Bilag 1: Skanparametre Cerebrum Axial
|
|
|
- Gerda Strøm
- 4 år siden
- Visninger:
Transkript
1 1: Skanparametre Cerebrum Axial Axial surview View Angel 90 Start - End - Length 300mm Kv 120 Current ma 30 Lejehøjde 108cm Axial Cerebrum Lejehøjde 108cm Start 95.1 End Length mm Direction Out Thickness 5 mm. Increment 10 mm. Kv 120 mas 400 ma 267 Cycle time 2.5 Cycles 11 Resolution Standard Collimation 16*0.625 Tilt Rotationtime 1.5 FOV 300 mm Filter Brain Sharp Enhancement 0.0 Window C:40 W:80 Center X:0 Y:0 Matrix 512 Images 22 Dome No Dose Right ACS No Allow manual couch movement No
2 Skanparametre Cerebrum Helical Surview View Angel 90 Start - End - Length 300 mm kv 120 Current ma 30 Lejehøjde 108 cm Helical Scan Lejehøjde 108 cm Start 72.1 End Lenght 132 mm Direction Out Thickness 3 mm Increment 1.5 kv 120 mas/slice 400 ma 359 Resolution Standard Collimation 64*0.625 Pitch Rotationtime 0.75 sec FOV 300 mm Filter Brain Sharp Enhancement 0.0 Window C:40 W:80 Center X:0 Y:0 Matrix 512 Dome No Dose Right ACS No MPR Length 115 Images 23 Thicknes 5 mm Increment 5.0 Angle Window C:40 W:80 Render mode Average
3 2: Protokoller.
4
5 3: Måledata. Axial måledata Skan/image Anterior AVG(HU) Anterior DEV Posterior AVG(HU) Posterior DEV 1/ / / / / , / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / /
6 14/ / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / /
7 29/ / / / / Helical måledata Skan/image Anterior AVG(HU) Anterior DEV Posterior AVG(HU) Posterior DEV 1/ / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / /
8 13/ / / , / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / /
9 28/ / / / / / / / Registrering af tid og dosis axiale skan Skannr. CTDI mgy DLP mgy*cm Tid sek 1 61,3 707,4 25,5 2 61,3 707,4 25,5 3 61,3 707,4 25,5 4 61,3 707,4 25,5 5 61,3 707,4 25,5 6 61,3 707,4 25,5 7 61,3 707,4 25,5 8 61,3 707,4 25,5 9 61,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25, ,3 707,4 25,5
10 Registrering af tid og dosis helical skan Skannr. CTDI mgy DLP mgy*cm Tid sek 1 45,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5, ,8 883,8 5,375
11 4: Histogrammer, kumuleret frekvens og normalfordelingsplot axial snit 3 anterior posterior 1 5,12 7,13 Interval Hyppighed Kumulativ % 2 5,11 6,51 4,56 1 3,33% 3 4,74 6,94 4, ,33% 4 4,98 7,14 5, ,00% 5 5,03 6,34 5, ,67% 6 4,7 6,53 5, ,67% 7 4,56 6,68 Mere 1 100,00% 8 4,89 7,04 9 5,14 7, ,73 6, ,69 6, ,94 7, ,01 7, ,1 6, ,94 7, ,11 6, ,65 6, ,01 6, ,94 6, ,95 6, ,97 6,99 Interval Hyppighed Kumulativ % 22 4,8 6,73 6,03 1 3,33% 23 4,82 6,32 6, ,67% 24 4,65 6,48 6, ,00% 25 4,6 6,66 6, ,33% 26 4,94 6,3 7, ,33% 27 5,08 6,95 Mere 5 100,00% 28 5,21 6, ,9 6, ,97 7,22
12 Normalfordelingsplot axial snit 3 anterior RESUMEOUTPUT Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , , , Residual 3 0, , I alt 4 0,54756 Koefficient Standardf Nedre Øvre Nedre Øvre er ejl t-stat P-værdi 95% 95% 95,0% 95,0% Skæring 4, , ,210262,09E-05 4, , , , X-variabel 1 0, , , , , , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 4, , , , ,496
13 Normalfordelingsplot axial snit 3 posterior RESUMEOUTPUT Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , , , Residual 3 0, , I alt 4 0,70756 Koefficient Standardf Nedre Øvre Nedre Øvre er ejl t-stat P-værdi 95% 95% 95,0% 95,0% Skæring 6, , , ,2E-06 5,888656, , , X-variabel 1 1, , , , , , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 6, , , , ,094
14 anterior posterior 4,88 4,93 Interval Hyppighed Kumulativ % 4,42 4,78 4,24 1 3,33% 4,41 4,84 4, ,33% 4,57 5 4, ,67% 4,24 4,67 5, ,67% 4,46 4,7 5, ,67% 4,59 4,59 Mere 1 100,00% 5,52 4,77 4,88 4,57 4,47 4,67 4,76 4,66 4,73 4,49 4,71 4,71 4,65 4,56 4,64 4,51 4,79 4,77 4,34 4,65 4,58 4,9 4,73 4,87 4,52 4,81 Interval Hyppighed Kumulativ % 4,29 5,07 4,49 1 3,33% 4,57 4,94 4, ,67% 4,55 4,69 4, ,67% 4,67 4,61 4, ,33% 4,8 4,69 4, ,00% 4,61 5,01 Mere 3 100,00% 4,74 4,67 4,6 4,74 4,52 4,65 4,89 4,64
