Introduktion til Statistik. Forelæsning 5: Hypotesetest, power og modelkontrol - one sample. Peder Bacher
|
|
- Sofia Dideriksen
- 5 år siden
- Visninger:
Transkript
1 Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark pbac@dtu.dk Efterår 2018 DTU Compute Introduktion til Statistik Efterår / 46
2 Kapitel 3: Hypotesetests for én gruppe/stikprøve Grundlæggende koncepter: Hypoteser (H 0 vs. H 1 ) p-værdi (Sandsynlighed for observeret eller mere ekstrem værdi af teststørrelsen, hvis H 0 er sand, e.g. P(T > t obs )) Type I fejl (I virkeligheden ingen effekt, men H 0 afvises) P(Type I) = α (Sandsynligheden for at begå type I fejl) Type II fejl (I virkeligheden effekt, men H 0 afvises ikke) P(Type II) = β (Sandsynligheden for type II fejl) Modelkontrol Specifikke metoder, én gruppe: t-test for middelværdiniveau Modelkontrol med normal qq-plot DTU Compute Introduktion til Statistik Efterår / 46
3 Chapter 3: One sample hypothesis testing General concepts: Hypotheses (H 0 vs. H 1 ) p-value (Probability for observing the test value or more extreme, if H 0 is true, e.g. P(T > t obs )) Type I error (No effect in reality, but H 0 is rejected) P(Type I) = α (The probability for a Type I error) Type II error: (In reality an effect, but H 0 is not rejected) P(Type II) = β (The probability for a Type II error) Model validation Specific methods, one sample: t-test for the mean Model validation with normal q-q plot DTU Compute Introduktion til Statistik Efterår / 46
4 Oversigt 1 One-sample t-test og p-værdi 2 p-værdier og hypotesetest 3 Kritisk værdi og konfidensinterval 4 Hypotesetests (helt generelt) Hypotesetest med alternativer Den generelle metode Type I og type II fejl 5 Check af normalfordelingsantagelse The normal q-q plot Transformation towards normality DTU Compute Introduktion til Statistik Efterår / 46
5 One-sample t-test og p-værdi Spørgsmål om fordelingen af stikprøvegennemsnittet og standardisering (socrative.com - ROOM:PBAC) Hvilken pdf representerer fordelingen af stikprøvegennemsnittet hvor X µ = 15 (stikprøvestørrelse n = 16) (stikprøvespredning s = 8) pdf pdf pdf pdf x x x x A B C D A B C eller D? Svar: A DTU Compute Introduktion til Statistik Efterår / 46
6 One-sample t-test og p-værdi Spørgsmål om fordelingen af stikprøvegennemsnittet og standardisering (socrative.com - ROOM:PBAC) Hvilken pdf representerer fordelingen af hvor X µ µ = 15 (stikprøvestørrelse n = 16) (stikprøvespredning s = 8) pdf pdf pdf pdf x x x x A B C D A B C eller D? Svar: D DTU Compute Introduktion til Statistik Efterår / 46
7 One-sample t-test og p-værdi Spørgsmål om fordelingen af stikprøvegennemsnittet og standardisering (socrative.com - ROOM:PBAC) Hvilken pdf representerer fordelingen af hvor T = X µ S/ n µ = 15 (stikprøvestørrelse n = 16) (stikprøvespredning s = 8) pdf pdf pdf pdf x x x x A B C D A B C eller D? Svar: C DTU Compute Introduktion til Statistik Efterår / 46
8 One-sample t-test og p-værdi Metode 3.23: One-sample t-test og p-værdi Hvordan beregner man p-værdien? Man fremsætter nulhypotesen H 0 : µ = µ 0 under hvilken man beregner teststørrelsen t obs = x µ 0 s/ n som man derefter bruger til at beregne p-værdien p-værdi = 2 P(T > t obs ) Man siger altså: Hvis nulhypotesen er sand, hvor sandsynligt er det da at få den observerede værdi af teststørrelsen (t obs ) eller mere ekstremt DTU Compute Introduktion til Statistik Efterår / 46
9 One-sample t-test og p-værdi p-værdi = 2 P(T > t obs ) P(T > t obs ) P(T > t obs ) 0 t obs Fortæller noget om: hvor sandsynligt er det at få det observerede data under H 0 (dvs. hvis H 0 er sand) DTU Compute Introduktion til Statistik Efterår / 46
10 p-værdier og hypotesetest Definition og fortolkning af p-værdien (HELT generelt) Definition 3.22 af p-værdien: The p-value is the probability of obtaining a test statistic that is at least as extreme as the test statistic that was actually observed. This probability is calculated under the assumption that the null hypothesis is true. p-værdien udtrykker evidence imod nulhypotesen Tabel 3.1: p < Very strong evidence against H p < 0.01 Strong evidence against H p < 0.05 Some evidence against H p < 0.1 Weak evidence against H 0 p 0.1 Little or no evidence against H 0 DTU Compute Introduktion til Statistik Efterår / 46
