Oversigt. Kursus 02402/02323 Introducerende Statistik. Forelæsning 5: Hypotesetest, power og modelkontrol - one sample
|
|
- Thorvald Markussen
- 7 år siden
- Visninger:
Transkript
1 Kursus 02402/02323 Introducerende Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet 2800 Lyngby Danmark klaus@cancer.dk Oversigt 1 Motiverende eksempel - sovemedicin Planlægning: Power og sample size 5 Transformation towards normality Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Motiverende eksempel - sovemedicin Motiverende eksempel - sovemedicin Forskel på sovemedicin? I et studie er man interesseret i at sammenligne 2 sovemidler A og B. For 10 testpersoner har man fået følgende resultater, der er givet i forlænget søvntid (i timer) (Forskellen på effekten af de to midler er angivet): Stikprøve, n = 10: person x = Beffect - Aeffect Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Motiverende eksempel - sovemedicin Eksempel - sovemedicin Hypotesen om ingen forskel ønskes undersøgt: Sample mean og standard deviation: NYT:p-værdi: x = = ˆµ s = 1.13 = ˆσ p værdi = (Beregnet under det scenarie, at H 0 er sand) H 0 : µ = 0 Er data i overenstemmelse med nulhyposen H 0? Data: x = 1.67, H 0 : µ = 0 NYT:Konklusion: Idet data ligger usandsynligt langt væk fra H 0, så forkaster vi H 0 - vi har påvist en signifikant effekt af middel B ift. middel A. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
2 Metode 3.22: Definition og fortolkning af p-værdien (HELT generelt) Hvordan beregner man p-værdien? For a (quantitative) one sample situation, the (non-directional) p-value is given by: p value = 2 P (T > t obs ) where T follows a t-distribution with (n 1) degrees of freedom. The observed value of the test statistics to be computed is t obs = x µ 0 s/ n where µ 0 is the value of µ under the null hypothesis: H 0 : µ = µ 0 p-værdien udtrykker evidence imod nulhypotesen Tabel 3.1: p < Very strong evidence against H p < 0.01 Strong evidence against H p < 0.05 Some evidence against H p < 0.1 Weak evidence against H 0 p 0.1 Little or no evidence against H 0 Definition 3.12 af p-værdien: The p-value is the probability of obtaining a test statistic that is at least as extreme as the test statistic that was actually observed. This probability is calculated under the assumption that the null hypothesis is true. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Eksempel - sovemedicin Eksempel - sovemedicin - i R - manuelt Hypotesen om ingen forskel ønskes undersøgt: Beregne test-størrelsen: t obs = / 10 = 4.67 H 0 : µ = 0 Fortolkning af p-værdi i lyset af Tabel 3.1: Der er stærk evidence imod nulhypotesen. Beregne p-værdien: 2P (T > 4.67) = * (1-pt(4.67, 9)) Enter data: x <- c(1.2, 2.4, 1.3, 1.3, 0.9, 1.0, 1.8, 0.8, 4.6, 1.4) n <- length(x) Compute the tobs - the observed test statistic: tobs <- (mean(x) - 0) / (sd(x) / sqrt(n)) Compute the p-value as a tail-probability in the t-distribution: pvalue <- 2 * (1-pt(abs(tobs), df=n-1)) pvalue [1] Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
3 Eksempel - sovemedicin - i R - med indbygget funktion Definition af hypotesetest og signifikans (HELT generelt) t.test(x) One Sample t-test data: x t = 4.67, df = 9, p-value = alternative hypothesis: true mean is not equal to 0 95 percent confidence interval: sample estimates: mean of x 1.67 Definition Hypotesetest: We say that we carry out a hypothesis test when we decide against a null hypothesis or not using the data. A null hypothesis is rejected if the p-value, calculated after the data has been observed, is less than some α, that is if the p-value < α, where α is some pre-specifed (so-called) significance level. And if not, then the null hypothesis is said to be accepted. Definition Statistisk signifikans: An effect is said to be (statistically) significant if the p-value is less than the significance level α. (OFTE bruges α = 