Slide 1. Slide 2. Slide 3. Byggeøkonomuddannelsen. Dagens emner. Usikkerheds- og risikoanalyse. Risikoanalyse Successiv kalkulation

Størrelse: px
Starte visningen fra side:

Download "Slide 1. Slide 2. Slide 3. Byggeøkonomuddannelsen. Dagens emner. Usikkerheds- og risikoanalyse. Risikoanalyse Successiv kalkulation"

Transkript

1 Slide 1 Byggeøkonomuddannelsen Risikoanalyse Successiv kalkulation Ken L. Bechmann 18. november Slide 2 Dagens emner Risikoanalyse og introduktion hertil Kalkulation / successiv kalkulation Øvelser og småopgaver Beregninger i Excel Lidt om programmer 2 Slide 3 Usikkerheds- og risikoanalyse Helt centralt i mange forhold eksempelvis: Hvilket tilbud man skal give Hvordan arbejdet skal planlægges Hvor lang tid et bestemt arbejde tager Hvad er de kritiske faser/omkostninger. Hvad man vil investere i Hvilket lån man vil tage Hvilken forsikring man skal tegne Hvilken strategi man skal vælge i POKER 3

2 Slide 4 Risikoanalyse I Grundidé: For et projekt er man interesseret i at få et bedre beslutningsgrundlag end det traditionelle beregninger kan give. Dette kan eksempelvis være vedr. projektets: Samlede omkostninger Samlet gennemførelsestid Givet de vigtigste delaktiviteter/poster i projektet beregnes hvad projektet forventes at koste/tage af tid og hvor stor usikkerheden er på denne forventede værdi. 4 Slide 5 Risikoanalyse II Dette gøres ved på en systematisk måde at identificere, vurdere og behandle risikofaktorer som led i helhedsbetragtningen Metoden: Skal arbejde med usikre talværdier under overholdelse af de statistiske grundlove Mere eller mindre objektive historiske talværdier suppleres med objektive vurderinger Skal medtage alle de forhold, der har væsentlig indflydelse på resultatet (også de upopulære) Skal koncentrere sig om det væsentlige Skal være overskuelig. 5 Slide 6 Risikoanalyse III Estimering er svært men nødvendigt Svært fordi Estimering foretages tidligt i processen Analyse og design er ofte usikkert Det kan være svært at forstå hvad et estimat udtrykker Der i nogle tilfælde ikke anvendes systematiske estimeringsmetoder Manglende anvendelse af erfaringsdata Nødvendigt fordi Markedet kræver det kan give kompetitiv fordel Ledelsen har behov for at prioritere knappe ressourcer 6

3 Slide 7 Eksempel Idrætsanlæg Består overordnet af følgende delaktiviteter: Opstartsarbejder Boldbaner Andre græsarealer Parkanlæg Afsluttende arbejder Andre mere generelle forhold 7 Slide 8 Eksempel Idrætsanlæg: Fordeling af omkostninger 16% 14% 12% Sandsynlighed 10% 8% 6% 4% 2% 0% Omkostninger (millioner kr.) 8 Slide 9 Eksempel Idrætsanlæg: Kilder til usikkerheden 31,4 15,3 0,4 0,8 4,1 2,7 49,1 Opstartsarbejder Boldbaner Andre græsarealer Parkanlæg Befæstede arealer Afsluttende arbejder Generelle forhold 0,3 9

4 Slide 10 Nødvendige værktøjer Sandsynligheder og statistik bruges til behandling, vurdering og kvantificering af usikkerhed / risiko Beregningsmetode (successiv kalkulation): Strukturering af fremgangsmåde Generering af resultater Skal have information: Erfaringer Databaser Osv. 10 Slide 11 Successiv kalkulation I Komplet og effektivt kalkulationsværktøj til usikkerhedsanalyse. Anvendes i høj grad i praksis: Flere tusinde danske Google hits Mange konkrete eksempler på: Anvendelser (Virksomheder, forvaltninger, organisation og ministerier) Udbydere af software til beregninger Udbydere af kurser osv. i beregningerne Kritik af manglende brug heraf i nogle skandaler 11 Slide 12 Successiv kalkulation II Resultat er: Et korrekt estimat for den forventede værdi Usikkerheden er specificeret og minimeret Realistisk billede af denne usikkerhed fordelt ud på de enkelte delaktiviteter/delposter. 12