11 p-værdier og hypotesetest Spørgsmål om p-værdi (socrative.com - ROOM:PBAC) A 2 A 3 A 1 A 4 t obs 0 Hvad er 2 P(T > t obs )? A: A 1 + A 2 B: A 3 + A 4 C: A 1 + A 4 D: A 2 + A 3 Svar: C, husk p-værdi = 2 P(T > t obs ) DTU Compute Introduktion til Statistik Efterår / 46
12 p-værdier og hypotesetest Motiverende eksempel - sovemedicin Forskel på sovemedicin? I et studie er man interesseret i at sammenligne 2 sovemidler A og B. For 10 testpersoner har man fået følgende resultater, der er givet i forlænget søvntid i timer (forskellen på effekten af de to midler er angivet): Stikprøve, n = 10: Person x = Beffekt - Aeffekt DTU Compute Introduktion til Statistik Efterår / 46
13 p-værdier og hypotesetest Eksempel - sovemedicin Hypotesen om ingen forskel på sovemedicin A og B ønskes undersøgt: H 0 : µ = 0 Er data i overenstemmelse med nulhypotesen H 0? Hvor sandsynligt er x = 1.67 hvis H 0 : µ = 0 er sand? Beregne p-værdien: Sandsynlighed for mere ekstremt data hvis H 0 er sand: 2 P(T > t obs ) = 2 P(T > 4.67) = Beregne teststørrelsen: t obs = x µ 0 s/ n = / 10 = 4.67 NYT: Konklusion: Idet data er usandsynligt under H 0, så forkaster vi H 0 - vi har påvist en signifikant effekt af middel B ift. middel A. DTU Compute Introduktion til Statistik Efterår / 46
14 p-værdier og hypotesetest Eksempel - sovemedicin - i R - manuelt ## Angiv data x <- c(1.2, 2.4, 1.3, 1.3, 0.9, 1.0, 1.8, 0.8, 4.6, 1.4) n <- length(x) ## Beregn den observerede t værdi - den observerede test statistik tobs <- (mean(x) - 0) / (sd(x) / sqrt(n)) ## Beregn p-værdien, som sandsynligheden for at få tobs eller mere ekstremt pvalue <- 2 * (1-pt(abs(tobs), df=n-1)) pvalue ## [1] DTU Compute Introduktion til Statistik Efterår / 46
15 p-værdier og hypotesetest Eksempel - sovemedicin - i R - med indbygget funktion ## Kald funktionen med data x t.test(x) ## ## One Sample t-test ## ## data: x ## t = 5, df = 9, p-value = ## alternative hypothesis: true mean is not equal to 0 ## 95 percent confidence interval: ## ## sample estimates: ## mean of x ## 1.7 DTU Compute Introduktion til Statistik Efterår / 46
16 p-værdier og hypotesetest Definition af hypotesetest og signifikans Definition 3.24 Hypotesetest: We say that we carry out a hypothesis test when we decide against a null hypothesis or not, using the data. A null hypothesis is rejected if the p-value, calculated after the data has been observed, is less than some α, that is if the p-value < α, where α is some pre-specifed (so-called) significance level. And if not, then the null hypothesis is said to be accepted. Definition 3.29 Statistisk signifikans: An effect is said to be (statistically) significant if the p-value is less than the significance level α. (OFTE bruges α = 0.05) DTU Compute Introduktion til Statistik Efterår / 46
17 p-værdier og hypotesetest Eksempel - sovemedicin Konklusion for test af sovemedicin Fortolkning med p-værdien. Med α = 0.05 kan vi konkludere: Idet p-værdien er mindre end α så forkaster vi nulhypotesen. Og dermed: Vi har påvist en signifikant effekt af middel B ift. middel A. (Og dermed at B virker bedre end A) DTU Compute Introduktion til Statistik Efterår / 46
18 p-værdier og hypotesetest Spørgsmål om p-værdi (socrative.com - ROOM:PBAC) ## Kald funktionen med nul-hypotesen H_0: mu=1 t.test(x, mu=1) ## ## One Sample t-test ## ## data: x ## t = 2, df = 9, p-value = 0.09 ## alternative hypothesis: true mean is not equal to 1 ## 95 percent confidence interval: ## ## sample estimates: ## mean of x ## 1.7 Signifikansniveau α = Bliver H 0 afvist? A) H 0 : µ = 1 afvises ikke og må accepteres B) H 0 : µ = 1 afvises C) Ved ikke Svar A) den accepteres da p-værdien er 0.09 er større end α = 0.05 DTU Compute Introduktion til Statistik Efterår / 46