0.05) Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Eksempel - sovemedicin Kritisk værdi Med α = 0.05 kan vi konkludere: Idet p-værdien er mindre end α så forkaster vi nulhypotesen. Og dermed: Vi har påvist en signifikant effekt af middel B ift. middel A. (Og dermed at B virker bedre end A) Definition de kritiske værdier for t-testet: The (1 α)100% critical values for the (non-directional) one-sample t-test are the (α/2)100% and (1 α/2)100% quantiles of the t-distribution with n 1 degrees of freedom: t α/2 and t 1 α/2 Metode 3.31: One-sample t-test vha. kritisk værdi: A null hypothesis is rejected if the observed test-statistic is more extreme than the critical values: If t obs > t 1 α/2 then reject otherwise accept. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
4 Kritisk værdi og hypotesetest Kritisk værdi og hypotesetest Acceptområdet er de mulige værdier for µ som ikke ligger for langt væk fra data - her på den standardiserede skala: Acceptområdet er de mulige værdier for µ som ikke ligger for langt væk fra data - nu på den egentlige skala: Acceptance Acceptance Rejection Rejection Rejection Rejection t t x t s n x + t s n x Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Kritisk værdi, konfidensinterval og hypotesetest Bevis: Theorem 3.32: Kritisk-værdi-metode = Konfidensinterval-metode We consider a (1 α) 100% confidence interval for µ: x ± t 1 α/2 s n Remark 3.33 A µ 0 inside the confidence interval will fullfill that x µ 0 < t 1 α/2 s n The confidence interval corresponds to the acceptance region for H 0 when testing the (non-directional) hypothesis which is equivalent to x µ 0 s n < t 1 α/2 H 0 : µ = µ 0 and again to (Ny) fortolkning af konfidensintervallet: De (hypotetiske) værdier for µ, som vi accepterer ved det tilsvarende hypotesetest. t obs < t 1 α/2 which then exactly states that µ 0 is accepted, since the t obs is within the critical values. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
5 Eksempel - PC skærme Indtil nu - underforstået: (= non-directional) Alternativet til H 0 : µ = µ 0 er : H 1 : µ µ 0 MEN der kan være andre settings, e.g. one-sided (=directional), less : Alternativet til H 0 : µ = µ 0 er : H 1 : µ < µ 0 Eller one-sided (=directional), greater : Alternativet til H 0 : µ = µ 0 er : H 1 : µ > µ 0 Produktspecifikation En producent af pc skærme oplyser, at skærmen i gennemsnit bruger 83 W. (Og underforstået: "under 83" er "fint nok", mens "over 83" IKKE er det) HVIS virksomheden skulle dokumentere deres påstand: Nulhypotese: H 0 : µ 83. Alternativet: H 1 : µ < 83 Med formålet at kunne afvise(=rejecte=falsify) at forbruget kan være større. HVIS en ekstern skulle moddokumentere påstanden: Nulhypotese: H 0 : µ 83. Alternativet: H 1 : µ > 83 Med formålet at kunne afvise(=rejecte=falsify) at forbruget højst er 83. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Metode Steps ved hypotesetests - et overblik Det tosidede (non-directional) one-sample t-test igen Helt generelt består et hypotesetest af følgende trin: 1 Formulate the hypotheses and choose the level of significance α (choose the "risk-level") 2 Calculate, using the data, the value of the test statistic 3 Calculate the p-value using the test statistic and the relevant sampling distribution, and compare the p-value and the significance level α and make a conclusion 4 (Alternatively, make a conclusion based on the relevant critical value(s)) Metode Et level α test er: 1 Compute t obs as before 2 Compute the evidence against the null hypothesis H 0 : µ = µ 0 vs. the alternative hypothesis H 1 : µ µ 0 by the p value = 2 P (T > t obs ) where the t-distribution with n 1 degrees of freedom is used. 3 If p value < α: We reject H 0, otherwise we accept H 0. 4 The rejection/acceptance conclusion could alternatively, but equivalently, be made based on the critical value(s) ±t 1 α/2 : If t obs > t 1 α/2 we reject H 0, otherwise we accept H 0. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
