Intervalsandsynlighed og konfidensintervaller 🎯

Du har lært, at sandsynlighed for en normalfordelt variabel beregnes som arealet under tæthedskurven. Men hvordan bruger vi det i praksis? Og hvad gør vi, når vi ikke kender populationens sande middelværdi $\mu$ , men kun har en stikprøve?

Her træder konfidensintervaller ind på scenen — et af de mest brugte statistiske værktøjer i alt fra medicinsk forskning til markedsanalyse. I stedet for at gætte på ét tal, giver vi et interval med en bestemt sikkerhed.

Gør dig klar til den ultimative statistik-boss! 💪

Teori: Intervalsandsynlighed — areal under kurven

Lad $X \sim N(\mu, \sigma^2)$ være en normalfordelt stokastisk variabel. IntervalsandsynlighedenSandsynligheden for at en stokastisk variabel falder i et bestemt interval, beregnet som arealet under tæthedskurven over det interval for at $X$ lander mellem $a$ og $b$ er:

P(a \leq X \leq b) = \int_a^b f(x) \, dx

I praksis beregner vi dette ved at z-transformere og bruge $\Phi$ -tabellen:

P(a \leq X \leq b) = \Phi\!\left(\frac{b - \mu}{\sigma}\right) - \Phi\!\left(\frac{a - \mu}{\sigma}\right)

Vigtige specialtilfælde:

Sandsynlighed til venstre (halesandsynlighed):

P(X \leq b) = \Phi\!\left(\frac{b - \mu}{\sigma}\right)

Sandsynlighed til højre:

P(X \geq a) = 1 - \Phi\!\left(\frac{a - \mu}{\sigma}\right)

Symmetrisk interval omkring $\mu$ :

P(\mu - k\sigma \leq X \leq \mu + k\sigma) = 2\Phi(k) - 1

Denne sidste formel er særligt elegant, fordi den kun afhænger af $k$ — antallet af standardafvigelser fra middelværdien.

Interaktiv Normalfordeling & Areal

Flyt middelværdien μ og spredningen σ for at transformere klokkekurven, og se arealet (sandsynligheden) opdateret live.

Areal = P(X ∈ interval) Middelværdi (μ)

Middelværdi (μ):50

Spredning (σ):10

Sandsynlighedsberegner

Nedre grænse a:z_a = -1.00

Øvre grænse b:z_b = 1.50

Areal (Sandsynlighed):

77.45 %

Vis Eksempel: Intervalsandsynlighed for eksamensresultater ⚡

Situation: Resultatet på en standardiseret test er normalfordelt med $\mu = 500$ og $\sigma = 100$ . Find andelen af elever med en score mellem 450 og 650.

Løsning:

Trin 1: Z-transformér begge grænser:

z_1 = \frac{450 - 500}{100} = \frac{-50}{100} = -0{,}50

z_2 = \frac{650 - 500}{100} = \frac{150}{100} = 1{,}50

Trin 2: Slå op i tabellen og beregn:

\begin{aligned} P(450 \leq X \leq 650) &= \Phi(1{,}50) - \Phi(-0{,}50) \\ &= \Phi(1{,}50) - (1 - \Phi(0{,}50)) \\ &= 0{,}9332 - (1 - 0{,}6915) \\ &= 0{,}9332 - 0{,}3085 \\ &= 0{,}6247 \end{aligned}

Svar: Ca. 62,5 % af eleverne scorer mellem 450 og 650 point.

Vis Eksempel: Symmetrisk intervalsandsynlighed ⚡

Opgave: For $X \sim N(100, 15^2)$ , beregn $P(70 \leq X \leq 130)$ .

Løsning:

Bemærk at intervallet er symmetrisk om $\mu = 100$ :

70 = 100 - 2 \cdot 15 = \mu - 2\sigma \quad \text{og} \quad 130 = 100 + 2 \cdot 15 = \mu + 2\sigma

Vi kan bruge formlen for symmetriske intervaller med $k = 2$ :

P(\mu - 2\sigma \leq X \leq \mu + 2\sigma) = 2\Phi(2) - 1 = 2 \cdot 0{,}9772 - 1 = 0{,}9544

Svar: Ca. 95,4 % — præcis som 68-95-99.7-reglen forudsiger!

