 19, som er den eneste verdien som forekommer to ganger. Variasjonsbredden er \(28 - 10 = 18\).

Varians og standardavvik: avvikene fra 18 blir:

\(x_i\)	10	14	15	16	17	19	19	20	22	28
\(x_i-\bar{x}\)	-8	-4	-3	-2	-1	1	1	2	4	10
\((x_i-\bar{x})^2\)	64	16	9	4	1	1	1	4	16	100

Kvadratsummen blir \(64+16+9+4+1+1+1+4+16+100 = 216\), og da er \[s^2=\frac{216}{10-1}=24{,}0\qquad SD=\sqrt{24}\approx 4{,}90\] Kontroll: avvikene summerer seg til null (\(-8-4-3-2-1+1+1+2+4+10 = 0\)), som de alltid skal gjøre når gjennomsnittet er regnet riktig.

Tolkning: en typisk student ligger om lag 4,9 riktige svar fra gjennomsnittet på 18. Intervallet \(\bar{x}\pm 1\,SD = [13{,}1;\ 22{,}9]\) rommer 8 av de 10 observasjonene. At det blir 80 % og ikke de teoretiske 68 %, er forventet slingring i et utvalg på ti.

Eksempel 2: hva én uteligger gjør med tallene

Anta at studenten med 28 riktige i stedet fikk 48, slik at datasettet blir 10, 14, 15, 16, 17, 19, 19, 20, 22, 48. Summen blir \(200\), så \(\bar{x} = 20{,}0\). De to midterste verdiene er fremdeles 17 og 19, så medianen står uendret på 18,0. Kvadratsummen blir \(976\), og dermed \(s^2 = 976/9 \approx 108{,}44\) og \(SD \approx 10{,}41\).

Én enkelt observasjon flyttet altså gjennomsnittet to poeng og mer enn doblet standardavviket, mens medianen ikke rørte seg. Det er den konkrete begrunnelsen for at medianen foretrekkes ved skjeve fordelinger — den bygger på rangering, ikke på tallverdier, og en ekstrem verdi teller bare som «én verdi over midten». Standardavviket er regnet av kvadrerte avvik, så et stort avvik får uforholdsmessig stor vekt.

Boksplott, kvartiler og IQR-regelen

Kvartilene finnes ved å dele det sorterte datasettet i to og ta medianen i hver halvdel. I eksempel 1 er nedre halvdel 10, 14, 15, 16, 17, så \(Q_1 = 15\); øvre halvdel er 19, 19, 20, 22, 28, så \(Q_3 = 20\). Med median 18,0 blir \(IQR = 20 - 15 = 5\).

Den vanlige regelen for å flagge uteliggere setter grensene \(1{,}5 \cdot IQR\) utenfor kvartilene: \[Q_1 - 1{,}5\cdot IQR = 15 - 7{,}5 = 7{,}5 \qquad Q_3 + 1{,}5\cdot IQR = 20 + 7{,}5 = 27{,}5\] Verdien 28 ligger over 27,5 og markeres derfor som uteligger i boksplottet. Boksen går fra 15 til 20 med en strek ved medianen 18, nedre hale til minsteverdien 10, øvre hale til 22 (høyeste verdi innenfor grensen), og 28 tegnes som et eget punkt.

Regelen sier ikke at observasjonen er en feil: en flagget verdi skal undersøkes, og bare en påvist registreringsfeil er grunn til å fjerne den — noe som i så fall skal rapporteres.

Normalfordeling og z-skårer

Normalfordelingen er symmetrisk og klokkeformet, og andeler kan leses direkte av avstanden fra gjennomsnittet målt i standardavvik: om lag 68 % ligger innenfor \(\pm 1\,SD\), 95 % innenfor \(\pm 1{,}96\,SD\) og 99,7 % innenfor \(\pm 3\,SD\).

En z-skåre uttrykker denne avstanden: \[z=\frac{x-\bar{x}}{SD}\] En z-skalert variabel har gjennomsnitt 0 og standardavvik 1. Standardisering bytter måleskala, men endrer ikke formen — en skjev fordeling blir ikke normalfordelt av å standardiseres.

Gjennomregnet eksempel: En evnetest har gjennomsnitt 100 og \(SD = 15\). En kandidat med skåre 130 får \(z = (130-100)/15 = 2{,}00\). I en normalfordeling ligger 97,7 % av skårene under \(z = 2{,}00\), så bare om lag 2,3 % skårer høyere. En kandidat med 85 får \(z = -1{,}00\) og ligger på omtrent 16. persentil.

Sammenligning på tvers av skalaer: Ada får 68 poeng på en prøve med gjennomsnitt 60 og \(SD = 8\); Bo får 82 poeng på en prøve med gjennomsnitt 70 og \(SD = 15\). Rå poengsum sier at Bo gjorde det best, men \(z_{\text{Ada}} = (68-60)/8 = 1{,}00\) mot \(z_{\text{Bo}} = (82-70)/15 = 0{,}80\): relativt til sin egen gruppe presterte Ada best. Det er hele poenget med standardisering.

Standardavvik mot standardfeil

Dette skillet spørres om ofte og forveksles like ofte. Standardavviket beskriver spredningen mellom personene. Standardfeilen beskriver hvor presist gjennomsnittet er estimert, og er standardavviket i utvalgsfordelingen: \[SE=\frac{SD}{\sqrt{n}}\] Med \(SD = 6\) og \(n = 9\) blir \(SE = 6/3 = 2{,}0\). Firedobler vi utvalget til \(n = 36\), blir \(SE = 6/6 = 1{,}0\) — presisjonen øker med kvadratroten av \(n\). Merk at \(SD\) ikke synker av flere deltakere: spredningen mellom personer er en egenskap ved variabelen, mens \(SE\) er en egenskap ved undersøkelsen.

Hva du bør rapportere

Oppgi \(n\), sentralmål med spredningsmål (gjennomsnitt med \(SD\), eller median med \(IQR\) ved skjevhet), frafall og et ord om fordelingens form. Et gjennomsnitt uten spredningsmål er en av de vanligste manglene i besvarelser: to grupper med samme gjennomsnitt kan være helt ulike.

Studieguide: Deskriptiv statistikk