15 Normalfordelingsplot axial snit 10 anterior RESUMEOUTPUT Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , , , Residual 3 0, , I alt 4 0,65536 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 4, , , ,22E-05 3, , , , X-variabel 1 0, , , , , , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 4, , , , ,264
16 Normalfordelingsplot axial snit 10 posterior RESUMEOUTPUT Regressionsstatistik Multipel R 0,98451 R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , ,5894 0, Residual 3 0, , I alt 4 0,13456 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 4, , ,2097 6,13E-07 4, , , , X-variabel 1 0, , , , , , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 4, , , , ,954
17 axial snit 18 anterior posterior 3,25 3,82 Interval Hyppighed Kumulativ % 3,53 3,66 3,23 1 3,33% 3,62 3,84 3, ,00% 3,75 3,6 3, ,67% 3,45 3,74 3, ,33% 3,53 3,55 3, ,00% 3,71 3,85 Mere 6 100,00% 3,42 3,68 3,73 3,72 3,68 3,49 3,88 4,02 3,57 3,55 3,81 3,77 3,58 3,73 3,83 3,55 3,64 3,71 3,55 3,65 3,63 3,75 3,39 3,52 3,43 3,73 3,23 3,64 Interval Hyppighed Kumulativ % 3,6 3,86 3,49 1 3,33% 3,86 3,62 3, ,00% 3,84 3,83 3, ,33% 3,44 3,72 3, ,33% 3,79 3,71 3, ,33% 3,24 3,93 Mere 2 100,00% 3,68 3,82 3,53 3,68 3,63 3,58
18 Normalfordelingsplot axial snit 18 anterior RESUMEOUTPUT Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , , , Residual 3 0, , I alt 4 0,169 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 3, , , ,98E-06 3, , , , X-variabel 1 0, , , , , , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 3, , , , ,75
19 Normalfordelingsplot axial snit 18 posterior Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , ,5 0,00031 Residual 3 0, , I alt 4 0,11236 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 3, , ,5535 1,26E-07 3, , , , X-variabel 1 0, , , , , , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 3, , , , ,914
20 helical snit 3 anterior posterior Interval Hyppighed Kumulativ % 5,36 13,3 3,84 1 3,33% 4,93 13,4 4, ,33% 3,84 11,4 4, ,33% 5,04 13,4 4, ,00% 4,88 9,28 5, ,67% 5,34 14,1 Mere 7 100,00% 5,57 13,6 5,09 14,9 5,24 14,8 5,05 9,99 5,18 11,9 5,27 9,97 4,99 8,25 4,9 8,98 5,19 14,2 5,37 11,4 4, ,04 10,2 5,12 14,4 4,69 9,25 Interval Hyppighed Kumulativ % 5,18 13,3 8,25 1 3,33% 5,09 10,6 9, ,67% 4,93 16,7 11, ,00% 4,58 9,81 13, ,00% 4,98 11,8 15, ,67% 4,82 10,2 Mere 1 100,00% 5, ,14 9,75 4,84 9,78 5,28 8,98
21 Normalfordelingsplot helical snit 3 anterior RESUMEOUTPUT Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , , , Residual 3 0, , I alt 4 1,19716 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 4, , , , , , , , X-variabel 1 1, , , , ,442 3, ,442 3, SANDSYNLIGHEDSOUTPUT Fraktil Y 10 3, , , , ,224
22 Normalfordelingsplot helical snit 3 posterior Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 28, , ,429 2,39E-05 Residual 3 0, , I alt 4 28,561 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 8, , ,4399 3,79E-06 7, , , , X-variabel 1 7, , ,1711 2,39E-05 6, , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 8, , , , ,01
23 helical snit 10 anterior posterior Interval Hyppighed Kumulativ % 5,31 5,4 4,58 1 3,33% 5,17 4,97 4, ,67% 4,86 5,07 4, ,33% 4,9 5,21 5, ,00% 5,35 5,77 5, ,00% 5,23 5,18 Mere 6 100,00% 5,04 5,51 5,13 5,75 4,98 5,89 5,27 5,04 5,2 5,44 5,56 5,48 5,43 5,4 4,91 5,65 5,31 4,98 5,39 5,66 4,92 5,21 5,39 5,55 5,34 5,43 5,45 5,47 Interval Hyppighed Kumulativ % 5,51 5,55 4,97 1 3,33% 4,7 5,51 5, ,33% 5,23 5,54 5, ,67% 5,07 5,38 5, ,00% 5,34 6,29 6, ,67% 4,9 5,47 Mere 1 100,00% 5,13 5,32 5,29 5,71 4,58 5,27 5,29 5,74
