Kompendium over testteorien
|
|
- Ejvind Hedegaard
- 5 år siden
- Visninger:
Transkript
1 Kompenium ove testteoien L 7HRUHWLNWDWLWLNIRU NRRPHU 9HULR Uabejet af imon Reusch Maj
2 Kompenium ove testteoien, imon Reusch, maj Inhol Op- %LRPLDOIRUGHOLJH Test i én...3 ammenligning af...3 ammenligning af k...3 3RLRIRUGHOLJH Test i én...4 ammenligning af...4 ammenligning af k...4 Test fo multiplikativitet i -imensional stuktu...5 +\HUJHRPHWULNIRUGHOLJ Test i én...5 ammenligning af...5 RUPDOIRUGHOLJH Test i én Test af mielvæi i NF me NHGW vaians... Test af mielvæi i NF me XNHGW vaians... Test af vaians... ammenligning af uafhængige Test fo vaianshomogenitet...7 Test fo ens mielvæi ve vaianskrprjhlwhw 7 Test fo ens mielvæi ve vaianskhwhurjhlwhw 8 Test fo ens mielvæi ve kent vaians...8 ammenligning af pavist samhøene...8 ammenligning af k uafhængige Batlett s test fo vaianshomogenitet...9 Test fo ens mielvæi 9 Estimation af paamete i én fælles nomalfoeling...9 XOWLRPLDOIRUGHOLJH Test i én... ammenligning af... ammenligning af k... WLNU YHWHRUL impel uvælgelse Altenativ vaiation... Geneelle tilfæle... tatificeet uvælgelse Altenativ vaiation... Geneelle tilfæle...3 Popotional allokeing...3 timal allokeing...4 ie af 4
3 Kompenium ove testteoien, imon Reusch, maj Binomialfoelingen 7HWLELRPLDOIRUGHOLJ H : θ = θ ignifikanssansynlighe (%HUHJHHNDNWYHGRODJL%LRPLDOWDEHOKYLPXOLJW: H : θ > θ p = P(X x [ ½ θ φ θ ( θ H : θ < θ p = P(X x [ + ½ θ φ θ ( θ H : θ θ p = min{p, p } DPPHOLJLJDIELRPLDOIRUGHOLJHU H : θ A = θ B LJLILNDDG\OLJKHG Basees på at foelingen af en ene binomialfoeling, betinget summen af em begge, e hypegeometisk foelt X - hyp(n=n A +n B, M=n A, n=x A +x B, hvo X e en obseveee væ i af X A. H : θ A > θ B p = P(X x φ [ ½ ( ( H : θ A < θ B p = P(X x φ H : θ A θ B p = min{p, p } [ + ½ ( ( DPPHOLJLJDINELRPLDOIRUGHOLJHU H : θ = θ = = θ k H : Minst to θ e foskellige Hypotesen afpøves ve en kontingenstabelanalyse, hvo e specifikt uføes et homogenitetstest. Dette test bygge på en sammenligning af k multinomialfoelinge, hvo binomialfoelingen jo netop e et specialtilfæ le af multinomialfoelingen. ; %L(, θ ~ (, θ = θ, θ = θ ~ HPHUHXGHU DPPHOLJLJDINPXOWLRPLDOIRUGHOLJHU ie 3 af 4
4 Kompenium ove testteoien, imon Reusch, maj Poissonfoelingen 7HWLRLRIRUGHOLJ H : λ = λ (NHPHO Bemæ k, at valiiteten af neenståene tests e betinget af, at e testes i én peioe. Betagt opgavefomuleingen "Efaingsmæ ssigt omkomme 35 pesone åligt ve tafikulykke. Rået fo støe fæ selssikkehe ivæ ksæ tte en kampagne fo at minske antallet af æ bte i tafikken. I e to eftefølgene å ø gennemsnitligt 7 pesone p. å. Have kampagnen en signifikant effekt?" Fo koekt at anvene neenståene testøelse skal man sammenligne antal hæ nelse i hele obsevationspeioen me en totale foventning. He iagttages sålees 54 æ bte. H : λ = 7 (Hæ nelsesintensiteten ove en peioe på e betagtee å. H : λ < 7 ignifikanssansynlighe (%HUHJHHNDNWYHGRODJLRLRWDEHOKYLPXOLJW.: H : λ > λ p = P(X x ½ λ φ [ λ H : λ < λ p = P(X x + ½ λ φ [ λ H : λ λ p = min{p, p } DPPHOLJLJDIRLRIRUGHOLJHU H : λ A = λ B LJLILNDDG\OLJKHG Basees på, at foelingen af en ene poissonfoeling, betinget summen af em begge, e binomialfoelt X - bin(n=x A +x B, p=½, hvo X e en obseveee væ i af X A. H : λ A > λ B p = P(X x [ ½,5 φ,5(,5 H : λ A < λ B p = P(X x φ H : λ A λ B p = min{p, p } [ + ½,5,5(,5 DPPHOLJLJDINRLRIRUGHOLJHU H : λ = λ = = λ k H : Minst to λ e foskellige Testet bygge på at foelingen af k poissonfoelinge betinget me summen af em, e multinomialfoelt ; λ, ;,..., ; ~ (, θ, θ,..., θ, iet θ =. λ HPHUHXGHUWHWLPXOWLRPLDOIRUGHOLJH ie 4 af 4
5 Kompenium ove testteoien, imon Reusch, maj 7HWIRUPXOWLOLNDWLYLWHWLGLPHLRDORLRWUXNWXU Moel: ; ~ 3( λ, hvo λ e hæ nelsesintensiteten i en LM te celle. {,,...,,}, M {, -} + : λ = γδ ε L,...,, hvo γ e en niveaufakto (=n, δ æ kkesansynligheen og ε søjlesansynligheen. + : (M + 7HWW UUHOH 4 = = = (; ˆ δ ˆ ε ˆ δ ˆ ε [ [ ~ χ ((, ( -, hvo, e antal æ kke og - e antal søjle i poissonstuktuen, og ˆ.. δ = og ˆ ε = e mielette estimate fo æ kke- og søjlesansynlighee. LJLILNDDG\OLJKHG = 3( 4 > T Hypegeometisk foeling 7HWLK\HUJHRPHWULNIRUGHOLJ H : θ = θ = ignifikanssansynlighe (%HUHJHHNDNWKYLPXOLJW.: H : θ > θ p = P(X x [ ½ θ φ, iet θ = θ ( ( θ H : θ < θ p = P(X x [ + ½ θ φ, iet θ = θ ( ( θ H : θ θ p = min{p, p } DPPHOLJLJDIK\HUJHRPHWULNHIRUGHOLJHU Bemæ k: pensum give ingen fomle til enne test. Man kan og u fa pensum (p.78 ulee følgene appoksimative test mo et obbeltsiet altenativ: H : θ A = θ B H : θ A θ B ignifikanssansynlighe: θˆ ˆ θ Β p [ [ * φ, hvo θˆ = og θˆ = ˆ θ ˆ ˆ ˆ A (-θ A θ ( θ + Mo enkeltsiet altenativ kan signifikanssansynligheen efinees på vanlig vis. ie 5 af 4