5 Slide 13 Successiv kalkulation III Herudover opnås blandt andet også: Optimalt resultat med minimal arbejdsindsats Lokalisering af forbedringsmuligheder Lokalisering af svage punkter Kan medvirke til at forhindre overskridelser Effektiv og inspirerende arbejdsproces Optimal udnyttelse af ressourcer Bedre overblik Sammentømring af projektgruppen I hvert fald ifølge sælgere af kurser i Successiv kalkulation 13 Slide 14 Praktisk arbejdsgang 1. Start: Projektbeskrivelse definition 2. Forudsætninger indgår ikke i beregning 3. Opdeling i poster/aktiviteter 4. Liste og definition over generelle forhold 5. Vurdering af minimum/sandsynlig/maksimum for generelle forhold og for poster/aktiviteter 6. Beregning af samlet forventet værdi og usikkerhed. 7. Hvis resultat ikke er tilfredsstillende og forbedring er mulig, da indhentes ny information og der returneres til punkt Slut 14 Slide 15 Tilfredsstillende resultatet Usikkerheden må ikke være for stor! Middelværdien må ikke afvige for meget (jf. usikkerheden) fra et ønsket interval. (Nogle grundregler skal overholdes for at resultatet er troværdigt mere senere) Resultatet kan forbedres ved: Et eller flere af posterne med størst usikkerhed bestemmes bedre enten ved at specificere disse bedre i flere underposter eller ved at hente nye oplysninger Ændring ved forudsætningerne 15

6 Slide 16 Vurdering af usikkerhed Usikkerheden for en bestemt post/aktivitet er i princippet givet ved en såkaldt fordeling, men sådanne kan være lidt svære at fastlægge: 20% Sandsynlighed 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% Omkostning (Tusinder kr.) 16 Slide 17 Vurdering af MIN / SAN / MAX I stedet vurderes for den enkelte post/aktivitet: MIN (minimum) Ekstrem minimum: Svarende til 1% fraktilen, dvs. at sandsynligheden for at denne værdi underskrides er 1%. I praksis: den mindste værdi man kan forestille sig. SAN (sandsynlig) den mest sandsynlige værdi: Svarende til den værdi der har højeste tæthed (sandsynlighed) I praksis: den værdi man tror mest på. MAX (maksimum) Ekstrem maksimum: Svarende til 99% fraktilen, dvs. at sandsynligheden for at denne værdi overskrides er 1%. I praksis: den største værdi man kan forestille sig. 17 Slide 18 Vurdering af MIN / SAN / MAX 20% 18% 16% 14% Sandsynlighed 12% 10% 8% 6% MIN SAN MAX 4% 2% 0% Omkostning (Tusinder kr.) 18

7 Slide 19 Vurderingsteknik erfaringer fra øvelsen Spørgsmål der besvares mest forkert: Dårligste forudsætninger Ukendte enheder Usandsynlige Ikke intuitive / snydere Anbefalinger til mere sikker vurdering Anvend passende enheder Pres ikke på for at få stor sikkerhed Skaf om muligt simpel baggrundsinformation Vurder MIN og MAX først evt. ud fra kendt SAN. Måske en hjælp, hvis flere arbejder sammen. 19 Slide 20 Vurderingsteknik andre erfaringer Faldgruber: Speciel interesse i resultatet: ønske, frygt, taktik, politik Dimensionsfejl: Enkelt styk versus masseproduktion Falsk sikkerhed: Dygtighed versus lille usikkerhed Støtte i det velkendte: Mest vægt på det nærmeste / mest kendte 20 Slide 21 Beregninger ud fra MIN / SAN / MAX For hver post beregnes følgende vigtige tal: MID: Middelværdien: Den værdi der med 50% sandsynlighed over- eller underskrides. STD: Standardafvigelsen: Et mål for usikkerheden (spredningen) 2/3 ssh. for at ligge i intervallet fra MID STD til MID+STD. 95% ssh. for at ligge i intervallet fra MID 2 STD til MID+2 STD. VAR: Variansen: Et andet mål for usikkerheden (varians) Er STD 2, dvs. STD STD. PRI: Prioritetstal: Et mål for postens usikkerhed i forhold til samlet usikkerhed 21

8 Slide 22 Beregninger ud fra MIN / SAN / MAX For den enkelte post fås: MID ( MIN 3 SAN MAX ) / 5 STD ( MAX MIN) / 5 VAR STD STD PRI (100 VAR) / VAR Samlet Hvor VAR Samlet er summen af VAR for alle de opstillede delaktiviteter/poster. 22 Slide 23 Beregninger ud fra MIN / SAN / MAX For den tidligere post haves: MID ( ) / 5 25/ 5 5 STD (12 1) / 5 2,2 VAR 2,2 2,2 4,84 23 Slide 24 Beregninger ud fra MIN / SAN / MAX For det samlede projekt fås nu: MID Samlet = Summen af middelværdierne for de opstillede poster. VAR Samlet = Summen af varianserne for de opstillede poster. STD Samlet = Kvadratroden af VAR Samlet 24