24 Normalfordelingsplot helical snit 10 anterior RESUMEOUTPUT Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0,11653 Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , , , Residual 3 0, , I alt 4 0,38416 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 4, , , ,94E-06 4, , , , X-variabel 1 0, , , , , , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 4, ,776
25 50 4, , ,364 Normalfordelingsplot helical snit 10 posterior Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , ,25 0, Residual 3 0, , I alt 4 0,69696 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 4, , , E-06 4, , , , X-variabel 1 1, , ,5 0, , , , , SANDSYNLIGHEDSOUTPUT Fraktil Y 10 4, , ,498
26 70 5, ,026 Helical snit 18 Anterior Posterior Interval Hyppighed Kumulativ % 3,5 4,84 3,48 2 6,67% 3,7 4,34 3, ,33% 3,48 5,01 3, ,00% 3,86 4,8 3, ,00% 3,73 5,04 3, ,67% 3,63 4,75 Mere 4 100,00% 3,77 4,89 3,91 5,54 3,97 4,89 3,59 5,19 3,7 4,78 3,97 4,52 3,54 4,86 4,07 5,01 3,88 4,82 4,02 4,93 3,54 5,14 4 5,34 3,69 4,23 3,79 5,21 Interval Hyppighed Kumulativ % 3,97 4,68 4,23 1 3,33% 3,73 5,15 4, ,00% 3,84 4,67 4, ,00% 3,95 4,55 5, ,33% 4,11 4,8 5, ,33% 3,48 4,87 Mere 2 100,00% 3,68 4,38 3,52 5,11
27 3,91 4,92 3,7 4,73 Normalfordelingsplot helical snit 18 anterior RESUMEOUTPUT Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , ,7647 0,00074 Residual 3 0, , I alt 4 0,15876 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 3, , ,531 7,01E-07 3, , , ,52059 X-variabel 1 0, , ,3096 0, , , , , SANDSYNLIGHEDSOUTPUT
28 Fraktil Y 10 3, , , , ,984 Normalfordelingsplot helical snit 18 posterior RESUMEOUTPUT Regressionsstatistik Multipel R 0, R-kvadreret 0, Justeret R- kvadreret 0, Standardfejl 0, Observationer 5 ANAVA fg SK MK F Signifikans F Regression 1 0, , , , Residual 3 0, , I alt 4 0,68644 Koefficient Standardfe Nedre Øvre er jl t-stat P-værdi Nedre 95% Øvre 95% 95,0% 95,0% Skæring 4, , , ,36E-05 4, , , , X-variabel 1 1, , , , , , , ,474402
29 SANDSYNLIGHEDSOUTPUT Fraktil Y 10 4, , , , ,278 5: Uparret t-test Snit 3 Anterior Snit 3 Axial Helical Anterior 5,12 5,36 F-test: Dobbelt stikprøve for varians 5,11 4,93 4,74 3,84 Variabel 1 Variabel 2 4,98 5,04 Middelværdi 5, , ,03 4,88 Varians 0, , ,7 5,34 Observationer ,56 5,57 fg ,89 5,09 F 1, ,14 5,24 P(F<=f) en-halet 0, ,73 5,05 F-kritisk en-halet 1, ,69 5,18 4,94 5,27 5,01 4,99 t-test: To stikprøver med ens varians 5,1 4,9 4,94 5,19 5,11 5,37 Variabel 1 Variabel 2 4,65 4,81 Middelværdi 5, , ,01 5,04 Varians 0, , ,94 5,12 Observationer ,95 4,69 Puljevarians 0, ,97 5,18 Hypotese for forskel i middelværdi 0
30 4,8 5,09 fg 58 4,82 4,93 t-stat 1,2454 4,65 4,58 P(T<=t) en-halet 0, ,6 4,98 t-kritisk en-halet 1, ,94 4,82 P(T<=t) to-halet 0, ,08 5,18 t-kritisk to-halet 2, ,21 5,14 4,9 4,84 4,97 5,28 Snit 10 Anterior Snit 10 Axial Helical Anterior 4,88 5,31 F-test: Dobbelt stikprøve for varians 4,42 5,17 4,41 4,86 Variabel 1 Variabel 2 4,57 4,9 Middelværdi 5, , ,24 5,35 Varians 0, , ,46 5,23 Observationer ,59 5,04 fg ,52 5,13 F 1, ,88 4,98 P(F<=f) en-halet 0, ,47 5,27 F-kritisk en-halet 1, ,76 5,2 4,73 5,56 4,71 5,43 t-test: To stikprøver med ens varians 4,65 4,91 4,64 5,31 Variabel 1 Variabel 2 4,79 5,39 Middelværdi 5, , ,34 4,92 Varians 0, , ,58 5,39 Observationer ,73 5,34 Puljevarians 0, ,52 5,45 Hypotese for forskel i middelværdi 0 4,29 5,51 fg 58 4,57 4,7 t-stat 8, ,55 5,23 P(T<=t) en-halet 2,55E-12 4,67 5,07 t-kritisk en-halet 1,671553
31 4,8 5,34 P(T<=t) to-halet 5,1E-12 4,61 4,9 t-kritisk to-halet 2, ,74 5,13 4,6 5,29 4,52 4,58 4,89 5,29 Snit 18 anterior snit 18 axial helical anterior 3,25 3,5 F-test: Dobbelt stikprøve for varians 3,53 3,7 3,62 3,48 Variabel 1 Variabel 2 3,75 3,86 Middelværdi 3, ,594 3,45 3,73 Varians 0, , ,53 3,63 Observationer ,71 3,77 fg ,42 3,91 F 1, ,73 3,97 P(F<=f) en-halet 0, ,68 3,59 F-kritisk en-halet 1, ,88 3,7 3,57 3,97 3,81 3,54 t-test: To stikprøver med ens varians 3,58 4,07 3,83 3,88 Variabel 1 Variabel 2 3,64 4,02 Middelværdi 3, ,594 3,55 3,54 Varians 0, , ,63 4 Observationer ,39 3,69 Puljevarians 0, ,43 3,79 Hypotese for forskel i middelværdi 0 3,23 3,97 fg 58 3,6 3,73 t-stat 3, ,86 3,84 P(T<=t) en-halet 0, ,84 3,95 t-kritisk en-halet 1,671553