6 Det ensidede (directional) one-sample t-test Det ensidede (directional) one-sample t-test Metode Et level α ensidet ( less ) test er: 1 Compute t obs as before 2 Compute the evidence against the null hypothesis H 0 : µ µ 0 vs. the alternative hypothesis H 1 : µ < µ 0 by the p value = P (T < t obs ) where the t-distribution with n 1 degrees of freedom is used. 3 If p value < α: We reject H 0, otherwise we accept H 0. 4 The rejection/acceptance conclusion could alternatively, but equivalently, be made based on the critical value(s) t α : If t obs < t α we reject H 0, otherwise we accept H 0. Metode Et level α ensidet ( greater ) test er: 1 Compute t obs as before 2 Compute the evidence against the null hypothesis H 0 : µ µ 0 vs. the alternative hypothesis H 1 : µ > µ 0 by the p value = P (T > t obs ) where the t-distribution with n 1 degrees of freedom is used. 3 If p value < α: We reject H 0, otherwise we accept H 0. 4 The rejection/acceptance conclusion could alternatively, but equivalently, be made based on the critical value(s) t 1 α : If t obs > t 1 α we reject H 0, otherwise we accept H 0. Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Eksempel - PC skærme Eksempel - PC skærme Kan man modbevise producentens påstand? En forbrugergruppe vil nu afprøve producentens påstand og udfører et antal målinger af strømforbruget for den pågældende type pc skærm: Der udføres nu 12 målinger af forbruget: Herfra estimeres middelforbruget til x = og s = Så, one-sided greater er det relevante test: Nulhypotese: H 0 : µ 83. Alternativet: H 1 : µ > 83 Beregn test-størrelse og P-værdi: t obs = / 12 = 1.97 p-value = P (T > 1.97) = Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Konklusion ved brug af α = 0.05: Vi forkaster nulhypotesen: Vi har påvist at skærmene s middelforbrug er signifikant større end 83W. x <- c(82, 86, 84, 84, 92, 83, 93, 80, 83, 84, 85, 86) t.test(x, mu = 83, alt = "greater") One Sample t-test data: x t = 1.97, df = 11, p-value = alternative hypothesis: true mean is greater than percent confidence interval: Inf sample estimates: mean of x Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
7 Mulige fejl ved hypotesetests Retsalsanalogi Der findes to slags fejl (dog kun een af gangen!) Type I: Rejection of H 0 when H 0 is true Type II: Non-rejection of H 0 when H 1 is true Risikoen for de to typer fejl kaldes sædvanligvis: P (Type I error) = α P (Type II error) = β En person står stillet for en domstol: A man is standing in a court of law accused of criminal activity. The null- and the the alternative hypotheses are: H 0 : H 1 : The man is not guilty The man is guilty At man ikke kan bevises skyldig er ikke det samme som at man er bevist uskyldig: Absence of evidence is NOT evidence of absence! Or differently put: Accepting a null hypothesis is NOT a statistical proof of the null hypothesis being true! Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Mulige fejl ved hypotesetests Planlægning: Power og sample size Planlægning, Styrke (=Power) Theorem 3.43: Signifikansniveauet = Risikoen for Type I fejl The significance level α in hypothesis testing is the overall Type I risk: P (Type I error) = P (Rejection of H 0 when H 0 is true) = α To mulige sandheder vs. to mulige konklusioner: Reject H 0 Fail to reject H 0 H 0 is true Type I error (α) Correct acceptance of H 0 H 0 is false Correct rejection of H 0 (Power) Type II error (β) Hvad er styrken for et kommende studie/eksperiment: Sandsynligheden for at opdage en (formodet) effekt P (Forkaste H 0 ) når H 1 er sand Probability of correct rejection of H 0 Udfordring: Nulhypotesen kan være forkert på mange måder! I praksis: Scenarie-baseret approach E.g. "Hvad nu hvis µ = 86, hvor godt vil mit studie være til at opdage dette? " E.g. "Hvad nu hvis µ = 84, hvor godt vil mit studie være til at opdage dette? " etc Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
