For at få 8 linjer ud, skal dette specifiseres i kommandoen ved at sætte antal lig 8 n=8:
|
|
- Tilde Thøgersen
- 7 år siden
- Visninger:
Transkript
1 Klasseøvelser dag 1 Opgave Vi gemmer først dbase filen "perulung.dbf" i den relevante mappe og derefter sættes working directory til denne mappe ved at vælge menuen Session -> Set Working Directory -> Choose Directory. Derefter indlæses foreign-pakken, som er nødvendig for at kunne indlæse dbf-filen. Vi navngiver vores data d ved indlæsning: library(foreign) d <- read.dbf('perulung.dbf') 1.2. For at printe de første linjer benyttes head()-funktionen, hvis standardindstilling giver de første 6 linjer af data: head(d) ## X id fev1 age height sex respsympto ## ## ## ## ## ## For at få 8 linjer ud, skal dette specifiseres i kommandoen ved at sætte antal lig 8 n=8: head(d,n=8) ## X id fev1 age height sex respsympto ## ## ## ## ## ## ## ## Størrelsen af datasættet importeret kan undersøges med kommandoen dim() (DIMension):. dim(d) ## [1] 636 7
2 Den første tal i output angiver antal linier i datasættet, dvs. antallet af børn i vores datasæt. Det andet tal angiver antallet af variable i datasættet, dvs. hvor mange forskellige parametre der er registreret på hvert barn Median og mean for data kan findes med kommandoerne median() og mean(). Vi er interesseret i at finde median og mean for variablen height i vores datasæt d, som vi kan få fat i ved at benytte $-notationen: d$height Vi skal finde median og mean for pigerne. Vi kan trække højden ud for piger ved at vælge (sex==0) i []: d$height[ d$sex==0 ] Vi kan nu finde både median og mean: median( d$height[ d$sex==0 ] ) ## [1] mean( d$height[ d$sex==0 ] ) ## [1] Vi skal finde ud af, hvor mange børn som har en højde over 140 cm. Vi benytter igen []- notationen og vælger at printe højderne for disse børn: d$height[ d$height > 140 ] ## [1] Vi ser at der er 5 personer i data med en højde over 140 cm. Havde der været mange høje børn i vores datasæt kunne vi istedet bede R tælle op, hvor mange høje børn der er ved at benytte length()-kommandoen som tæller hvor mange elementer der er i en vektor: length( d$height[ d$height > 140 ] ) ## [1] Vi danner et nyt datasæt for individer over 140 cm med kommandoen subset(). Vi kalder vores nye data for d2: d2 <- subset( d, height > 140 ) Normalt bruger vi head() kommandoen til at få et hurtigt kig på data men da der kun er 5 personer i dette datasæt d2, får vi printet hele datasættet: head( d2 )
3 ## X id fev1 age height sex respsympto ## ## ## ## ## Vi kunne også have brugt kommandoen View (View( d2 )) og R ville have vist os dette dataark i en ny fane i stedet for i konsolvinduet. Vi ser at den højeste er 149 cm og med sex=1, dvs. en dreng. En anden måde at finde det højeste barn på er er ved at benytte kommandoen max(): max( d2$height ) ## [1] 149 Her giver R os værdien 149 cm og med denne information, kan vi danne et print: subset(d2,height == 149) ## X id fev1 age height sex respsympto ## Hvilket også viser at det højeste barn vi har data på er en dreng på 149 cm. Opgave På samme måde som beskrevet i opgave 1 indlæses datasættet "sundby0.dbf" i et datasæt ved navn dn i R: dn <- read.dbf( 'sundby0.dbf' ) 2.2. For at undersøge hvor mange variable, som er indeholdt i data, benyttes dim(): dim( dn ) ## [1] Så vi har 1500 observationer og 5 variable. For at få et bedre overblik over data, kan kommandoerne head() og summary() benyttes: head( dn ) ## id gender age wgt ht ## ## ## NA 191 ## ## ##