6 Kompenium ove testteoien, imon Reusch, maj Nomalfoelingen 8WHWIRUPLGGHOY UGLLPHGNHGWYDULD H : µ = µ 8 = ; µ σ LJLILNDDG\OLJKHGHUILGHYHGRODJL8IRUGHOLJH H : µ > µ p = P(U>u = - P(U<u = - Φ(u H : µ < µ p = P(U<u = Φ(u H : µ µ p = (P(U > u = ( - P(U < u = (-Φ( u 7WHWIRUPLGGHOY UGLLPHGXNHGWYDULD Den empiiske vaians s anvenes som estimat fo vaiansen. H : µ = µ 7 ; µ = ~ 7 LJLILNDDG\OLJKHGHDJLYHHYWLLWHUYDOHIWHURODJL7IRUGHOLJH H : µ > µ p = P(T > t = - P(T < t H : µ < µ p = P(T < t H : µ µ p = (P (T > t = ( - P(T < t 4WHWIRUYDULDHL H : σ = σ ( 4 = ~ χ (n- σ LJLILNDDG\OLJKHGHDJLYHHYWLLWHUYDOHIWHURODJLχ IRUGHOLJH H : σ > σ p = P( > q = - P( < q H : σ < σ p = P( < q H : σ σ p = * min{p, p } ie af 4
7 " %! $!! # Kompenium ove testteoien, imon Reusch, maj ammenligning af nomalfoelinge X og Y Det kan testes sepaat hvovit vaiansene σ X og σ Y e ens. Uanset esultatet kan man teste hvovit niveauet (mielvæ ien µ X og µ Y i e to foelinge e ens. (He skelne pensum mellem 3 tilfæ le: A. Foelingene ha ukente vaianse, som kan antages at væ e ens. B. Foelingene ha ukente vaianse, som kan antages at væ e foskellige. C. Begge foelinge X og Y ha kente vaianse σ X og σ Y åfemt hypotese om ens vaianse og ens mielvæ ie begge acceptees kan et antages at e vaiable X og Y følge samme nomalfoeling, hvo µ og σ estimees på gunlag af samtlige n=n x +n y obsevatione. 7HWIRUHYDULDLRUPDOIRUGHOLJHU H : σ X = σ Y e HLGHW test efinees teststøelsen sålees: 9 = ~ F(f = n tæ lle -, f = n næ vne -, KYRUI HUDWDOIULKHGJUDGHULW OOHUHI L YHUH. LJLILNDDG\OLJKHGHDJLYHHYWLLWHUYDOHIWHURODJLIRUGHOLJH H : σ X > σ Y p = P( > v = - P( < v H : σ X < σ Y p = P( < v e GREEHOWLGHW test efinees teststøelsen sålees: max{, } 9 = min{, } LJLILNDDG\OLJKHGHDJLYHHYWLLWHUYDOHIWHURODJLF(f = n tæ lle -, f = n næ vne -, KYRUI HUDWDOIULKHGJUDGHULW OOHUHI L YHUH. H : σ X σ Y p = * P( > v = * (- P( < v 7HWIRUHPLGGHOY UGLLPHGXNHGWYDULDRPNDDWDJHHWLOI OGH$ e at foetage test fo ens vaianse i NF kan et afgøes hvovit vaiansene kan antages ens. En fæ lles vaians f kan heefte sammenvejes sålees: ( + ( = + H : µ X = µ Y 7 = ; < ~ 7& ' + LJLILNDDG\OLJKHGHDJLYHHYWLLWHUYDOHIWHURODJL7IRUGHOLJH H : µ X > µ Y p = P(T > t = - P(T < t ie 7 af 4
8 - + + ( ( * *, Kompenium ove testteoien, imon Reusch, maj H : µ X < µ Y p = P(T < t H : µ X µ Y p = (P (T > t = ( - P(T < t 7HWIRUHPLPHGXNHGWYDULDRPNDDWDJHIRUNHOOLJWLOI OGH% Hvis man få fokastet en hypotese om ens vaianse i NF angive pensum at man ikke kene en eksakte foeling af iffeensen ; < (Fishe-Behens poblemet. Man må efo nøjes me neenståene appoksimative test til at vuee en hypotese om at niveauet i foelingene e ens. De e pincipielt intet poblematisk ve at vuee om to foelinge ha samme niveau selvom ees vaianse e foskellige (et femgå f.eks. enkelt af tilfæ le A. H : µ X = µ Y ; < 8 = + LJLILNDDG\OLJKHGHUILGHYHGRODJL8IRUGHOLJH H : µ X > µ Y p = P(U>u = - P(U<u = - Φ(u H : µ X < µ Y p = P(U<u = Φ(u H : µ X µ Y p = (P(U > u = ( - P(U < u = (-Φ( u 7HWIRUHPLGGHOY UGLLPHGNHGWYDULDWLOI OGH& H : µ X = µ Y ; < 8 = σ σ + LJLILNDDG\OLJKHGHUILGHYHGRODJL8IRUGHOLJH H : µ X > µ Y p = P(U>u = - P(U<u = - Φ(u H : µ X < µ Y p = P(U<u = Φ(u H : µ X µ Y p = (P(U > u = ( - P(U < u = (-Φ( u 7HWIRUPLGGHOY UGLYHGDUYLWDPK UHGHREHUYDWLRHU åfemt en stikpøve e insamlet me pavist samhøene obsevatione af to foskellige vaiable kan et unesøges om mielvæ ien af e foelinge e ens. Dette gøes ve at betagte iffeensen mellem e to vaiable ', = ; <, mellem e talpa. Man kan heefte teste om mielvæ ien af enne iffeens kan antages at have en given væ i: H: µ D = µ D ' µ 7 = - ~ 7LGHW ' RJ. HUKKYJHHPLWWHWRJUHGLJnGLIIHUHHUH LJLILNDDG\OLJKHGHDJLYHHYWLLWHUYDOHIWHURODJL7IRUGHOLJH H : µ D > µ D p = P(T > t = - P(T < t H : µ D < µ D p = P(T < t H : µ D µ D p = (P (T > t = ( - P(T < t ie 8 af 4
9 D C ; : ; ; 5 G K F G G J I J A I > = Kompenium ove testteoien, imon Reusch, maj ammenligning af flee nomalfoelinge X, X,.., X k %DUWOHWWWHWIRUHYDULDLIOHUHRUPDOIRUGHOLJHU H : σ = σ = = σ / H : Minst en vaians e foskellig fa e ane De empiiske vaianse j estimees på vanlig vis i e k nomalfoelinge. Den fæ lles væ gtee vaians - YDULDHLGHIRUIRUGHOLJHUH - beegnes heefte sålees: 3 = ( N = Batlett's teststøelse: =, hvo = % = ( Nln( 7 ( ln( ~ χ (k- ignifikanssansynligheen angives evt. i inteval efte opslag i χ -foelingen: p = P(B>b = - P(B<b 7HWIRUHPLGGHOY UGLLIOHUHRUPDOIRUGHOLJHU H : µ = µ = = µ 8 H : Minst en mielvæ i e foskellig fa e ane Gennemsnittene ; 9 estimees på vanlig vis fo mielvæ iene i e k nomalfoelinge. Man betagte YDULDWLRHPHOOHPJHHPLWWHH utykt ve < = ; N ; (, = hvo ; e et sammenvejee gennemsnit, efineet som ; = > ; >. = -teststøelse: 9 = ~ F(k-, n-k ignifikanssansynligheen angives evt. i inteval efte opslag i F-foelingen. p = P( > v = - P( < v (WLPDWLRDIDUDPHWUHGHUEHNULYHUpI OOHRUPDOIRUGHOLJ åfemt hypotese om ens vaianse og ens mielvæ ie begge acceptees kan et antages at e vaiable X X k følge samme nomalfoeling, hvo µ og σ B så estimees på gunlag af samtlige = = D obsevatione. Denne estimation kan let foetages ve at unytte at µ estimees ve [ = σ H estimees ve H [ K = = = ( N + ( N = ie 9 af 4
