Mikro-kursus i statistik 2. del Mikrokursus i biostatistik 1
|
|
- Line Carlsen
- 7 år siden
- Visninger:
Transkript
1 Mikro-kursus i statistik 2. del Mikrokursus i biostatistik 1
2 Hvad er hypotesetestning? I sundhedsvidenskab:! Hypotesetestning = Test af nulhypotesen Hypotese-testning anvendes til at vurdere, om en observeret forskel mellem to grupper er udtryk for en virkelig forskel eller et tilfældigt fund.! Ved vurdering af en estimeret relativ forskel: Odds ratio, relativ risiko! Ved vurdering af en estimeret absolut forskel: Forskel i middelværdi, risikodifferens Der opereres med to hypoteser! Nulhypotesen: Et postulat om, at der i virkeligheden ikke er forskel på de to grupper. Kan også kaldes hip som hap -hypotesen.! Alternativ-hypotesen (studiets hypotese): Et postulat om, at der i virkeligheden er forskel på de to grupper. Når vi har udregnet vores estimat, er det vort bedste bud på sandheden. Istedet for at bruge estimatet til at teste en alternativ hypotese, som man ikke kender (man kender ikke den præcise forskel), vælger man at teste nulhypotesen (karakteriseret ved at forskellen mellem de to grupper er præcis 0). Hvis det viser sig, at nulhypotesen kan forkastes, svarer det til, at alternativhypotesen antages at være sand. p-værdien udtrykker sandsynligheden (p=probability) for at observere den (numerisk) fundne forskel, eller én der er større, forudsat at nulhypotesen er sand.! p-værdien udtrykkes som en sandsynlighed med værdi mellem 0 og 1, fx 0,03 eller 0,4.! Ofte omskrives det til en procent, dvs. at 0,03 = 3%, 0,4 = 40% Mikrokursus i biostatistik 2
3 Eksempel på stikprøvernes fordeling ved repetitiv sampling, når nulhypotesen er sand: Projekt om kaffe Kurven viser fordelingen af estimaterne, altså vore bedste gæt, på forskel i middelværdi på fødselsvægt mellem de to grupper: kaffedrikkere og ikke kaffedrikkere når nulhypotesen er sand. Hver af kuglerne præsenterer 1% af estimaterne. De danner en normalfordeling omkring den sande forskel, som er 0. Det vidste vi egentlig godt! Men nu til p-værdier p udtrykkes ved hjælp af arealet under den blå kurve, så lad os se nærmere på det 95% af vores estimater indeholder 0 i deres 95% konfidensinterval og bekræfter dermed nulhypotesen. 5% af estimaterne indeholder ikke 0 i deres 95% konfidensinterval, selvom nulhypotesen er sand. 2,5% 2,5% 1 sse 1 sse 1 sse 1 sse 0 1,96 sse ,96 sse Mikrokursus i biostatistik 3
4 Opdeling af arealet under kurven for nulhypotesen Arealet under den blå kurve illustrerer sandsynligheden for udfald i forskellige intervaller, givet nulhypotesen er sand. Hele arealet er 1,00 eller 100% med 50% på hver sin side af 0. Arealet 0 +/- 1,96 sse = 0,95 Hvordan fastsætter vi det resterende areal? 1,00 0,95 = 0,05 eller 5% Det er fordelt på de 2 lige store trekanter, hvor der er 2,5% af arealet (0,025) i hver. 2,5% Lad os nu prøve at bruge disse 3 arealer til at sige noget om sandsynlighed: Når nulhypotesen er sand: -er der 100% sandsynlighed for, at estimaterne vil ligge under den blå kurve. -er der 95% sandsynlighed for, at estimaterne vil ligge indenfor 0 +/- 1,96 sse -er der 5% sandsynlighed for, at estimaterne vil ligge fra 0 +/- 1,96 sse og længere ud, væk fra 0 (altså ude i halerne svarende til det røde område). 2,5% 1 sse 1 sse 1 sse 1 sse 0 1,96 sse ,96 sse Mikrokursus i biostatistik 4
5 Opdeling af arealet under kurven for nulhypotesen Arealet 0 +/- 1 sse = 0,68 Hvordan fastsætter vi det resterende areal? 1,00 0,68 = 0,32 eller 32% Det er fordelt på de 2 lige store trekanter, hvor der er 16% af arealet (0,16) i hver. Lad os prøve at omskrive disse 2 arealer til sandsynligheder: 68% Når nulhypotesen er sand: -er der 68% sandsynlighed for, at estimaterne vil ligge indenfor 0 +/- 1sSE. -er der 32% sandsynlighed for, at estimaterne vil ligge fra 0 +/- 1sSE og længere ud, væk fra 0 (altså de røde områder ud mod halerne). 16% 16% 1 sse Mikrokursus i biostatistik 5 1 sse