4 summary( dn ) ## id gender age wgt ## Min. : 2.0 Min. :1.000 Min. :18.00 Min. : 32.0 ## 1st Qu.: st Qu.: st Qu.: st Qu.: 60.0 ## Median : Median :2.000 Median :35.00 Median : 70.0 ## Mean : Mean :1.561 Mean :41.24 Mean : 70.9 ## 3rd Qu.: rd Qu.: rd Qu.: rd Qu.: 80.0 ## Max. : Max. :2.000 Max. :93.00 Max. :140.0 ## NA's :26 NA's :22 NA's :51 ## ht ## Min. :148.0 ## 1st Qu.:166.0 ## Median :172.0 ## Mean :172.9 ## 3rd Qu.:180.0 ## Max. :200.0 ## NA's : Kommandoen til at lave tabeller er table(): table( dn$gender ) ## ## 1 2 ## Så der er 647 mænd og 827 kvinder. Vi finder det samlede antal deltagere ved at lægge de to tal sammen: sum( table( dn$gender ) ) ## [1] 1474 Idet det samlede datasæt har 1500 observationer er det nu tydeligt, at der for 26 af deltagerne ikke er registreret køn. Det er også muligt at se i summary() kommandoen fra tidligere i opg eller ved at bede R tabellere antal med manglende værdier ved at tilføje argument usena='ifany: table( dn$gender, usena='ifany' ) ## ## 1 2 <NA> ## Vi tilføjer BMI-variablen og undersøger om den ser rigtig ud vha. head(): dn$bmi <- dn$wgt / dn$ht^2 head( dn ) ## id gender age wgt ht bmi ##
5 ## ## NA 191 NA ## ## ## Vi ser at vores BMI-variabel blev forkert defineret, fordi højden er registreret i centimeter, og retter derfor BMI-variable til: dn$bmi <- dn$wgt / ( dn$ht/100 )^2 head( dn ) ## id gender age wgt ht bmi ## ## ## NA 191 NA ## ## ## BMI er nu beregnet korrekt. 2.5.(a) Vi definerer et nyt subset kun indeholdende observationer for mænd, hvilket gøres ved at bruge kommandoen subset() og definere at vil trække observationer ud hvor gender==1: dm <- subset(dn, gender==1) 2.5(b) For at finde range i R, kan range()-funktionen benyttes. Det er kan være et problem hvis der missing values NA, dette undgåes ved at skrive na.rm=t i range(): range(dm$bmi) ## [1] NA NA range(dm$bmi,na.rm=t) ## [1] Hvilket løser vores problem. 2.5(c) Vi kan undersøge fordelingen af bmi-variablen ved at danne et histogram: hist(dm$bmi)
6 Da vi kender normalfordeling som symmetrisk, og da bmi er tilnærmelsesvis symmetrisk, lader det til at denne er normalfordelt. 2.5(d) Vi starter med at beregne mean(): mean(dm$bmi,na.rm=t) ## [1] Vi er opmærksomme på at der kan være missing observations for bmi, hvilket kan undersøges med summary(): summary(dm$bmi) ## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's ## Ud af 647 observationer er der 19 missing values. Vi skal derfor undgå disse NA når vi beregner konfidens interval. Vi husker at konfidensintervallet beregnes som middelværdien plus minus 1.96 ganget med standard afvigelsen, som bliver divideret med kvadratroden til Med følgende resultat: mean(dm$bmi,na.rm=t)+1.96*sd(dm$bmi,na.rm=t)/sqrt(647-19)
7 ## [1] mean(dm$bmi,na.rm=t)-1.96*sd(dm$bmi,na.rm=t)/sqrt(647-19) ## [1] Konfidens intervallet bliver da: (23.98;24.48). 2.6.(a)-(d) Vi kører de samme koder for kvinder. dk <- subset(dn, gender==2) range(dk$bmi,na.rm=t) ## [1] hist(dk$bmi) mean(dk$bmi,na.rm=t) ## [1] summary(dk$bmi) ## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's ## mean(dk$bmi,na.rm=t)+1.96*sd(dk$bmi,na.rm=t)/sqrt(827-39)