Alternativt med den direkte metode:

P(70 \leq X \leq 130) = \Phi(2{,}00) - \Phi(-2{,}00) = 0{,}9772 - 0{,}0228 = 0{,}9544 \quad \checkmark

Teori: Stikprøvegennemsnit og dets fordeling

I virkeligheden kender vi sjældent populationens sande middelværdi $\mu$ . Vi tager i stedet en stikprøveEn delmængde af populationen, udvalgt tilfældigt, som bruges til at drage konklusioner om hele populationen af $n$ observationer og beregner stikprøvegennemsnittetGennemsnittet af observationerne i en stikprøve, betegnet x̄ (x-streg), bruges som estimat for populationens middelværdi μ:

\bar{X} = \frac{X_1 + X_2 + \cdots + X_n}{n} = \frac{1}{n}\sum_{i=1}^{n} X_i

Nøgleresultat: Hvis $X_1, X_2, \ldots, X_n$ er uafhængige og alle har fordelingen $N(\mu, \sigma^2)$ , så er stikprøvegennemsnittet også normalfordelt:

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

Det betyder:

Middelværdi: $E(\bar{X}) = \mu$ — stikprøvegennemsnittet rammer i gennemsnit rigtigt!
Varians: $\text{Var}(\bar{X}) = \frac{\sigma^2}{n}$ — usikkerheden falder med stikprøvestørrelsen
Spredning: $\sigma_{\bar{X}} = \frac{\sigma}{\sqrt{n}}$ — dette kaldes standardfejlenSpredningen på stikprøvegennemsnittet, lig med σ/√n, også kaldet standardfejlen

Intuition: Jo flere målinger du tager, jo tættere vil dit gennemsnit ligge på det sande $\mu$ . Spredningen halveres, når du firdobler stikprøvestørrelsen (fordi $\sqrt{4} = 2$ ).

Vis Eksempel: Standardfejlen i praksis ⚡

Situation: Et mejeri måler fedtprocenten i mælk. Hver enkelt måling er normalfordelt med $\mu = 3{,}5\%$ og $\sigma = 0{,}2\%$ .

Hvad sker der, når vi tager gennemsnittet af flere målinger?

Stikprøvestørrelse $n$	Standardfejl $\frac{\sigma}{\sqrt{n}}$	95 %-interval for $\bar{X}$
1	$\frac{0{,}2}{\sqrt{1}} = 0{,}200$	$[3{,}1 \;;\; 3{,}9]$
4	$\frac{0{,}2}{\sqrt{4}} = 0{,}100$	$[3{,}3 \;;\; 3{,}7]$
16	$\frac{0{,}2}{\sqrt{16}} = 0{,}050$	$[3{,}4 \;;\; 3{,}6]$
100	$\frac{0{,}2}{\sqrt{100}} = 0{,}020$	$[3{,}46 \;;\; 3{,}54]$

Observation: Med 100 målinger er vi næsten sikre på at ramme inden for 0,04 procentpoint af det sande gennemsnit. Flere data giver mere præcision!

Teori: Centralgrænseværdisætningen (CLT) — statistikkens superhelt

CentralgrænseværdisætningenSætning der siger at gennemsnittet af mange uafhængige stokastiske variable tilnærmelsesvist er normalfordelt, uanset de enkelte variables fordeling (eng: Central Limit Theorem, CLT) er et af de mest bemærkelsesværdige resultater i hele matematikken:

Uanset hvilken fordeling de enkelte observationer $X_i$ har, vil stikprøvegennemsnittet $\bar{X}$ være tilnærmelsesvist normalfordelt, når stikprøvestørrelsen $n$ er tilstrækkeligt stor:

\bar{X} \overset{\text{approx.}}{\sim} N\!\left(\mu, \frac{\sigma^2}{n}\right) \quad \text{for } n \text{ tilstrækkeligt stor}

Intuition: Hvorfor virker det?

Forestil dig, at du kaster en skæv terning mange gange og tager gennemsnittet. Hver enkelt kast giver et “hakkende” resultat (1, 2, 3, 4, 5 eller 6). Men gennemsnittet af mange kast udjævnes — de tilfældige udsving ophæver hinanden, og kun det systematiske (middelværdien) står tilbage. Denne udjævning følger en klokkeform!

