Matematik/Statistik. statistik. Forelæser og ansvarlig for kursets statistikdel: Peter Sunde Afd. f. Populationsbiologi

Transkript

1 Matematik/Statistik statistik Forelæser og ansvarlig for kursets statistikdel: Peter Sunde Afd. f. Populationsbiologi M1, slide 1 Dagens prædiken: Introduktion til kurset Praktiske oplysninger Hvad vedkommer statistik os biologer! Hvad vi vil ha, at I skal ha ud af dette kursus Statistiske grundbegreber Hvad går statistik ud på? Observationer, stikprøver og populationer Stokastiske variable Mål for central tendens Mål for spredning M1, slide (Introduktion til kurset: praktiske oplysninger) 1

2 Matematik/Statistik Bio-statistik Matematik for biologer Populationsbiologi M1, slide 3 (Introduktion til kurset: praktiske oplysninger) Statistik 5-9 dobbeltforelæsninger (uge -) ugentlige øvelsestimer (sammen med matematik) Eksamen 7. januar timers skriftligt prøve Statistikdel og matematikdel vægtes lige Bestået, hvis >5% rigtigt M1, slide (Introduktion til kurset: praktiske oplysninger)

3 Kursusmateriale: Fowler et al Practical statistics for field biology. Lærebog: pensum. Kompendium og opgaver i biostatistik 8 kr M1, slide 5 (Introduktion til kurset: praktiske oplysninger) Statistik: Kursus-hjemmeside: Vælg menuerne: Courses Course homepages Undergraduate courses Blok - Matematik/Statistik Login to protected documents, Username: biologi, Password:biku --Start her.htm Kursusinformation og Downloads: Forelæsnings-slides Løsninger til regneopgaver Regneark med automatiserede statistikfunktioner M1, slide (Introduktion til kurset: praktiske oplysninger) 3

4 1 3 Vejledende forelæsningsplan Introduktion til kurset. Statistiske grundbegreber. Sandsynlighedsfordelinger for diskrete variable på nominalskala: Binomialfordelingen, Poisson-fordelingen. (1-5) Principper for hypotese-testning. Statistiske test for data på nominalskala: Binomialtestet, χ -tests. Fordelingsmønstre af tælledata. (-7, 3-1) 5 Sandsynlighedsfordelinger for data på interval- og ratioskala: normalfordeling, t-fordeling, F-fordeling, sikkerhedsgrænser for middelværdi og forskel i middelværdi. (7-) Tests for forskel i central tendens for data på ordinal- og interval/ratioskala: t-tests for afhængige of uafhængige stikprøver, Mann-Whitney U-test, Kruskall-Wallis test, Wilcoon s test, Friedman s test. (15-178) 7 Korrelation og regression: Covarians, Pearson s r, Spearman s r s, Lineær regression. (131-15) 8 Regression fortsat. Introduktion til variansanalyse og generelle lineære modeller, samt brug af statistisk software. ( , ) 9 Opsamling M1, slide 7 (Introduktion til kurset: praktiske oplysninger) Uge Statistik-forelæsninger * Relevante opgaver i øvelseskompendium Statistik i forbindelse med populationsøvelser (1 + ) Introduktion til kurset Statistiske grundbegreber. Sandsynlighedsfordelinger for diskrete stokastiske variable på nominalskala: Binomialfordelingen, Poisson-fordelingen. (1-5) 7 (3+) Principper for hypotese-testning. Statistiske test for data på nominalskala: Binomialtestet, χ -tests. Fordelingsmønstre af tælledata (-7, 3-1) 8 (5) Sandsynlighedsfordelinger for data på interval- og ratioskala: normalfordeling, t- fordeling, F-fordeling, sikkerhedsgrænser for middelværdi og forskel i middelværdi (7-) 9 () Tests for forskel i central tendens for data på ordinal, interval og ratioskala: t- tests, Mann-Whitney U-test, Kruskall- Wallis test, Wilcoon s test, Friedman s test (15-178) Sæt 1: 1 Sæt : 1 5 Sæt 3: 1 (også uge 7) Sæt 3: 1 (også uge ) Sæt 5: 1 5 Sæt : 1 Sæt : 1 5 (ingen) Livstabel: Binomialfordeling, binomialtest, χ one sample test Biologisk bekæmpelse: Mann- Whitney, Wilcoon, t-statistik Funktionelt respons: Spearman s r s, lineær regression Signalering: Mann-Whitney, Wilcoon, Spearman s r s 5 (7) Korrelation og regression: Covarians, Pearson s r, Spearman s r s, Lineær regression (131-15) 1 (8) Regression fortsat. Introduktion til variansanalyse og generelle lineære modeller, samt brug af statistisk software ( , ) Sæt 7: 1 3 Frøbank: χ (r c table), Wilcoon, fordelingsmønstre Populationsvækst: Mann- Whitney, Wilcoon, t-statistik Sæt 8: 1 Aldersstruktur: t-statistik, χ -statistik Dominans: Kruskall-Wallis, χ - statistik (9) Opsamling Eksempler på eksamensopgaver (ingen) M1, slide 8 (Introduktion til kurset) * Sidehenvisninger til lærebogen (Fowler et al. 1998) er angivet med rød tekst.