6 Opdeling af arealet under kurven for nulhypotesen Arealet 0 +/- 2,58 sse = 0,99 Hvordan fastsætter vi det resterende areal? 1,00 0,99 = 0,01 eller 1% Det er fordelt på de 2 lige store trekanter, hvor der er 0,5% af arealet (0,005) i hver. Lad os prøve at omskrive disse 2 arealer til sandsynligheder: 99% Når nulhypotesen er sand: - er der 99% sandsynlighed for, at estimaterne vil ligge indenfor 0 +/- 2,58 sse. -er der 1% sandsynlighed for, at estimaterne vil ligge fra 0 +/- 2,58 sse og længere ud, væk fra 0 (altså helt ud i den sidste del af halerne). 0,5% 0,5% 1 sse 0 2,58 sse 1 sse 1 sse 1 sse 1 sse 0 1 sse 0 + 2,58 sse Mikrokursus i biostatistik 6
7 Eksempler på estimater udregnet fra en enkelt stikprøve på 2x200 kvinder Vi udfører studiet med 200 kvinder i hver gruppe og udregner en forskel på middelværdi i de to grupper på 100 g. STANDARD ERROR = 51 g! bruges som bedste gæt på sse.!!,96 sse = 100 g, som vi kan hhv. lægge til og trække fra 0- værdien, Så har vi markeret 95% af arealet. Hvad er p-værdien til de 100 g? Lige præcis 0,05 eller 5%! Hvorfor nu det?! HUSK: p-værdien udtrykker sandsynligheden for at observere den (numerisk) fundne forskel,ellerén,dererstørre, forudsat at nulhypotesen er sand. Den blå fordeling er nulhypotesen! Det areal, som ligger fra vores estimerede forskel og længere ud, væk fra 0, markerer vi med rødt.! Det repræsenterer sandsynligheden for at observere en forskel på 100 g eller én, der er større, samtidigt med at nulhypotesen er sand.! Da vi ser på numerisk forskel, skal vi også have den trekant med, der repræsenterer sandsynligheden for at få en forskel på -100 g eller endnu mere, samtidigt med at nulhypotesen er sand. 100 p=0,05 2,5% 49 g 51 g 51 g 49 g 0 1,96 sse ,96 sse 2,5% Mikrokursus i biostatistik 7
8 Eksempler på estimater udregnet fra en enkelt stikprøve på 2x200 kvinder Det er altså det røde areal, der repræsenterer sandsynligheden for at observere en numerisk forskel på 100 g eller endnu mere, samtidigt med at nulhypotesen er sand. Hvorledes kommer vi frem til en p-værdi på 0,05? Konklusion:Sandsynligheden for at observere den fundne forskel på 100 g eller en endnu større forskel, samtidigt med at nulhypotesen er sand, er på 5%. Hele arealet er 100% eller 1,00. Det røde areal svarer til: 1,00 arealet 0 +/- 1,96 sse (= 1,00-0,95 = 0,05)! DVS p = 0,05 eller 5% 2,5% 49 g 51 g 51 g 49 g ,96 sse ,96 sse 2,5% p=0, Mikrokursus i biostatistik 8
9 Eksempler på estimater udregnet fra en enkelt stikprøve på 2x200 kvinder Vi udfører igen studiet (n=2x200) og udregner en forskel på middelværdi i de to grupper på 50 g. STANDARD ERROR = 50 g! bruges som bedste gæt på sse. hvad er p-værdien? Udregnes således:! 1,00 - arealet 0 +/- 1 sse! ( = 1,00 0,68 = 0,32)! p = 0,32 eller 32%. 68% Konklusion:Sandsynligheden for at observere den fundne forskel på 50 g eller en endnu større forskel, samtidigt med at nulhypotesen er sand, er på 32%. 16% 16% 50 p=0,32 50 g 0 50 g Mikrokursus i biostatistik 9
10 Eksempler på estimater udregnet fra en enkelt stikprøve på 2x200 kvinder Vi udfører studiet (n=2x200) og udregner en forskel på middelværdi i de to grupper på 129 g. STANDARD ERROR = 50 g! bruges som bedste gæt på sse. Hvad er p-værdien? Udregnes således:! 1,00 - arealet 0 +/- 2,58sSE! ( = 1,00 0,99 = 0,01)! p = 0,01 eller 1%. 99% Konklusion:Sandsynligheden for at observere den fundne forskel på 129 g eller en endnu større forskel, samtidigt med at nulhypotesen er sand, er på 1%. 0,5% 50 g 0 2,58 sse = -129g 50 g 50 g 50 g 50 g g 0,5% 0 + 2,58 sse = 129 g p=0, Mikrokursus i biostatistik 10