8 Planlægning: Power og sample size Planlægning, Styrke (=Power) Planlægning: Power og sample size Low power eksempel 0.5 Under H 0 Under H 1 Når man har fastlagt hvilket test, der skal bruges: Kender man (eller fastlægger/gætter på) fire ud af følgende fem oplysninger, kan man regne sig frem til den femte: Stikprøvestørrelse (sample size) n Significance level α of the test. Probability density α β Power A change in mean that you would want to detect (effect size) µ 0 µ 1. The population standard deviation, σ. The power (1 β) β Power α µ 0 µ 1 Low power Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Planlægning: Power og sample size High power eksempel Planlægning: Power og sample size Planlægning, Sample size n 0.5 Under H 0 Under H 1 Det store spørgsmål i praksis: HVAD skal n være? Probability density α β Power Power Forsøget skal være stort nok til at kunne opdage en relevant effekt med stor power (som regel mindst 80%): Metode 3.47: Tilnærmet svar for et en-sidet one-sample t-test: For the one-sided, one-sample t-test for given α, β and σ: n = ( σ z ) 1 β + z 2 1 α (µ 0 µ 1 ) 0.0 β α µ 0 µ 1 Where µ 0 µ 1 is the change in means that we would want to detect and z 1 β, z 1 α are quantiles of the standard normal distribution. High power Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
9 Planlægning: Power og sample size Eksempel - The power for n = 40 Planlægning: Power og sample size Eksempel - The sample size for power= 0.80 power.t.test(n = 40, delta = 4, sd = 12.21, type = "one.sample", alternative= "one.sided") One-sample t test power calculation n = 40 delta = 4 sd = sig.level = 0.05 power = alternative = one.sided power.t.test(power =.80, delta = 4, sd = 12.21, type = "one.sample", alternative= "one.sided") One-sample t test power calculation n = delta = 4 sd = sig.level = 0.05 power = 0.8 alternative = one.sided Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Eksempel - højde af studerende - er de normalfordelt? Eksempel observation fra en normal fordeling: x <- c(168,161,167,179,184,166,198,187,191,179) hist(x, xlab="height", main="", freq = FALSE) lines(seq(160, 200, 1), dnorm(seq(160, 200, 1), mean(x), sd(x))) xr <- rnorm(100, mean(x), sd(x)) hist(xr, xlab="height", main="", freq = FALSE) lines(seq(130, 230, 1), dnorm(seq(130, 230, 1), mean(x), sd(x))) Density Density Height Height Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
10 Eksempel - højde af studerende - ecdf plot(ecdf(x), verticals = TRUE) xp <- seq(0.9*min(x), 1.1*max(x), length.out = 100) lines(xp, pnorm(xp, mean(x), sd(x))) Fn(x) ecdf(x) x Eksempel observation fra en normal fordeling, ecdf: xr <- rnorm(100, mean(x), sd(x)) plot(ecdf(xr), verticals = TRUE) xp <- seq(0.9*min(xr), 1.1*max(xr), length.out = 100) lines(xp, pnorm(xp, mean(xr), sd(xr))) Fn(x) ecdf(xr) Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, x Forelæsning 5 Efteråret / 49 Eksempel - højde af studerende - Normal Q-Q plot Eksempel - højde af studerende - Normal Q-Q plot - sammenlign med andre simulerede normalfordelte data qqnorm(x) qqline(x) Normal Q Q Plot Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
11 Transformation towards normality Normal Q-Q plot Eksempel - Radon data Metode Den formelle definition The ordered observations x (1),..., x (n) are plotted versus a set of expected normal quantiles z p1,..., z pn. Different definitions of p 1,..., p n exist: In R, when n > 10: In R, when n 10: p i = i 0.5 n + 1, i = 1,..., n p i = i 3/8 n + 1/4, i = 1,..., n READING IN THE DATA radon<-c(2.4, 4.2, 1.8, 2.5, 5.4, 2.2, 4.0, 1.1, 1.5, 5.4, 6.3, 1.9, 1.7, 1.1, 6.6, 3.1, 2.3, 1.4, 2.9, 2.9) A HISTOGRAM AND A QQ-PLOT par(mfrow=c(1,2)) hist(radon) qqnorm(radon,ylab = 'Sample quantiles',xlab = "Normal quantiles") qqline(radon) Frequency