10 O N W R R O O X O L M T Kompenium ove testteoien, imon Reusch, maj Multinomialfoelingen Moel: ; ;,..., ; ~ (, θ, θ,..., θ, L 7HWLPXOWLRPLDOIRUGHOLJH + : θ = θ, θ = θ,..., θ = θ M (Dvs. at multinomialfoelingen følge en given sansynlighesfoeling. Ofte testes specifikt om sansynlighesfoelingen e en OLJHIRUGHOLJ på e J ufal. + : (M + 7HWW UUHOH (; θ 4 = ~ χ (- U, hvo - e antal kategoie og U e antal estiktione i en paametiske multinomialfoeling. = θ LJLILNDDG\OLJKHG = 3( 4 > T Bemæ k at DWDOUHWULNWLRHUe elevant nå multinomialfoelingen buges til numeisk kontol af om et atasæ t følge en given foeling. Hvis et e nomalfoelingen e kontollees estimees paamete µ og σ,følgelig fås =. e binomial-, poisson- elle eksponentialfoeling fås = DPPHOLJLJDIPXOWLRPLDOIRUGHOLJHU + θ P = θ P M,,..., - : + : (M + 7HWW UUHOH 4 = = = (; θˆ ˆ θ { } ~ χ (( ( -, hvo - e antal kategoie, og ˆ. θ = e et mielet estimat fo sansynligheen fo et j te ufal une H. LJLILNDDG\OLJKHG = 3( 4 > T DPPHOLJLJDI,PXOWLRPLDOIRUGHOLJHU + θ U = θ U L,,...,,, M,,..., - { } { } :. + : (M + [ T 7HWW UUHOH 4 = = = (; θˆ ˆ θ ~ χ ((, ( -, hvo, e antal multinomialfoelinge og - e antal [ X. kategoie, og θ ˆ = e et mielet estimat fo sansynligheen fo et j te ufal une H. LJLILNDDG\OLJKHG = 3( 4 > T ie af 4
11 Kompenium ove testteoien, imon Reusch, maj tikpøveteoien Pensum skelne mellem impel tilfæ lig uvæ lgelse tatificeet uvæ lgelse (heune geneelt, popotional all. samt optimal all. (kusoisk samt mellem Altenativ vaiation (Binæ vaiabel, man estimee anel/antal af mæ kee enhee. Geneel vaiation (Alle ane type vaiable en binæ. Man estimee vaiablens niveau. Altenativ vaiation e natuligvis bae et specialtilfæ le af Det geneelle tilfæ le. LPHOWLOI OGLJXGY OJHOHPHGDOWHUDWLYYDULDWLR Den sane anel θ =, anel af mæ kee enhee M i hele population N. [ Et estimat fo enne anel e θˆ =, vs. anel mæ kee enhee x i stikpøven n. X ~ Hyp.geo (N,M,n, ((; =, 9DU ([ = θ ( θ Fo anelen θ gæ le at (( ˆ θ = θ, og 9DU( θ ˆ = ( I, som estimees ve et mielette skøn 9DU ˆ( ˆ θ = ( I, hvo uvalgsbøken I = θ (ˆ θ ˆ Antallet af mæ kee i populationen Nθ estimees ve θˆ. 9DU ( θ ˆ = 9DU( ˆ θ Konfiensinteval fo θ: θˆ ± ˆ( ˆ α 9DU X / θ Hvis N e sto, og n e lille e HGHOLJKHGNRUUHNWLRH (-f. Bestemmelse af stikpøvestøelse, som tilfesstille et givet pæ cisionskav: Hvis et e kæ vet at 9DU ( θ ˆ σ, gæ le at stikpøvestøelsen bestemmes som: θ ( θ minste tal fo hvilket σ + θ ( θ / Hvis et e kæ vet at et konfiensinteval højest ha been L, kan et unyttes at σ = X α / θ skal bestemmes ve et kvalificeet skøn, evt. ve at sæ tte θ = ½, hvilket sike maksimal populationsvaians, og eme et mest fosigtige skøn ove stikpøvestøelsen. ie af 4
12 b a _ e b e ] ^ ^ ^ ] c ` ` \ [ Z Y Kompenium ove testteoien, imon Reusch, maj LPHOWLOI OGLJXGY OJHOHGHWJHHUHOOHWLOI OGH om estimat fo populationsgennemsnittet anvenes stikpøvegennemsnittet [ = om estimat fo populationsvaiansen τ anvenes stikpøvevaiansen = om estimat ove vaiansen på gennemsnittet [ anvenes 9DU ˆ( [ = ( I Et appox. konfiensinteval fo et sane gennemsnit ; e [ ± X α / 9DU ˆ( [ Populationstotalen estimees ve [. aiansen på populationstotalen e 9 DU ˆ( [ = 9DU ˆ( [ Bestemmelse af stikpøvestøelse, som tilfesstille et givet pæ cisionskav: Hvis et e kæ vet at 9DU ([ σ, gæ le at stikpøvestøelsen bestemmes som: minste tal fo hvilket s jo e voes skøn ove. τ σ + τ = = [Z ([\ [, hvo τ e et kvalificeet bu på populationsvaiansen, som Hvis et e kæ vet at et konfiensinteval højest ha been L, kan et unyttes atσ WUDWLILFHUHWXGY OJHOHDOWHUDWLYYDULDWLR Populationen opeles i M stata. Den sane anel i et statum θ = ], anel af mæ kee enhee M j i statum N j. [ Et estimat fo enne anel e θˆ =, vs. anel mæ kee enhee x j i stikpøvestatum n j. aiansen på anelen i et enkelte statum kan estimees ve et mielette skøn ˆ( θ θˆ 9DU ˆ ( ˆ θ = ( I, hvo uvalgsbøken I = ` om skøn ove anel mæ kee θ i populationen anvenes θ ˆ= :b θˆ, hvo statumvæ gten : c = = Et mielet skøn ove vaiansen på estimatet fo populationsgennemsnittet e θˆ( ˆ θ 9DU ˆ( ˆ θ = : 9DU ˆ( θˆ = : ( I = = Et appox. konfiensinteval fo en sane anel θ e θˆ ± X ˆ( ˆ α / 9DU θ Populationstotalen estimees ve [. aiansen på populationstotalen e 9 DU ˆ( [ = 9DU ˆ( [. = / X α / ie af 4