Tommelfingerregel: CLT giver en god tilnærmelse for $n \geq 30$ . For fordelinger der allerede er tæt på symmetriske, kan $n \geq 15$ være tilstrækkeligt.

Hvorfor er CLT vigtig?

CLT er grunden til, at normalfordelingen dukker op overalt i statistik. Den retfærdiggør, at vi kan bruge normalfordelingsbaserede metoder (som konfidensintervaller og hypotesetest) selv når de underliggende data ikke er normalfordelt — bare stikprøven er stor nok!

Vis Eksempel: CLT med terningkast ⚡

Situation: Vi kaster en fair terning $n$ gange og beregner gennemsnittet.

For ét terningkast: $\mu = 3{,}5$ og $\sigma^2 = \frac{35}{12} \approx 2{,}917$ (så $\sigma \approx 1{,}708$ ).

Ifølge CLT:

\bar{X}_n \overset{\text{approx.}}{\sim} N\!\left(3{,}5, \frac{2{,}917}{n}\right)

For $n = 36$ kast:

\bar{X}_{36} \overset{\text{approx.}}{\sim} N\!\left(3{,}5, \frac{2{,}917}{36}\right) = N(3{,}5, 0{,}081^2 \cdot 36)

Lad os beregne det korrekt:

\sigma_{\bar{X}} = \frac{1{,}708}{\sqrt{36}} = \frac{1{,}708}{6} \approx 0{,}285

Sandsynligheden for at gennemsnittet er mellem 3,0 og 4,0:

\begin{aligned} z_1 &= \frac{3{,}0 - 3{,}5}{0{,}285} = \frac{-0{,}5}{0{,}285} \approx -1{,}75 \\ z_2 &= \frac{4{,}0 - 3{,}5}{0{,}285} = \frac{0{,}5}{0{,}285} \approx 1{,}75 \end{aligned}

P(3{,}0 \leq \bar{X} \leq 4{,}0) = \Phi(1{,}75) - \Phi(-1{,}75) = 0{,}9599 - 0{,}0401 = 0{,}9198

Svar: Der er ca. 92 % sandsynlighed for, at gennemsnittet af 36 terningkast lander mellem 3,0 og 4,0. Bemærkelsesværdigt — dette virker, selvom ét enkelt terningkast slet ikke er normalfordelt!

Teori: Konfidensintervaller for $\mu$

Et konfidensintervalEt interval beregnet ud fra stikprøvedata, der med en bestemt konfidens (fx 95%) indeholder populationens sande parameter er et interval, der med en bestemt sandsynlighed (konfidensniveauet) indeholder den sande, ukendte middelværdi $\mu$ .

Situation: Vi har en stikprøve af størrelse $n$ med gennemsnit $\bar{x}$ , og vi kender populationens spredning $\sigma$ (eller estimerer den med stikprøvens spredning $s$ ).

Formel for $(1 - \alpha) \cdot 100\%$ -konfidensinterval:

\bar{x} \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}

Her er $z_{\alpha/2}$ den kritiske z-værdiDen z-værdi der afskærer et bestemt areal i halen af standardnormalfordelingen, som bestemmes af konfidensniveauet:

Konfidensniveau	$\alpha$	$z_{\alpha/2}$
90 %	0,10	1,645
95 %	0,05	1,960
99 %	0,01	2,576

Konfidensintervallets opbygning:

\underbrace{\bar{x}}_{\text{centrum}} \pm \underbrace{z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}}_{\text{fejlmargin } E}

Altså:

\left[\bar{x} - z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}} \;;\; \bar{x} + z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}\right]

Teori: Fortolkning af konfidensintervaller

Korrekt fortolkning: Et 95 %-konfidensinterval betyder:

Hvis vi gentog eksperimentet mange gange og beregnede et konfidensinterval hver gang, ville ca. 95 % af disse intervaller indeholde den sande $\mu$ .