8 ## [1] mean(dk$bmi,na.rm=t)-1.96*sd(dk$bmi,na.rm=t)/sqrt(827-39) ## [1] Vi får middelværdien for kvinders bmi til og det tilhørende konfidensinterval til (22.88;23.42). Konfidensintervallet er regnet ud fra de =788 observationer Vi sammenligner de to konfidensintervaller for hhv. mænd (23.98;24.48) og kvinder (22.88;23.42). Vi bemærker at de to intervaller ikke overlapper. Vi skal først bestemme konfidensintervallet for forskellen i middelværdi. Her får vi brug for means, sd og antal i hver gruppe. Dem bestemmer vi først: # Mænd n1 < m1 <- mean( dm$bmi, na.rm=t ) sd1 <- sd( dm$bmi, na.rm=t ) # Kvinder n2 < m2 <- mean( dk$bmi, na.rm=t ) sd2 <- sd( dk$bmi, na.rm=t ) Forskellen i gennemsnit er: m1-m2 ## [1] Vi benytter nu formlen slide 31. Først finder vi en pooled SD (et gennemsnit af de to SDs) p_sd <- sqrt( ( (n1-1)*sd1^2 + (n2-1)*sd2^2 ) / ( n1+n2-2) ) p_sd ## [1] og den kan vi bruge til at bestemme SE (også formel p 31): sem <- sqrt( 1/n1+1/n2 )*p_sd sem ## [1] Nu kan vi beregne konfidensintervallet (ved Wald metoden / normalfordelingen / +/- 1.96): m1-m2-1.96*sem ## [1] m1-m *sem
9 ## [1] Konfidensintervallet er derfor (0.70;1.46). Voila. Vi kan se at konfidensintervallet ikke indeholder 0, og 0 (svarende til ingen forskel i middel BMI) er derfor ikke en plausibel værdi for forskellen i middelværdi. Vi udfører alligevel et formelt test: Nulhypotesen lyder Hvor er middelværiden for mænds bmi og er middelværdien for kvinders bmi. Ifølge slide 28 er teststørrelsen: Vi kan nu beregne vores test-statistic: Test=(m1-m2)/sem Test ## [1] Vi får altså en teststørrelse på Vi skal nu regne ud - under antagelsen om at der ikke er nogen forskel på mænd og kvinders bmi - hvad sandsynligheden er for at observere en stikprøve som er lige så ekstrem eller stemmer dårligere overens med hypotesen, end den stikprøve vi faktisk har fået. Vi har observeret en teststørrelse på En dårligere overenstemmelse har vi, hvis vi observerer værdier større end Omvendt er lige så ekstremt (vi kunne have beregnet forskellen mellem kvinder og mænd som er m2-m1= og bestemt teststørrelsen til at være /sem = -5.57). Dårligere overensstemmelse med hypotesen har vi altså også for alle værdier mindre en Sandsynligheden for at få en værdi på eller lavere kan vi beregne vha pnorm() som beregner sandsynligheden for at observere et tal lavere end det vi sætter ind: pnorm( ) ## [1] e-08 Samtidigt skal vi beregne sandsynligheden for at få 5.57 eller større. Her kan vi igen benytte pnorm() men skal huske, at pnorm() beregner sandsynligheden for at få det tal vi sætter ind eller en mindre værdi. Dette er praktisk talt 1 og R vælger derfor at runde af: pnorm( 5.57 ) ## [1] 1 Vil vi i stedet absolut bruge den øvre hale kan vi istedet beregne 1-pnorm( 5.57 )
10 1-pnorm( 5.57 ) ## [1] e-08 Så får vi altså sandsynligheden for at få noget større en 5.57 (1-sandsynligheden for at få noget mindre end 5.57). Sandsynligheden i højre og venstre hale skal nu lægges sammen. Det kan vi gøre - men vi kan også bare gange sandsynligheden for at få noget mindre end med 2: 2* pnorm( ) ## [1] e-08 Denne rapporterer vi som < Dette er et WALD- eller Z-test fordi vi beregner p-værdien i en normalfordeling. Havde vi brugt t- fordelingen, var det et t-test (dette laver R for os nedenfor). Når