11 De samme eksempler, når vi øger stikprøvestørrelsen Vi øger studiets størrelse(n=2x500) og forestiller os, at vi får de samme resultater: 50 g, 100 g og 129 g. STANDARD ERROR = 30 g! bruges som bedste gæt på sse. Hvor har vi nu p-værdierne (sådan cirka)?! 50 g har stadigvæk ikke en p- værdi under 5%. (p > 0,05)! Grænsen er her 30 x 1,96 = 59 g! 100 g og 129 g er begge høj signifikante med p-værdier under 0,01 (p< 0,01). 99% Konklusion: Når stikprøvestørrelsen øges, mindskes Standard Error, og sandsynligheden for, at de samme observerede forskelle kan forkaste nulhypotesen, er langt større. 0,5% 30 g 0 2,58 sse = -77g 30 g 30 g 30 g 30 g ,58 sse = 77 g Mikrokursus i biostatistik g
12 Eksempler på estimater udregnet fra en enkelt stikprøve på 2x200 kvinder??? Hvorfor kan man ikke bare tage p-værdien til en forskel på ex.100 g og være ligeglade med alt det, der er større end 100 g??? Forestil jer, hvor mange stikprøver der vil få estimatet præcis 100 g? Umiddelbart meget få, vil man tænke... Men i teorien slet ingen, - de vil alle være lidt større eller mindre, hvis man opgiver resultatet tilstrækkeligt nøjagtigt. Derimod kan et interval mellem 2 værdier sagtens definere et areal under kurven: Ex: Hvor mange % af stikprøverne får en forskel i middelværdi på mellem 51 og 100 g? Forskel på Præcis 51 g Forskel på præcis 100 g 49 g 51 g 51 g 49 g 0 1,96 sse ,96 sse Mikrokursus i biostatistik 12
13 Eksempler på estimater udregnet fra en enkelt stikprøve på 2x200 kvinder Man bruger derfor det fundne estimat som grænseværdi for starten på det areal, der svarer til p-værdien. Arealet svarer til den fundne forskel eller en der er større. Vores estimat repræsenterer således den familie af estimater, hvorom det gælder, at de andre er endnu mere usandsynlige i tilfælde af en sand nulhypotese Men såfremt det var et af disse estimater, vi havde fundet i stedet, ville vi have fået en endnu mindre p-værdi. Det vil være ulogisk at bruge det areal, der svarer til den fundne forskel eller en, der er mindre, fordi dette areal altid vil indeholde nul. Nul = nulhypotesen, som vi jo er i færd med at gøre et ærligt forsøg på at at falsificere. Men hvad svarer det areal til på figuren med en funden forskel på 100 g??? O,95 eller 95%... 2,5% 49 g 51 g 51 g 49 g ,96 sse ,96 sse p=0,05 2,5% Mikrokursus i biostatistik 13
14 Sammenhæng mellem konfidensintervaller og p-værdier I konfidensintervallet repræsenteres nul-værdien af!0 ved absolutte forskelle Forskel i middelværdi på fødselsvægt!1 ved relative forskelle Odds ratio eller relativ risiko Hvis denne nulværdi ikke er indeholdt i et 80% konfidensinterval, er p < 0,2 Hvis denne nulværdi ikke er indeholdt i et 90% konfidensinterval, er p < 0,1. Hvis denne nul-værdi ikke er indeholdt i et 95% konfidensinterval, er p < 0,05. Hvis denne nulværdi ikke er indeholdt i et 99% konfidensinterval, er p < 0,01. ETC, ETC Mikrokursus i biostatistik 14
15 Statistisk signifikans og klinisk relevans I sundhedsvidenskab er der konsensus om, at ved en p-værdi under 0,05 betragtes den observerede forskel som statistisk signifikant: VI TROR PÅ, AT FORSKELLEN IKKE SKYLDES TILFÆLDIGHEDER!!!!! Principielt kunne grænseværdien for statistisk signifikans lige så godt være en anden. Et statistisk signifikant resultat er ikke nødvendigvis det samme som et klinisk relevant resultat:! Man kan i store undersøgelser få statistisk signifikans (fx. p = 0,01) ved en lille odds-ratio (fx. 1,2 eller 1,3). Er det klinisk relevant? Hvis rygning øger risikoen for akut myokardieinfarkt med 30% (OR=1,3) er risikoforøgelsen i sig selv ikke særlig alarmerende, men den har alligevel klinisk relevans, fordi det er et hyppigt og alvorligt problem for samfundet. Hvis en speciel familiær konstellation øger risikoen for selvmord med 20%, kan man godt sætte spørgsmålstegn ved den kliniske relevans. Dels er selvmord sjældent, dels kan man sandsynligvis ikke ændre på den pågældende risikofaktor Mikrokursus i biostatistik 15