9 Slide 25 Et større eksempel I Et projekt, hvor resultatet afhænger af tre poster, hvor nedenstående MIN/SAN/MAX er vurderet. For det samlede projekt fås således: Lille opgave: Check (efterregn) alle de gråbrune tal! 25 Slide 26 Et større eksempel II Resultat: 35% 30% 25% 20% Post 1 Post 2 Post 3 Samlet 15% 10% 5% 0% Slide 27 Forudsætninger for troværdigt resultatet Bygger på en del statistik (se evt. sidste slides) som i praksis betyder at følgende forudsætninger gerne skal være opfyldt: Tilstrækkeligt mange poster minimum ca. 30. Alle usikkerheder er medtaget Intet prioritetstal (PRI) afviger ekstremt Uafhængighed mellem posterne Hvis disse antagelser ikke (nogenlunde) er opfyldte skal man passe på med at hænge for meget på slutresultatet nærmere analyser bør foretages! 27

10 Slide 28 Uafhængighed I Udfaldet af en post må ikke sige noget om udfaldet af andre poster Eksempler: Afhængige poster: Beton Type X og Type Y Arbejdsløn af forskellige typer Uafhængige poster (tilnærmelsesvist): Materialeomk. ved 1 m 2 græs henholdsvis 1 m 2 asfalt Omkostninger til inventar og til etablering af parkering. 28 Slide 29 Uafhængighed II Eksempel på betydning: Betragt to poster begge med VAR=100. Hvis helt uafhængige: VAR Samlet =200 Hvis helt afhængige: VAR Samlet =400 Hvis der haves problemer med afhængighed, da undervurderes den samlede usikkerhed! 29 Slide 30 Løsning på uafhængighed Find alle de fælles forhold, som skaber afhængigheden mellem nogle af (alle) posterne. Indfør disse forhold som en post under generelle forhold og vurder for hver af disse den samlede påvirkning af projektet (MIN/SAN/MAX). Vurder de øvrige poster uden hensyntagen til disse forhold. 30

11 Slide 31 Generelle forhold I Politiske forhold Myndighedsproblemer Arbejdsmiljø Sikkerhedsforhold Miljøforhold Lønforhold Konkurrence Inflation Realrenten Disponible ressourcer Størrelse / omfang Lokale forhold Udførelsestidspunkt Tidsplan Vejret Tyveri/hærværk Samarbejdsevner Kvalitetsniveau Uforudsete forhold Optimisme / pessimisme Etc. 31 Slide 32 Generelle forhold II Vurdering af generelle forhold: Kan gøres i absolutte beløb Beton-prisen: / / Løn-forhold: / 0 / Osv. Eller som procenter af summen af alle de andre relevante poster (hvor faktoren indgår): Tyveri/hærværk: 5% / 0% / 10% Vejret: 0% / 5% / 10% Osv. 32 Slide 33 Mulige problemer med metoden Andre fejlmuligheder: Undervurdering af generelle forhold Indregning af reserve flere gange Brugerfejl fx at alle poster ikke vender ens. Andre problemer: Resultater kan være svært at kommunikere til folk, der ikke selv har erfaringer med metoden Metoden (og arbejdet hermed) kan misbruges Vigtigt men ikke altid nemt at arbejde med de generelle forhold. 33

12 Slide 34 Større eksempel: Idrætsanlæg Bestemmelse af de samlede omkostninger til etablering af idrætsanlæg: Post Beskrivelse Mængde Enhed MIN SAN MAX MID STD VAR (10 6 ) PRI 1 Opstartsarbejder 1 stk ,4 2 Boldbaner m ,1 3 Andre græsarealer m ,8 4 Parkanlæg m ,7 5 Befæstede arealer m ,4 6 Afsluttende arbejder 1 stk ,3 7 Generelle forhold sum -10% 0% 20% ,3 Samlet ,0 Ovenstående findes i et regneark, som man kan studere, hvis man har lyst. 34 Slide 35 Større eksempel: Idrætsanlæg Med udgangspunkt i dette regneark vises nogle yderligere aspekter af successiv kalkulation i praksis og det vises, hvorledes Excel på flere måder med fordel kan anvendes i dette arbejde. I forbindelse med sidstnævnte findes en række smarte funktioner til hjælp i Excel. Dem vil vi ikke gøre ret meget ud af (ej pensum). 35 Slide 36 Excel funktioner I Tegning af projektets usikkerhed: Normfordeling(x; MID;STD;FALSK) *GrafEnhed Eksempel: Hvis MID=12,5 mdr. og STD=1,5 mdr. da er fordelingen af projektets usikkerhed: Normfordeling(x; 12,5; 1,5; FALSK)*1. Bemærk: Normfordeling er det danske navn for funktionen; på engelsk hedder den: Normdist og FALSK hedder naturligvis FALSE. 36