32 3,44 4,11 P(T<=t) to-halet 0, ,79 3,48 t-kritisk to-halet 2, ,24 3,68 3,68 3,52 3,53 3,91 3,63 3,7 Snit 3 posterior snit 3 axial helical posterior 7,13 13,3 F-test: Dobbelt stikprøve for varians 6,51 13,4 6,94 11,4 Variabel 1 Variabel 2 7,14 13,4 Middelværdi 11, , ,34 9,28 Varians 4, , ,53 14,1 Observationer ,68 13,6 fg ,04 14,9 F 43, ,25 14,8 P(F<=f) en-halet 4,18E-17 6,97 9,99 F-kritisk en-halet 1, ,57 11,9 7,07 9,97 7,05 8,25 6,75 8,98 t-test: To stikprøver med forskellig varians 7,36 14,2 6,25 11,4 Variabel 1 Variabel 2 6,67 12 Middelværdi 11, , ,91 10,2 Varians 4, , ,85 14,4 Observationer ,03 9,25 Hypotese for forskel i middelværdi 0 6,99 13,3 fg 30 6,73 10,6 t-stat 12, ,32 16,7 P(T<=t) en-halet 1,75E-13 6,48 9,81 t-kritisk en-halet 1,69726
33 6,66 11,8 P(T<=t) to-halet 3,49E-13 6,3 10,2 t-kritisk to-halet 2, , ,72 9,75 6,43 9,78 7,22 8,98 Snit 10 posterior snit 10 axial helical posterior 4,93 5,4 F-test: Dobbelt stikprøve for varians 4,78 4,97 4,84 5,07 Variabel 1 Variabel 2 5 5,21 Middelværdi 5, , ,67 5,77 Varians 0, , ,7 5,18 Observationer ,59 5,51 fg ,77 5,75 F 3, ,57 5,89 P(F<=f) en-halet 0, ,67 5,04 F-kritisk en-halet 1, ,66 5,44 4,49 5,48 4,71 5,4 4,56 5,65 t-test: To stikprøver med forskellig varians 4,51 4,98 4,77 5,66 Variabel 1 Variabel 2 4,65 5,21 Middelværdi 5, , ,9 5,55 Varians 0, , ,87 5,43 Observationer ,81 5,47 Hypotese for forskel i middelværdi 0 5,07 5,55 fg 44 4,94 5,51 t-stat 12, ,69 5,54 P(T<=t) en-halet 4,52E-16 4,61 5,38 t-kritisk en-halet 1,68023
34 4,69 6,29 P(T<=t) to-halet 9,03E-16 5,01 5,47 t-kritisk to-halet 2, ,67 5,32 4,74 5,71 4,65 5,27 4,64 5,74 Snit 18 posterior snit 18 axial helical posterior 3,82 4,84 F-test: Dobbelt stikprøve for varians 3,66 4,34 3,84 5,01 Variabel 1 Variabel 2 3,6 4,8 Middelværdi 4, , ,74 5,04 Varians 0, , ,55 4,75 Observationer ,85 4,89 fg ,68 5,54 F 5, ,72 4,89 P(F<=f) en-halet 1,08E-05 3,49 5,19 F-kritisk en-halet 1, ,02 4,78 3,55 4,52 3,77 4,86 3,73 5,01 t-test: To stikprøver med forskellig varians 3,55 4,82 3,71 4,93 Variabel 1 Variabel 2 3,65 5,14 Middelværdi 4, , ,75 5,34 Varians 0, , ,52 4,23 Observationer ,73 5,21 Hypotese for forskel i middelværdi 0 3,64 4,68 fg 39 3,86 5,15 t-stat 19, ,62 4,67 P(T<=t) en-halet 2,27E-22
35 3,83 4,55 t-kritisk en-halet 1, ,72 4,8 P(T<=t) to-halet 4,54E-22 3,71 4,87 t-kritisk to-halet 2, ,93 4,38 3,82 5,11 3,68 4,92 3,58 4,73
Vejledende løsninger kapitel 9 opgaver
KAPITEL 9 OPGAVE 1 a) Hypoteser H 0 : Der er uafhængighed (ingen sammenhæng) i kontingenstabellen H 1 : Der er afhængighed (sammenhæng) i kontingenstabellen Observerede værdier Ny metode Gammel metode
Bilag til Statistik i løb : Statistik og Microsoft Excel tastevejledning / af Lars Bo Kristensen
Bilag til Statistik i løb : Statistik og Microsoft Excel tastevejledning / af Lars Bo Kristensen Microsoft Excel har en del standard anvendelsesmuligheder i forhold til den beskrivende statistik og statistisk
Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.
Kursus 242 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 35/324 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail:
VEJLEDNING OM MÅLING AF PATIENTDOSER TIL CT-UNDERSØGELSER
VEJLEDNING OM MÅLING AF PATIENTDOSER TIL CT-UNDERSØGELSER 2012 Vejledning om måling af patientdoser til CT-undersøgelser Sundhedsstyrelsen, 2012. Publikationen kan frit refereres med tydelig kildeangivelse.