16 Styrkeberegninger og mere p-værdi Mikrokursus i biostatistik 16
17 En anden måde at forstå p-værdien på. Vi har lavet en undersøgelse, hvor vi prøver at påvise en forskel mellem to grupper, fx i risiko for at få et bestemt udfald. Man kan forestille sig, at vores undersøgelse er et forsøg på at udføre en diagnostisk test på en såkaldt hip som hap -verden:! Såfremt vores hip som hap -verden bliver syg, sker ting systematisk, dvs. at der er en forskel i risiko i de to grupper.! Så længe denne hip som hap -verden er rask, sker ting bare usystematisk. Det vil også sige, at når vores hip som hap -verden er rask, er der ingen forskel i risiko mellem de to grupper I kan sikkert godt regne ud, at denne hip som hap -verden er nulhypotesen Lad os opstille en tabel over resultaterne af vores diagnostiske test: Mikrokursus i biostatistik 17
18 Diagnostisk test på en hip som hap -verden. Sandheden ude i vores hip som hap -verden Der er en sand forskel i risiko i de 2 grupper, dvs. vores hip som hap -verden er blevet syg Der er ikke en sand forskel i risiko i de 2 grupper, dvs. vores hip som hap -verden er rask Vi finder en forskel i risiko i de 2 grupper Korrekt diagnose = SAND POSITIV Forkert diagnose = FALSK POSITIV 1 - β = styrke TYPE 1 fejl (risikoen for denne Konklusion fejl = p-værdien ) fra vores undersøgelse Vi finder ikke ikke en forskel i risiko i de 2 grupper Forkert diagnose = FALSK NEGATIV Korrekt diagnose = SAND NEGATIV TYPE 2 fejl (risiko for at lave denne fejl = β ) Mikrokursus i biostatistik 18
19 Der vil være to mulige udfald for vores diagnostiske test:! Vi finder en forskel mellem de to grupper. Testen er positiv.! Vi finder ikke en forskel mellem de to grupper. Testen er negativ.! Vi håber selvfølgelig, at resultatet af vores test er sand-positivt eller sand-negativt, og at vi har undgået at drage fejlagtige konklusioner i form af falsk-positive eller falsk-negative fortolkninger. Statistikere er så fantasifulde, at de har kaldt falsk-positiv fejlen for en TYPE 1 FEJL. Men det interessante er her, at når forfattere opgiver resultaterne fra deres undersøgelser, opgiver de altid risikoen for, at de har begået en sådan TYPE 1 FEJL = p-værdien.! P-værdien er nemlig sandsynligheden for den falsk-positive konklusion: At konkludere, at der er forskel mellem de to grupper, når der i virkeligheden ikke er det. Falsk-negativ fejlen kalder statistikerne for en TYPE 2 FEJL.! Størrelsen på den kan udregnes og kaldes β. Det interessante er, at går man op i cellen med de sandt positive, svarer den til (1 - β).! Dette tal er sandsynligheden for, at forfatterne konkluderer, at der er en forskel, når dette også er sandt.! Sandsynligheden for at drage en sand positiv konklusion, når man bør gøre det, kaldes studiets styrke eller power.! Således kan man sidestille styrken i et videnskabeligt studie med sensitiviteten i en diagnostisk test Mikrokursus i biostatistik 19
20 Overvejelser omkring styrken af et studie En styrkeberegning er en beregningsmetode til at vurdere, hvor godt et redskab en planlagt undersøgelse er til at finde den forskel, man leder efter: Det er ikke realistisk at finde en amøbe ved hjælp af en teaterkikkert! - Det er derimod realistisk at finde primaballarinaen Styrken = studiets statistiske styrke.! Defineres som sandsynligheden for at forkaste nulhypotesen i en signifikanstest, hvis den er forkert. Styrken kan også opfattes som sensitiviteten og skal helst være 80%.! Det vil sige, at der så kun er 20% s risiko for, at man med det valgte design (dvs antagelse om varians, forskellen mellem grupper og antal deltagere m.v.) ikke kan påvise en eksisterende forskel. Der er stærk tradition for at sætte risikoen for at begå en type 1 fejl (risiko for falsk positive fund) til 5% (evt. 1%).! Hvis der var mere elastik her, kunne man ligesom når man ændrer en grænseværdi i en diagnostisk test nemt opnå en højere styrke. Men nej Mikrokursus i biostatistik 20