13 p o n m i g f h s k j l n n hi lm n m s q y y x x x Kompenium ove testteoien, imon Reusch, maj WUDWLILFHUHWXGY OJHOHGHWJHHUHOOHWLOI OGH Populationen opeles i M stata. om estimat fo populationsgennemsnittet i et j. statum anvenes stikpøvegennemsnittet [ i = [ = om estimat fo populationsvaiansen i et j. statum anvenes stikpøvevaiansen m = ( [ [ = aiansen på gennemsnittet i et enkelte statum kan estimees ve 9DU ˆ( [ = ( I om skøn ove populationsgennemsnittet ; anvenes [ = :p [p, hvo statumvæ gten : q = = Et mielet skøn ove vaiansen på estimatet fo populationsgennemsnittet e 9DU ˆ( [ = : 9DU ˆ( [ = : ( I = = Et appox. konfiensinteval fo et sane gennemsnit ; e [ ± X α / 9DU ˆ( [ Populationstotalen estimees ve [. aiansen på populationstotalen e 9 DU ˆ( [ = 9DU ˆ( [ 3URRUWLRDODOORNHULJ Bemæ k: Alle fomle heune e fomuleet i et geneelle tilfæ le. Hvis man analysee en binæ vaiabel kan man blot estatte: [ = θˆ og va( [ = va( θˆ. Nå man foetage en statificeet uvæ lgelse, e et natuligvis af inteesse at minimee 9DU (;. En popotional allokeing unytte YDULDWLRHPHOOHPWUDWD til at minske vaiansen på estimatoen. (YDULDWLRHPHOOHPWUDWD bestå i foskellige niveaue af en kontinuet vaiabel elle foskellige anele me et givet kaakteistika hvis vaiablen e binæ. Dvs. at 9DU( ; tvu w t 9DU( ;. Den popotionale allokeing e kenetegnet ve ens uvalgsbøk fo alle stata Fo hvet statum skal sålees uvæ lges y = = : enhee. I = =. ie 3 af 4
14 ˆ { ˆ z ƒ z ƒ z ƒ z ƒ z ƒ z ƒ Kompenium ove testteoien, imon Reusch, maj z %HP UNKHUXGHU9HGDOWHUDWLYYDULDWLRKDYH τ = θ ( θ θ ( θ Bestemmelse af stikpøvestøelse, som tilfesstille et givet U FLLRNUDY: Hvis et e kæ vet at 9DU ([ σ, gæ le at stikpøvestøelsen bestemmes som: minste tal fo hvilket : τ = { σ + =, hvo : τ skøn ove (efo kan man i mangel af bee anvene τ } e populationsvaiansen, som } som estimat fo τ }. Hvis et e kæ vet at et konfiensinteval højest ha been L, kan et unyttes atσ WLPDODOORNHULJ } jo e voes = / X α / Bemæ k: Alle fomle heune e fomuleet i et geneelle tilfæ le. Hvis man analysee en binæ vaiabel kan man blot estatte: [ = θˆ og va( [ = va( θˆ. Givet at vaiansen inenfo statummet e ens fo voes stata, så sike en popotionale allokeing at vaiansen på estimatoen minimees. Men vaiansen inenfo stata e sjæ lent ens, og isse vaiansfoskelle unyttes af en optimale allokeing til at minimee vaiansen på estimatoen i fohol til en popotionale allokeing. Dvs. at 9DU (; ~ 9DU( ; ~v ~ 9DU( ;. ƒ %HP UNKHUXGHU9HGDOWHUDWLYYDULDWLRKDYH τ = θ ( θ θ ( θ Fo hvet statum skal sålees uvæ lges som = : τ : τ enhee, hvo = jo e voes skøn ove (efo kan man i mangel af bee anvene Bestemmelse af stikpøvestøelse, som tilfesstille et givet U FLLRNUDY: Hvis et e kæ vet at 9DU ([ σ, gæ le at stikpøvestøelsen bestemmes som: minste tal fo hvilket : τ =, hvo σ + : τ skøn ove (efo kan man i mangel af bee anvene = τ e populationsvaiansen, som som estimat fo τ. τ e populationsvaiansen, som estimat fo Hvis et e kæ vet at et konfiensinteval højest ha been L, kan et unyttes atσ τ. jo e voes = / X α / ie 4 af 4
Løsninger til kapitel 11. Opgave 11.1 a) I Excel-udskriften ses bl.a. p-værdien for testen med nulhypotesen.
Løsninge til kapitel Opgave. a) I Excel-udskiften ses bl.a. p-vædien fo testen med nulhypotesen. Det ses, at denne p-vædi e på, og da dette e minde end signifikansniveauet på %, så konkludes det, at gennemsnittene
Læs mereAKTUEL ANALYSE. Nye tider på boligmarkedet 24. januar 2007
AKTUEL ANALYSE Nye tie på boligmakeet 24. janua 2007 De høje pisstigningstakte på boligmakeet e løjet af, og meget tale fo en fotsat afæmpning i en kommene ti. Sien boligmakeet vente i 1993, e pisene vokset
Læs mereGÆLDENDE SATSBILAG VEDRØRENDE MARKEDSVÆRDIGRUND- LAGET
GÆLDENDE SATSBILAG VEDRØRENDE MARKEDSVÆRDIGRUND- LAGET Anmeldelse af satsbilag fo opgøelse af livsfosikingshensættelse unde fosikingsklasse I til makedsvædi gældende indtil andet anmeldes. Risikoelemente
Læs mereIndhold (med link til dokumentet her) Introduktion til låntyper. Begreber. Thomas Jensen og Morten Overgård Nielsen
Thomas Jensen og Moten Ovegåd Nielsen Annuitetslån I bogens del 2 kan du læse om Pocent og ente (s. 41-66). Vi vil i mateialet he gå lidt videe til mee kompliceede entebeegninge i fobindelse med annuitetslån.