19 Kritisk værdi og konfidensinterval Kritisk værdi Definition de kritiske værdier for t-testet: The (1 α)100% critical values for the (non-directional) one-sample t-test are the (α/2)100% and (1 α/2)100% quantiles of the t-distribution with n 1 degrees of freedom: t α/2 and t 1 α/2 Metode 3.32: One-sample t-test vha. kritisk værdi: A null hypothesis is rejected if the observed test-statistic is more extreme than the critical values: If t obs > t 1 α/2 then reject H 0 otherwise accept. DTU Compute Introduktion til Statistik Efterår / 46
20 Kritisk værdi og konfidensinterval Den standardiserede skala Hvis t obs er i acceptområdet, så accepteres H 0 : µ = µ 0 Rejection Acceptance Rejection t t Den egentlige skala Hvis x er i acceptområdet, så accepteres H 0 : µ = µ 0 sim1 Rejection Acceptance Rejection... sim2 sim3 Rejection Acceptance Rejection sim4 sim5 Rejection Acceptance Rejection... Rejection Acceptance Rejection Rejection Acceptance Rejection s1 µ 0 + t n µ 0 s1 µ 0 + t n DTU Compute Introduktion til Statistik Efterår / 46
21 Kritisk værdi og konfidensinterval Kritisk værdi, konfidensinterval og hypotesetest Theorem 3.33: Kritisk-værdi-metode ækvivalent med konfidensinterval-metode We consider a (1 α) 100% confidence interval for µ x ± t 1 α/2 s n The confidence interval corresponds to the acceptance region for H 0 when testing the (non-directional) hypothesis H 0 : µ = µ 0 (Ny) fortolkning af konfidensintervallet: Nulhypoteser hvor µ 0 er udenfor konfidensintervallet ville være blevet afvist DTU Compute Introduktion til Statistik Efterår / 46
22 Kritisk værdi og konfidensinterval Den standardiserede skala Hvis t obs er ude af acceptområdet, så afvises H 0 : µ = µ 0 Rejection Acceptance Rejection t t Den egentlige skala Hvis x er ude af acceptområdet, så afvises H 0 : µ = µ 0 sim1 Rejection Acceptance Rejection... sim2 sim3 Rejection Acceptance Rejection sim4 sim5 Rejection Acceptance Rejection... Rejection Acceptance Rejection Rejection Acceptance Rejection s1 µ 0 + t n µ 0 s1 µ 0 + t n Konfidensintervallet Nulhypoteser med µ 0 udenfor konfidensintervallet ville være blevet afvist sim1 sim2 sim3 sim4 sim5... x5 x4 x3 x2 x1 s1 x 1 + t x 1 µ n Real dist. of X DTU Compute Introduktion til Statistik Efterår / 46
23 Kritisk værdi og konfidensinterval Spørgsmål om konfidensinterval (socrative.com - ROOM:PBAC) Afgør på signifikansniveau α = 5% om en type PC skærm lever op til specifikationen af et effektforbrug på µ = 83 W. Der er taget en stikprøve af denne type skærm og et 95% konfidensinterval for middelværdien af effektforbruget µ er beregnet til: x + t s n = 85.5 x = 88.3 x + t s n = 91.1 Hvilken af følgende hypoteser skal testes og hvilken konklusion er korrekt? A) H 0 : µ = 0 accepteres og signifikant højere effektforbrug er påvist B) H 0 : µ = 0 afvises og signifikant højere effektforbrug er påvist C) H 0 : µ = 83 accepteres og signifikant højere effektforbrug er ikke påvist D) H 0 : µ = 83 afvises og signifikant højere effektforbrug er påvist E) Ved ikke Svar D) da µ = 83 ligger udenfor og under konfidensintervallet DTU Compute Introduktion til Statistik Efterår / 46
24 Hypotesetests (helt generelt) Hypotesetest med alternativer Den alternative hypotese Den alternative hypotese H 1 er negationen af nulhypotesen H 0 Indtil nu - underforstået: (= non-directional) Alternativet til H 0 : µ = µ 0 er : H 1 : µ µ 0 MEN der kan være andre settings, f.eks. one-sided (=directional), less: Alternativet til H 0 : µ µ 0 er H 1 : µ < µ 0 I kurset er kun inkluderet opgaver med non-directional DTU Compute Introduktion til Statistik Efterår / 46
25 Hypotesetests (helt generelt) Den generelle metode Steps ved hypotesetests - et overblik Helt generelt består et hypotesetest af følgende trin: 1 Formuler hypoteserne (H 0 og H 1 ) og vælg signifikansniveau α (choose the risk-level ) 2 Beregn med data værdien af teststatistikken 3 Beregn p-værdien med teststatistikken og den relevante fordeling, og sammenlign p-værdien med signifikansniveauet og drag en konklusion eller Lav konklusionen ved de relevante kristiske værdier DTU Compute Introduktion til Statistik Efterår / 46