Histogram of radon Sample quantiles Normal Q Q Plot Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 radon Normal quantiles Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Transformation towards normality Transformation towards normality Eksempel - Radon data - log-transformed are closer to a normal distribution Oversigt TRANSFORM USING NATURAL LOGARITHM logradon<-log(radon) hist(logradon) qqnorm(logradon,ylab = 'Sample quantiles',xlab = "Normal quantiles") qqline(logradon) 1 Motiverende eksempel - sovemedicin 2 Frequency Histogram of logradon Sample quantiles Normal Q Q Plot 3 4 Planlægning: Power og sample size 5 Transformation towards normality logradon Normal quantiles Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49 Klaus KA og Per BB (klaus@cancer.dk) Introduktion til Statistik, Forelæsning 5 Efteråret / 49
enote 3: Hypotesetests for én gruppe/stikprøve Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher
Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereIntroduktion til Statistik. Forelæsning 5: Hypotesetest, power og modelkontrol - one sample. Peder Bacher
Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereOversigt. 1 Motiverende eksempel - energiforbrug. 2 Hypotesetest (Repetition) 3 Two-sample t-test og p-værdi. 4 Konfidensinterval for forskellen
Kursus 02402/02323 Introducerende Statistik Forelæsning 6: Sammenligning af to grupper Oversigt 1 Motiverende eksempel - energiforbrug 2 Hypotesetest (Repetition) 3 Klaus K. Andersen og Per Bruun Brockhoff
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 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 mereOversigt. 1 Motiverende eksempel - energiforbrug. 2 Hypotesetest (Repetition) 3 Two-sample t-test og p-værdi. 4 Konfidensinterval for forskellen
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 mereEnsidet eller tosidet alternativ. Hypoteser. tosidet alternativ. nul hypotese testes mod en alternativ hypotese
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 Bygning 305/324 Danmarks Tekniske Universitet
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 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 mereBasic statistics for experimental medical researchers
Basic statistics for experimental medical researchers Sample size calculations September 15th 2016 Christian Pipper Department of public health (IFSV) Faculty of Health and Medicinal Science (SUND) E-mail:
Læs mereAfsnit 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
Læs mereKursus 02402/02323 Introduktion til statistik. Forelæsning 13: Et overblik over kursets indhold. Klaus K. Andersen og Per Bruun Brockhoff
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet
Læs mereKonfidensintervaller 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
Læs mere1 enote 1: Simple plots og deskriptive statistik. 2 enote2: Diskrete fordelinger. 3 enote 2: Kontinuerte fordelinger
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Building 324, Room 220 Danish Technical University
Læs mereForelæsning 9: Inferens for andele (kapitel 10)
Kursus 02402 Introduktion til Statistik Forelæsning 9: Inferens for andele (kapitel 10) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
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 mereProgram. t-test Hypoteser, teststørrelser og p-værdier. Hormonkonc.: statistisk model og konfidensinterval. Hormonkoncentration: data
Faculty of Life Sciences Program t-test Hypoteser, teststørrelser og p-værdier Claus Ekstrøm E-mail: ekstrom@life.ku.dk Resumé og hængepartier fra sidst. Eksempel: effekt af foder på hormonkoncentration
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
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 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 mereq-værdien som skal sammenlignes med den kritiske Chi-i-Anden værdi p-værdien som skal sammenlignes med signifikansniveauet.