Læs mereSTATISTIKNOTER Simple multinomialfordelingsmodeller
STATISTIKNOTER Simple multinomialfodelingsmodelle Jøgen Lasen IMFUFA Roskilde Univesitetscente Febua 1999 IMFUFA, Roskilde Univesitetscente, Postboks 260, DK-4000 Roskilde. Jøgen Lasen: STATISTIKNOTER:
Læs mereElektrostatisk energi
Elektomagnetisme ide 1 af 8 Elektostatik Elektostatisk enegi Fo et legeme, de bevæge sig fa et punkt til et andet, e tilvæksten i potentiel enegi høende til en konsevativ 1 kaft F givet ved minus det abejde,
Læs mereKap. 1: Logaritme-, eksponential- og potensfunktioner. Grundlæggende egenskaber.
- 4 - Kap. : Logaitme-, eksponential- og potensfunktione. Gundlæggende egenskabe... Logaitmefunktione. Definition... Ved en logaitmefunktion fostå vi en funktion f, som opfylde følgende te kav: ) Dm(f)
Læs mereRentesregning: Lektion A1. Forrentningsfaktor, Diskonteringsfaktor, og Betalingsrækker. Overordnede spørgsmål i Rentesregning. Peter Ove Christensen
Rentesegning: Lektion A1 Foentningsfakto, Diskonteingsfakto, og Pete Ove Chistensen Foå 2012 1 / 49 Oveodnede spøgsmål i Rentesegning Hvoledes kan betalinge sammenlignes, nå betalingene e tidsmæssigt adskilte?
Læs merePrivatøkonomi og kvotientrækker KLADDE. Thomas Heide-Jørgensen, Rosborg Gymnasium & HF, 2017
Pivatøkonomi og kvotientække KLADDE Thomas Heide-Jøgensen, Rosbog Gymnasium & HF, 2017 Indhold 1 Endelige kvotientække 3 1.1 Hvad e en ække?............................ 3 1.2 Kvotientække..............................
Læs mereMagnetisk dipolmoment
Kvantemekanik 9 Side 1 af 8 Magnetisk dipolmoment Klassisk Ifølge EM udtyk (8.16) e det magnetiske dipolmoment af en ladning q i en cikulæ bane med adius givet ved μ = IA (9.1) v q > 0 μ L hvo A = π og
Læs mereTrivselsundersøgelse 2010
Tivselsundesøgelse, byggeteknike, kot-og landmålingseknike, psteknolog og bygni (Intenatal) Pinsesse Chalottes Gade 8 København N T: Indhold Indledning... Metode... Tivselsanalyse fo bygni... Styke og
Læs mereTredimensional grafik
Teimensionl gfi 6 Ksten Juul Inhol I Homogene oointsæt og gngning f mtie sie Vi vil fose og eje figue i ummet og æne ees støelse Defo inføe vi homogene oointsæt og gngning f mtie II th sie Et olsninge
Læs mereTEORETISK OPGAVE 3. Hvorfor er stjerner så store?
TEORETISK OPGAVE 3 Hvofo e stjene så stoe? En stjene e en kuglefomet samling vam gas De fleste stjene skinne pga fusion af hydogen til helium i dees entale omåde I denne opgave skal vi anvende klassisk
Læs mereMagnetisk dipolmoment
Kvantemekanik 9 Side 1 af 9 Magnetisk dipolmoment Klassisk Ifølge EM udtyk (8.16) e det magnetiske dipolmoment af en ladning q i en cikulæ bane med adius givet ved μ = IA (9.1) v q > 0 μ L hvo A = π I
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π
Læs mereOpsparing og afvikling af gæld
Opspaig og afviklig af gæld Opspaig Eksempel 1 Lad os state med at se på et eksempel. 100 Euo idbetales å i tæk på e koto, de foetes med 3 % p.a. Vi ha tidligee beeget e såda kotos udviklig skidt fo skidt:
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 mereDesignMat Den komplekse eksponentialfunktion og polynomier
DesignMat Den komlekse eksonentialfunktion og olynomie Peben Alsholm Uge 8 Foå 009 Den komlekse eksonentialfunktion. Definitionen Definitionen Den velkendte eksonentialfunktion x! e x vil vi ofte ligesom
Læs mereAgenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede
Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater
Læs mereRetningsbestemt lydgiver
Retningsbestemt lygive Intouktion Ve uenøs musik e et isæ e ybe tone, e høes i sto afstan fa scenen, og et kan væe geneene fo en kunstneiske ufolelse på en naboscene elle fo beboelse i en vis afstan fa
Læs mereModule 12: Mere om variansanalyse
Module 12: Mere om variansanalyse 12.1 Parreded observationer.................. 1 12.2 Faktor med 2 niveauer (0-1 variabel)......... 3 12.3 Tosidig variansanalyse med tilfældig virkning..... 9 12.3.1 Uafhængighedsbetragtninger..........
Læs mereForløb om annuitetslån
Matema10k C-niveau, Fdenlund Side 1 af 7 Foløb om annuitetslån Dette mateiale fokusee på den tpe lån de betegnes annuitetslån. Emnet kan buges som en del af det suppleende stof, og mateialet kan anvendes
Læs mereOmrådeestimator. X x. P θ. ν θ. Θ C(x) En områdeestimator er en afbildning C : X P(Θ). . p.1/30
Områdeestimator X (Ω, F) (X, E) x 01 01 P θ ν θ θ Θ 0000 1111 000000 111111 0000 1111 0000 1111 C(x) En områdeestimator er en afbildning C : X P(Θ).. p.1/30 Konfidensområde En områdestimator C : X P(Θ)
Læs mereStatistiske 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 mereAnnuiteter og indekstal
Annuitete og indekstal 1 Opspaing og lån Mike Auebach Odense 2010 Hvis man betale til en opspaingskonto i en bank, kan man ikke buge entefomlen til at beegne, hvo mange penge, de vil stå på kontoen. På
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logistisk Regression: Definitioner For en binær (0/) variabel Y antager vi P(Y)p P(Y0)-p Eksempel: Bil til arbejde vs alder
Læs mereModule 4: Ensidig variansanalyse
Module 4: Ensidig variansanalyse 4.1 Analyse af én stikprøve................. 1 4.1.1 Estimation.................... 3 4.1.2 Modelkontrol................... 4 4.1.3 Hypotesetest................... 6 4.2
Læs 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 mereVariansanalyse (ANOVA) Repetition, ANOVA Tjek af model antagelser Konfidensintervaller for middelværdierne Tukey s test for parvise sammenligninger
Vaansanalyse (ANOVA) Repetton, ANOVA Tjek af model antagelse Konfdensntevalle fo mddelvædene Tukey s test fo pavse sammenlgnnge ANOVA - defnton ANOVA (ANalyss Of VAance), også kaldet vaansanalyse e en
Læs mereElektrostatisk energi
Elektomagnetisme ide 1 af 8 Elektostatik Elektostatisk enegi Fo et legeme, de bevæge sig fa et punkt til et andet, e tilvæksten i potentiel enegi høende til en konsevativ 1 kaft F givet ved minus det abejde,
Læs mereIndholdsfortegnelse. Matematik A. Projekt 6 - Centralperspektiv. Stine Andersen og Morten Kristensen
HTX Næstved Matematik A 8 2 Indholdsfotegnelse Indholdsfotegnelse... 2 Indledning... 3 Poblemstilling... 4 Teoi... 5 Vektoe i planet... 5 Vektobestemmelse... 5 Vinkel mellem to vektoe... 6 Vektokoodinate...