Forelæsning 3: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
SCVUA-guide til informationssøgning
SCVUA-guide til informationssøgning Bilag 1 SCVUA-guide til informationssøgning Facet 1 - navn: Ofte OR mellem søgetermerne Databasenavn: PubMed Bismuth Bismuth, in-plane shield, breast shield, shielding
Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
Oversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Løsninger til kapitel 15. størrelsen i kvadratmeter, X. en dummy-variabel, som indikerer om der er havudsigt eller ej, så er modellen
Løsninger til kapitel 5 Opgave 5. a) Hvis Y indikerer prisen, størrelsen i kvadratmeter, afstanden i meter til vandet og en dummy-variael, som indikerer om der er havudsigt eller ej, så er modellen Y =
MLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Forelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Multipel regression. Data fra opgave 3 side 453: Multipel regressionsmodel: Y = α + β 1 x 1 + β 2 x 2 + ǫ. hvor ǫ N(0, σ 2 ).
Program 1. multipel regression 2. polynomiel regression (og andre kurver) 3. kategoriske variable 4. Determinationkoefficient og justeret determinationskoefficient 5. ANOVA-tabel 1/13 Multipel regression
Appendiks Økonometrisk teori... II
Appendiks Økonometrisk teori... II De klassiske SLR-antagelser... II Hypotesetest... VII Regressioner... VIII Inflation:... VIII Test for SLR antagelser... IX Reset-test... IX Plots... X Breusch-Pagan
Billedkvalitet fortsat
03-10-2012 side 1 Billedkvalitet fortsat 03-10-2012 side 2 Billedkvalitet Parameterhåndtering FOV ma Scantid kv Pitch Snittykkelse Patientlejring Kernel 03-10-2012 side 3 FOV Placering af pt. 03-10-2012
Analysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
Perspektiver i Matematik-Økonomi: Linær regression
Perspektiver i Matematik-Økonomi: Linær regression Jens Ledet Jensen H2.21, email: jlj@imf.au.dk Perspektiver i Matematik-Økonomi: Linær regression p. 1/34 Program for i dag 1. Indledning: sammenhæng mellem
Løsninger til kapitel 1
Opgave. a) observation hyppighed frekvens kum. frekvens 2,25,25 3,875,325 2 3,875,5 3 3,875,6875 4,625,75 5,625,825 6,,825 7 2,25,9375 8,,9375 9,625, Frekvenser illustreres i et pindediagram,2,8,6,4,2,,8,6,4,2
Tænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
Kapitel 3 Centraltendens og spredning
Kapitel 3 Centraltendens og spredning Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 25 Indledning I kapitel 2 omsatte vi de rå data til en tabel, der bedre viste materialets fordeling
HYPOTESE 1 - MULTIPEL REGRESSION...
Indholdsfortegnelse Bilag 1 - TM Graveyard Model... 1 Bilag 2 - Persontransport i Danmark... 1 Bilag 3 - SG&A udgifter for TM i perioden 2010-2014... 2 Bilag 4 - Nyregistrerede biler i perioden 2011-2014...
03-10-2012 side 1. Billedkvalitet. May-Lin Martinsen. UDDANNELSER I UDVIKLING www.ucl.dk
03-10-2012 side 1 Billedkvalitet May-Lin Martinsen 03-10-2012 side 2 Billedkvalitet Kontrast opløsning Rumlig opløsning Signal- Støj forhold (S/N) DOSIS Artefakter 03-10-2012 side 3 Billedkvalitet Den
Vejledning til GYM17 Copyright Adept Nordic 2013
Vejledning til GYM17 Copyright Adept Nordic 2013 Vejledning i brug af Gym17-pakken... iv 1 Deskriptiv statistik... 1 1.1 Ikke-grupperede observationssæt... 1 1.2 Grupperede observationssæt... 4 2 Regressioner...
Konfidensintervaller og Hypotesetest
Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller
Indhold Grupperede observationer... 1 Ugrupperede observationer... 3 Analyse af normalfordelt observationssæt... 4
BH Test for normalfordeling i WordMat Indhold Grupperede observationer... 1 Ugrupperede observationer... 3 Analyse af normalfordelt observationssæt... 4 Grupperede observationer Vi tager udgangspunkt i
Multipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
1. Lav en passende arbejdstegning, der illustrerer samtlige enkeltobservationer.
Vejledende besvarelse af hjemmeopgave Basal statistik, efterår 2008 En gruppe bestående af 45 patienter med reumatoid arthrit randomiseres til en af 6 mulige behandlinger, nemlig placebo, aspirin eller
Fagplan for statistik, efteråret 2015
Side 1 af 7 M Fagplan for statistik, efteråret 20 Litteratur Kenneth Hansen & Charlotte Koldsø (HK): Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave, ISBN 9788741256047 HypoStat
Vejledning til Gym18-pakken
Vejledning til Gym18-pakken Copyright Maplesoft 2014 Vejledning til Gym18-pakken Contents 1 Vejledning i brug af Gym18-pakken... 1 1.1 Installation... 1 2 Deskriptiv statistik... 2 2.1 Ikke-grupperede
Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke.
Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke. 1/23 Opsummering af fordelinger X 1. Kendt σ: Z = X µ σ/ n N(0,1)
Dig og din puls Lærervejleding
Dig og din puls Lærervejleding Indledning I det efterfølgende materiale beskrives et forløb til matematik C, hvori eleverne skal måle hvilepuls og arbejdspuls og beskrive observationerne matematisk. Materialet
Løsninger til kapitel 14
Opgave 14.1 a) Linjetilpasningsplottet bliver: Løsninger til kapitel 14 Idet datapunkterne ligger tæt på og jævnt fordelt omkring den rette linje, så ser det ud til, at der med rimelighed er tale om en
Tegning af grafer. Grafen for en ligning (almindelig) Skriv ligningen ind. Højreklik og vælg Plots -> 2-D Plot of Right Side.
