Dansk. Oversigt. 1 Fordelingen for gennemsnittet t-fordelingen. 2 Konfidensintervallet for µ Eksempel. 3 Den statistiske sprogbrug og formelle ramme
|
|
- Lone Nørgaard
- 7 år siden
- Visninger:
Transkript
1 Itroduktio til Statistik enote 3: Kofidesitervaller for é gruppe/stikprøve Egelsk Forelæsig 4: Kofidesiterval for middelværdi (og spredig) Peder Bacher DTU Compute, Dyamiske Systemer Bygig 303B, Rum 009 Damarks Tekiske Uiversitet 2800 Lygby Damark Grudlæggede kocepter Populatio og tilfældig stikprøve Estimatio (f.eks. ˆµ er estimat af µ) Sigifikasiveau α Kofidesitervaller (fager rigtige prm. 1 α af gagee) Stikprøvefordeliger (stikprøvegeemsit (t) og empirisk varias (χ 2 )) Cetrale græseværdisætig Specifikke metoder, é gruppe/stikprøve: Kofidesitervaller for middelværdi (t-fordelig) og varias (χ 2 fordelig) Forsøgsplalægig: bereg stikprøvestørrelse for de øskede præcisio Efterår 2016 DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 enote 3: Oe sample cofidece itervals Dask Oversigt Geeral cocepts Populatio ad a radom sample Estimatio (e.g. ˆµ is estimate of µ) Sigificace level α Cofidece itervals (Catches true value 1 α times) Samplig distributios (sample mea (t) ad sample vaiace (χ 2 )) Cetral Limit Theorem Specific methods, oe sample: Cofidece itervals for the mea (t-distributio) ad variace (χ 2 distributio) Desig of experimets: calculatig the sample size for wated precisio 1 t-fordelige 2 Kofidesitervallet for µ 3 De statistiske sprogbrug og formelle ramme 4 Ikke-ormale data, Cetral Græseværdisætig (CLT) 5 Kofidesiterval for varias og spredig 6 Plalægig af studie med krav til præcisio DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
2 Theorem 3.2: Fordelig for geemsit af ormalfordeliger Middelværdi og varias følger af regeregler (Stikprøve-) fordelige/ The (samplig) distributio for X Assume that X 1,...,X are idepedet ad idetically ormally distributed radom variables, X i N(µ,σ 2 ) ad i = 1,...,, the: X = 1 i=1 X i N (µ, σ 2 ) Middelværdie af X Variase for X E( X) = E ( 1 i=1 X i ) = 1 i ) = i=1e(x 1 i=1 µ = 1 µ = µ Var( X) = 1 2 Var(X i ) = 1 i=1 2 σ 2 = 1 i=1 2 σ 2 = σ 2 DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 Svar via socrative.com eller Socrative app. Room: PBAC Two ormal distributios Simuler i R: Middelværdi og spredig af stikprøvegeemsit ## Simuler stikprøvegeemsit af ormalfordelt stokastisk variabel ## Middelværdie mu <- -5 ## Stadard afvigelse sigma <- 2 ## Stikprøvestørrelse <- 50 ## Simuler ormalfordelt X_i x <- rorm(=, mea=mu, sd=sigma) ## Se realiserigere x ## Empirisk tæthed hist(x, prob=true, col='blue') De ee pdf hører til X i og de ade til X. Hvad ka kokluderes? A: De sorte hører til X i og de røde til X B: De sorte hører til X og de røde til X i C: De ka ikke afgøres D: Ved ikke µ ## Bereg geemsittet (stikprøve middelværdie, i.e. sample mea) mea(x) ## Bereg stikprøvevariase (sample variace) var(x) ## Getag de simulerede stikprøvetagig mage gage mat <- replicate(100, rorm(=, mea=mu, sd=sigma)) ## Bereg geemsittet for hver af dem xbar <- apply(mat, 2, mea) ## Nu har vi mage realiseriger af stikprøvegeemsittet xbar ## Se deres fordelig hist(xbar, prob=true, col='blue') ## Deres geemsit mea(xbar) ## og deres variaser var(xbar) DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
3 Pdf for geemsittet X år X i N(µ,σ 2 ) (Trasformatio til stadard ormalfordelig) Pdf for fejle vi begår X µ år X i N(µ,σ 2 ) (Trasformatio til stadard ormalfordelig) X N(µ, σ 2 ) X µ N(0, σ 2 ) σ X = σ σ ( X µ) = σ µ 0 µ DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 X µ Pdf for σ/ år X i N(µ,σ 2 ) (Trasformatio til stadard ormalfordelig) Svar via socrative.com eller Socrative app. Room: PBAC X µ σ/ N(0,12 ) Hvilket af følgede er korrekt hvis X i N(µ,σ 2 )? A: X i σ = Z N(0,12 ) B: X i σ 2 = Z N(0,1 2 ) C: X i µ σ = Z N(0,1 2 ) D: X i µ σ 2 = Z N(0,1 2 ) σ ( ) X µ = 1 σ/ E: Ved ikke 0 µ Stadardiseret til stadard ormalfordelig (oteres Z = X µ σ/ N(0,12 )) DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
4 Stadardiseret versio af de samme tig, Corollary 3.3: Nu ka et 95% kofidesiterval udledes Fordelige for de stadardiserede fejl vi begår: Assume that X 1,...,X are idepedet ad idetically ormally distributed radom variables, X i N ( µ,σ 2) where i = 1,...,, the: Z = X µ = X µ σ ( X µ) σ/ N(0,12 ) That is, the stadardized sample mea Z follows a stadard ormal distributio. 95% kofidesiterval for µ: P(z < Z < z ) = 0.95 ( P z < X µ ) σ/ < z σ σ ) P (z < X µ < z ( σ σ ) P X + z < µ < X + z = 0.95 = 0.95 = 0.95 DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 Simulerig af beregig af 95% kofidesiterval Kofidesitervallet er omkrig x og fager her µ Pdf for Xi Pdf for X Ny simulerig af beregig af 95% kofidesiterval Kofidesitervallet er omkrig x og fager her µ Pdf for Xi Pdf for X µ µ x + z0.025 σ x x x + z0.975 σ x + z0.025 σ x x x + z0.975 σ DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
5 µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ µ Beregig af 99% kofidesiterval 20 getagelser af beregig at 95% kofidesiterval 99% kofidesitervallet er breddere ed 95% kofidesitervallet (det skal fage µ oftere) Pdf for Xi Pdf for X MISS µ x + z0.005 σ x x x + z0.995 σ DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / getagelser af beregig at 95% kofidesiterval Praktisk problem!! MISS MISS MISS Populatiosspredige σ idgår i formle og de keder vi ikke!! Oplagt løsig: Aved estimatet S af σ i stedet for! MEN MEN: Så bryder de give teori faktisk samme!! MISS HELDIGVIS: Der fides e heldigvis udvidet teori, der ka klare det!! DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