vi beregner p-værdien bør vi ikke selv sætte de 5.57 ind, fordi vi derved laver en afrundingsfejl. Med så lille p-værdi er det godt nok ligegyldigt for hvad vi rapporterer, men for en god ordens skyld bør vi benytte alle decimaler. Det kan vi gøre ved at sætte Test ind i formlen ovenfor (og huske at gange med -1, fordi Test er positiv): Test ## [1] * pnorm( -Test ) ## [1] e-08 Sandsynligheden for at få en stikprøve som stemmer mindst lige så dårligt overens med 0- hypotesen som i denne sample er derfor < Vores observerede forskel er derfor meget usandsynlig, givet at hypotesen skulle være sand. Vi vælger derfor at afvise hypotesen. Og vurderer at mænd og kvinder ikke har samme niveau (middelværdi) af BMI Vi sammenligner vores Wald test med et formelt t-test. Sidstnævnte kan vi meget nemt lave i R vha t.test()-funktionen: t.test( dn$bmi~dn$gender, var.equal=t ) ## ## Two Sample t-test ## ## data: dn$bmi by dn$gender ## t = , df = 1414, p-value = 3.092e-08 ## alternative hypothesis: true difference in means is not equal to 0 ## 95 percent confidence interval: ## ## sample estimates:
11 ## mean in group 1 mean in group 2 ## Udover at få t-test størrelsen printer t.test() også difference in means samt konfidensintervallet for denne. Vi får konfidensintervallet til (0.71;1.45) med difference in means til m1-m2=1.08. Bemærk at t-test størrelsen har helt samme værdi som den vi beregnede ovenfor! P-værdien er en smule anderledes, og konfidensintervallet er også en lille smule anderledes. Fra et praktisk formål dog helt identiske: Konfidensintervallet vil vil rapportere med op til to decimaler 0.71;1.45) - flere decimaler giver næppe mening. Og p-værdien er < Fremover kan I derfor beregne et konfidensinterval for den gennemsnitlige forskel vha. t.test(), det er meget lettere Vi danner et nyt datasæt kun indeholdende observationer for kvinder med variablene weight, height og bmi. Til dette benyttes kommandoen data.frame. dnew <- data.frame(weight=dk$wgt, height=dk$ht, bmi=dk$bmi ) head(dnew) ## weight height bmi ## ## ## ## ## ## Det er i R muligt at omskrive datafiler til andre formater, herunder csv som kan indlæses i R. Dette kan gøres ved følgende kommando: write.csv(dnew, 'SundbyNew.csv') Data kan indlæses igen i R: SNew <- read.csv('sundbynew.csv') Vi danner grupperede observationer for kvindedata hvor højde bliver inddelt i 3 kategorier. Dette kan gøre ved cut() funktionen. dnew$hgrp <- cut(dnew$height, breaks=c(0, 160, 170, 250)) Vi undersøger vores resultat ved brug af table(): table(dnew$hgrp) ## ## (0,160] (160,170] (170,250] ##
12 Det er muligt at navngive sine intervaller ved brug af argumentet labels i cut()-kommandoen: dnew$hgrp <- cut(dnew$height, breaks=c(0, 160, 170, 250), labels=c('low','middle','tall') ) table(dnew$hgrp) ## ## Low Middle Tall ## Vi danner et boxplot, hvor vi er interesseret i den grupperede inddeling af kvinders højde. For at lave boxplot i R, benyttes kommandoen boxplot: boxplot(dnew$weight ~ dnew$hgrp)
Klasseøvelser dag 2 Opgave 1
Klasseøvelser dag 2 Opgave 1 1.1. Vi sætter først working directory og data indlæses: library( foreign ) d
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 mereDet kunne godt se ud til at ikke-rygere er ældre. Spredningen ser ud til at være nogenlunde ens i de to grupper.