26 Hypotesetests (helt generelt) Den generelle metode Metode 3.36: The level α one-sample t-test 1 Compute t obs using Equation (3-20): t obs = x µ 0 s/ n 2 Compute the evidence against the null hypothesis H 0 : µ = µ 0, vs. the alternative hypothesis H 1 : µ µ 0, by the p-value = 2 P(T > t obs ), where the t-distribution with n 1 degrees of freedom is used 3 If p-value < α: We reject H 0, otherwise we accept H 0, or The rejection/acceptance conclusion could alternatively, but equivalently, be made based on the critical value(s) ±t 1 α/2 : If t obs > t 1 α/2 we reject H 0, otherwise we accept H 0 DTU Compute Introduktion til Statistik Efterår / 46
27 Hypotesetests (helt generelt) Type I og type II fejl Mulige fejl ved hypotesetests To mulige sandheder vs. to mulige konklusioner: Reject H 0 Fail to reject H 0 H 0 is true Type I error (α) Correct acceptance of H 0 H 0 is false Correct rejection of H 0 Type II error (β) DTU Compute Introduktion til Statistik Efterår / 46
28 Hypotesetests (helt generelt) Type I og type II fejl Eksempel - sovemedicin To mulige sandheder vs. to mulige konklusioner: Reject H 0 Fail to reject H 0 Sand H 0 : Ingen forskel på A og B Type I fejl (α) Korrekt accept af H 0 Falsk H 0 : Forskel på A og B Korrekt afvisning af H 0 Type II fejl (β) DTU Compute Introduktion til Statistik Efterår / 46
29 Hypotesetests (helt generelt) Type I og type II fejl Mulige fejl ved hypotesetests Der findes to slags fejl (dog kun een af gangen!) Type I: Rejection of H 0 when H 0 is true Type II: Non-rejection of H 0 when H 1 is true Risikoen for de to typer fejl kaldes sædvanligvis: P(Type I error) = α P(Type II error) = β Theorem 3.39: Signifikansniveauet = Risikoen for Type I fejl : The significance level α in hypothesis testing is the overall Type I risk P( Type I error ) = P( Rejection of H 0 when H 0 is true ) = α DTU Compute Introduktion til Statistik Efterår / 46
30 Hypotesetests (helt generelt) Type I og type II fejl Eksempel: Retsalsanalogi En person står stillet for en domstol: A man is standing in a court of law accused of criminal activity. The null- and the the alternative hypotheses are: H 0 : H 1 : The man is not guilty The man is guilty At man ikke kan bevises skyldig er ikke det samme som at man er bevist uskyldig: Absence of evidence is NOT evidence of absence! Or differently put: Accepting a null hypothesis is NOT a statistical proof of the null hypothesis being true! DTU Compute Introduktion til Statistik Efterår / 46
31 Hypotesetests (helt generelt) Type I og type II fejl Transport tid Hypotesetests om studerendes transport tid til DTU fredag morgen Tag link Transporttid på Course Material og indtast jeres transporttid Kan det påvises at transporttiden for studerende på cykel er forskellig fra 20 minutter? Kan det påvises at transporttiden for studerende på cykel er mere end 20 minutter? Kan det påvises at tage mere end 20 minutter for studerende i bil? Find de kritiske værdier for studerende i tog og bus. DTU Compute Introduktion til Statistik Efterår / 46
32 Check af normalfordelingsantagelse The normal q-q plot Normaltfordelt data? Teknikker til at undersøge om data kommer fra en normalfordeling: Empirisk fordelings funktion (ecdf) Normal q-q plot Transformer for at for mere normalfordelt data: Brug log-transformation til at få mere normalfordelte observationer DTU Compute Introduktion til Statistik Efterår / 46
33 Check af normalfordelingsantagelse The normal q-q plot Se på 100 sim. observationer fra en normal fordeling ## 100 simulerede observationer fra normalfordeling xr <- rnorm(100, mean(x), sd(x)) hist(xr, xlab="height", main="", prob=true) lines(seq(130, 230, 1), dnorm(seq(130, 230, 1), mean(x), sd(x))) Density Height DTU Compute Introduktion til Statistik Efterår / 46