6 t-fordelige Theorem 3.4: More applicable extesio of the same stuff: (kopi af Theorem 2.49) t-fordelige t-fordelige med 9 frihedsgrader ( = 10) og stadardormalfordelige t-fordelige tager højde for usikkerhede i at bruge s: Assume that X 1,...,X are idepedet ad idetically ormally distributed radom variables, where X i N ( µ,σ 2) ad i = 1,...,, the: T = X µ S/ t where t is the t-distributio with 1 degrees of freedom Red: t Black: stadard ormal z0.025 = 1.96 z0.975 = 1.96 t0.025 = 2.26 t0.975 = DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 t-fordelige t-fordelige med 29 frihedsgrader ( = 30) og stadardormalfordelige Kofidesitervallet for µ Metodeboks 3.8: Oe-sample kofidesiterval for µ Red: t Black: stadard ormal z0.025 = 1.96 z0.975 = 1.96 t0.025 = 2.05 t0.975 = 2.05 Brug de rigtige t-fordelig til at lave kofidesitervallet: For a sample x 1,...,x the 100(1 α)% cofidece iterval is give by: s x ± t 1 α/2 where t 1 α/2 is the 100(1 α)% quatile from the t-distributio with 1 degrees of freedom. Mest almideligt med α = 0.05: The most commoly used is the 95%-cofidece iterval: s x ± t DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
7 Kofidesitervallet for µ Kofidesitervallet for µ - Højde af 10 studerede Højde-eksempel, 95% kofidesiterval (CI) Stikprøve, = 10: ## 97.5% fraktile af t-fordelige for =10: qt(p=0.975, df=9) ## [1] 2.3 Sample mea og stadard deviatio: x = 178 s = Estimer populatio mea og stadard deviatio: ˆµ = 178 ˆσ = Idsat i formle giver det 178 ± ± 8.74 = [169.3; 186.7] DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 Kofidesitervallet for µ Kofidesitervallet for µ Højde-eksempel, 99% Kofidesiterval (CI) Der fides e R-fuktio, der ka gøre det hele (med mere): ## 99.5% fraktile af t-fordelige for =10: qt(p=0.995, df=9) ## [1] 3.2 ## Agiv data x <- c(168,161,167,179,184,166,198,187,191,179) ## Bereg 99% kofidesiterval t.test(x, cof.level=0.99) Idsat i formle giver det 178 ± ± = [165.4; 190.6] ## ## Oe Sample t-test ## ## data: x ## t = 50, df = 9, p-value = 5e-12 ## alterative hypothesis: true mea is ot equal to 0 ## 99 percet cofidece iterval: ## ## sample estimates: ## mea of x ## 178 DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
8 Kofidesitervallet for µ Kofidesitervallet for µ Svar via socrative.com eller Socrative app. Room: PBAC PAUSE Bør Peder bruge e mikrofo da det ville give et mere behageligt lydiveau? A: Ja, for de da! Ha skriger, det er ubehageligt B: Nej, det går fit. Me ha må gere tale lavere C: Nej, det går fit. Me ha må gere tale højere D: Nej, det er faktisk meget passede DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 Kofidesitervallet for µ Svar via socrative.com eller Socrative app. Room: PBAC De statistiske sprogbrug og formelle ramme De formelle ramme for statistisk iferes Fra enote, Chapter 1: Bør Peder klæde sig mere ydeligt? A: Ja, for de da! Det er grimt det tøj B: Nej, ha ser faktisk rigtig checket ud C: Nej, det ka være lige meget med tøjet, ha skal barbere sig og rede sit hår først D: Ved ikke, jeg har simpelthe været for optaget af statistikke til at lægge mærke til has påklædig A observatioal uit is the sigle etity/level about which iformatio is sought (e.g. a perso) (Observatiosehed) The statistical populatio cosists of all possible measuremets o each observatioal uit (Populatio) The sample from a statistical populatio is the actual set of data collected. (Stikprøve) Sprogbrug og kocepter: µ og σ er parametre, som beskriver populatioe x er estimatet for µ (kokret udfald) X er estimatore for µ (u set som stokastisk variabel) Begrebet statistic(s) er e fællesbetegelse for begge DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
9 De statistiske sprogbrug og formelle ramme De formelle ramme for statistisk iferes - De statistiske sprogbrug og formelle ramme Statistisk iferes = Learig from data Fra enote, Chapter 1, højdeeksempel Vi måler højde for 10 tilfældige persoer i Damark Learig from data is learig about parameters of distributios that describe populatios Stikprøve/The sample: De 10 kokrete talværdier: x 1,...,x 10 Populatioe: Højdere for alle meesker i Damark. Observatiosehede: E perso Vigtigt i de forbidelse: Stikprøve skal på meigsfuld vis være repræsetativ for e eller ade veldefieret populatio Hvorda sikrer ma det: F.eks. ved at sikre at stikprøve er fuldstædig tilfældig udtaget DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 De statistiske sprogbrug og formelle ramme Tilfældig stikprøveudtagig De statistiske sprogbrug og formelle ramme Svar via socrative.com eller Socrative app. Room: PBAC Defiitio 3.11: A radom sample from a (ifiite) populatio: A set of observatios X 1,X 2,...,X costitutes a radom sample of size from the ifiite populatio f (x) if: 1 Each X i is a radom variable whose distributio is give by f (x) 2 These radom variables are idepedet Hvad betyder det???? 1 Alle observatioer skal komme fra de samme populatio 2 De må IKKE dele iformatio med hiade (f.eks. hvis ma havde udtaget hele familier i stedet for ekeltidivider) Geemsit x = 14.4, stikprøvespredige s = 6, atal obs. er = 9 Formle for kofidesitervallet er x ± t s t-fordelige med 8 frihedsgrader t0.025 = 2.31 t0.975 = x Hvilket af itervallere er det rigtige 95% kofidesiterval? A: Turkise B: Sorte C: Grøe D: Blå E: Røde DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