Forkert (men fristende) fortolkning: “Der er 95 % sandsynlighed for, at $\mu$ ligger i intervallet.” — Det er teknisk forkert, fordi $\mu$ er en fast (men ukendt) værdi. Det er intervallet, der er tilfældigt, ikke $\mu$ .

Hvad påvirker bredden af konfidensintervallet?

Faktor	Effekt på bredden
Større $n$	Smallere interval (mere præcist)
Større $\sigma$	Bredere interval (mere usikkert)
Højere konfidens	Bredere interval (mere sikker = mindre præcis)

Trade-off: Vil du være 99 % sikker i stedet for 95 %? Fint — men dit interval bliver bredere. Vil du have det smallere? Tag en større stikprøve!

Fejlmarginen $E$ er givet ved:

E = z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}

Så for at halvere fejlmarginen skal du firdoble stikprøvestørrelsen ( $\sqrt{4n} = 2\sqrt{n}$ ).

Vis Eksempel: 95 %-konfidensinterval for gennemsnitshøjde ⚡

Opgave: En stikprøve af $n = 64$ voksne mænd har et gennemsnit på $\bar{x} = 179{,}5$ cm. Fra tidligere undersøgelser ved vi, at $\sigma = 7$ cm. Beregn et 95 %-konfidensinterval for den sande middelværdi $\mu$ .

Løsning:

Trin 1: Identificér de kendte størrelser:

$\bar{x} = 179{,}5$
$\sigma = 7$
$n = 64$
Konfidensniveau: 95 %, altså $z_{\alpha/2} = 1{,}960$

Trin 2: Beregn standardfejlen:

\frac{\sigma}{\sqrt{n}} = \frac{7}{\sqrt{64}} = \frac{7}{8} = 0{,}875

Trin 3: Beregn fejlmarginen:

E = z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}} = 1{,}960 \cdot 0{,}875 = 1{,}715

Trin 4: Beregn konfidensintervallet:

\begin{aligned} \bar{x} \pm E &= 179{,}5 \pm 1{,}715 \\ &= [179{,}5 - 1{,}715 \;;\; 179{,}5 + 1{,}715] \\ &= [177{,}8 \;;\; 181{,}2] \end{aligned}

Svar: Vi er 95 % sikre på, at den sande gennemsnitshøjde $\mu$ ligger mellem 177,8 cm og 181,2 cm.

Vis Eksempel: Sammenligning af konfidensniveauer ⚡

Situation: Samme data som ovenfor ( $\bar{x} = 179{,}5$ , $\sigma = 7$ , $n = 64$ ). Lad os sammenligne 90 %-, 95 %- og 99 %-konfidensintervaller.

Standardfejl: $\frac{\sigma}{\sqrt{n}} = 0{,}875$ (uændret)

90 %-konfidensinterval:

179{,}5 \pm 1{,}645 \cdot 0{,}875 = 179{,}5 \pm 1{,}439 = [178{,}1 \;;\; 180{,}9]

95 %-konfidensinterval:

179{,}5 \pm 1{,}960 \cdot 0{,}875 = 179{,}5 \pm 1{,}715 = [177{,}8 \;;\; 181{,}2]

99 %-konfidensinterval:

179{,}5 \pm 2{,}576 \cdot 0{,}875 = 179{,}5 \pm 2{,}254 = [177{,}2 \;;\; 181{,}8]

Observation: Jo højere konfidens, jo bredere interval. 99 %-intervallet er næsten dobbelt så bredt som 90 %-intervallet. Det er prisen for øget sikkerhed!

Konfidens	Interval	Bredde
90 %	$[178{,}1 \;;\; 180{,}9]$	2,88 cm
95 %	$[177{,}8 \;;\; 181{,}2]$	3,43 cm
99 %	$[177{,}2 \;;\; 181{,}8]$	4,51 cm

Vis Eksempel: Bestemmelse af nødvendig stikprøvestørrelse ⚡

Opgave: Vi vil bestemme den gennemsnitlige reaktionstid for bilister. Vi ved, at $\sigma = 50$ ms. Hvor mange bilister skal vi måle for at opnå et 95 %-konfidensinterval med en fejlmargin på højst 10 ms?