13 Slide 37 Excel funktioner II 30% 25% 20% Sandsynlighed 15% 10% 5% 0% Måneder 37 Slide 38 Excel funktioner III Eksempel fortsat: Sandsynligheden for at projektet kommer til at vare mindre end 10 mdr.: Normfordeling(10; 12,5; 1,5; SAND)=4,8% Og sandsynligheden for at projektet kommer til at vare mere end 14 mdr. er: 1 ssh. for under 14 mdr.= 1 Normfordeling(14;12,5;1,5;SAND)=16% 38 Slide 39 Appendiks I: Lidt tekniske forhold/bemærkninger Metoden bygger på, at de enkelte poster antages at følge forskellige erlangfordelinger (skæve normalfordelinger). For disse gælder generelt, at MID og STD med god tilnærmelse kan beregnes som angivet tidligere. Summeres en række (tilstrækkeligt mange) erlangfordelte stokastiske variable bliver summen normalfordelt med MID og STD som beregnet tidligere. 39

14 Slide 40 Appendiks II: Lidt tekniske forhold/bemærkninger Vil du vide mere, så findes der forskellige (mere eller mindre komplicerede) noter og lærebøger om emnet. Eksempler (uden ansvar): Steen Lichtenberg: Rapport over successiv kalkulation Anlægsteknik 2, Styring af byggeprocessen Anlægsteknik 3, Økonomi i bygge- og anlægsvirksomheder To sidstnævnte udgives på Polyteknisk Forlag. Yderligere tilbydes der forskellige kurser, der i vid udstrækning fokuserer på forskellige konkrete anvendelser i praksis. 40 Slide 41 Programmer Der findes forskellige færdige programmer til successiv kalkulation. Eksempel: Sigma 2007 Enterprise: integration af de to kalkulationsværktøjer, V&S PrisDatabase og Sigma. Programmet kan blandt andet foretage forskellige beregninger og herunder også foretage successiv kalkulation. 41

Byggeøkonomuddannelsen

Byggeøkonomuddannelsen Byggeøkonomuddannelsen Risikoanalyse Successiv kalkulation Ken L. Bechmann 18. november 2013 1 Dagens emner Risikoanalyse og introduktion hertil Kalkulation / successiv kalkulation Øvelser og småopgaver

Læs mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte

Læs mere

Hvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05

Hvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05 Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M. Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen

Læs mere

Trin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse

Trin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ

Læs mere

I dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd

I dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt

Læs mere

Løsning eksamen d. 15. december 2008

Løsning eksamen d. 15. december 2008 Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th

Læs mere

Forelæsning 1: Intro og beskrivende statistik

Forelæsning 1: Intro og beskrivende statistik Kursus 02402 Introduktion til Statistik Forelæsning 1: Intro og beskrivende statistik Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby

Læs mere

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala 3 5% 5% 5% 0 3 4 5 6 7 8 9 0 Statistik for biologer 005-6, modul 5: Normalfordelingen opstår når mange forskellige faktorer uafhængigt af hinanden bidrager med additiv variation til. F.eks. Højde af rekrutter

Læs mere

Konfidensintervaller og Hypotesetest

Konfidensintervaller og Hypotesetest Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller

Læs mere

Byggeøkonomuddannelsen Afrunding successiv kalkulation og Værktøjer til Totaløkonomi

Byggeøkonomuddannelsen Afrunding successiv kalkulation og Værktøjer til Totaløkonomi Byggeøkonomuddannelsen Afrunding successiv kalkulation og Værktøjer til Totaløkonomi Ken L. Bechmann 25. november 2013 1 Totaløkonomi hvorfor: Analysere hvad der samlet bedst betaler sig Foretage økonomiske

Læs mere

3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.

3.600 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 mere

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,

Læs mere

Hypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0

Hypotesetest. 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 mere

UNDERSØGELSE af RISK MANAGEMENT blandt danske virksomheder 2006/7

UNDERSØGELSE af RISK MANAGEMENT blandt danske virksomheder 2006/7 UNDERSØGELSE af RISK MANAGEMENT blandt danske virksomheder 2006/7 Baggrund: Risk Management (RM) er i dag et væsentligt fundament for at kunne håndtere store og komplekse projekter - herunder at kunne

Læs mere

Tema. Dagens tema: Indfør centrale statistiske begreber.