TgPakken TgPakken er en række kommandoer til Maple tilegnet til det danske gymnasium. Det er rigtig smart til at kontrollere ens opgaver, men som alenestående svar til en eksamen er det ikke altid tilstrækkeligt.
Afsnit E1 Konfidensinterval for middelværdi i normalfordeling med kendt standardafvigelse
Afsnit 8.3 - E1 Konfidensinterval for middelværdi i normalfordeling med kendt standardafvigelse Først skal normalfordelingen lige defineres i Maple, så vi kan benytte den i vores udregninger. Dette gøres
5.11 Middelværdi og varians Kugler Ydelse for byg [Obligatorisk opgave 2, 2005]... 14
![5.11 Middelværdi og varians Kugler Ydelse for byg [Obligatorisk opgave 2, 2005]... 14](/thumbs/56/38082710.jpg "5.11 Middelværdi og varians Kugler Ydelse for byg [Obligatorisk opgave 2, 2005]... 14")
Module 5: Exercises 5.1 ph i blod.......................... 1 5.2 Medikamenters effektivitet............... 2 5.3 Reaktionstid........................ 3 5.4 Alkohol i blodet...................... 3 5.5
Bilag 2: Følsomhedsanalyse af netvolumenmålet Bilaget indeholder en teknisk gennemgang af følsomhedsanalysen af netvolumenmålet.
Bilag 2: Følsomhedsanalyse af netvolumenmålet Bilaget indeholder en teknisk gennemgang af følsomhedsanalysen af netvolumenmålet. FORSYNINGSSEKRETARIATET JUNI 2012 INDLEDNING... 3 FØLSOMHEDSANALYSE... 3
Økonometri 1. Inferens i den lineære regressionsmodel 2. oktober Økonometri 1: F8 1
Økonometri 1 Inferens i den lineære regressionsmodel 2. oktober 2006 Økonometri 1: F8 1 Dagens program Opsamling om asymptotiske egenskaber: Asymptotisk normalitet Asymptotisk efficiens Test af flere lineære
Kapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan
Nanostatistik: Opgavebesvarelser
Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,
Kapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 Indledning 2 Ensidet variansanalyse 3 Blokforsøg 4 Vekselvirkning 1 Indledning 2 Ensidet
Hvad er danskernes gennemsnitshøjde? N = 10. X 1 = 169 cm. X 2 = 183 cm. X 3 = 171 cm. X 4 = 113 cm. X 5 = 174 cm
Kon densintervaller og vurdering af estimaters usikkerhed Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Marts 18, 2019 Slides @ biostatistics.dk/talks/ 1 Population og stikprøve 2 Stikprøvevariation
6. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag)
Institut for Folkesundhed Afdeling for Biostatistik Afdeling for Epidemiologi. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag) Opgave 1 Udgangspunktet for de følgende spørgsmål er artiklen:
Økonometri lektion 5 Multipel Lineær Regression. Inferens Modelkontrol Prædiktion
Økonometri lektion 5 Multipel Lineær Regression Inferens Modelkontrol Prædiktion Multipel Lineær Regression Data: Sæt af oservationer (x i, x i,, x ki, y i, i,,n y i er den afhængige variael x i, x i,,
1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ
Indhold 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) 2 1.1 Variation indenfor og mellem grupper.......................... 2 1.2 F-test for ingen
Deskriptiv statistik. Version 2.1. Noterne er et supplement til Vejen til matematik AB1. Henrik S. Hansen, Sct. Knuds Gymnasium
Deskriptiv (beskrivende) statistik er den disciplin, der trækker de væsentligste oplysninger ud af et ofte uoverskueligt materiale. Det sker f.eks. ved at konstruere forskellige deskriptorer, d.v.s. regnestørrelser,
grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
Skriv punkternes koordinater i regnearket, og brug værktøjet To variabel regressionsanalyse.
Opdateret 28. maj 2014. MD Ofte brugte kommandoer i Geogebra. Generelle Punktet navngives A Geogebra navngiver punktet Funktionen navngives f Funktionen navngives af Geogebra Punktet på grafen for f med
Deskriptiv statistik for hf-matc
Deskriptiv statistik for hf-matc 75 50 25 2018 Karsten Juul Deskriptiv statistik for hf-matc Hvad er deskriptiv statistik? 1.1 Hvad er deskriptiv statistik?... 1 1.2 Hvad er grupperede og ugrupperede data?...
Oversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Lineær regression. Simpel regression. Model. ofte bruges følgende notation:
Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til
Kapitel 2 Frekvensfordelinger
Kapitel 2 Frekvensfordelinger Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 Indledning 2 Grafik af frekvensfordelinger 3 Frekvensfordeling med Excel 4 Opsamling 1 Indledning 2 Grafik
Statistik. Peter Sørensen: Statistik og sandsynlighed Side 1
Statistik Formålet... 1 Mindsteværdi... 1 Størsteværdi... 1 Ikke grupperede observationer... 2 Median og kvartiler defineres ved ikke grupperede observationer således:... 2 Middeltal defineres ved ikke
Bilag 12 Regressionsanalysens tabeller og forklaringer
Bilag 12 Regressionsanalysens tabeller og forklaringer Regressionsanalysens tabeller og forklaringer Regressionsanalysen vil være delt op i 2 blokke. Første blok vil analysere hvor meget de tre TPB variabler
Produkt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring
Opgave 11.4 side 316 (7ed: 11.4, side 352 og 6ed: 11.2, side 345)
Kursus 4: Besvarelser til øvelses- og hjemmeopgaver i uge 11 Opgave 11.4 side 316 (7ed: 11.4, side 35 og 6ed: 11., side 345) Opgaven består i at foretage en regressionsanalse. Først afbildes data som i
Forelæsning 2: Kapitel 4, Diskrete fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Grupperede observationer et eksempel. (begreber fra MatC genopfriskes og varians og spredning indføres)
Grupperede observationer et eksempel. (begreber fra MatC genopfriskes og varians og spredning indføres) Til Gribskovløbet 006 gennemførte 118 kvinder 1,4 km distancen. Fordelingen af kvindernes løbstider
På HoS og HeS konverteres undersøgelsen ofte til CT-oversigt over abdomen.