Læs mereUge 10 Teoretisk Statistik 1. marts 2004
1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt
Læs mereNanostatistik: Konfidensinterval
Nanostatistik: Konfidensinterval JLJ Nanostatistik: Konfidensinterval p. 1/37 Fraktilpåmindelse u p : Φ(u p ) = p, Φ( z ) = 1 Φ( z ) t p [f] : F t[f] (t p [f]) = p, F t[f] ( t ) = 1 F t[f] ( t ) F-fordeling:
Læs mereProjekt 0.5 Euklids algoritme, primtal og primiske tal
Pojekt 0.5 Euklids algoitme, pimtal og pimiske tal Betegnelse. Mængden af hele tal (positive, negative og nul) betegnes. At et tal a e et helt tal angives med: aî, de læses a tilhøe. Nå vi ha to vilkålige
Læs mererekommandation overspændingsafledere til højspændingsnet. Member of DEHN group Udarbejdet af: Ernst Boye Nielsen & Peter Mathiasen,
ekommandation ovespændingsafledee til højspændingsnet Udabejdet af: Enst Boye Nielsen & Pete Mathiasen, DESITEK A/S Denne publikation e en ekommandation fo valg af ovespændingsafledee til højspændingsnet
Læs mereTekni opl nger ent opl nger behør
V GT G NFORMAT ON D mæ m æ æ m m æ mm m M m mæ æ æ mm K E ENDOMSMÆGERENSOP YSN NGT PARTERNE E m mæ m mæ m m N M m mæ m N H m mæ æ m m æ æ æ m m æ m N H V m K U 6 B 8 8 8 A F NANS ER NGSF ORS AG RTPBRT
Læs mereModul 12: Regression og korrelation
Forskningsenheden for Statistik ST01: Elementær Statistik Bent Jørgensen Modul 12: Regression og korrelation 12.1 Sammenligning af to regressionslinier........................ 1 12.1.1 Test for ens hældning............................
Læs mereVer COPYRI GHT For mul aut ser Dansk endomsmægl eni
S p m mæ & U B 9 0L T www m Em m @m CVR 0 7 A Hj j,30l K p 69 S 3163 m 3 36 D 09 7 B 1 m m0 m p æ æ m m m m h10 mh c p - æ m h, m på h j,m mm h 809 m 3 æ m ph m m, æ, h, m, m, m h m æ, p mp, m, æ mh H
Læs mereVI SEJREDE! Vi kom, vi så,
Vi kom, vi så, VI SEJREDE! Pojekt JCI Julehjælp Svendbog Hjælp os med at hjælpe ande 2011 afsluttede indsamlingen til tængte bønefamilie i Svendbog med sto succes! Søndag d. 18. dec. va sidste indsamlingsdag
Læs mereTekni opl nger ent opl nger behør
V GT G NFORMAT ON D mæ m æ æ m m æ mm m M m mæ æ æ mm K E ENDOMSMÆGLERENSOPL YSN NGT LPARTERNE E m mæ m mæ m m N M m mæ m N H m mæ æ m m æ æ æ m m æ m N H F K U B SANDKROGEN NEXØ -BAL KA RUMMEL GTSOMMERHUSTÆTVEDBAL
Læs mereAnnuiteter og indekstal
Annuitete og indekstal Mike Auebach Odense, 2010 1 OPSPARING OG LÅN Hvis man betale til en opspaingskonto i en bank, kan man ikke buge entefomlen til at beegne, hvo mange penge, de vil stå på kontoen.
Læs mereNanostatistik: Test af hypotese
Nanostatistik: Test af hypotese JLJ Nanostatistik: Test af hypotese p. 1/50 Repetition n uafhængige gentagne målinger: Fordelingsundersøgelse: Pindediagram / Histogram qq-plot Parameter: egenskab ved fordeling
Læs mereDen stigende popularitet af de afdragsfrie lån har ad flere omgange fået skylden for de kraftigt stigende boligpriser de senere år.