Tema. 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 mere

Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 1: Intro og beskrivende statistik. Per Bruun Brockhoff. Praktisk Information

Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 1: Intro og beskrivende statistik. Per Bruun Brockhoff. Praktisk Information Kursus 02402 Forelæsning 1: Intro og beskrivende statistik Oversigt 1 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:

Læs mere

Værktøjer og teknikker til at prioritere risici i internationale projekter: Sensivitetsanalyse og realoptioner.

Værktøjer og teknikker til at prioritere risici i internationale projekter: Sensivitetsanalyse og realoptioner. Værktøjer og teknikker til at prioritere risici i internationale projekter: Sensivitetsanalyse og realoptioner. Kapitel 9 rioritizing Risk: Sensitivity Analysis and Real Options International roject Management

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Estimation: Kapitel 9.1-9.3 Estimation Estimationsfejlen Bias Eksempler Bestemmelse af stikprøvens størrelse Konsistens De nitioner påkonsistens Eksempler på konsistente og middelrette estimatorer

Læs mere

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Statistisk Model Indhold Binomialfordeling Sandsynlighedsfunktion Middelværdi og spredning 1 Aalen: Innføring i statistik med medisinske eksempler

Læs mere

Note til styrkefunktionen

Note 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 mere

Estimation og usikkerhed

Estimation 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 mere

Løsning til eksaminen d. 14. december 2009

Løsning 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 mere

Normalfordelingen og Stikprøvefordelinger

Normalfordelingen og Stikprøvefordelinger Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger

Læs mere

Analyse af måledata II

Analyse af måledata II Analyse af måledata II Usikkerhedsberegning og grafisk repræsentation af måleusikkerhed Af Michael Brix Pedersen, Birkerød Gymnasium Forfatteren gennemgår grundlæggende begreber om måleusikkerhed på fysiske

Læs mere

Tema. 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. 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 mere

Kapitel 4 Sandsynlighed og statistiske modeller

Kapitel 4 Sandsynlighed og statistiske modeller Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 Indledning 2 Sandsynlighed i binomialfordelingen 3 Normalfordelingen 4 Modelkontrol

Læs mere

Til. Københavns Kommune - CAU. Dokumenttype. Rapport. Dato. august 2010 RISIKOANALYSE AF AN- LÆGSOVERSLAG NORDHAVNSVEJ

Til. Københavns Kommune - CAU. Dokumenttype. Rapport. Dato. august 2010 RISIKOANALYSE AF AN- LÆGSOVERSLAG NORDHAVNSVEJ Til Københavns Kommune - CAU Dokumenttype Rapport Dato august 2010 RISIKOANALYSE AF AN- LÆGSOVERSLAG NORDHAVNSVEJ Revision 0 Doc. ID NHV 882-011-0 Risikoanalyse af anlægsoverslag August 2010.docx Dato

Læs mere

MLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som

MLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,

Læs mere

Statistiske modeller

Statistiske modeller Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder

Læs mere

Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning

Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning Side 1 af 6 Statistik vejledende læreplan og læringsmål, foråret 2015 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,

Læs mere

Højde af kvinder 2 / 18

Højde af kvinder 2 / 18 Hvorfor er normalfordelingen så normal? og er den nu også det? Søren Højsgaard (updated: 2019-03-17) 1 / 18 Højde af kvinder 2 / 18 Inddeler man i mindre grupper kan man forestille sig at histogrammet

Læs mere

Statistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning

Statistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Sandsynlighedsregning Introduktion Kasper K. Berthelsen, Inst f. Matematiske Fag Omfang: 8 Kursusgang I fremtiden

Læs mere

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable Landmålingens fejlteori - lidt om kurset Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet Kursusholder

Læs mere

Fagplan for statistik, efteråret 2015

Fagplan for statistik, efteråret 2015 Side 1 af 7 M Fagplan for statistik, efteråret 20 Litteratur Kenneth Hansen & Charlotte Koldsø (HK): Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave, ISBN 9788741256047 HypoStat

Læs mere

Hvorfor er normalfordelingen så normal?