1. Indlæs data. * HUSK at angive din egen placering af filen; data framing; infile '/home/sro00/mph2016/framing.txt' firstobs=2; input id sex age frw sbp sbp10 dbp chol cig chd yrschd death yrsdth cause;
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 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 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 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 mereStatistik Lektion 20 Ikke-parametriske metoder. Repetition Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Statistik Lektion 0 Ikkeparametriske metoder Repetition KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
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 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 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 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 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 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 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 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 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 mereOpgave I.1 II.1 II.2 II.3 III.1 IV.1 IV.2 IV.3 V.1 VI.1 Spørgsmål (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) Svar
Danmarks Tekniske Universitet Side 1 af 19 sider. Skriftlig prøve: 30. maj 2006 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (navn) (underskrift)
Læs mereIkke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Ikkeparametriske metoder Repetition Wilcoxon SignedRank Test KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
Læs mereStastistik og Databehandling på en TI-83
Stastistik og Databehandling på en TI-83 Af Jonas L. Jensen (jonas@imf.au.dk). 1 Fordelingsfunktioner Husk på, at en fordelingsfunktion for en stokastisk variabel X er funktionen F X (t) = P (X t) og at
Læs mereKapitel 7 Forskelle mellem centraltendenser
Kapitel 7 Forskelle mellem centraltendenser Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 29 Indledning 1. z-test for ukorrelerede data 2. t-test for ukorrelerede data med ens
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 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 mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
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 mereØvelser i epidemiologi og biostatistik, 6. april 2010 Baseline-informationer fra Ebeltoft datasættet Eksempel på besvarelse
Øvelser i epidemiologi og biostatistik, 6. april 2010 Baseline-informationer fra Ebeltoft datasættet Eksempel på besvarelse 1. Hvor stor en andel af deltagerne var mænd? Var der samme andel i de tre randomiseringsgrupper?.
Læs mereEstimation og usikkerhed
Estimation og usikkerhed = estimat af en eller anden ukendt størrelse, τ. ypiske ukendte størrelser Sandsynligheder eoretisk middelværdi eoretisk varians Parametre i statistiske modeller 1 Krav til gode
Læs merePersonlig stemmeafgivning
Ib Michelsen X 2 -test 1 Personlig stemmeafgivning Efter valget i 2005 1 har man udspurgt en mindre del af de deltagende, om de har stemt personligt. Man har svar fra 1131 mænd (hvoraf 54 % har stemt personligt
Læs mereAnalysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
Læs mereMultipel regression. M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model
Multipel regression M variable En afhængig (Y) M-1 m uafhængige / forklarende / prædikterende (X 1 til X m ) Model Y j 1 X 1j 2 X 2j... m X mj j eller m Y j 0 i 1 i X ij j BEMÆRK! j svarer til individ
Læs mereIkke-parametriske tests
Ikke-parametriske tests 2 Dagens menu t testen Hvordan var det nu lige det var? Wilcoxson Mann Whitney U Kruskall Wallis Friedman Kendalls og Spearmans correlation 3 t-testen Patient Drug Placebo difference
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 mereSchweynoch, 2003. Se eventuelt http://www.mathematik.uni-kassel.de/~fathom/projekt.htm.