21 Overvejelser omkring styrken af et studie Styrken afhænger således af:! Hvor stor en forskel leder man efter? En stor forskel er lettere at finde end en lille forskel Når man udfører sin styrkeberegning, kender man selvfølgelig ikke resultatet af studiet. Derfor indgår typisk en klinisk relevant værdi som stand-in for det kommende resultat, eller man udfører et pilotstudie. Kaffe og fødselsvægt: Vi sætter forskellen til 100 g. Det finder vi klinisk relevant. Endvidere ved vi fra tidligere studier, at forskellen nok er af den størrelsesorden.! Hvilken STANDARD ERROR kan vi forvente få? Afhænger af: Hvor stor variation vil der være i data? Fastsættes ud fra andre studier af fødselsvægt. Vi kan eventuel prøve at mindske variationen ved at udelukke kvinder, der tidligere har født for tidligt eller har født små børn. Hvor stor er sample size? Her har vi den største mulighed for at påvirke for vores styrke. Faktisk kan man ændre sample size, så man får den ønskede styrke. I praksis er der dog ofte en øvre grænse Mikrokursus i biostatistik 21
22 Eksempler på styrkeberegninger Bodils randomiserede undersøgelse: Det er realistisk at forestille sig en gennemsnitlig forskel i fødselsvægt på 100g. Ønsker man en teststyrke på 90% for at identificere en sådan forskel (eller en større) på 5% signifikansniveau (tosidigt) og med sammenligning af A versus b, skal der mindst 300 gravide i hver gruppe, når fødselsvægtens standard deviation sættes til 500 g. For at imødegå ikke komplet compliance foreslås 500 kvinder randomiseret til hver gruppe. Kommentarer:! Man har indstillet undersøgelsesredskabet på at finde en forskel på 100 g. Det kan være både +100 g eller 100 g.! Man accepterer en risiko på 5% for at konkludere, at der er en effekt af coffein på fødselsvægt, selvom der i virkeligheden ikke er nogen effekt.! Man accepterer en risiko på 10% for at overse, at der er en sand effekt af coffein på fødselsvægt Mikrokursus i biostatistik 22
23 Eksempler på styrkeberegninger Det svenske kaffe-studie: A post hoc power analysis showed that the study had 80 percent statistical power (at a 5 percent two-sided significance level) to detect the following differences between intake groups 0-99 mg per day and >300 mg per day: 169 g i birth weight, 3.6 days in gestational age, and 3.6 percent difference i birth weight ratio. Kommentarer:! Deres undersøgelsesredskab havde en styrke på 80% til at finde en forskel på 169 g i fødselsvægt mellem de følgende to grupper: Coffein sv.t. 2½ kop brygget kaffe eller derover/dag sammenlignet med coffein sv.t. 2 kopper te eller derunder/dag.! Forskellen kunne både være +169 g eller 169 g.! Man accepterede en risiko på 5% for at konkludere, at der var en effekt af coffein på fødselsvægt, selvom der i virkeligheden ikke var nogen effekt.! Man accepterede en risiko på 20% for at overse, at der var en sand effekt af coffein på fødselsvægt.! Hvad kan man kritisere? Den forskel, deres studie havde en anstændig styrke til at påvise, var urealistisk. Hvis de havde været mere beskedne og ledt efter en forskel på ex. 100 g, ville de sikkert have haft meget lav styrke Mikrokursus i biostatistik 23
24 SLUT! Mikrokursus i biostatistik 24
Mikro-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 mereEn intro til radiologisk statistik. Erik Morre Pedersen
En intro til radiologisk statistik Erik Morre Pedersen Hypoteser og testning Statistisk signifikans 2 x 2 tabellen og lidt om ROC Inter- og intraobserver statistik Styrkeberegning Konklusion Litteratur