10 Ikke-ormale data, Cetral Græseværdisætig (CLT) Theorem 3.13: The Cetral Limit Theorem Ikke-ormale data, Cetral Græseværdisætig (CLT) CLT i actio - geemsit af Uiform fordelte observatioer Geemsittet af e tilfældig stikprøve følger altid e ormalfordelig hvis er stor ok: Let X be the mea of a radom sample of size take from a populatio with mea µ ad variace σ 2, the Z = X µ σ/ is a radom variable whose distributio fuctio approaches that of the stadard ormal distributio, N(0,1 2 ), as Dvs., hvis er stor ok, ka vi (tilærmelsesvist) atage: X µ σ/ N(0,12 ) og X µ S/ t ved t-fordelige med 1 frihedsgrader ## Stikprøvestørrelse =1 ## Atal getagelser k=1000 ## Simuler u=matrix(ruif(k*),col=) ## Se empirisk tæthed hist(apply(u,1,mea), col='blue', mai='=1', xlab='meas', class=15, prob=true, xlim=c(0,1)) Desity = Meas DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 Ikke-ormale data, Cetral Græseværdisætig (CLT) CLT i actio - geemsit af Uiform fordelte observatioer Ikke-ormale data, Cetral Græseværdisætig (CLT) CLT i actio - geemsit af Uiform fordelte observatioer ## Stikprøvestørrelse =2 ## Atal getagelser k=1000 ## Simuler u=matrix(ruif(k*),col=) ## Se empirisk tæthed hist(apply(u,1,mea), col='blue', mai='=2', xlab='meas', class=15, prob=true, xlim=c(0,1)) ## Stikprøvestørrelse =6 ## Atal getagelser k=1000 ## Simuler u=matrix(ruif(k*),col=) ## Se empirisk tæthed hist(apply(u,1,mea), col='blue', mai='=6', xlab='meas', class=15, prob=true, xlim=c(0,1)) Desity =2 Desity = Meas Meas DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
11 Ikke-ormale data, Cetral Græseværdisætig (CLT) CLT i actio - geemsit af Uiform fordelte observatioer Ikke-ormale data, Cetral Græseværdisætig (CLT) Kosekves af CLT: ## Stikprøvestørrelse =30 ## Atal getagelser k=1000 ## Simuler u=matrix(ruif(k*),col=) ## Se empirisk tæthed hist(apply(u,1,mea), col='blue', mai='=30', xlab='meas', class=15, prob=true, xlim=c(0,1)) Desity =30 Vores CI-metode virker OGSÅ for ikke-ormale data: Vi ka bruge kofides-iterval baseret på t-fordelige i stort set alle situatioer, blot er stor ok Hvad er stor ok? Faktisk svært at svare præcist på, MEN: Tommelfigerregel: 30 Selv for midre ka formle være (æste) gyldig for ikke-ormale data Meas DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 Kofidesiterval for varias og spredig Kofidesiterval for varias og spredig Stikprøvefordelige for varias-estimatet (Theorem 2.56) Produktio af tabletter Vi producerer pulverbladig og tabletter deraf, så kocetratioe af det aktive stof i tablettere skal være 1 mg/g med de midst mulige spredig. E tilfældig stikprøve udtages, hvor vi måler mægde af aktivt stof. Variasestimater opfører sig som e χ 2 -fordelig: Let the: S 2 = 1 1 χ 2 = i=1 (X i X) 2 ( 1)S2 σ 2 is a radom variable followig the χ 2 -distributio with v = 1 degrees of freedom. DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
12 Kofidesiterval for varias og spredig χ 2 -fordelige med ν = 9 frihedsgrader Kofidesiterval for varias og spredig Metode 3.18: Kofidesiterval for stikprøvevarias og stikprøvespredig ## Plot chi^2 tæthedsfuktio med 9 frihedsgrader ## E sekves af x værdier x <- seq(0, 30, by = 0.1) ## Plot chi^2 tæthedsfuktio plot(x, dchisq(x, df = 9), type = 'l', ylab="f(x)") f(x) x Variase: A 100(1 α)% cofidece iterval for the variace σ 2 is: [ ] ( 1)s 2 ( 1)s 2 χ1 α/2 2 ; χα/2 2 where the quatiles come from a χ 2 -distributio with ν = 1 degrees of freedom. Spredige: A 100(1 α)% cofidece iterval for the sample stadard deviatio ˆσ is: [ ] ( 1)s 2 ( 1)s 2 ; χ 2 1 α/2 χ 2 α/2 DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 Kofidesiterval for varias og spredig Kofidesiterval for varias og spredig Data: E tilfældig stikprøve med = 20 tabletter er udtaget og fra dee får ma: ˆµ = x = 1.01, ˆσ 2 = s 2 = %-kofidesiterval for variase - vi skal bruge χ 2 -fraktilere: χ = , χ = ## 2.5% og 97.5% fraktilere i chi^2 fordelige for =20 qchisq(c(0.025, 0.975), df = 19) Så kofidesitervallet for variase σ 2 bliver: [ ; ] = [ ; ] Og kofidesitervallet for spredige σ bliver: [ ; ] = [0.053; 0.102] ## [1] DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
13 Højdeeksempel Kofidesiterval for varias og spredig Kofidesiterval for varias og spredig - Højde af 10 studerede - recap: Vi skal bruge χ 2 -fraktilere med ν = 9 frihedsgrader: χ = , χ = Stikprøve, = 10: ## 2.5% og 97.5% fraktilere i chi^2 fordelige for =10 qchisq(c(0.025, 0.975), df = 9) ## [1] Sample mea og stadard deviatio: x = 178 s = Estimer populatio mea og stadard deviatio: ˆµ = 178 ˆσ = Så kofidesitervallet for højdespredige σ bliver: [ ] ; 2 = [8.4; 22.3] NYT:Kofidesiterval, µ: 178 ± [169.3; 186.7] NYT:Kofidesiterval, σ: [8.4; 22.3] DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60 Kofidesiterval for varias og spredig Svar via socrative.com eller Socrative app. Room: PBAC Plalægig af studie med krav til præcisio Plalægig af studie med krav til præcisio Hvilket af følgede udsag er korrekt? A: Statistik er virkelig skod, jeg tror ikke det ka bruges til oget B: Statistik er altså øv, ma skal bare sidde og sætte e masse tal id i ogle dumme formler C: Jeg burde ligge uder mi dye og blive frisk til at feste igeem i afte D: Statistik er virkelig fedt, det er fascierede at ma ikke bare ka rege et estimat ud, me ma ka også rege ud hvor præcist det estimat er Method 3.45: The oe-sample CI sample size formula: Whe σ is kow or guessed at some value, we ca calculate the sample size eeded to achieve a give margi of error, ME, with probability 1 α as: ( ) z1 α/2 σ 2 = (1) ME DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