Projekt 8.5 Hypotesetest med anvendelse af t-test (Dette materiale har været anvendt som forberedelsesmateriale til den skriftlige prøve 01 for netforsøget) Indhold Indledning... 1 χ -test... Numeriske
Læs mereStatistik II 4. Lektion. Logistisk regression
Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
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 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 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 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 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 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 mereØvelser til basalkursus, 2. uge
Øvelser til basalkursus, 2. uge Opgave 1 Vi betragter igen Sundby95-materialet, og skal nu forbedre nogle af de ting, vi gjorde sidste gang. 1. Gå ind i ANALYST vha. Solutions/Analysis/Analyst. 2. Filen
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 mereTænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
Læs mereLineær regression. Simpel regression. Model. ofte bruges følgende notation:
Lineær regression Simpel regression Model Y i X i i ofte bruges følgende notation: Y i 0 1 X 1i i n i 1 i 0 Findes der en linie, der passer bedst? Metode - Generel! least squares (mindste kvadrater) til
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 mereLøsning til eksamen d.27 Maj 2010
DTU informatic 02402 Introduktion til Statistik Løsning til eksamen d.27 Maj 2010 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th edition]. Opgave I.1
Læs mereOpgavebesvarelse, Basalkursus, uge 3
Opgavebesvarelse, Basalkursus, uge 3 Opgave 1: Udskrivning af astma patienter (DGA s. 273) I en randomiseret undersøgelse foretaget af Storr et. al. (Lancet, i, 1987) sammenlignes effekten af en enkelt
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
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 mereMatematik A. Studentereksamen. Forberedelsesmateriale til de digitale eksamensopgaver med adgang til internettet
Matematik A Studentereksamen Forberedelsesmateriale til de digitale eksamensopgaver med adgang til internettet stx11-matn/a-080501 Tirsdag den 8. maj 01 Forberedelsesmateriale til stx A Net MATEMATIK Der
Læs mereKapitel 8 Chi-i-anden (χ 2 ) prøven
Kapitel 8 Chi-i-anden (χ 2 ) prøven Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 19 Indledning Forskelle mellem stikprøver undersøges med z-test eller t-test for data målt på
Læs mereβ = SDD xt SSD t σ 2 s 2 02 = SSD 02 f 02 i=1
Lineær regression Lad x 1,..., x n være udfald af stokastiske variable X 1,..., X n og betragt modellen M 2 : X i N(α + βt i, σ 2 ) hvor t i, i = 1,..., n, er kendte tal. Konkret analyseres (en del af)
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 mere2 -test. Fordelingen er særdeles kompleks at beskrive med matematiske formler. 2 -test blev opfundet af Pearson omkring år 1900.
2 -fordeling og 2 -test Generelt om 2 -fordelingen 2 -fordelingen er en kontinuert fordeling, modsat binomialfordelingen som er en diskret fordeling. Fordelingen er særdeles kompleks at beskrive med matematiske
Læs mereEmpirisk Miniprojekt 2
Empirisk Miniprojekt 2 Michael Bejer-Andersen, Thomas Thulesen og Emil Holmegaard Gruppe 5 26. November 2010 Indhold 1 Introduktion 2 1.1 Bane og Robot..................................... 2 1.2 Counter
Læs mereMPH specialmodul Epidemiologi og Biostatistik
MPH specialmodul Epidemiologi og Biostatistik Kvantitative udfaldsvariable 23. maj 2011 www.biostat.ku.dk/~sr/mphspec11 Susanne Rosthøj (Per Kragh Andersen) 1 Kapitelhenvisninger Andersen & Skovgaard:
Læs mereStatistik FSV 4. semester 2014 Øvelser Uge 2: 11. februar
Århus 6. februar 2014 Morten Frydenberg Statistik FSV 4. semester 2014 Øvelser Uge 2: 11. februar Til disse øvelser har I brug for fishoil1.dta, der indeholder data fra det fiskeolie forsøg vi så på ved
Læs merePhd-kursus i Basal Statistik, Opgaver til 1. uge Opgave 1: Sundby
Phd-kursus i Basal Statistik, Opgaver til 1. uge Opgave 1: Sundby Vi betragter et lille uddrag af det såkaldte Sundby95-materiale, der er en stor undersøgelse af københavnernes sundhed. Det totale datasæt
Læs mereBasal statistik Esben Budtz-Jørgensen 4. november Forsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 4. november 2008 Forsøgsplanlægning Stikprøvestørrelse 1 46 Planlægning af et studie Videnskabelig hypotese Endpoints Instrumentelle/eksponerings variable Variationskilder
Læs mereStatistiske Modeller 1: Kontingenstabeller i SAS
Statistiske Modeller 1: Kontingenstabeller i SAS Jens Ledet Jensen October 31, 2005 1 Indledning Som vist i Notat 1 afsnit 13 er 2 log Q for et test i en multinomialmodel ækvivalent med et test i en poissonmodel.