34 Check af normalfordelingsantagelse The normal q-q plot Højde af studerende - er de normalfordelt? ## Empirisk og teoretisk pdf af højdeeksempel x <- c(168,161,167,179,184,166,198,187,191,179) hist(x, xlab="height", main="", prob=true) lines(seq(160, 200, 1), dnorm(seq(160, 200, 1), mean(x), sd(x))) Density Height DTU Compute Introduktion til Statistik Efterår / 46
35 Check af normalfordelingsantagelse The normal q-q plot Højde af studerende - ecdf ## Empirisk og teoretisk fordelingsfunktion (ecdf og cdf) plot(ecdf(x), verticals = TRUE) xp <- seq(0.9*min(x), 1.1*max(x), length.out = 100) lines(xp, pnorm(xp, mean(x), sd(x))) Fn(x) ecdf(x) x DTU Compute Introduktion til Statistik Efterår / 46
36 Check af normalfordelingsantagelse The normal q-q plot Højde af studerende - Normal q-q plot ## q-q plot qqnorm(x) qqline(x) Normal Q-Q Plot Sample Quantiles Theoretical Quantiles DTU Compute Introduktion til Statistik Efterår / 46
37 Check af normalfordelingsantagelse The normal q-q plot Normal q-q plot Metode 3.42 Den formelle definition The ordered observations x (1),...,x (n), called the sample quantiles, are plotted versus a set of expected normal quantiles z p1,...,z pn. The usual definition of p 1,...,p n to be used for finding the expected normal quantiles is p i = i 0.5, i = 1,...,n. n This is the default method in the qqnorm function in R, when n > 10, if n 10 instead is used. p i = i 3/8 n + 1/4, i = 1,...,n, DTU Compute Introduktion til Statistik Efterår / 46
38 Check af normalfordelingsantagelse The normal q-q plot Normal q-q plot Vurder om de ligger på en ret linie: Er observeret tydeligt forskellig simulerede normalfordelte stikprøver? Simulerede: Observeret: Normal Q-Q Plot Sample Quantiles Sample Quantiles Sample Quantiles Theoretical Quantiles Theoretical Quantiles Theoretical Quantiles Sample Quantiles Sample Quantiles Theoretical Quantiles Sample Quantiles Theoretical Quantiles Sample Quantiles Theoretical Quantiles Theoretical Quantiles Sample Quantiles Sample Quantiles Sample Quantiles Theoretical Quantiles Theoretical Quantiles Theoretical Quantiles DTU Compute Introduktion til Statistik Efterår / 46
39 Check af normalfordelingsantagelse Transformation towards normality Eksempel - log-transformation af Radon data ## Reading in the data radon<-c(2.4, 4.2, 1.8, 2.5, 5.4, 2.2, 4.0, 1.1, 1.5, 5.4, 6.3, 1.9, 1.7, 1.1, 6.6, 3.1, 2.3, 1.4, 2.9, 2.9) ## A histogram and q-q plot par(mfrow=c(1,2)) hist(radon) qqnorm(radon,ylab = "Sample quantiles",xlab = "Normal quantiles") qqline(radon) Histogram of radon Normal Q-Q Plot Frequency Sample quantiles radon Normal quantiles DTU Compute Introduktion til Statistik Efterår / 46
40 Check af normalfordelingsantagelse Transformation towards normality Eksempel - Radon data - log-transformed are closer to a normal distribution ## Transformer med naturlig logaritme logradon <- log(radon) hist(logradon) qqnorm(logradon, ylab="sample quantiles", xlab="normal quantiles") qqline(logradon) Histogram of logradon Normal Q-Q Plot Frequency Sample quantiles logradon Normal quantiles DTU Compute Introduktion til Statistik Efterår / 46
41 Check af normalfordelingsantagelse The normal q-q plot Midtvejsevaluering launches lige om lidt...skyd løs! Projekterne, går det fremad? DTU Compute Introduktion til Statistik Efterår / 46
enote 3: Hypotesetests for én gruppe/stikprøve Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher
Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereOversigt. Kursus 02402/02323 Introducerende Statistik. Forelæsning 5: Hypotesetest, power og modelkontrol - one sample
Kursus 02402/02323 Introducerende Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske
Læs mereKursus 02323: Introducerende Statistik. Forelæsning 12: Forsøgsplanlægning. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 12: Forsøgsplanlægning Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereKursus 02402/02323 Introducerende Statistik. Forelæsning 6: Sammenligning af to grupper