Introduktion: Chi-i-Anden test (Goodness of Fit) på computeren fungerer som en "black-boks"- kommando, hvor eleverne med udgangspunkt i en nulhypotese (H ) taster de forventede og de observerede talværdier
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 mereOversigt. 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
Læs mereStatistik for MPH: 7
Statistik for MPH: 7 3. november 2011 www.biostat.ku.dk/~pka/mph11 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 9: Inferens for andele (kapitel 10) Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 9: Inferens for andele (kapitel 10) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereI dag. Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt)
I dag Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt) Helle Sørensen Repetition vha eksempel om dagligvarepriser Analyse med R: ttest
Læs mereForelæsning 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
Læs mereTrin 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
Læs mereLøsning 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
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 meret-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,
Læs mereAnvendt Statistik Lektion 4. Hypotesetest generelt Test for middelværdi Test for andele
Anvendt Statistik Lektion 4 Hypotesetest generelt Test for middelværdi Test for andele Hypoteser og Test Hypotese I statistik er en hypotese en påstand om en populationsparameter. Typisk en påstand om
Læs mereHvis 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
Læs mere1 enote 1: Simple plots og deskriptive statistik. 2 enote 2: Diskrete fordelinger. 3 enote 2: Kontinuerte fordelinger
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Peder Bacher DTU Compute, Dynamiske Systemer Building 303B, Room 017 Danish Technical University 2800 Lyngby
Læs mereProgram: 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)
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 mereHvad skal vi lave? Nulhypotese - alternativ. Teststatistik. Signifikansniveau
Hvad skal vi lave? 1 Statistisk inferens: Hypotese og test Nulhypotese - alternativ. Teststatistik P-værdi Signifikansniveau 2 t-test for middelværdi Tosidet t-test for middelværdi Ensidet t-test for middelværdi
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 mereNormalfordelingen. 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
Læs mere1 Statistisk inferens: Hypotese og test Nulhypotese - alternativ Teststatistik P-værdi Signifikansniveau...
Indhold 1 Statistisk inferens: Hypotese og test 2 1.1 Nulhypotese - alternativ.................................. 2 1.2 Teststatistik........................................ 3 1.3 P-værdi..........................................
Læs mereLøsning til eksaminen d. 14. december 2009
DTU Informatik 02402 Introduktion til Statistik 200-2-0 LFF/lff Løsning til eksaminen d. 4. december 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition,
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Rune Haubo B Christensen (based on slides by Per Bruun Brockhoff) DTU Compute, Statistik og Dataanalyse Bygning
Læs meremen 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) =
Læs mereForelæsning 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
Læs mereHypotesetests, fejltyper og p-værdier
Hypotesetests, fejltyper og p-værdier Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 25, 2018 Søren Højsgaard Institut for Matematiske Fag, Aalborg Hypotesetests, Universitet
Læs mereOversigt. 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:
Læs mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger
Course 02402/02323 Introducerende Statistik Forelæsning 2: Stokastisk variabel og diskrete fordelinger Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet
Læs mereStatistik for MPH: oktober Attributable risk, bestemmelse af stikprøvestørrelse (Silva: , )
Statistik for MPH: 7 29. oktober 2015 www.biostat.ku.dk/~pka/mph15 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mereProgram. Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve I SAS. Øvelse: effekt af diæter
Program Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Øvelse: effekt af diæter. Repetition fra sidst... Parrede og ikke-parrede
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Uafhængighedstestet
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Uafhængighedstestet Eksempel: Bissau data Data kommer fra Guinea-Bissau i Vestafrika: 5273 børn blev undersøgt da de var yngre end 7 mdr og blev
Læs mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mereStatistik 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
Læs mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs mereKursus Introduktion til Statistik. Forelæsning 13: Summary. Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 13: Summary Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereProgram: 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
Læs mereLøsning til eksaminen d. 29. maj 2009
DTU Informatik 02402 Introduktion til Statistik 20-2-01 LFF/lff Løsning til eksaminen d. 29. maj 2009 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
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 mereKursus Introduktion til Statistik. Forelæsning 12: Variansanalyse. Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 12: Variansanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
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 mereStatistik. Statistik. Hvad er Statistik? Hvad er Statistik? Hvad er Statistik? 1. Hvad er statistik? 2. Mennesker som måleinstrumenter
Statistik Statistik 1. statistik? Per Bruun Brockhoff Professor i Statistik DTU Informatik 27 august 2009 http://www.imm.dtu.dk/~pbb 2. Mennesker som måleinstrumenter Egentlig ikke så meget: Danmarks Statistik:
Læs mereQuestion I.1 (1) We use Method 3.8 from Chapter 3 to achieve
Correct answers: 35132 25225 11354 53441 12141 32235 Exercise I Question I.1 (1) We use Method 3.8 from Chapter 3 to achieve And since, qt(0.95, 24) ## [1] 1.710882 90.4 ± t 0.95 10.3 25 We get that 10.3
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2- test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2- test [ki-i-anden-test] Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination af
Læs mereReexam questions in Statistics and Evidence-based medicine, august sem. Medis/Medicin, Modul 2.4.