Løsning:

Vi kender formlen for fejlmarginen:

E = z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}

Vi isolerer $n$ :

\begin{aligned} E &= z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}} \\ \sqrt{n} &= z_{\alpha/2} \cdot \frac{\sigma}{E} \\ n &= \left(z_{\alpha/2} \cdot \frac{\sigma}{E}\right)^2 \end{aligned}

Indsæt værdier:

n = \left(1{,}960 \cdot \frac{50}{10}\right)^2 = (1{,}960 \cdot 5)^2 = (9{,}800)^2 = 96{,}04

Svar: Vi skal måle mindst $n = 97$ bilister (vi runder altid op!).

Vis Udledning: Hvorfor

z_{0{,}025} = 1{,}960

? ⚡

Spørgsmål: Hvorfor er den kritiske z-værdi for et 95 %-konfidensinterval netop 1,960?

Udledning:

Et 95 %-konfidensinterval dækker de midterste 95 % af standardnormalfordelingen. Det efterlader $5\% = 0{,}05$ i halerne — fordelt ligeligt med $2{,}5\%$ i hver hale.

Vi søger altså $z_0$ så:

P(Z \leq z_0) = 1 - 0{,}025 = 0{,}975

Slår vi op i tabellen finder vi:

\Phi(1{,}96) = 0{,}9750

Altså er $z_{0{,}025} = 1{,}960$ .

Tilsvarende for andre niveauer:

For 99 %: Vi søger $\Phi(z_0) = 0{,}995$ , og finder $z_0 = 2{,}576$ .

For 90 %: Vi søger $\Phi(z_0) = 0{,}950$ , og finder $z_0 = 1{,}645$ .

Teori: Konfidensinterval med estimeret spredning

I mange praktiske situationer kender vi heller ikke $\sigma$ , og vi må estimere den med stikprøvespredningenStikprøvens standardafvigelse, beregnet med n-1 i nævneren (Bessels korrektion), bruges som estimat for σ $s$ :

s = \sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})^2}

Bemærk divisionen med $n - 1$ i stedet for $n$ — dette er Bessels korrektionKorrektion der sikrer at stikprøvevariansen er et forventningsret estimat for populationsvariansen, som sikrer et forventningsret estimat.

Konfidensintervallet bliver:

\bar{x} \pm z_{\alpha/2} \cdot \frac{s}{\sqrt{n}}

Vigtigt: Strengt taget skal man bruge $t$ -fordelingen i stedet for $z$ -fordelingen, når $\sigma$ er ukendt. Men for store stikprøver ( $n \geq 30$ ) er forskellen minimal, og $z$ -tilnærmelsen fungerer fint.

Vis Eksempel: Konfidensinterval med estimeret spredning ⚡

Opgave: En café vil estimere den gennemsnitlige ventetid for kunderne. De måler ventetiden for $n = 50$ tilfældige kunder og finder:

\bar{x} = 4{,}2 \text{ min} \quad \text{og} \quad s = 1{,}8 \text{ min}

Beregn et 95 %-konfidensinterval for den sande gennemsnitlige ventetid.

Løsning:

Trin 1: Da $n = 50 \geq 30$ , kan vi bruge $z$ -tilnærmelsen med $s$ i stedet for $\sigma$ .

Trin 2: Beregn standardfejlen:

\frac{s}{\sqrt{n}} = \frac{1{,}8}{\sqrt{50}} = \frac{1{,}8}{7{,}071} \approx 0{,}255

Trin 3: Beregn fejlmarginen:

E = 1{,}960 \cdot 0{,}255 \approx 0{,}499

Trin 4: Konfidensintervallet:

4{,}2 \pm 0{,}499 = [3{,}70 \;;\; 4{,}70]

Svar: Vi er 95 % sikre på, at den sande gennemsnitlige ventetid ligger mellem 3,70 og 4,70 minutter.

Fortolkning for caféen: Ventetiden er i gennemsnit mellem 3 minutter og 42 sekunder og 4 minutter og 42 sekunder. Caféen kan bruge dette til at vurdere, om servicen lever op til en eventuel målsætning om ventetid under 5 minutter — og det gør den!