Bilagsfortegnelse 1: HoS & HeS: 4.5 oversigt over abdomen 2: Instruks CT OOA 3: Materiale CT & CT OOA fra FRD landskursus 2008 4: Referencedosis OOA 2,6 msv 5: Akut abdomen. CT versus røntgenoversigt over
t-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program ( ): 1. repetition: fordeling af observatorer X, S 2 og t.
t-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program (8.15-10): 1. repetition: fordeling af observatorer X, S 2 og t. 2. konfidens-intervaller, hypotese test, type I og type II fejl, styrke,
CT skanning som ny indgang til pakkeforløbet for lungekræft
CT skanning som ny indgang til pakkeforløbet for lungekræft Program Billeddiagnostik i pakkeforløbet Tidligere standard Hvad indeholder de nye retningslinjer for pakkeforløbet CT vs konventionelt røntgen
I. Deskriptiv analyse af kroppens proportioner
Projektet er delt i to, og man kan vælge kun at gennemføre den ene del. Man kan vælge selv at frembringe data, fx gennem et samarbejde med idræt eller biologi, eller man kan anvende de foreliggende data,
Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning
Side 1 af 6 Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,
for gymnasiet og hf 2017 Karsten Juul
for gymnasiet og hf 75 50 5 017 Karsten Juul Statistik for gymnasiet og hf 017 Karsten Juul 5/11-017 Nyeste version af dette hæfte kan downloades fra http://mat1.dk/noter.htm Hæftet må benyttes i undervisningen
Antal timer 19 5 7 10 0 6 6 3 7 6 4 14 6 5 12 10 Køn k m k m m k m k m k k k m k k k
Statistik 5 Statistik er en meget omfattende matematisk disciplin, og den anvendes i meget stor udstrækning i vores moderne samfund. Den handler om at analysere et (ofte meget stort) talmateriale. Det
Bilag 2 - Følsomhedsanalyse af netvolumenmålet Bilaget indeholder en teknisk gennemgang af følsomhedsanalysen af netvolumenmålet.
Bilag 2 - Følsomhedsanalyse af netvolumenmålet Bilaget indeholder en teknisk gennemgang af følsomhedsanalysen af netvolumenmålet. FORSYNINGSSEKRETARIATET OKTOBER 2011 INDLEDNING... 3 FØLSOMHEDSANALYSEN...
Personlig stemmeafgivning
Ib Michelsen X 2 -test 1 Personlig stemmeafgivning Efter valget i 2005 1 har man udspurgt en mindre del af de deltagende, om de har stemt personligt. Man har svar fra 1131 mænd (hvoraf 54 % har stemt personligt
1 Regressionsproblemet 2
Indhold 1 Regressionsproblemet 2 2 Simpel lineær regression 3 2.1 Mindste kvadraters tilpasning.............................. 3 2.2 Prædiktion og residualer................................. 5 2.3 Estimation
(studienummer) (underskrift) (bord nr)
Danmarks Tekniske Universitet Side 1 af 18 sider. Skriftlig prøve: 14. december 2009 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
Vejledning i brug af Gym-pakken til Maple
Vejledning i brug af Gym-pakken til Maple Gym-pakken vil automatisk være installeret på din pc eller mac, hvis du benytter cd'en Maple 16 - Til danske Gymnasier eller en af de tilsvarende installere. Det
Statistik er at behandle en stor mængde af tal, så de bliver lettere at overskue og forstå.