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 mereDen endelige besvarelse af opgaverne gøres ved at udfylde nedenstående skema. Aflever KUN skemaet!
Danmarks Tekniske Universitet Side 1 af 19 sider. Skriftlig prøve: 2. juni 2008 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
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 mereBetinget fordeling Uafhængighed. Beregning af forventet tabel Chi-kvadrat teststatistik Chi-kvadrat test. Chi-kvadratfordelingen Agresti - Summary
1 Kontingenstabeller Betinget fordeling Uafhængighed 2 Chi-kvadrat test for uafhængighed Beregning af forventet tabel Chi-kvadrat teststatistik Chi-kvadrat test. Chi-kvadratfordelingen Agresti - Summary
Læs mereReeksamen i Statistik for Biokemikere 6. april 2009
Københavns Universitet Det Naturvidenskabelige Fakultet Reeksamen i Statistik for Biokemikere 6. april 2009 Alle hjælpemidler er tilladt, og besvarelsen må gerne skrives med blyant. Opgavesættet er på
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] 1 Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination
Læs mereProgram. Sammenligning af to stikprøver Ikke-parametriske metoder Opsummering. Test for ens spredninger
Program Sammenligning af to stikprøver Ikke-parametriske metoder Opsummering Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Analyse af ikke-parrede stikprøver: repetition of rettelse af fejl! Lidt
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 mereOversigt over emner. Punktestimatorer: Centralitet(bias) og efficiens
Oversigt Oversigt over emner 1 Punkt- og intervalestimation Punktestimatorer: Centralitet(bias) og efficiens 2 Konfidensinterval Konfidensinterval for andel Konfidensinterval - normalfordelt stikprøve
Læs mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs mereOpgavebesvarelse, Basalkursus, uge 3
Opgavebesvarelse, Basalkursus, uge 3 Opgave 1: Udskrivning af astma patienter (DGA s. 273) I en randomiseret undersøgelse foretaget af Storr et. al. (Lancet, i, 1987) sammenlignes effekten af en enkelt
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 mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π
Læs mereOpgaver til kapitel 3
Opgaver til kapitel 3 3.1 En løber er interesseret i at undersøge om hendes løbeur er kalibreret korrekt. Hun udmåler derfor en strækning på præcis 1000 m og løber den 16 gange. For hver løbetur noterer
Læs mereStikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader
Stikprøver og stikprøve fordelinger Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Statistik Statistisk Inferens: Prediktere og forekaste værdier af
Læs mereStatikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression
Statikstik II 2. Lektion Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression Sandsynlighedsregningsrepetition Antag at Svar kan være Ja og Nej. Sandsynligheden for at Svar Ja skrives
Læs mereStatistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Læs merefor gymnasiet og hf 2016 Karsten Juul
for gymnasiet og hf 75 50 5 016 Karsten Juul Statistik for gymnasiet og hf Ä 016 Karsten Juul 4/1-016 Nyeste version af dette håfte kan downloades fra http://mat1.dk/noter.htm HÅftet mç benyttes i undervisningen
Læs mere6. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag)
Institut for Epidemiologi og Socialmedicin Institut for Biostatistik. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag) Opgave 1 Læs afsnit.1 i An Introduction to Medical Statistics, specielt
Læs mereIndhold Grupperede observationer... 1 Ugrupperede observationer... 3 Analyse af normalfordelt observationssæt... 4
BH Test for normalfordeling i WordMat Indhold Grupperede observationer... 1 Ugrupperede observationer... 3 Analyse af normalfordelt observationssæt... 4 Grupperede observationer Vi tager udgangspunkt i
Læs mereKlasseaktiviteter Dag 4