14 Plalægig af studie med krav til præcisio Oversigt Plalægig af studie med krav til præcisio 1 t-fordelige Husk også at sige at Exercise 1.i er i de svære ede og ma ka sprige de over. 2 Kofidesitervallet for µ 3 De statistiske sprogbrug og formelle ramme 4 Ikke-ormale data, Cetral Græseværdisætig (CLT) 5 Kofidesiterval for varias og spredig 6 Plalægig af studie med krav til præcisio DTU Compute Itroduktio til Statistik Efterår / 60 DTU Compute Itroduktio til Statistik Efterår / 60
Oversigt. 1 Fordelingen for gennemsnittet t-fordelingen. 3 Den statistiske sprogbrug og formelle ramme
Itroduktio til Statistik Forelæsig 4: Kofidesiterval for middelværdi (og spredig) Peder Bacher DTU Compute, Dyamiske Systemer Bygig 303B, Rum 009 Damarks Tekiske Uiversitet 2800 Lygby Damark e-mail: pbac@dtu.dk
Læs mereOversigt. 1 Eksempel. 2 Fordelingen for gennemsnittet t-fordelingen. 3 Konfidensintervallet for µ Eksempel
Kursus 02402/02323 Introducerende Statistik Forelæsning 4: Konfidensinterval for middelværdi (og spredning) Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske
Læs mereForelæsning 4: Konfidensinterval for middelværdi (og spredning)
Introduktion til Statistik Forelæsning 4: Konfidensinterval for middelværdi (og spredning) Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereKonfidens intervaller
Kofides itervaller Kofides itervaller for: Kofides iterval for middelværdi, varias kedt Kofides iterval for middelværdi, varias ukedt Kofides iterval for adel Kofides iterval for varias Bestemmelse af
Læs mereDefinition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.
Repetitio: Normalfordelige Ladmåliges fejlteori Lektio Trasformatio af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/udervisig/lf13 Istitut for Matematiske Fag Aalborg Uiversitet
Læs mereSammenligning af to grupper
Sammeligig af to gruer Reetitio, heruder om kritiske værdier Sammeligig af to gruer Sammeligig af to middelværdier Sammeligig af to adele Sammeligig af to variaser yoteser og hyotesetest. E hyotese er
Læs mereSandsynlighedsfordelinger for kontinuerte data på interval/ratioskala
Statistik for biologer 005-6, modul 5: Sadsylighedsfordeliger for kotiuerte data på iterval/ratioskala M6, slide Gægse matematiske sadsylighedsfordeliger: Diskrete data: De positive biomialfordelig Poisso-fordelige
Læs merehvor i er observationsnummeret, som løber fra 1 til stikprøvestørrelsen n, X i
Normalfordeliger For at e stokastisk variabel X ka være ormalfordelt, skal X agive værdie af e eller ade målig, f.eks. tid, lægde, vægt, beløb osv. Notatioe er: Xi ~ N( μ, σ hvor i er observatiosummeret,
Læs mereEstimation ved momentmetoden. Estimation af middelværdiparameter
Statistik og Sadsylighedsregig 1 STAT kapitel 4.2 4.3 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae Estimatio ved mometmetode Idimellem ka det være svært (eller
Læs mereAnvendt Statistik Lektion 3. Punkt- og intervalestimater Konfidensintervaller Valg af stikprøvestørrelse
Avedt Statistik Lektio 3 Pukt- og itervalestimater Kofidesitervaller Valg af stikprøvestørrelse Pukt- og itervalestimater: Motivatio Motiverede eksempel: I e udersøgelse er adele af rygere 0.27. Det aslås
Læs mereOversigt. Kursus 02402/02323 Introducerende Statistik. Forelæsning 12: Inferens for andele. Klaus K. Andersen og Per Bruun Brockhoff
Kursus 02402/02323 Itroducerede Statistik Forelæsig 12: Iferes for adele Klaus K. Aderse og Per Bruu Brockhoff DTU Compute, Statistik og Dataaalyse Damarks Tekiske Uiversitet 2800 Lygby Damark e-mail:
Læs mereStikprøvefordelinger og konfidensintervaller
Stikprøvefordeliger og kofidesitervaller Stikprøvefordelige for middelværdi De Cetrale Græseværdi Sætig Egeskaber Ved Estimatore Kofidesitervaller t-fordelige Estimator og estimat E stikprøve statistik
Læs mereIndholdsfortegnelse Generelt Diskrete stokastiske variable: Kontinuerte stokastiske variable: Regneregler for stokastiske variable
Idholdsfortegelse Geerelt:...3 Stokastisk variabel:...3 Tæthedsfuktio/sadsylighedsfuktio for stokastisk variabel:...3 Fordeligsfuktio/sumfuktio for stokastisk variabel:...3 Middelværdi:...4 Geemsit:...4
Læs mereStatistik Lektion 7. Hypotesetest og kritiske værdier Type I og Type II fejl Styrken af en test Sammenligning af to populationer
Statistik Lektio 7 Hpotesetest og kritiske værdier Tpe I og Tpe II fejl Strke af e test Sammeligig af to populatioer 1 Tri I e Hpotesetest E hpotesetest består af 5 elemeter: I. Atagelser Primært hvilke
Læs mereGenerelle lineære modeller
Geerelle lieære modeller Regressiosmodeller med é uafhægig itervalskala variabel: Y e eller flere uafhægige variable: X,..,X k De betigede fordelig af Y givet X,..,X k atages at være ormal med e middelværdi,
Læs mere1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens... 2
Idhold 1 Pukt- og itervalestimatio 2 1.1 Puktestimatorer: Cetralitet(bias) og efficies.................... 2 2 Kofidesiterval 3 2.1 Kofidesiterval for adel................................ 4 2.2 Kofidesiterval
Læs mere24. januar Epidemiologi og biostatistik. Forelæsning 1 Uge 1, tirsdag. Niels Trolle Andersen, Afdelingen for Biostatistik.
Epidemiologi og biostatistik. Forelæsig Uge, tirsdag. Niels Trolle Aderse, Afdelige for Biostatistik. Geerelt om kurset: - Formål - Forelæsiger - Øvelser - Forelæsigsoter - Bøger - EpiBasic: http://www.biostat.au.dk/teachig/software
Læs mereDagens program. Estimation: Kapitel Eksempler på middelrette og/eller konsistente estimator (de sidste fra sidste forelæsning)
Dages program Estimatio: Kapitel 9.4-9.7 Eksempler på middelrette og/eller kosistete estimator (de sidste fra sidste forelæsig) Ko desiterval for store datasæt kap. 9.4 Ko desiterval for små datasæt kap.