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 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 mereEn intro til radiologisk statistik
En intro til radiologisk statistik Erik Morre Pedersen Hypoteser og testning Statistisk signifikans 2 x 2 tabellen og lidt om ROC Inter- og intraobserver statistik Styrkeberegning Konklusion Litteratur
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 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 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 mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Indledende om Signifikanstest Boldøvelser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Indledende om Signifikanstest Boldøvelser 1 Påstand: Et nyt præparat M virker mod migræne. Inden præparatet kan markedsføres, skal denne påstand
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 mereVejledende løsninger kapitel 8 opgaver
KAPITEL 8 OPGAVE 1 Nej den kan også være over 1 OPGAVE 2 Stikprøvestørrelse 10 Stikprøvegennemsnit 1,18 Stikprøvespredning 0,388158 Konfidensniveau 0,95 Nedre grænse 0,902328 Øvre grænse 1,457672 Stikprøvestørrelse
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 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 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 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 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 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 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 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 mereC) Perspektiv jeres kommunes resultater vha. jeres svar på spørgsmål b1 og b2.
C) Perspektiv jeres kommunes resultater vha. jeres svar på spørgsmål b1 og b. 5.000 4.800 4.600 4.400 4.00 4.000 3.800 3.600 3.400 3.00 3.000 1.19% 14.9% 7.38% 40.48% 53.57% 66.67% 79.76% 9.86% 010 011
Læs merePhD-kursus i Basal Biostatistik, efterår 2006 Dag 2, onsdag den 13. september 2006
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 2, onsdag den 13. september 2006 I dag: To stikprøver fra en normalfordeling, ikke-parametriske metoder og beregning af stikprøvestørrelse Eksempel: Fiskeolie
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 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 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 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 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 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 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 mereNote til styrkefunktionen
Teoretisk Statistik. årsprøve Note til styrkefunktionen Først er det vigtigt at gøre sig klart, at når man laver statistiske test, så kan man begå to forskellige typer af fejl: Type fejl: At forkaste H
Læs mereS4-S5 statistik Facitliste til opgaver
S4-S5 statistik Facitliste til opgaver Opgave 1 Middelværdien angiver det bedste bud på serummets sande værdi, mens spredningen angiver analyseusikkerheden. 95%-Konfidensinterval = Ja Standardafvigelsen
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 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 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 mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
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 mereEks. 1: Kontinuert variabel som i princippet kan måles med uendelig præcision. tid, vægt,
Statistik noter Indhold Datatyper... 2 Middelværdi og standardafvigelse... 2 Normalfordelingen og en stikprøve... 2 prædiktionsinteval... 3 Beregne andel mellem 2 værdier, eller over og unden en værdi
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 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 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 mere1 Hb SS Hb Sβ Hb SC = , (s = )
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.