Kursus 02402/02323 Introducerende Statistik Forelæsning 6: Sammenligning af to grupper Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereOversigt. 1 Motiverende eksempel - energiforbrug. 2 Hypotesetest (Repetition) 3 Two-sample t-test og p-værdi. 4 Konfidensinterval for forskellen
Kursus 02402/02323 Introducerende Statistik Forelæsning 6: Sammenligning af to grupper Oversigt 1 Motiverende eksempel - energiforbrug 2 Hypotesetest (Repetition) 3 Klaus K. Andersen og Per Bruun Brockhoff
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 mereOversigt. 1 Motiverende eksempel - energiforbrug. 2 Hypotesetest (Repetition) 3 Two-sample t-test og p-værdi. 4 Konfidensinterval for forskellen
Kursus 02402/02323 Introducerende Statistik Forelæsning 6: Sammenligning af to grupper Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereKursus 02402 Introduktion til Statistik. Forelæsning 7: Kapitel 7 og 8: Statistik for to gennemsnit, (7.7-7.8,8.1-8.5) Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 7: Kapitel 7 og 8: Statistik for to gennemsnit, (7.7-7.8,8.1-8.5) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks
Læs mereForelæsning 4: Konfidensinterval for middelværdi (og spredning)
Introduktion til Statistik Forelæsning 4: Konfidensinterval for middelværdi (og spredning) Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereForelæsning 11: Envejs variansanalyse, ANOVA
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereIntroduktion til Statistik. Forelæsning 12: Inferens for andele. Peder Bacher
Introduktion til Statistik Forelæsning 12: Inferens for andele Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs 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 mereIntroduktion til Statistik. Forelæsning 10: Inferens for andele. Peder Bacher
Introduktion til Statistik Forelæsning 10: Inferens for andele Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereKursus 02402/02323 Introduktion til statistik. Forelæsning 13: Et overblik over kursets indhold. Klaus K. Andersen og Per Bruun Brockhoff
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet
Læs merek UAFHÆNGIGE grupper Oversigt 1 Intro eksempel 2 Model og hypotese 3 Beregning - variationsopspaltning og ANOVA tabellen 4 Hypotesetest (F-test)
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalse, ANOVA Peder Bacher DTU Compute, Dnamiske Sstemer Bgning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lngb Danmark e-mail:
Læs mereenote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 33B, Rum 9 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereBasic statistics for experimental medical researchers
Basic statistics for experimental medical researchers Sample size calculations September 15th 2016 Christian Pipper Department of public health (IFSV) Faculty of Health and Medicinal Science (SUND) E-mail:
Læs mereAfsnit E1 Konfidensinterval for middelværdi i normalfordeling med kendt standardafvigelse
Afsnit 8.3 - E1 Konfidensinterval for middelværdi i normalfordeling med kendt standardafvigelse Først skal normalfordelingen lige defineres i Maple, så vi kan benytte den i vores udregninger. Dette gøres
Læs mereI dag. Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt)
I dag Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt) Helle Sørensen Repetition vha eksempel om dagligvarepriser Analyse med R: ttest
Læs 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 mereIntroduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs 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 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 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 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 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 mereq-værdien som skal sammenlignes med den kritiske Chi-i-Anden værdi p-værdien som skal sammenlignes med signifikansniveauet.