Læs mereProgram. Statistisk inferens En enkelt stikprøve og lineær regression Stat. modeller, estimation og konfidensintervaller. Fordeling af gennemsnit
Faculty of Life Sciece Program Statitik ifere E ekelt tikprøve og lieær regreio Stat. modeller, etimatio og kofideitervaller Clau Ektrøm E-mail: ektrom@life.ku.dk Fordelig af geemit Statitik ifere for
Læs mereSætning: Middelværdi og varians for linearkombinationer. Lad X 1,X 2,...,X n være stokastiske variable. Da gælder. Var ( a 0 + a 1 X a n X n
Ladmåliges fejlteori Lektio 3 Estimatio af σ Dobbeltmåliger Geometrisk ivellemet Lieariserig - rw@math.aau.dk Istitut for Matematiske Fag Aalborg Uiversitet Repetitio: Middelværdi og Varias Sætig: Middelværdi
Læs mereMatematisk Modellering 1 Hjælpeark
Matematisk Modellerig Hjælpeark Kaare B. Mikkelse 2005090 3. september 2007 Idhold Formler 2 2 Aalyse af k ormalfordelte prøver 2 2. Modelcheck............................................ 2 2.2 Test af
Læs mere13. februar Resumé: En statistisk analyse resulterer ofte i : Et estimat ˆ θ med en tilhørende se( ˆ θ )
3. februar 003 Epidemiologi og biostatistik. Uge, torag d. 3. februar 003 Morte Frydeberg, Istitut for Biostatistik. Type og type fejl Nogle specielle metoder: Test i RxC tabeller Test i x tabeller Fishers
Læs mereMotivation. En tegning
Motivatio Scatter-plot at det mådelige salg mod det måedlige reklamebudget. R: plot(salg ~ budget, data = salg) Økoometri Lektio Simpel Lieær Regressio salg 400 450 500 550 20 25 30 35 40 45 50 budget
Læs mere30. august Epidemiologi og biostatistik. Forelæsning 3 Uge 2, torsdag d. 8. september 2005 Michael Væth, Afdeling for Biostatistik.
30. august 005 Epidemiologi og biostatistik. Forelæsig 3 Uge, torag d. 8. september 005 Michael Væth, Afdelig for Biostatistik. Mere om kategoriske data Test for uafhægighed I RxC tabeller Test for uafhægighed
Læs mereStatistik 8. gang 1 KONFIDENSINTERVALLER. Konfidensintervaller: kapitel 11. Valg og test af fordelingsfunktion
Statistik 8. gag 1 KONIDENSINTERVALLER Kofidesitervaller: kapitel 11 Valg og test af fordeligsfuktio Statistik 8. gag 11. KONIDENS INTERVALLER Et kofides iterval udtrykker itervallet hvori de rigtige værdi
Læs mereLøsninger til kapitel 7
Løsiger til kapitel 7 Opgave 7.1 a) HpoStat giver resultatet: Pop. varias er ukedt, me 30, så Normalf. bruges approksimativt = 54,400 s 1.069,90 = 00,000 0,95 49,868 58,93 Dette betder, at med 95% sikkerhed
Læs mereIntroduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereKursus 02323: Introducerende Statistik. Forelæsning 12: Forsøgsplanlægning. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 12: Forsøgsplanlægning Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereStatistik Lektion 8. Parrede test Test for forskel i andele Test for ens varians Gensyn med flyskræk!
Statistik Lektio 8 Parrede test Test for forskel i adele Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og kviders
Læs mereForelæsning 8: Inferens for varianser (kap 9)
Kursus 02402 Introduktion til Statistik Forelæsning 8: Inferens for varianser (kap 9) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby
Læs merek UAFHÆNGIGE grupper F-test Oversigt 1 Intro eksempel 2 Model og hypotese 3 Beregning - variationsopspaltning og ANOVA tabellen
Introduktion til Statistik Forelæsning 10: Envejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 017 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab
Statistik ved Bachelor-uddaelse i folkesudhedsvideskab Græseværdisætiger Det hadler om geemsit Statistikere elsker geemsit Det er oplagt e god ide at tage geemsit. Hvis jeg f.eks skal gætte på vægte af
Læs merePraktisk info. Statistisk analyse af en enkelt stikprøve: kendt eller ukendt varians Sandsynlighedsregning og Statistik (SaSt) I tirsdags.
Praktisk ifo Liste med rettelser og meigsforstyrrede trykfejl i DS på Absalo. Statistisk aalyse af e ekelt stikprøve: kedt eller ukedt varias Sadsylighedsregig og Statistik (SaSt) Helle Sørese Projekt
Læs mereMeningsmålinger KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017
Meigsmåliger KLADDE Thomas Heide-Jørgese, Rosborg Gymasium & HF, 2017 Idhold 1 Meigsmåliger 2 1.1 Idledig................................. 2 1.2 Hvorda skal usikkerhede forstås?................... 3 1.3
Læs mere9. Binomialfordelingen
9. Biomialfordelige 9.. Gekedelse Hvert forsøg ka ku resultere i to mulige udfald; succes og fiasko. I modsætig til poissofordelige er atallet af forsøg edeligt. 9.. Model X : Stokastisk variabel, der
Læs mereSimpel Lineær Regression. Opsplitning af variationen Determinations koefficient Variansanalyse F-test Model-kontrol
Simpel Lieær Regressio Opsplitig af variatioe Determiatios koefficiet Variasaalse F-test Model-kotrol Opbgig af statistisk model Specificer model Ligiger og atagelser Estimer parametre Modelkotrol Er modelle
Læs mere29. januar Epidemiologi og biostatistik Forelæsning 2 Uge 1, torsdag 2. februar 2006 Michael Væth, Afdeling for Biostatistik.
Epidemiologi og biostatistik Forelæsig Uge 1, torsdag. februar 006 ichael Væth, Afdelig for Biostatistik. Sammeligig af to middelværdier sikkerhedsitervaller statistisk test Sammeligig af to proportioer
Læs mereSTATISTIKNOTER Simple normalfordelingsmodeller
STATISTIKNOTER Simple ormalfordeligsmodeller Jørge Larse IMFUFA Roskilde Uiversitetsceter Februar 1999 IMFUFA, Roskilde Uiversitetsceter, Postboks 260, DK-4000 Roskilde. Jørge Larse: STATISTIKNOTER: Simple
Læs mereTest i to populationer. Hypotesetest for parrede observationer Test for ens varians Gensyn med flyskræk!