Læs mereOpgave 10.1, side 282 (for 6. og 7. ed. af lærerbogen se/løs opgave 9.1)
Kursus 02402: Besvarelser til øvelsesopgaver i uge 9 Opgave 10.1, side 282 (for 6. og 7. ed. af lærerbogen se/løs opgave 9.1) Som model benyttes en binomialfordeling, som beskriver antallet, X, blandt
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 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 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 mereTo-sidet varians analyse
To-sidet varians analyse Repetition En-sidet ANOVA Parvise sammenligninger, Tukey s test Model begrebet To-sidet ANOVA Tre-sidet ANOVA Blok design SPSS ANOVA - definition ANOVA (ANalysis Of VAriance),
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 mereMorten Frydenberg Biostatistik version dato:
Tye og Tye 2 fejl Statistisk styrke Biostatistik uge 2 mandag Morten Frydenberg, Afdeling for Biostatistik Styrkeovervejelser i lanlægning af et studie Logistisk regression Præterm fødsel, rygning, alder,
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 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 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 mereStatistik II 1. Lektion. Analyse af kontingenstabeller
Statistik II 1. Lektion Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller Logistisk regression
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 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 mereBesvarelse af opgavesættet ved Reeksamen forår 2008
Besvarelse af opgavesættet ved Reeksamen forår 2008 10. marts 2008 1. Angiv formål med undersøgelsen. Beskriv kort hvordan cases og kontroller er udvalgt. Vurder om kontrolgruppen i det aktuelle studie
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 mereBesvarelser til øvelsesopgaver i uge 6
Besvarelser til øvelsesopgaver i uge 6 Opgave 7.46, side 228 (7ed 7.28, side 244 og 6ed: 7.28, side 240) Vi tænker os, at vi har data for emissionen {x 1, x 2,..., x n }, når det pågældende device er monteret.
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 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 mereSusanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne
Statistik og Sandsynlighedsregning 1 Indledning til statistik, kap 2 i STAT Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne 5. undervisningsuge, onsdag
Læs mereORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
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 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 meregrupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) Variation indenfor og mellem grupper F-test for ingen effekt AnovaTabel Beregning af p-værdi i F-fordelingen
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Estimation
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Estimation Eksempel: Bissau data Data kommer fra Guinea-Bissau i Vestafrika: 5273 børn blev undersøgt da de var yngre end 7 mdr og blev herefter
Læs merePostoperative komplikationer
Løsninger til øvelser i kategoriske data, oktober 2008 1 Postoperative komplikationer Udgangspunktet for vurdering af den ny metode må være en nulhypotese om at der er samme komplikationshyppighed, 20%.
Læs mereEksamen i Statistik for biokemikere. Blok
Eksamen i Statistik for biokemikere. Blok 2 2007. Vejledende besvarelse 22-01-2007, Niels Richard Hansen Bemærkning: Flere steder er der givet en argumentation (f.eks. baseret på konfidensintervaller)
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 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 mereRettevejledning til eksamen i Kvantitative metoder 1, 2. årsprøve 2. januar 2007
Rettevejledning til eksamen i Kvantitative metoder 1,. årsprøve. januar 007 I rettevejledningen henvises der til Berry and Lindgren "Statistics Theory and methods"(b&l) hvis ikke andet er nævnt. Opgave
Læs mere1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ
Indhold 1 Ensidet variansanalyse(kvantitativt outcome) - sammenligning af flere grupper(kvalitativ exposure) 2 1.1 Variation indenfor og mellem grupper.......................... 2 1.2 F-test for ingen
Læs mere02402 Løsning til testquiz02402f (Test VI)
02402 Løsning til testquiz02402f (Test VI) Spørgsmål 4. En ejendomsmægler ønsker at undersøge om hans kunder får mindre end hvad de har forlangt, når de sælger deres bolig. Han har regisreret følgende:
Læs mereOvenstående figur viser et (lidt formindsket billede) af 25 svampekolonier på en petriskål i et afgrænset felt på 10x10 cm.