Hvorfor er normalfordelingen så normal? Hvorfor er normalfordelingen så normal? Søren Højsgaard Institut for Matematiske Fag, Aalborg Universitet October 24, 2018 normalfordelingen så normal? October 24, 2018 1 / 13 Højde af kvinder Histogram

Læs mere

Projekt 1 Spørgeskemaanalyse af Bedst på Nettet

Projekt 1 Spørgeskemaanalyse af Bedst på Nettet Projekt 1 Spørgeskemaanalyse af Bedst på Nettet D.29/2 2012 Udarbejdet af: Katrine Ahle Warming Nielsen Jannie Jeppesen Schmøde Sara Lorenzen A) Kritik af spørgeskema Set ud fra en kritisk vinkel af spørgeskemaet

Læs mere

Statistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik

Statistik Lektion 1. Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Statistik Lektion 1 Introduktion Grundlæggende statistiske begreber Deskriptiv statistik Introduktion Kursusholder: Kasper K. Berthelsen Opbygning: Kurset består af 5 blokke En blok består af: To normale

Læs mere

Planen idag. Fin1 (mandag 16/2 2009) 1

Planen idag. Fin1 (mandag 16/2 2009) 1 Planen idag Porteføljeteori; kapitel 9 Noterne Moralen: Diversificer! Algebra: Portefølje- og lineær. Nogenlunde konsistens med forventet nyttemaksimering Middelværdi/varians-analyse Fin1 (mandag 16/2

Læs mere

Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning

Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning Side 1 af 6 Statistik vejledende læreplan og læringsmål, efteråret 2013 SmartLearning Litteratur: Kenneth Hansen & Charlotte Koldsø: Statistik I økonomisk perspektiv, Hans Reitzels Forlag 2012, 2. udgave,

Læs mere

Et firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen

Et firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen STATISTIK Skriftlig evaluering, 3. semester, mandag den 6. januar 004 kl. 9.00-13.00. Alle hjælpemidler er tilladt. Opgaveløsningen forsynes med navn og CPR-nr. OPGAVE 1 Et firma tuner biler. Antallet

Læs mere

Kvantitative Metoder 1 - Forår 2007

Kvantitative Metoder 1 - Forår 2007 Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte

Læs mere

Vejledende besvarelser til opgaver i kapitel 14

Vejledende 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 mere

Regneregler 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)

Regneregler 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 mere

Note om Monte Carlo metoden

Note 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 mere

Statistiske principper

Statistiske principper Statistiske principper 1) Likelihood princippet - Maximum likelihood estimater - Likelihood ratio tests - Deviance 2) Modelbegrebet - Modelkontrol 3) Sufficient datareduktion 4) Likelihood inferens i praksis

Læs mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.

Oversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Kursus 242 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 35/324 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail:

Læs mere

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)

Forelæsning 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 mere

Analysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17

Analysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17 nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse

Læs mere

Deskriptiv statistik. Version 2.1. Noterne er et supplement til Vejen til matematik AB1. Henrik S. Hansen, Sct. Knuds Gymnasium

Deskriptiv statistik. Version 2.1. Noterne er et supplement til Vejen til matematik AB1. Henrik S. Hansen, Sct. Knuds Gymnasium Deskriptiv (beskrivende) statistik er den disciplin, der trækker de væsentligste oplysninger ud af et ofte uoverskueligt materiale. Det sker f.eks. ved at konstruere forskellige deskriptorer, d.v.s. regnestørrelser,

Læs mere

a) Har måleresultaterne for de 2 laboranter samme varians? b) Tyder resultaterne på, at nogen af laboranterne måler med en systematisk fejl?

a) Har måleresultaterne for de 2 laboranter samme varians? b) Tyder resultaterne på, at nogen af laboranterne måler med en systematisk fejl? Module 6: Exercises 6.1 To laboranter....................... 2 6.2 Nicotamid i piller..................... 3 6.3 Karakterer......................... 5 6.4 Blodtryk hos kvinder................... 6 6.5

Læs mere

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger

Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Kursus 02402 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800

Læs mere

Kapitel 12 Variansanalyse

Kapitel 12 Variansanalyse Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan

Læs mere

Modelkontrol i Faktor Modeller

Modelkontrol i Faktor Modeller Modelkontrol i Faktor Modeller Julie Lyng Forman Københavns Universitet Afdeling for Anvendt Matematik og Statistik Statistik for Biokemikere 2003 For at konklusionerne på en ensidet, flersidet eller hierarkisk

Læs mere

Konfidensinterval for µ (σ kendt)

Konfidensinterval 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 mere

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl Landmålingens fejlteori Lektion 4 Vægtet gennemsnit Fordeling af slutfejl - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/36 Estimation af varians/spredning Antag X 1,...,X n stokastiske

Læs mere

men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller

men nu er Z N((µ 1 µ 0 ) n/σ, 1)!! Forkaster hvis X 191 eller X 209 eller Type I og type II fejl Type I fejl: forkast når hypotese sand. α = signifikansniveau= P(type I fejl) Program (8.15-10): Hvis vi forkaster når Z < 2.58 eller Z > 2.58 er α = P(Z < 2.58) + P(Z > 2.58) =

Læs mere

Tænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.

Tænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i. Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og

Læs mere

En intro til radiologisk statistik. Erik Morre Pedersen

En 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 mere

Oversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger

Oversigt. 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 mere

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:

Læs mere

Skriftlig eksamen Science statistik- ST501

Skriftlig eksamen Science statistik- ST501 SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 21. januar Opgavesættet består af 5 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.

Læs mere

Torsdag: PROJEKTPLANLÆGNING, ØKONOMI

Torsdag: PROJEKTPLANLÆGNING, ØKONOMI Torsdag: PROJEKTPLANLÆGNING, ØKONOMI Hvad Er det en god har idé? vi lært? (CBA/BC) Hvad har vi lavet? (projektevaluering) Hvornår har vi et projekt? (projektgeografi) Hvad skal vi levere? (produktmål)

Læs mere

Program. 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 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 mere

Produkt og marked - matematiske og statistiske metoder

Produkt og marked - matematiske og statistiske metoder Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 11, 2016 1/22 Kursusindhold: Sandsynlighedsregning og lagerstyring

Læs mere

En hurtig approksimativ beregning af usikkerheden om den fremtidige pension

En hurtig approksimativ beregning af usikkerheden om den fremtidige pension En hurtig approksimativ beregning af usikkerheden om den fremtidige pension Claus Munk 1. september 017 1 Sammenfatning Den pension, som en pensionsopsparer en kunde) ender med at få, er usikker både på

Læs mere

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 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 mere

Vi kalder nu antal prøverør blandt de 20, hvor der ikke ses vækst for X.

Vi kalder nu antal prøverør blandt de 20, hvor der ikke ses vækst for X. Opgave I I en undersøgelse af et potentielt antibiotikum har man dyrket en kultur af en bestemt mikroorganisme og tilført prøver af organismen til 20 prøverør med et vækstmedium og samtidig har man tilført

Læs mere

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Estimation

Statistik 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 mere

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

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 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 mere

Kapitel 7 Forskelle mellem centraltendenser

Kapitel 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 mere

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større

Læs mere

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger

Anvendt Statistik Lektion 2. Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Anvendt Statistik Lektion 2 Sandsynlighedsregning Sandsynlighedsfordelinger Normalfordelingen Stikprøvefordelinger Sandsynlighed: Opvarmning Udfald Resultatet af et eksperiment kaldes et udfald. Eksempler:

Læs mere

2011.09.20 lth@campus.dk

2011.09.20 lth@campus.dk 2011.09.20 lth@campus.dk Intro Læseplan Beskrivende Statistik Sandsynligheder Ordet kommer fra Latin.: statisticum (statsrådgiver) Italiensk.: statistica (statsmand / politiker) Hvorfor statistik? Træk

Læs mere

Om hypoteseprøvning (1)

Om 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 mere

Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18

Program. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)

Læs mere

Kapitel 4 Sandsynlighed og statistiske modeller

Kapitel 4 Sandsynlighed og statistiske modeller Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 22 Generalisering fra stikprøve til population Idé: Opstil en model for populationen

Læs mere

4. september 2003. π B = Lungefunktions data fra tirsdags Gennemsnit l/min

4. september 2003. π B = Lungefunktions data fra tirsdags Gennemsnit l/min Epidemiologi og biostatistik Uge, torsdag 28. august 2003 Morten Frydenberg, Institut for Biostatistik. og hoste estimation sikkerhedsintervaller antagelr Normalfordelingen Prædiktion Statistisk test (udfra

Læs mere

Løsninger til kapitel 1

Løsninger til kapitel 1 Opgave. a) observation hyppighed frekvens kum. frekvens 2,25,25 3,875,325 2 3,875,5 3 3,875,6875 4,625,75 5,625,825 6,,825 7 2,25,9375 8,,9375 9,625, Frekvenser illustreres i et pindediagram,2,8,6,4,2,,8,6,4,2

Læs mere

Test nr. 4 af centrale elementer 02402

Test 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

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0.