Reexam questions in Statistics and Evidence-based medicine, august 2013 2. sem. Medis/Medicin, Modul 2.4. Statistics : ESSAY-TYPE QUESTION 1. Intelligence tests are constructed such that the average score
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 mereSTAT-UB.0103 Spring 2012 Homework Set 8 Solutions
1. Curtis was investigating the properties of a new vacuum cleaner motor in terms of a standardized lab procedure. In this procedure, the motor was applied to a pile of gypsum powder for five seconds,
Læs mereOversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 10: Statistik ved hjælp af simulering. Per Bruun Brockhoff.
Kursus 02402 Introduktion til Statistik Forelæsning 10: Statistik ved hjælp af simulering Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 12: Variansanalyse. Per Bruun Brockhoff. Envejs variansanalyse - eksempel
Kursus 02402 Introduktion til Statistik Forelæsning 12: Variansanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereEt statistisk test er en konfrontation af virkelighenden (data) med en teori (model).
Hypotesetests, fejltyper og p-værdier og er den nu også det? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet (updated: 2019-03-17) 1 / 40 Statistisk test Et statistisk test er en konfrontation
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 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 mereMikro-kursus i statistik 2. del Mikrokursus i biostatistik 1
Mikro-kursus i statistik 2. del 24-11-2002 Mikrokursus i biostatistik 1 Hvad er hypotesetestning? I sundhedsvidenskab:! Hypotesetestning = Test af nulhypotesen Hypotese-testning anvendes til at vurdere,
Læs mereResumé: En statistisk analyse resulterer ofte i : Et estimat θˆmed en tilhørende se
Epidemiologi og biostatistik. Uge, torsdag 5. februar 00 Morten Frydenberg, Institut for Biostatistik. Type og type fejl Statistisk styrke Nogle speciale metoder: Normalfordelte data : t-test eksakte sikkerhedsintervaller
Læs mereEn Introduktion til SAS. Kapitel 5.
En Introduktion til SAS. Kapitel 5. Inge Henningsen Afdeling for Statistik og Operationsanalyse Københavns Universitet Marts 2005 6. udgave Kapitel 5 T-test og PROC UNIVARIATE 5.1 Indledning Dette kapitel
Læs mereSide 1 af 17 sider. Danmarks Tekniske Universitet. Skriftlig prøve: 25. maj 2007 Kursus navn og nr: Introduktion til Statistik, 02402
Danmarks Tekniske Universitet Side 1 af 17 sider. Skriftlig prøve: 25. maj 2007 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (navn) (underskrift)
Læs mereForelæsning 10: Statistik ved hjælp af simulering
Kursus 02402 Introduktion til Statistik Forelæsning 10: Statistik ved hjælp af simulering Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
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 mereOversigt. 1 Intro: Regneeksempel og TV-data fra B&O. 2 Model og hypotese. 3 Beregning - variationsopspaltning og ANOVA tabellen
Kursus 02402/02323 Introducerende Statistik Forelæsning 10: Envejs variansanalyse, ANOVA Oversigt 1 Intro: Regneeksempel og TV-data fra B&O 2 Model og hypotese Per Bruun Brockhoff DTU Compute, Statistik
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 mereOversigt. Kursus 02402/02323 Introducerende Statistik. Forelæsning 7: Simuleringsbaseret statistik. Klaus K. Andersen og Per Bruun Brockhoff
Kursus 02402/02323 Introducerende Statistik Forelæsning 7: Simuleringsbaseret statistik Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet 2800
Læs mereVina Nguyen HSSP July 13, 2008
Vina Nguyen HSSP July 13, 2008 1 What does it mean if sets A, B, C are a partition of set D? 2 How do you calculate P(A B) using the formula for conditional probability? 3 What is the difference between
Læs mereEksamen Bacheloruddannelsen i Medicin med industriel specialisering
Eksamen 2016 Titel på kursus: Uddannelse: Semester: Forsøgsdesign og metoder Bacheloruddannelsen i Medicin med industriel specialisering 6. semester Eksamensdato: 17-02-2015 Tid: kl. 09.00-11.00 Bedømmelsesform
Læs mere(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)
Læs mereKvant Eksamen December 2010 3 timer med hjælpemidler. 1 Hvad er en continuous variable? Giv 2 illustrationer.