Introduktion: Chi-i-Anden test (Goodness of Fit) på computeren fungerer som en "black-boks"- kommando, hvor eleverne med udgangspunkt i en nulhypotese (H ) taster de forventede og de observerede talværdier
Læs 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 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 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 mereHvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mere1 enote 1: Simple plots og deskriptive statistik. 2 enote2: Diskrete fordelinger. 3 enote 2: Kontinuerte fordelinger
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Building 324, Room 220 Danish Technical University
Læs 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 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 mereTrin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereLøsning 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 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 mereKursus 02323: Introducerende Statistik. Forelæsning 8: Simpel lineær regression. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 8: Simpel lineær regression Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereIntroduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs 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 mere02402 Vejledende løsninger til hjemmeopgaver og øvelser i uge 5
02402 Vejledende løsninger til hjemmeopgaver og øvelser i uge 5 Opgave 5.117, side 171 (7ed: 5.116 side 201 og 6ed: 5.116 side 197) I denne opgave skal vi benytte relationen mellem den log-normale fordeling
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 3: Kapitel 5: Kontinuerte fordelinger. Per Bruun Brockhoff.
Kursus 242 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik Bygning 35/324 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail:
Læs mereOversigt. 1 Gennemgående eksempel: Højde og vægt. 2 Korrelation. 3 Regressionsanalyse (kap 11) 4 Mindste kvadraters metode
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Oversigt 1 Gennemgående eksempel: Højde og vægt 2 Korrelation 3 Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse
Læs mereStatistik for MPH: 7
Statistik for MPH: 7 3. november 2011 www.biostat.ku.dk/~pka/mph11 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mereProgram. Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve I SAS. Øvelse: effekt af diæter
Program Konfidensinterval og hypotesetest, del 2 en enkelt normalfordelt stikprøve Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Øvelse: effekt af diæter. Repetition fra sidst... Parrede og ikke-parrede
Læs mereForelæsning 3: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 3: Kapitel 5: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereForelæsning 11: Kapitel 11: Regressionsanalyse
Kursus 02402 Introduktion til Statistik Forelæsning 11: Kapitel 11: Regressionsanalyse Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereBinomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/
Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial
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 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 mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff
Course 242/2323 Introducerende Statistik Forelæsning 3: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 22 Danmarks Tekniske Universitet 28 Lyngby Danmark
Læs mereKursus 02402/02323 Introducerende Statistik
Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mere1 enote 1: Simple plots og deskriptive statistik. 2 enote 2: Diskrete fordelinger. 3 enote 2: Kontinuerte fordelinger
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Peder Bacher DTU Compute, Dynamiske Systemer Building 303B, Room 017 Danish Technical University 2800 Lyngby
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 4: Kapitel 5: Kontinuerte fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 4: Kapitel 5: Kontinuerte fordelinger Rune Haubo B Christensen (based on slides by Per Bruun Brockhoff) DTU Compute, Statistik og Dataanalyse Bygning
Læs 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 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 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 mereStatistik og Sandsynlighedsregning 2. Repetition og eksamen. Overheads til forelæsninger, mandag 7. uge
Statistik og Sandsynlighedsregning 2 Repetition og eksamen Overheads til forelæsninger, mandag 7. uge 1 Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Repetition og eksamen T-test Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige
Læs 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 mereOversigt. 1 Motiverende eksempel: Højde-vægt. 2 Lineær regressionsmodel. 3 Mindste kvadraters metode (least squares)
Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression Oversigt Motiverende eksempel: Højde-vægt 2 Lineær regressionsmodel 3 Mindste kvadraters metode (least squares) Klaus
Læs 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 mereKursus Introduktion til Statistik. Forelæsning 13: Summary. Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 13: Summary Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs 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 mereEn Introduktion til SAS. Kapitel 5.