Definition: Normalfordelingen. siges at være normalfordelt med middelværdi µ og varians σ 2, hvor µ og σ er reelle tal og σ > 0. Landmålingens fejlteori Lektion 2 Transformation af stokastiske variable - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf12 Institut for Matematiske Fag Aalborg Universitet Repetition:

Læs mere

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet 1/41 Landmålingens fejlteori - lidt om kurset

Læs mere

Bilag til Statistik i løb : Statistik og Microsoft Excel tastevejledning / af Lars Bo Kristensen

Bilag til Statistik i løb : Statistik og Microsoft Excel tastevejledning / af Lars Bo Kristensen Bilag til Statistik i løb : Statistik og Microsoft Excel tastevejledning / af Lars Bo Kristensen Microsoft Excel har en del standard anvendelsesmuligheder i forhold til den beskrivende statistik og statistisk

Læs mere

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Introduktion

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Introduktion Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Introduktion 1 Formelt Lærere: Esben Budtz-Jørgensen Jørgen Holm Petersen Øvelseslærere: Berivan+Kathrine, Amalie+Annabell Databehandling: SPSS

Læs mere

Praktiske erfaringer fra estimering med usikkerhed i IT projekter

Praktiske erfaringer fra estimering med usikkerhed i IT projekter Praktiske erfaringer fra estimering med usikkerhed i IT projekter Estimering af IT projekter har gennem tiderne altid været en særdeles vanskelig disciplin, og der findes næppe den eller de metoder der

Læs mere

5.11 Middelværdi og varians Kugler Ydelse for byg [Obligatorisk opgave 2, 2005]... 14

5.11 Middelværdi og varians Kugler Ydelse for byg [Obligatorisk opgave 2, 2005]... 14 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 mere

PhD-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 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 mere

Gennemsnit og normalfordeling illustreret med terningkast, simulering og SLUMP()

Gennemsnit og normalfordeling illustreret med terningkast, simulering og SLUMP() Gennemsnit og normalfordeling illustreret med terningkast, simulering og SLUMP() John Andersen, Læreruddannelsen i Aarhus, VIA Et kast med 10 terninger gav følgende udfald Fig. 1 Result of rolling 10 dices

Læs mere

Rettevejledning til eksamen i Kvantitative metoder 1, 2. årsprøve 2. januar 2007

Rettevejledning 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 mere

To-sidet varians analyse

To-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 mere

Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke.

Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke. 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 mere

Hypotese test. Repetition fra sidst Hypoteser Test af middelværdi Test af andel Test af varians Type 1 og type 2 fejl Signifikansniveau

Hypotese test. Repetition fra sidst Hypoteser Test af middelværdi Test af andel Test af varians Type 1 og type 2 fejl Signifikansniveau ypotese test Repetition fra sidst ypoteser Test af middelværdi Test af andel Test af varians Type 1 og type fejl Signifikansniveau Konfidens intervaller Et konfidens interval er et interval, der estimerer

Læs mere

Reminder: Hypotesetest for én parameter. Økonometri: Lektion 4. F -test Justeret R 2 Aymptotiske resultater. En god model

Reminder: Hypotesetest for én parameter. Økonometri: Lektion 4. F -test Justeret R 2 Aymptotiske resultater. En god model Reminder: Hypotesetest for én parameter Antag vi har model Økonometri: Lektion 4 F -test Justeret R 2 Aymptotiske resultater y = β 0 + β 1 x 2 + β 2 x 2 + + β k x k + u. Vi ønsker at teste hypotesen H

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M. Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 9, 2015 Sandsynlighedsregning og lagerstyring Normalfordelingen

Læs mere

Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen

Oversigt. Kursus 02402 Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff. Eksponential fordelingen Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:

Læs mere

ØVELSE 3A. I SAS kan man både bruge {}, [] og () som paranteser til index.

ØVELSE 3A. I SAS kan man både bruge {}, [] og () som paranteser til index. ØVELSE 3A I denne øvelse gennemgår vi: Flere funktioner - udvalgte tilfældigtals generatorer i SAS Eksempler på anvendelse af SAS til statistisk analyse Formål Du får brug for de træk ved SAS-systemet,

Læs mere

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4

02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 Vejledende løsning 5.46 P (0.010 < error < 0.015) = (0.015 0.010)/0.050 = 0.1 > punif(0.015,-0.025,0.025)-punif(0.01,-0.025,0.025) [1] 0.1

Læs mere

Systematisk risiko, usystematisk risiko og eksempel på beregning af Beta

Systematisk risiko, usystematisk risiko og eksempel på beregning af Beta Peter Bank Larsen peterbank8660@gmail.com D. 26.05.2019 Systematisk risiko, usystematisk risiko og eksempel på beregning af Beta Risiko er sandsynligheden for et fremtidig udfald. Risikoen opdeles i to:

Læs mere