16. septembe 8 Afdagsfie lån og pisstigninge på boligmakedet Den stigende populaitet af de afdagsfie lån ha ad flee omgange fået skylden fo de kaftigt stigende boligpise de senee å. Set ove en længee peiode
Læs mereSandsynlighedsregning
Mogens Bladt www2.imm.dtu.dk/courses/02405 21. September, 2007 Lidt om binomialkoefficienter n størrelsen af en mængde/population. Vi ønsker at udtage en sub population af størrelse r. To sub populationer
Læs mereTekni opl nger ent opl nger behør
V GT G NFORMAT ON D mæ m æ æ m m æ mm m M m mæ æ æ mm K E ENDOMSMÆGLERENSOPL YSN NGT LPARTERNE E m mæ m mæ m m N M m mæ m N H m mæ æ m m æ æ æ m m æ m N H Ræ K U B 9 6 98 A F NANS ER NGSF ORSL AG A O BRT
Læs mereDielektrisk forskydning
Elektomagnetisme 4 ide 1 af 7 Dielektisk foskydning Betagt Gauss lov anvendt på et dielektikum: Q EndA ˆ =. (4.1) ε De af omsluttede ladninge Q bestå af: Polaisationsladninge, som e opstået ved indbydes
Læs mereNYHED! BESKYTTELSE. Tyvek classic xpert ENESTÅENDE TYPE-5/6 FRA TYVEK CLASSIC TIL... NYTÆNKNING I HVER ENKELT DETALJE
Ny unik teknologi ENESTÅENDE TYPE-5/6 BESKYTTELSE Patentanmeldt FRA TYVEK CLASSIC TIL... Tyvek classic xpet Flee åties ekspetise inden fo dette fagomåde ha gjot Tyvek Classic til et foegangseksempel på
Læs mereLineære normale modeller (3) udkast
E6 efteå 999 Notat 20 Jøgen Lasen 30 novembe 999 Lineæe nomale modelle (3) udkast 44 Tosidet vaiansanalyse Man ha nogle obsevatione y de e aangeet i et tosidet skema: 2 j s y k k=,2,,n 2 y 2k k=,2,,n 2
Læs mereGrundlæggende statistik Lektion 2 Indhold Diskrete fordelinger Binomial fordelingen Poisson fordelingen Hypergeometrisk fordeling Data typer el. typer af tilfældige variable Diskrete variable > Kategoriseres
Læs merePraktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser
Uge 36 Velkommen tilbage Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl. -2 i Kirkesalen, Studiestræde 38 Øvelser Hold -4 og 6: mandag og onsdag kl. 8-; start 3. september Hold 5: tirsdag
Læs mere02402 Vejledende løsninger til Splus-opgaverne fra hele kurset
02402 Vejledende løsninger til Splus-opgaverne fra hele kurset Vejledende løsning SPL3.3.1 Der er tale om en binomialfordeling med n =10ogp=0.6, og den angivne sandsynlighed er P (X =4) som i bogen også
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 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 mereHvis man vil lægge 15% til 600, så kan det gøres ved at udregne, hvor meget 15% af 600 er lig med og lægge det til det oprindelige beløb:
0BRetesegig BTæk i femskivigsfaktoe! I dette tillæg skal vi se, at begebet femskivigsfaktoe e yttigt til at fostå og løse foskellige poblemstillige idefo pocet- og etesegig. 3B. Lægge pocet til elle tække
Læs mereProgram. 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 mereSagsnr : NYSAG. naboer
S p m mæ & U B 9 0L T www m Em m @m CVR 0 7 A P 9,30L K p 80 S 31 m 3 D 0 7 B NYSAG 1 1m j m19m 1p,, c p h j j æ h-! H j mmp hj m åm,h m på j m m mm m I L mm m, h HTHp m å p, ph mp, ( å )m æ,, æ,w m pm3
Læs mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
Læs mereTALTEORI x-klasserne Gammel Hellerup Gymnasium
TALTEORI x-lassene Gammel Helleup Gymnasium Mats 09 ; Michael Szymansi ; mz@ghg. Inholsfotegnelse FORORD... 3 INDLEDNING... 3 Kapitel : DIVISION (hele tal)... 4 Kapitel : RESTKLASSER (hele tal)... 7 Kapitel
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 mereTDC A/S Nørregade 21 0900 København C. Afgørelse om fastsættelse af WACC i forbindelse med omkostningsdokumentation af priserne i TDC s standardtilbud
TC A/S Nøegade 21 0900 København C Afgøelse om fastsættelse af WACC i fobindelse med omkostningsdokumentation af pisene i TC s standadtilbud Sagsfemstilling en 29. juni 2006 modtog TC s notat om den beegningsmæssige
Læs mere170 kvm 2012 Ver COPYRI GHT For mul aut ser Dansk endomsmægl eni
S p m mæ & U B 9 0L T www m Em m @m CVR 7 A S h G j 130,3B K p 99 S 3118 m 08 D 13 09 6 B 170m h 1p F m m, p,m m m å,h HTH mp p, mm m h m p m,ph m æ, æ h på,å å mm F æ m ch,3 æ h mm æ m w æ m chhå mmhp
Læs merePension og Tilbagetrækning - Ikke-parametrisk Estimation af Heterogenitet
Pension og Tilbagetækning - Ikke-paametisk Estimation af Heteogenitet Søen Anbeg De Økonomiske Råds Sekataiat, DØRS Pete Stephensen Danish Rational Economic Agents Model, DREAM DREAM Abedspapi 23:2 foeløbig
Læs mereStatDataN: Test af hypotese
StatDataN: Test af hypotese JLJ StatDataN: Test af hypotese p. 1/69 Repetition n uafhængige gentagne målinger: Fordelingsundersøgelse: Pindediagram / Histogram qq-plot Parameter: egenskab ved fordeling
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 merepraktiske. Der er lavet adskillige undersøgelser at skelne i mellem: ulaboratorieundersøgelser og ufeltundersøgelser.
Betonø ha den støste vandføingskapacitet Et afløbssystems opgave e at lede vand samt uenhede til ensningsanlæg elle ecipient. Evnen til at gøe dette afhænge af systemets hydauliske egenskabe næmee betegnet
Læs mereElektromagnetisme 1 Side 1 af 11 Elektrostatik 1. Elektrisk ladning
Elektomagnetisme 1 Side 1 af 11 Elektostatik 1 Elektisk ladning Stof e opbygget af potone (, neutone ( n og elektone ( og bestå defo p + mestendels af ladede patikle, men langt, langt støstedelen af denne
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte Helle Sørensen Uge 9, onsdag SaSt2 (Uge 9, onsdag) Normalfordelingens venner 1 / 20 Program Resultaterne fra denne uge skal bruges
Læs mereMed disse betegnelser gælder følgende formel for en annuitetsopsparing:
Matema10k C-iveau, Fydelud Side 1 af 10 Auitetsopspaig De fides mage måde at spae op på. Vi vil he se på de såkaldte auitetsopspaig. Emet ka buges som e del af det suppleede stof, og det ka avedes som
Læs mereKvantemekanik 10 Side 1 af 9 Brintatomet I. Sfærisk harmoniske ( ) ( ) ( ) ( )
Kvantemekanik 0 Side af 9 Bintatomet I Sfæisk hamoniske Ifølge udtyk (9.7) e Lˆ Lˆ og de eksistee således et fuldstændigt sæt af = 0 samtidige egenfunktione fo ˆL og L ˆ de som antydet i udtyk (9.8) kan
Læs mereMÅLESTOKSFORHOLD HFB 2012 / 13. Målestoksforhold OP SL AG. Byggecentrum
MÅLESTOKSFORHOLD Målestoksforhold 340 MÅLEENHEDER Måleenheder Omsætning: Gl. dansk mål metermål gl. engelsk mål (= amerikansk mål). Se også: Målesystemer og enheder. Gl. dansk mål Metermål Gl. engelsk
Læs mereLøsninger til kapitel 9
Opgave 9.1 a) test for spredning, ensidet b) test for middelværdi, ensidet c) test for andel, ensidet d) test for to andele, ensidet e) test for spredning, tosidet f) test for middelværdi, ensidet g) test
Læs mereEstimation og konfidensintervaller
Statistik og Sandsynlighedsregning STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Estimation og konfidensintervaller Antag X Bin(n,
Læs mereGalaksen & Teknologien
G & T H m? D K mæ S m S æ U m Fæ æ m H? O m m Pm m E m m U hm D mm Æ m H? M m m Kæm F m Km m m mm Næ h L mm H æ m? M m A - R m N R AI T m æ H m? E W? L?! A & I (U m) H m? Tæ Tæ m F hm D æ Fm S m Em- (
Læs merePC PSI PT JEAN-MARIE MONIER GUILLAUME HABERER CÉCILE LARDON MÉTHODES ET EXERCICES. Mathématiques. méthodes et exercices. 3 e.