Test i to populatioer Hypotesetest for parrede observatioer Test for es varias Gesy med flyskræk! Afhægige og uafhægige stikprøver Ved e uafhægig stikprøve udtages e stikprøve fra hver gruppe.. Mæd og
Læs mereantal gange krone sker i første n kast = n
1 Uge 15 Teoretisk Statistik, 5. april 004 1. Store tals lov Eksempel: møtkast Koverges i sadsylighed Tchebychevs ulighed Sætig: Store tals lov. De cetrale græseværdisætig 3. Approksimatio af sadsyligheder
Læs mereMaja Tarp AARHUS UNIVERSITET
AARHUS UNIVERSITET Maja Tarp AARHUS UNIVERSITET HVEM ER JEG? Maja Tarp, 4 år Folkeskole i Ulsted i Nordjyllad Studet år 005 fra Droiglud Gymasium Efter gymasiet: Militæret Australie Startede på matematik
Læs mereHypotesetest. Hypotesetest og kritiske værdier Type 1 og Type 2 fejl Styrken af en test Sammenligning af to populationer
Hypoteetet Hypoteetet og kritike værdier Type og Type fejl Styrke af e tet Sammeligig af to populatioer Kofideiterval for σ tore tikprøver. Hvi X følger e χ -fordelig med frihedgrader, dv. X~χ (), gælder
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Den flerdimensionale normalfordeling, fordeling af ( X,SSD) Helle Sørensen Uge 9, mandag SaSt2 (Uge 9, mandag) Flerdim. N, ford. af ( X,SSD) 1 / 16 Program Resultaterne
Læs mereStatistiske test. Efteråret 2010 Jens Friis, AAU. Hjemmeside :
Statistiske test Efteråret 00 Jes Friis, AAU Hjemmeside : http://akaaudk/jfj Kotiuerte fordeliger Defiitio: Tæthedsfuktio E sadsylighedstæthedsfuktio på R er e itegrabel fuktio f : R [0; [ hvor f d = Defiitio:
Læs mereOpsamling. Lidt om det hele..!
Opsamlig Lidt om det hele..! Kursus oversigt Hvad har vi været igeem: Deskriptiv statistik Sadsyligheder Stokastiske variable diskrete og kotiuerte Fordeliger Estimatio Test Iferes Sammeligig af middelværdier
Læs mereModul 5: Test for én stikprøve
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 5: Test for én stikprøve 5.1 Test for middelværdi................................. 1 5.1.1 t-fordelingen.................................
Læs mereMikroøkonomi, matematik og statistik Eksamenshjemmeopgave 14. 20. december 2007
Mikroøkoomi, matematik og statistik Eksameshjemmeopgave 14. 20. december 2007 Helle Buzel, Tom Egsted og Michael H.J. Stæhr 14. december 2007 R E T N I N G S L I N I E R F O R E K S A M E N S H J E M M
Læs mereGamle eksamensopgaver. Diskret Matematik med Anvendelser (DM72) & Diskrete Strukturer(DM504)
Gamle eksamesopgaver Diskret Matematik med Avedelser (DM72) & Diskrete Strukturer(DM504) Istitut for Matematik& Datalogi Syddask Uiversitet, Odese Alle sædvalige hjælpemidler(lærebøger, otater etc.), samt
Læs mereKonfidensinterval for µ (σ kendt)
Program 1. Repetition: konfidens-intervaller. 2. Hypotese test 3. Type I og type II fejl, p-værdi 4. En og to-sidede tests 5. Test for middelværdi (kendt varians) 6. Test for middelværdi (ukendt varians)
Læs mereProgram. Middelværdi af Y = t(x ) Transformationssætningen
Program Statistik og Sadsylighedsregig 2 Trasformatio af kotiuerte fordeliger på R, flerdimesioale kotiuerte fordeliger, mere om ormalfordelige Helle Sørese Uge 7, osdag I formiddag: Opfølgig på trasformatiossætige
Læs mereProgram. 1. Repetition: konfidens-intervaller. 2. Hypotese test, type I og type II fejl, signifikansniveau, styrke, en- og to-sidede test.
Program 1. Repetition: konfidens-intervaller. 2. Hypotese test, type I og type II fejl, signifikansniveau, styrke, en- og to-sidede test. 1/19 Konfidensinterval for µ (σ kendt) Estimat ˆµ = X bedste bud
Læs mereProgram. Populationer og stikprøver. Praktiske oplysninger. Eksempel vaccine mod miltbrand hos får. Praktiske oplysninger
Faculty of Life Scieces Program Populatioer og stikprøver Claus Ekstrøm E-mail: ekstrom@life.ku.dk Praktiske oplysiger Populatioer og stikprøver Data Datatyper Visualiserig Cetrum og spredig af e fordelig
Læs mereda er X 1 + X 2 N(µ 1 + µ 2,σ1 2 + σ2) Hvis X 1,...,X n er uafhængige og X r N(µ,σ 2 ), da er X = 1 n (X 1 +... + X n ) N(µ, σ2
Statistik og Sandsynlighedsregning IH kapitel Overheads til forelæsninger, onsdag 5. uge Resultater om normalfordeling X N(µ,σ ). N har tæthed ϕ µ,σ (x) = exp (x µ) πσ σ EX = µ, Var(X) = σ X µ N(0,) σ
Læs mereDATV: Introduktion til optimering og operationsanalyse, 2007. Bin Packing Problemet
DATV: Itroduktio til optimerig og operatiosaalyse, 2007 Bi Packig Problemet David Pisiger, Projektopgave 2 Dette er de ade obligatoriske projektopgave på kurset DATV: Itroduktio til optimerig og operatiosaalyse.