Teori: Sammenfatning — fra observation til konklusion

Lad os samle trådene i en komplet oversigt over processen:

1. Problemformulering: Vi vil estimere en ukendt populationsmiddelværdi $\mu$ .

2. Dataindsamling: Vi tager en tilfældig stikprøve af størrelse $n$ og beregner $\bar{x}$ (og evt. $s$ ).

3. CLT garanterer: For tilstrækkeligt stort $n$ er $\bar{X}$ tilnærmelsesvist normalfordelt:

\bar{X} \overset{\text{approx.}}{\sim} N\!\left(\mu, \frac{\sigma^2}{n}\right)

4. Z-transformation:

Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}} \sim N(0, 1)

5. Konfidensinterval: Med $(1-\alpha) \cdot 100\%$ konfidens:

\mu \in \left[\bar{x} - z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}} \;;\; \bar{x} + z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}\right]

Denne kæde — fra data via CLT og z-transformation til et konfidensinterval — er kernen i inferensstatistik.

🏋️ Træningsopgaver

Opgave 1 — Intervalsandsynlighed: Levetiden for et bestemt batteri er normalfordelt med $\mu = 500$ timer og $\sigma = 40$ timer. a) Beregn sandsynligheden for, at et tilfældigt batteri holder mellem 460 og 540 timer. b) Beregn sandsynligheden for, at det holder mere end 580 timer. c) Under hvilken levetid ligger de 10 % kortestlevende batterier?

Opgave 2 — Standardfejl: En fabrik producerer bolte med en gennemsnitslængde $\mu = 20$ mm og $\sigma = 0{,}5$ mm. Man tager en stikprøve af $n = 25$ bolte. a) Hvad er standardfejlen for stikprøvegennemsnittet? b) Beregn $P(19{,}8 \leq \bar{X} \leq 20{,}2)$ . c) Hvor mange bolte skal stikprøven indeholde, for at sandsynligheden i b) overstiger 0,99?

Opgave 3 — Konfidensinterval: En ernæringsforsker måler det daglige kalorieindtag for $n = 36$ studerende og finder $\bar{x} = 2150$ kcal og $s = 300$ kcal. a) Beregn et 95 %-konfidensinterval for det sande gennemsnitlige kalorieindtag. b) Beregn et 99 %-konfidensinterval. c) Hvor mange studerende skal indgå, for at 95 %-konfidensintervallets fejlmargin er højst 50 kcal?

Opgave 4 — Fortolkning: En avisartikel skriver: “En undersøgelse viser, at danskere i gennemsnit sover 7,2 timer om natten (95 %-konfidensinterval: [7,0; 7,4]).” a) Giv en korrekt statistisk fortolkning af dette konfidensinterval. b) Hvilken forkert fortolkning er det fristende at give? c) Hvis undersøgelsen havde brugt $n = 400$ i stedet for $n = 100$ , hvad ville der så (omtrent) ske med intervallets bredde?

Opgave 5 — Centralgrænseværdisætningen: En butik sælger kaffe i poser. Vægten af en pose er fordelt med $\mu = 500$ g og $\sigma = 10$ g (fordelingen er ikke nødvendigvis normal). a) Forklar, hvorfor vi alligevel kan bruge normalfordelingsmetoder til gennemsnitsvægten af 40 poser. b) Beregn $P(\bar{X} \geq 503)$ for $n = 40$ .

Quiz – Test din forståelse

Matematik Boss-Kamp ⚔️

Løs opgavesættet

Op til +50 XP

Hvad sker der med bredden af et 95 %-konfidensinterval, hvis stikprøvestørrelsen fordobles (alt andet lige)?

Intervalsandsynlighed og konfidensintervaller 🎯

Teori: Intervalsandsynlighed — areal under kurven

Interaktiv Normalfordeling & Areal

Sandsynlighedsberegner

Teori: Stikprøvegennemsnit og dets fordeling

Teori: Centralgrænseværdisætningen (CLT) — statistikkens superhelt

Teori: Konfidensintervaller for μ\muμ

Teori: Fortolkning af konfidensintervaller

Teori: Konfidensinterval med estimeret spredning

Teori: Sammenfatning — fra observation til konklusion

🏋️ Træningsopgaver

Quiz – Test din forståelse

Løs opgavesættet

Teori: Konfidensintervaller for $\mu$