En Introduktion til SAS. Kapitel 5. Inge Henningsen Afdeling for Statistik og Operationsanalyse Københavns Universitet Marts 2005 6. udgave Kapitel 5 T-test og PROC UNIVARIATE 5.1 Indledning Dette kapitel
Læs 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 11: Tovejs variansanalyse, ANOVA
Introduktion til Statistik Forelæsning 11: Tovejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
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 mereSide 1 af 17 sider. Danmarks Tekniske Universitet. Skriftlig prøve: 25. maj 2007 Kursus navn og nr: Introduktion til Statistik, 02402
Danmarks Tekniske Universitet Side 1 af 17 sider. Skriftlig prøve: 25. maj 2007 Kursus navn og nr: Introduktion til Statistik, 02402 Tilladte hjælpemidler: Alle Dette sæt er besvaret af (navn) (underskrift)
Læs 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 mereenote 5: Simpel lineær regressions analyse Kursus 02402/02323 Introducerende Statistik Oversigt
enote 5: Simpel lineær regressions analse Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression To variable: og Beregn mindstekvadraters estimat af ret linje Inferens med
Læs 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 mereIkke-parametriske tests
Ikke-parametriske tests 2 Dagens menu t testen Hvordan var det nu lige det var? Wilcoxson Mann Whitney U Kruskall Wallis Friedman Kendalls og Spearmans correlation 3 t-testen Patient Drug Placebo difference
Læs mereKlasseøvelser dag 2 Opgave 1
Klasseøvelser dag 2 Opgave 1 1.1. Vi sætter først working directory og data indlæses: library( foreign ) d
Læs merek UAFHÆNGIGE grupper F-test Oversigt 1 Intro eksempel 2 Model og hypotese 3 Beregning - variationsopspaltning og ANOVA tabellen
Introduktion til Statistik Forelæsning 10: Envejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 017 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs 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 mereMikro-kursus i statistik 2. del Mikrokursus i biostatistik 1
Mikro-kursus i statistik 2. del 24-11-2002 Mikrokursus i biostatistik 1 Hvad er hypotesetestning? I sundhedsvidenskab:! Hypotesetestning = Test af nulhypotesen Hypotese-testning anvendes til at vurdere,
Læs 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 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 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 mereForelæsning 8: Inferens for varianser (kap 9)
Kursus 02402 Introduktion til Statistik Forelæsning 8: Inferens for varianser (kap 9) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800 Lyngby
Læs mereForelæsning 10: Statistik ved hjælp af simulering
Kursus 02402 Introduktion til Statistik Forelæsning 10: Statistik ved hjælp af simulering Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereProgram. Sammenligning af to stikprøver Ikke-parametriske metoder Opsummering. Test for ens spredninger
Program Sammenligning af to stikprøver Ikke-parametriske metoder Opsummering Helle Sørensen E-mail: helle@math.ku.dk I formiddag: Analyse af ikke-parrede stikprøver: repetition of rettelse af fejl! Lidt
Læs mereIntroduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger. Peder Bacher
Introduktion til Statistik Forelæsning 2: Stokastisk variabel og diskrete fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereOversigt. 1 Intro: Regneeksempel og TV-data fra B&O. 2 Model og hypotese. 3 Beregning - variationsopspaltning og ANOVA tabellen
Kursus 02402/02323 Introducerende Statistik Forelæsning 10: Envejs variansanalyse, ANOVA Oversigt 1 Intro: Regneeksempel og TV-data fra B&O 2 Model og hypotese Per Bruun Brockhoff DTU Compute, Statistik
Læs 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 mereMaple-oversigt til matematik B-niveau: Rungsted Gymnasium Definer en funktion og funktionsværdier. Tegn grafen for en funktion.
Maple-oversigt til matematik B-niveau: Rungsted Gymnasium 2011 Definer en funktion og funktionsværdier (1.1) 32 (1.2) (1.3) Tegn grafen for en funktion (2.1) 250 200 150 100 50 0 5 10 8 6 4 2 0 1 2 0 y
Læs mereStatistik. Statistik. Hvad er Statistik? Hvad er Statistik? Hvad er Statistik? 1. Hvad er statistik? 2. Mennesker som måleinstrumenter
Statistik Statistik 1. statistik? Per Bruun Brockhoff Professor i Statistik DTU Informatik 27 august 2009 http://www.imm.dtu.dk/~pbb 2. Mennesker som måleinstrumenter Egentlig ikke så meget: Danmarks Statistik:
Læs 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 mereMultipel Lineær Regression
Multipel Lineær Regression Trin i opbygningen af en statistisk model Repetition af MLR fra sidst Modelkontrol Prædiktion Kategoriske forklarende variable og MLR Opbygning af statistisk model Specificer
Læs 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 mereStatistik for MPH: oktober Attributable risk, bestemmelse af stikprøvestørrelse (Silva: , )
Statistik for MPH: 7 29. oktober 2015 www.biostat.ku.dk/~pka/mph15 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mereTænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
Læs mereOversigt. Introduktion til Statistik. Forelæsning 2: Stokastisk variabel og diskrete fordelinger
Introduktion til Statistik Forelæsning 2: og diskrete fordelinger Oversigt 1 2 3 Fordelingsfunktion 4 Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 017 Danmarks Tekniske Universitet 2800
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 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 mereLog-lineære modeller. Analyse af symmetriske sammenhænge mellem kategoriske variable. Ordinal information ignoreres.
Log-lineære modeller Analyse af symmetriske sammenhænge mellem kategoriske variable. Ordinal information ignoreres. Kontingenstabel Contingency: mulighed/tilfælde Kontingenstabel: antal observationer (frekvenser)
Læs mere