PC PSI PT MÉTHODES ET EXERCICES JEAN-MARIE MONIER GUILLAUME HABERER CÉCILE LARDON Mathématiques méthodes et exercices 3 e édition Conception et création de couverture : Atelier 3+ Dunod, 201 5 rue Laromiguière,
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 mereAnvendt Statistik Lektion 8. Multipel Lineær Regression
Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke
Læs mereSHOR S ALGORITME FOR KVANTE FAKTORISERING
SHOR S LGORITME FOR KVTE FKTORISERIG IELS YGRD Det e velkendt at mens det e meget nemt at få en compute til at gange to tal sammen e det meget svæee at gå den anden vej, at få en compute til at faktoisee
Læs mereProgram. 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. 1/12
Program 1. ensidet variansanalyse. 2. forsøgsplanlægning: blocking. 1/12 Ensidet variansanalyse: analyse af grupperede data Nedbrydningsrate for tre typer af opløsningsmidler (opgave 13.8 side 523) Sorption
Læs mere1 Hb SS Hb Sβ Hb SC = , (s = )
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.
Læs mereBeregningsprocedure for de energimæssige forhold for forsatsvinduer
Beeninspocedue fo de eneimæssie fohold fo fosatsvindue Nævæende dokument beskive en pocedue til bestemmelse, af de eneimæssie fohold fo fosatsvindue. Det skal notees, at beeninen e baseet på en foeløbi
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 / 43 Indledning Sammenligning af middelværdien i to grupper indenfor en stikprøve kan
Læs mereBinomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.
Uge 9 Teoretisk Statistik 23. februar 24 1. Binomialfordelingen 2. Den hypergeometriske fordeling 3. Poissonfordelingen 4. Den negative binomialfordeling 5. Gammafordelingen Binomialfordelingen X ~ bin(n,p):
Læs mereForslag til tillæg 11 til Spildevandsplan for Silkeborg Kommune
F æ pp - f u f, pup pæ f N H T f æ f H æ f INDHOLDFOTGNL. INDLDNING.... LNLÆGNINGFOHOLD.... pæ.... ppæ..... pp -..... F f.... LOFOHOLD.... p- fæy.... y.... MILØMÆIG ONN.... ØONOMI FOHOLD.... TIDLN....
Læs mereJanuar2003/ AM Rentesregning - LÅN & OPSPARING 1/8. Aftager med...% Gange med (1...%) r:=...% Før aftager med...% og bliver til Efter, dvs.
Jaua2003/ AM Retesegig - LÅN & OPSPARING 1/8 PROCENT Po cet betyde p. 100" altså hudededele p% = p 100 Decimaltal Ved omskivig fa pocet til decimaltal flyttes kommaet to pladse mod veste 5%=0,05 0,1%=0,001
Læs mereOverheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.
Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.
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 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 mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne 7. undervisningsuge, mandag 1 Estimation og konfidensintervaller
Læs mereKapitel 12 Variansanalyse
Kapitel 12 Variansanalyse Peter Tibert Stoltze stat@peterstoltzedk Elementær statistik F2011 Version 7 april 2011 1 Indledning 2 Ensidet variansanalyse 3 Blokforsøg 4 Vekselvirkning 1 Indledning 2 Ensidet
Læs mereGrafik & billedebehandling PhotoShop
Gafik & billeebehanling PhotoShop Gafik & Billeebehanling Gunfoløbspojekt Pogamvalg Logoet e femstillet i Illustato og e vecto gafik. Selve billemateialet e beabejet i Photoshop (bitmap) Femgangsmåe fo
Læs mereProcent og eksponentiel vækst - supplerende eksempler
Eksemple til iveau F, E og D Pocet og ekspoetiel vækst - suppleede eksemple Pocete og decimaltal... b Vækst-fomle... d Fa side f og femefte vises eksemple på bug af vækstfomle. Fomle skives omalt på dee
Læs mereLandmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8
Landmålingens fejlteori Repetition - Fordeling af slutfejl Lektion 8 - tvede@math.aau.dk http://www.math.aau.dk/ tvede/teaching/l4 Institut for Matematiske Fag Aalborg Universitet 15. maj 2008 1/13 Fordeling
Læs mereHuseftersynsordningen plus, minus ti år -
Huseftersynsordningen plus, minus ti år - ! # # # % & # ( ( #! # ) # ( & # # # # +! #!# %, # # #! %.# / # # 0#( # # # # # # %, # # # 1 # # % 2 # & # # 0#( # # # # # 2 # #! 2 ( # # 3 ( & # # # (#! #, #
Læs mereOpgave 1: Regressionsanalyse
Opgave : Regressiosaalyse La u, x,..., u, x være par af reelle al. Vi skal u besemme e ree liie, er passer bes me isse alpar i e forsa a summe x s α βu s miimeres. Ma fier alså e liie, x ˆα + ˆβu, for
Læs mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs mere.0210005627C. Tegl. DongEner Nej
V GT G NFORMAT ON D mæ m æ æ m m æ mm m M m mæ æ æ mm K E ENDOMSMÆGLERENSOPL YSN NGT LPARTERNE E m mæ m mæ m m N M m mæ m N H m mæ æ m m æ æ æ m m æ m N H F K U B A F NANS ER NGSF ORSL AG RTPLBRT NT 8
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 mereEnergitæthed i et elektrostatisk felt
Elektromagnetisme 6 ie af 5 Elektrostatisk energi Energitæthe i et ektrostatisk ft I utryk (5.0) er en ektrostatiske energi E af en laningsforing utrykt ve ennes laningstæthe ρ, σ og tilhørene ektrostatiske
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 mereHvad er danskernes gennemsnitshøjde? N = 10. X 1 = 169 cm. X 2 = 183 cm. X 3 = 171 cm. X 4 = 113 cm. X 5 = 174 cm
Kon densintervaller og vurdering af estimaters usikkerhed Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Marts 18, 2019 Slides @ biostatistics.dk/talks/ 1 Population og stikprøve 2 Stikprøvevariation
Læs mere