Kvant Eksamen December 2010 3 timer med hjælpemidler 1 Hvad er en continuous variable? Giv 2 illustrationer. What is a continuous variable? Give two illustrations. 2 Hvorfor kan man bedre drage konklusioner
Læs mereForsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 6. november 2007 Forsøgsplanlægning Stikprøvestørrelse 1 41 Planlægning af et studie Videnskabelig hypotese Endpoints Instrumentelle/eksponerings variable Variationskilder
Læs mereGenerelle lineære modeller
Generelle lineære modeller Regressionsmodeller med én uafhængig intervalskala variabel: Y en eller flere uafhængige variable: X 1,..,X k Den betingede fordeling af Y givet X 1,..,X k antages at være normal
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereExam questions in Statistics and evidence-based medicine, spring 2011 2. sem. Medis/Medicin, Modul 2.4.
Exam questions in Statistics and evidence-based medicine, spring 2011 2. sem. Medis/Medicin, Modul 2.4. MUPTIPLE HOIE QUESTION 1. Identify the false statement: D E Power = [1 - (probability of a Type II
Læs mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs mere02402 Vejledende løsninger til hjemmeopgaver og øvelser i uge 5
02402 Vejledende løsninger til hjemmeopgaver og øvelser i uge 5 Opgave 5.117, side 171 (7ed: 5.116 side 201 og 6ed: 5.116 side 197) I denne opgave skal vi benytte relationen mellem den log-normale fordeling
Læs mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereIndhold. 2 Tosidet variansanalyse Additive virkninger Vekselvirkning... 9
Indhold 1 Ensidet variansanalyse 2 1.1 Estimation af middelværdier............................... 3 1.2 Estimation af standardafvigelse............................. 3 1.3 F-test for ens middelværdier...............................
Læs mereMaple-oversigt til matematik B-niveau: Rungsted Gymnasium Definer en funktion og funktionsværdier. Tegn grafen for en funktion.
Maple-oversigt til matematik B-niveau: Rungsted Gymnasium 2011 Definer en funktion og funktionsværdier (1.1) 32 (1.2) (1.3) Tegn grafen for en funktion (2.1) 250 200 150 100 50 0 5 10 8 6 4 2 0 1 2 0 y
Læs mereTema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.
Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mereProgram. Modelkontrol og prædiktion. Multiple sammenligninger. Opgave 5.2: fosforkoncentration
Faculty of Life Sciences Program Modelkontrol og prædiktion Claus Ekstrøm E-mail: ekstrom@life.ku.dk Test af hypotese i ensidet variansanalyse F -tests og F -fordelingen. Multiple sammenligninger. Bonferroni-korrektion
Læs mereOpgaver til ZAR II. Afdeling for Anvendt Matematik og Statistik Michael Sørensen Oktober Opgave 1
Københavns Universitet Afdeling for Anvendt Matematik og Statistik Statistik for biokemikere Inge Henningsen Michael Sørensen Oktober 2003 Opgaver til ZAR II Opgave 1 Et datasæt består af 20 observationer.
Læs mereAnvendt Statistik Lektion 9. Variansanalyse (ANOVA)
Anvendt Statistik Lektion 9 Variansanalyse (ANOVA) 1 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: χ 2 -test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable:
Læs mereModule 4: Ensidig variansanalyse
Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2
Læs mereVejledende besvarelser til opgaver i kapitel 14
Vejledende besvarelser til opgaver i kapitel 14 Opgave 1 a) Det første trin i opstillingen af en hypotesetest er at formulere to hypoteser, hvoraf den ene støtter den teori vi vil teste, mens den anden
Læs mereTegning 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.
Læs mere