Multiple choice opgaver Der gøres opmærksom på, at ideen med opgaverne er, at der er ét og kun ét rigtigt svar på de enkelte spørgsmål. Endvidere er det ikke givet, at alle de anførte alternative svarmuligheder
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan
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 mere2 X 2 = Antal mygstik på enpersoniløbetaf1minut
Opgave I I mange statistiske undersøgelser bygger man analysen på anvendelse af normalfordelingen til (eventuelt tilnærmelsesvist) at beskrive den tilfældige variation. Spørgsmål I.1 (1): Forén af følgende
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 mereLogistisk Regression - fortsat
Logistisk Regression - fortsat Likelihood Ratio test Generel hypotese test Modelanalyse Indtil nu har vi set på to slags modeller: 1) Generelle Lineære Modeller Kvantitav afhængig variabel. Kvantitative
Læs merePerspektiver i Matematik-Økonomi: Linær regression
Perspektiver i Matematik-Økonomi: Linær regression Jens Ledet Jensen H2.21, email: jlj@imf.au.dk Perspektiver i Matematik-Økonomi: Linær regression p. 1/34 Program for i dag 1. Indledning: sammenhæng mellem
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 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 mereStatistik viden eller tilfældighed
MATEMATIK i perspektiv Side 1 af 9 DNA-analyser 1 Sandsynligheden for at en uskyldig anklages Følgende histogram viser, hvordan fragmentlængden for et DNA-område varierer inden for befolkningen. Der indgår
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 mereEpidemiologi og Biostatistik. Mogens Erlandsen, Institut for Biostatistik Uge 1, tirsdag d. 5. februar 2002
Epidemiologi og Biostatistik Mogens Erlandsen, Institut for Biostatistik Uge 1, tirsdag d. 5. februar 2002 1 Statestik Det hedder det ikke! Statistik 2 Streptomycin til behandling af lunge-tuberkulose?
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Mantel-Haenszel analyser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Mantel-Haenszel analyser Mantel-Haenszel analyser Sidst lærte vi om stratificerede analyser. I dag kigger vi på et specialtilfælde: både exposure
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 mereDagens program. Praktisk information: Husk evalueringer af kurset
Dagens program Praktisk information: Husk evalueringer af kurset Hypoteseprøvning kap. 11.1-11.3 Fokastelsesområdet kap. 11.1 Type I og Type II fejl kap. 11.1 Styrkefunktionen kap. 11.2 Stikprøvens størrelse
Læs mere1. februar Lungefunktions data fra tirsdags Gennemsnit l/min
Epidemiologi og biostatistik Uge, torsdag 3. februar 005 Morten Frydenberg, Afdeling for Biostatistik. og hoste estimation sikkerhedsintervaller antagelr Normalfordelingen Prædiktion Statistisk test (ud
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 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 mereAnvendt Statistik Lektion 8. Multipel Lineær Regression
Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke
Læs mereStatistisk modellering og regressionsanalyse
Statistisk modellering og regressionsanalyse Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Oktober 25, 2018 Slides @ biostatistics.dk/talks/ 1 2 Hvad er statistik? Statistics is a science, not
Læs mere6. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag)
Institut for Folkesundhed Afdeling for Biostatistik Afdeling for Epidemiologi. SEMESTER Epidemiologi og Biostatistik Opgaver til Uge 1 (fredag) Opgave 1 Udgangspunktet for de følgende spørgsmål er artiklen:
Læs mereJ E T T E V E S T E R G A A R D
BINOMIALT EST J E T T E V E S T E R G A A R D F I P B I O L O G I M A R S E L I S B O R G G Y M N A S I U M D. 1 3. M A R T S 2 0 1 9 K A L U N D B O R G G Y M N A S I U M D. 1 4. M A R T S 2 0 1 9 HVEM
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 mereSkriftlig eksamen i samfundsfag
OpenSamf Skriftlig eksamen i samfundsfag Indholdsfortegnelse 1. Introduktion 2. Præcise nedslag 3. Beregninger 3.1. Hvad kan absolutte tal være? 3.2. Procentvis ændring (vækst) 3.2.1 Tolkning af egne beregninger
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 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. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 Indledning 2 Ensidet variansanalyse 3 Blokforsøg 4 Vekselvirkning 1 Indledning 2 Ensidet
Læs mereHvad er danskernes gennemsnitshøjde? N = 10. X 1 = 169 cm. X 2 = 183 cm. X 3 = 171 cm. X 4 = 113 cm. X 5 = 174 cm
Kon densintervaller og vurdering af estimaters usikkerhed Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Marts 18, 2019 Slides @ biostatistics.dk/talks/ 1 Population og stikprøve 2 Stikprøvevariation
Læs mere