Klasseaktiviteter Dag 4 Bemærk at jeg i denne løsning ikke altid har output med. Tanken er, at I skal se løsningen og selv prøve at køre kommandoerne (og dermed undgår jeg også at dette dokument bliver
Læs mere(studienummer) (underskrift) (bord nr)
Danmarks Tekniske Universitet Side 1 af 20 sider. Skriftlig prøve: 15. december 2008 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (studienummer)
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 mereMikro-kursus i statistik 1. del. 24-11-2002 Mikrokursus i biostatistik 1
Mikro-kursus i statistik 1. del 24-11-2002 Mikrokursus i biostatistik 1 Hvad er statistik? Det systematiske studium af tilfældighedernes spil!dyrkes af biostatistikere Anvendes som redskab til vurdering
Læs mereLineær og logistisk regression
Faculty of Health Sciences Lineær og logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Dagens program Lineær regression
Læs merefor gymnasiet og hf 2017 Karsten Juul
for gymnasiet og hf 75 50 5 017 Karsten Juul Statistik for gymnasiet og hf 017 Karsten Juul 5/11-017 Nyeste version af dette hæfte kan downloades fra http://mat1.dk/noter.htm Hæftet må benyttes i undervisningen
Læs mereOpgavebesvarelse, Basalkursus, uge 3
Opgavebesvarelse, Basalkursus, uge 3 Opgave 1: Udskrivning af astma patienter (DGA s. 273) I en randomiseret undersøgelse foretaget af Storr et. al. (Lancet, i, 1987) sammenlignes effekten af en enkelt
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 mereVejledende besvarelse af eksamen i Statistik for biokemikere, blok
Opgave 1 Vejledende besvarelse af eksamen i Statistik for biokemikere, blok 2 2006 Inge Henningsen og Niels Richard Hansen Analysevariablen i denne opgave er variablen forskel, der for hver af 10 kvinder
Læs mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereLøsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06)
Afdeling for Biostatistik Bo Martin Bibby 23. november 2006 Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06) Vi betragter 4699 personer fra Framingham-studiet. Der er oplysninger om follow-up
Læs mereForsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 8. november 2011 Videnskabelig hypotese Planlægning af et studie Endpoints Forsøgsplanlægning Stikprøvestørrelse 1 51 Instrumentelle/eksponerings variable Variationskilder
Læs mereVi vil analysere effekten af rygning og alkohol på chancen for at blive gravid ved at benytte forskellige Cox regressions modeller.
Løsning til øvelse i TTP dag 3 Denne øvelse omhandler tid til graviditet. Et studie vedrørende tid til graviditet (Time To Pregnancy = TTP) inkluderede 423 par i alderen 20-35 år. Parrene blev fulgt i
Læs mereOpgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved
Matematisk Modellering 1 (reeksamen) Side 1 Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved { 1 hvis x {1, 2, 3}, p X (x) = 3 0 ellers,
Læs mereRegneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)
Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen
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 mere5.11 Middelværdi og varians Kugler Ydelse for byg [Obligatorisk opgave 2, 2005]... 14
Module 5: Exercises 5.1 ph i blod.......................... 1 5.2 Medikamenters effektivitet............... 2 5.3 Reaktionstid........................ 3 5.4 Alkohol i blodet...................... 3 5.5
Læs mereKommentarer til øvelser i basalkursus, 2. uge
Kommentarer til øvelser i basalkursus, 2. uge Opgave 2. Vi betragter målinger af hjertevægt (i g) og total kropsvægt (målt i kg) for 10 normale mænd og 11 mænd med hjertesvigt. Målingerne er taget ved
Læs mereTest nr. 4 af centrale elementer 02402
QuizComposer 2001- Olaf Kayser & Gunnar Mohr Contact: admin@quizcomposer.dk Main site: www.quizcomposer.dk Test nr. 4 af centrale elementer 02402 Denne quiz angår forståelse af centrale elementer i kursus
Læs mere