Læs mereOversigt. 1 Motiverende eksempel: Højde-vægt. 2 Lineær regressionsmodel. 3 Mindste kvadraters metode (least squares)
Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression Oversigt Motiverende eksempel: Højde-vægt 2 Lineær regressionsmodel 3 Mindste kvadraters metode (least squares) Klaus
Læs mereKursus 02323: Introducerende Statistik. Forelæsning 8: Simpel lineær regression. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 8: Simpel lineær regression Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereMorten Frydenberg version dato:
Morte Frdeberg versio dato: 4--4 Itroduktio til kurset Statistik Forelæsig Morte Frdeberg, Sektio for Biostatistik af Biostatistik dele af. semester kurset. Statistiske modeller Biomialfordelige Normalfordelige
Læs mereKapitel 10 KALIBRERING AF STRØMNINGSMODEL
Kapitel 0 KALIBRERING AF STRØMNINGSMODEL Torbe Obel Soeborg Hydrologisk afdelig, GEUS Nøglebegreber: Kalibrerigsprotokol, observatiosdata, kalibrerigskriterier, idetificerbarhed, etydighed, parameterestimatio,
Læs mereSpørgsmål 3 (5 %) Bestem sandsynligheden for at et tilfældigt valgt vindue har en fejl ved listerne, når man ved at der er fejl i glasset.
STATISTIK Skriftlig evaluerig, 3. semester, madag de 30. auar 006 kl. 9.00-3.00. Alle hælpemidler er tilladt. Opgaveløsige forsyes med av og CPR-r. OPGAVE Ved e produktio af viduer er der mulighed for,
Læs mereVejledende besvarelser til opgaver i kapitel 15
Vejledede besvarelser til opgaver i apitel 5 Opgave a) De teststatistier, ma aveder til at teste om to middelværdier er es, består af et estimat på forselle mellem middelværdiere,, divideret med et udtry
Læs mereKursus 02402/02323 Introducerende Statistik
Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs merek UAFHÆNGIGE grupper Oversigt 1 Intro eksempel 2 Model og hypotese 3 Beregning - variationsopspaltning og ANOVA tabellen 4 Hypotesetest (F-test)
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalse, ANOVA Peder Bacher DTU Compute, Dnamiske Sstemer Bgning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lngb Danmark e-mail:
Læs mereHvordan hjælper trøster vi hinanden, når livet er svært?
Hvorda hjælper trøster vi hiade, år livet er svært? - at være magtesløs med de magtesløse Dask Myelomatoseforeig Temadag, Hotel Scadic, Aalborg Lørdag de 2. april 2016 kl. 14.00-15.30 Ole Raakjær, præst
Læs mereTests for forskel i central tendens for data på ordinal- og intervalskala. Typer af statistiske test:
Statistik for biologer 005-6, modul 7: Tests for forskel i cetral tedes for data på ordial- og itervalskala M7, slide M7, slide Typer af statistiske test: Parametrisk statistik: - Tester for forskel i
Læs mereAsymptotisk optimalitet af MLE
Kapitel 4 Asymptotisk optimalitet af MLE Lad Y 1, Y 2,... være uafhægige, idetisk fordelte variable med værdier i et rum (Y,K). Vi har givet e model (ν θ ) θ Θ for fordelige af Y 1 (og dermed også for
Læs mereIntroduktion til Statistik. Forelæsning 10: Inferens for andele. Peder Bacher
Introduktion til Statistik Forelæsning 10: Inferens for andele Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereForelæsning 11: Envejs variansanalyse, ANOVA
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereenote 5: Simpel lineær regressions analyse Kursus 02402/02323 Introducerende Statistik Oversigt
enote 5: Simpel lineær regressions analse Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression To variable: og Beregn mindstekvadraters estimat af ret linje Inferens med
Læs mereKapitel 3 Centraltendens og spredning
Kapitel 3 Centraltendens og spredning Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 Indledning 2 Centraltendens 3 Spredning 4 Praktisk beregning 5 Fraktiler 6 Opsamling 1 Indledning
Læs mereORDEN OG UDVALG: KUNSTEN AT TÆLLE KOMBINATORIK N H
ORDEN OG UDVALG: UNSTEN AT TÆLLE OMBINATORI Edeligt symmetrisk sadsylighedsfelt I et edeligt symmetrisk sadsylighedsfelt ( P ) U, ka sadsylighede for e give hædelse H, hvor altså H U, som bekedt bereges
Læs mereSTATISTISKE GRUNDBEGREBER
MOGENS ODDERSHEDE LARSEN STATISTISKE GRUNDBEGREBER 18 15 1 9 6 3 0 Histogram for ph 6,9 7,1 7,3 7,5 7,7 7,9 ph 13 udgave 013 FORORD Der er i dee bog søgt at give letlæst og askuelig fremstillig af de statistiske
Læs mereForelæsning 6: Kapitel 7: Hypotesetest for gennemsnit (one-sample setup). 7.4-7.6
Kursus 02402 Introduktion til Statistik Forelæsning 6: Kapitel 7: Hypotesetest for gennemsnit (one-sample setup). 7.4-7.6 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220
Læs mereLøsningsforslag til skriftlig eksamen i Kombinatorik, sandsynlighed og randomiserede algoritmer (DM528)
Løsigsforslag til skriftlig eksame i Kombiatorik, sadsylighed og radomiserede algoritmer (DM58) Istitut for Matematik & Datalogi Syddask Uiversitet Madag de 3 Jauar 011, kl. 9 13 Alle sædvalige hjælpemidler
Læs mereIntroduktion til Statistik. Forelæsning 12: Inferens for andele. Peder Bacher
Introduktion til Statistik Forelæsning 12: Inferens for andele Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereProjekt 9.1 Regneregler for stokastiske variable middelværdi, varians og spredning
Hvad er matematik? Projekter: Kaitel 9 Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Projekt 9 Regeregler for stokastiske variable middelværdi, varias og sredig Sætig : Regeregler
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Normalfordelingen Statistik og Sandsynlighedsregning 2 Repetition og eksamen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige fejl på
Læs mereDiskrete og kontinuerte stokastiske variable
Diskrete og kotiuerte stokastiske variable Beroulli Biomial fordelig Negativ biomial fordelig Hypergeometrisk fordelig Poisso fordelig Kotiuerte stokastiske variable Uiform fordelig Ekspoetial fordelig
Læs mereHypotese test. Repetition fra sidst Hypoteser Test af middelværdi Test af andel Test af varians Type 1 og type 2 fejl Signifikansniveau
ypotese test Repetition fra sidst ypoteser Test af middelværdi Test af andel Test af varians Type 1 og type fejl Signifikansniveau Konfidens intervaller Et konfidens interval er et interval, der estimerer
Læs mereFormelsamling til statistik-del af metodekursus, 4. semester, lægevidenskab Version 3 (26/9-2011)
Formelsamlig til statistik-el af metoekursus, 4. semester, lægevieskab Versio 3 (6/9-011) Kære læser Dee formelsamlig er lavet me ugagspukt i Meical Statistics, seco eitio af Betty R. Kirkwoo og A. C.