Statistik er at behandle en stor mængde af tal, så de bliver lettere at overskue og forstå. Hvis man fx samler de karakterer, der er givet til en eksamen i én stor bunke (se herunder), kan det være svært
Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning
1 Regressionsproblemet 2 Simpel lineær regression Mindste kvadraters tilpasning Prædiktion og residualer Estimation af betinget standardafvigelse Test for uafhængighed Konfidensinterval for hældning 3
Flambering af taphaner ved udtagning af vandprøver
Flambering af taphaner ved udtagning af vandprøver Naturstyrelsens Referencelaboratorium for Mikrobiologiske Miljøanalyser 2 Titel: Flambering af vandhaner ved prøveudtagning. Forfatter: Carsten Grønbæk
Kvantitative metoder 2
Kvantitative metoder Heteroskedasticitet 11. april 007 KM: F18 1 Oversigt: Heteroskedasticitet OLS estimation under heteroskedasticitet (W.8.1-): Konsekvenser af heteroskedasticitet for OLS Gyldige test
Undervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin Maj/juni 2018 Institution Skanderborg-Odder Center for Uddannelse Uddannelse Fag og niveau Lærer(e) Hold EUX1s
Statistik (deskriptiv)
Statistik (deskriptiv) Ikke-grupperede data For at behandle ikke-grupperede data i TI, skal data tastes ind i en liste. Dette kan gøres ved brug af List, hvis ikon er nr. 5 fra venstre på værktøjsbjælken
Statistik i GeoGebra
Statistik i GeoGebra Peter Harremoës 13. maj 2015 Jeg vil her beskrive hvordan man kan lave forskellige statistiske analyser ved hjælp af GeoGebra 4.2.60.0. De statistiske analyser svarer til pensum Matematik
Vejledende løsninger kapitel 8 opgaver
KAPITEL 8 OPGAVE 1 Nej den kan også være over 1 OPGAVE 2 Stikprøvestørrelse 10 Stikprøvegennemsnit 1,18 Stikprøvespredning 0,388158 Konfidensniveau 0,95 Nedre grænse 0,902328 Øvre grænse 1,457672 Stikprøvestørrelse
Statistik. Peter Sørensen: Statistik og sandsynlighed Side 1
Statistik Formålet... 1 Mindsteværdi... 1 Størsteværdi... 1 Ikke grupperede observationer... 2 Median og kvartiler defineres ved ikke grupperede observationer således:... 2 Middeltal defineres ved ikke
Bacheloropgave: Sekventiel CT Cerebrum versus Helical CT Cerebrum -en sammenligning af billedkvalitet, stråledosis og skantid.
Bacheloropgave: Sekventiel CT Cerebrum versus Helical CT Cerebrum -en sammenligning af billedkvalitet, stråledosis og skantid. 3. Eksterne opgave, Bacheloropgave 7. semester. Af: Kasper Dalhoff Larsen,
Undervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin Institution Uddannelse Fag og niveau Lærer(e) Hold Termin hvori undervisningen afsluttes: maj-juni 2014 IBC-Kolding
6. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag)
Institut for Epidemiologi og Socialmedicin Institut for Biostatistik. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag) Opgave 1 Læs afsnit.1 i An Introduction to Medical Statistics, specielt
Fokus på Forsyning. Datagrundlag og metode
Fokus på Forsyning I notatet gennemgås datagrundlaget for brancheanalysen af forsyningssektoren sammen med variable, regressionsmodellen og tilhørende tests. Slutteligt sammenfattes analysens resultater
Ifølge Dansk Energis analyse kan stigningen i grundbeløbsstøtten forklare størstedelen eller 72 % af faldet i fjernvarmepriserne fra 2010 til 2016.
Analyse Dok. ansvarlig: JFH Sekretær: Sagsnr.: s2015-731 Doknr: d2016-13799-36.0 12-10-2016 Grundbeløbet og betydning for fjernvarmeprisen Resume De naturgasfyrede decentrale kraftvarmeværker modtager
Hvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Undervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin Maj / Juni 2013 Institution Campus Vejle Uddannelse Fag og niveau Lærer(e) Hold HHX Matematik B Lene Thygesen
Statistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge
Statistik og Sandsynlighedsregning 2 Repetition og eksamen Overheads til forelæsninger, mandag 7. uge 1 Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange
Normalfordelingen. Statistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Repetition og eksamen T-test Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige
Statistik Lektion 16 Multipel Lineær Regression
Statistik Lektion 6 Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk
Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19
Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større
Løsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
1hf Spørgsmål til mundtlig matematik eksamen sommer 2014
1. Procent og rente Vis, hvordan man beregner gennemsnitlig procentændring 2. Procent og rente Vis hvordan man beregner indekstal. 3. Procent og rente Vis, hvordan man kan beregne forskellige størrelser
Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Ovenstående figur viser et (lidt formindsket billede) af 25 svampekolonier på en petriskål i et afgrænset felt på 10x10 cm.
Multiple choice opgaver Der gøres opmærksom på, at ideen med opgaverne er, at der er ét og kun ét rigtigt svar på de enkelte spørgsmål. Endvidere er det ikke givet, at alle de anførte alternative svarmuligheder
Deskriptiv statistik for matc i stx og hf
Deskriptiv statistik for matc i stx og hf 75 50 25 2019 Karsten Juul Deskriptiv statistik for matc i stx og hf Hvad er deskriptiv statistik? 1.1 Hvad er deskriptiv statistik?... 1 1.2 Hvad er grupperede
men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller
Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =
Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning
1 Multipel regressions model Eksempel Multipel regressions model Den generelle model Estimation Multipel R-i-anden F-test for effekt af prædiktorer Test for vekselvirkning PSE (I17) ASTA - 11. lektion
Trin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Undervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin juni 2019 Institution Uddannelse Fag og niveau Lærer(e) Hold Haderslev Handelsskole hhx Matematik B Carsten
Program. Logistisk regression. Eksempel: pesticider og møl. Odds og odds-ratios (igen)
Faculty of Life Sciences Program Logistisk regression Claus Ekstrøm E-mail: ekstrom@life.ku.dk Odds og odds-ratios igen Logistisk regression Estimation og inferens Modelkontrol Slide 2 Statistisk Dataanalyse
Epidemiologi og biostatistik. Uge 3, torsdag. Erik Parner, Institut for Biostatistik. Regressionsanalyse
Epidemiologi og biostatistik. Uge, torsdag. Erik Parner, Institut for Biostatistik. Lineær regressionsanalyse - Simpel lineær regression - Multipel lineær regression Regressionsanalyse Regressionsanalyser