Læs mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff
Course 242/2323 Introducerende Statistik Forelæsning 3: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 22 Danmarks Tekniske Universitet 28 Lyngby Danmark
Læs mereHovedpointer fra SaSt
Hovedpoiter fra SaSt Marti Nørgaard Peterse 13. februar 2018 Følgede geemgår udvalgte begreber fra E Itroduktio til Sadsylighedsregig af M. Sørese (9. udgave), Itroductio to Likelihood-based Estimatio
Læs mereProjekt 2.3 Det gyldne snit og Fibonaccitallene
Projekter: Kapitel Projekt.3 Det glde sit og Fiboaccitallee Forslag til hvorda klasses arbejde med projektet ka tilrettelægges: Forløbet:. Præsetatio af emet med vægt på det glde sit.. Grppere arbejder
Læs mereBegreber og definitioner
Begreber og defiitioer Daske husstades forbrug på de medierelaterede udgiftsposter stiger og udgør i 2012*) 11,3 % af husstadees samlede forbrug mod 5,5 % i 1994. For husstade med de laveste idkomster
Læs mereProgram. Ensidet variansanalyse Normalfordelingen. Antibiotika og nedbrydning af organisk materiale. Tegninger
Faculty of Life Scieces Program Esidet variasaalyse Normalfordelige Claus Ekstrøm E-mail: ekstrom@life.ku.dk Esidet variasaalyse (oe-way ANOVA) Hvilke type data? Hvad er problemstillige? Variatio mellem
Læs mereClaus Munk. kap. 1-3
Claus Muk kap. 1-3 1 Dages forelæsig Grudlæggede itroduktio til obligatioer Betaligsrækker og låeformer Det daske obligatiosmarked Pris og kurs Effektive reter 2 1 Obligatioer Grudlæggede Itro Debitor
Læs mereDagens forelæsning. Claus Munk. kap. 1-3. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro. Obligationer Grundlæggende Intro
Dages forelæsig Grudlæggede itroduktio til obligatioer Claus Muk kap. - 3 Betaligsrækker og låeformer Det daske obligatiosmarked Effektive reter 2 Obligatioer Grudlæggede Itro Obligatioer Grudlæggede Itro
Læs mereStatistik Lektion 8. Test for ens varians
Statitik Lektio 8 Tet for e varia ra tidligere Hvi populatioe er ormalfordelt med varia, å gælder ( ) S ~ χ hvor er tikprøve tørrele og S er tikprøvevariae. χ -fordelig med - frihedgrader χ Tet af Variae
Læs mereModul 3: Kontinuerte stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 3: Kontinuerte stokastiske variable 3.1 Kontinuerte stokastiske variable........................... 1 3.1.1 Tæthedsfunktion...............................
Læs mereKursus 02402 Introduktion til Statistik. Forelæsning 7: Kapitel 7 og 8: Statistik for to gennemsnit, (7.7-7.8,8.1-8.5) Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 7: Kapitel 7 og 8: Statistik for to gennemsnit, (7.7-7.8,8.1-8.5) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks
Læs mereReminder: Hypotesetest for én parameter. Økonometri: Lektion 4. F -test Justeret R 2 Aymptotiske resultater. En god model
Reminder: Hypotesetest for én parameter Antag vi har model Økonometri: Lektion 4 F -test Justeret R 2 Aymptotiske resultater y = β 0 + β 1 x 2 + β 2 x 2 + + β k x k + u. Vi ønsker at teste hypotesen H
Læs mereenote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 33B, Rum 9 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereModule 12: Mere om variansanalyse
Mathematical Statistics ST06: Linear Models Bent Jørgensen og Pia Larsen Module 2: Mere om variansanalyse 2. Parreded observationer................................ 2.2 Faktor med 2 niveauer (0- variabel)........................
Læs mereDagens Temaer. Test for lineær regression. Test for lineær regression - via proc glm. k normalfordelte obs. rækker i proc glm. p. 1/??
Dagens Temaer k normalfordelte obs. rækker i proc glm. Test for lineær regression Test for lineær regression - via proc glm p. 1/?? Proc glm Vi indlæser data i datasættet stress, der har to variable: areal,
Læs mereEnsidet variansanalyse
Ensidet variansanalyse Sammenligning af grupper Helle Sørensen E-mail: helle@math.ku.dk StatBK (Uge 47, mandag) Ensidet ANOVA 1 / 18 Program I dag: Sammenligning af middelværdier Sammenligning af spredninger
Læs mereProgram. Ensidet variansanalyse Sammenligning af grupper. Statistisk model og hypotese. Eksempel: Aldersfordeling i hjertestudie
Program Ensidet variansanalyse Sammenligning af grupper Helle Sørensen E-mail: helle@math.ku.dk I dag: Sammenligning af middelværdier Sammenligning af spredninger Parvise sammenligninger To eksempler:
Læs mereSandsynlighedsregning og statistisk
Sadsylighedsregig og statistisk J. C. F. Gauss 777 855) Peter Haremoës Niels Brock 2. april 23 Idledig Dette hæfte er lavet som supplemet til 2. udgave af boge Mat B. Der er lagt vægt på at give e bedre
Læs mereRenteformlen. Erik Vestergaard
Reteformle Erik Vestergaard 2 Erik Vestergaard www.matematikfysik.dk Erik Vestergaard, 2010. Billeder: Forside: istock.com/ilbusca Side 4: istock.com/adresrimagig Desude ege illustratioer. Erik Vestergaard
Læs mereKursus 02402/02323 Introducerende Statistik. Forelæsning 6: Sammenligning af to grupper
Kursus 02402/02323 Introducerende Statistik Forelæsning 6: Sammenligning af to grupper Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereSTATISTISKE GRUNDBEGREBER
MOGENS ODDERSHEDE LARSEN STATISTISKE GRUNDBEGREBER med avedelse af TI 89 og Excel 8 5 9 6 3 0 Histogram for ph 6,9 7, 7,3 7,5 7,7 7,9 ph. udgave 0 FORORD Der er i dee bog søgt at give letlæst og askuelig
Læs merePsyken på overarbejde hva ka du gøre?
Psyke på overarbejde hva ka du gøre? Idhold Hvorår kommer ma uder psykisk pres? 3 Hvad ka øge det psykiske pres på dit arbejde? 4 Typiske reaktioer 6 Hvorda forløber e krise? 7 Hvad ka du selv gøre? 9
Læs mere