5 Introduktion til kurset Praktiske oplysninger Hvad vedkommer statistik os biologer! Hvad vi vil ha, at I skal ha ud af dette kursus M1, slide 9 (Introduktion til kurset: Hvad vedkommer statistik biologer?) Hvad vedkommer statistik egentlig os biologer? Statistisk analyse er en del af den (natur)videnskabelige metode! Statistik vil indgå i din professionelle hverdag! M1, slide (Introduktion til kurset: Hvad vedkommer statistik biologer?) 5

6 Statistisk analyse er en del af den naturvidenskabelige metode Data Statistisk analyse Kvantitativt resultat Biologisk tolkning Biologisk funderet konklusion M1, slide 11 (Introduktion til kurset: Hvad vedkommer statistik biologer?) = Varen DU skal levere Statistisk analyse er en del af den naturvidenskabelige metode Data Sampling design Statistisk analyse stærkest mulige metode Kvantitativt resultat Biologisk tolkning (Estimat af virkeligheden) Biologiske kompetence Biologisk funderet konklusion = Varen DU skal levere M1, slide 1 (Introduktion til kurset: Hvad vedkommer statistik biologer?)

7 Brugen af statistik bare stiger og stiger.. M1, slide 13 (Introduktion til kurset: Hvad vedkommer statistik biologer?) Forstår du denne tekst? Der var 7 hanner og 3 hunner i koloni A (7% hanner; 95% CI: 5-73%). I koloni B var det tilsvarende antal 3 og 1 (% hanner, 95% CI: 9-7%). Der var ingen signifikant forskel på fordelingen af hanner og hunner i de to kolonier (X [Yate s korrektion] =.5, df=1, P>.9). I de to kolonier tilsammen, var der signifikant flere hanner end hunner (binomial test (twotailed): P=.). M1, slide 1 (Introduktion til kurset: Hvad vedkommer statistik biologer?) 7

8 Formålsbeskrivelse: Undervisningen skal introducere de studerende til statistikkens grundbegreber og metoder, primært gennem konkrete eksempler på statistikkens anvendelse i forbindelse med biologiske problemstillinger. Der vil blive lagt vægt på, at den studerende med udgangspunkt i en konkret biologisk problemstilling kan opstille hypoteser, vælge signifikansniveau, vælge en statistisk test, der udnytter data optimalt, udføre beregningerne korrekt og til slut drage den rigtige konklusion baseret på de opstillede hypoteser og det valgte signifikansniveau. I løbet af kurset vil den studerende stifte bekendtskab med de mest anvendte statistiske fordelinger samt en række parametriske og parameterfrie tests. Endelig vil den studerende blive introduceret til statistisk software. M1, slide 1 (Introduktion til kurset: Hvad du skal lære på dette kursus) Hvad vi vil ha, at I skal ha ud af dette kursus Forståelse af statistikkens grundprincipper og underlæggende teori Basale færdigheder i brug af simpel statistik til behandling af egne data. En grundlæggende viden, som sætter jer i stand til på egen hånd, at opsøge mere viden.. M1, slide 17 (Introduktion til kurset: Hvad du skal lære på dette kursus) 8

9 Grib chancen! M1, slide 18 (Introduktion til kurset) Statistiske grundbegreber Hvad går statistik ud på? Observationer, stikprøver og populationer Stokastiske variable Mål for central tendens Mål for spredning M1, slide 19 (Statistiske grundbegreber) 9

10 Hvad er statistik? Én definition: There are three kinds of lies: lies, damned lies, and statistics Benjamin Disraeli, Britisk Premierminister M1, slide (Statistiske grundbegreber: Hvad går statistik ud på?) Hvad er statistik? En anden definition: Statistik: Det videnskabelige studie af data, som beskriver naturlig variation Videnskab: Objektiv, standardiseret metode Data: Kvantitative mængder af information, ikke enkeltobservationer Naturlig variation: Variation, som kan henføres til alle de begivenheder, der ikke er under undersøgerens direkte kontrol M1, slide 1 (Statistiske grundbegreber: Hvad går statistik ud på?)

11 Hvad er statistik? -En tredje definition: ved på basis af sandsynlighedsteori, at generalisere en kvantitativt udtrykt viden fra et begrænset antal observationer til en større helhed. (Kvantitativt = kan angives i talstørrelser) frekvens ( f ) M1, slide (Statistiske grundbegreber: Hvad går statistik ud på?) Forventet hyppig hed (p ) Hvad er statistik? - ved på basis af sandsynlighedsteori, at generalisere en kvantitativt udtrykt viden fra et begrænset antal observationer til en større helhed. Vægtfordeling af 8 kongepingviner vægtfordeling af alle kongepingviner frekvens ( f ) 8 Stikprøve population M1, slide 3 (Statistiske grundbegreber: Hvad går statistik ud på?) Forventet hyppig hed (p ).3. 11

12 frekvens ( f ) 8 Hvad bruger vi statistik til? - Ud fra stikprøvens sammensætning, kan vi estimere populationens sande sammensætning, som vi ikke kender. - Et estimat er derfor behæftet med statistisk usikkerhed - Statistisk teori sætter os i stand til at angive størrelsen af denne usikkerhed. Stikprøve population M1, slide (Statistiske grundbegreber: Hvad går statistik ud på?) Forventet hyppig hed (p ).3..1 Hovedanvendelser af statistik Induktiv/deskriptiv/beskrivende statistik: Angivelse af sikkerhedsgrænser omkring estimater af de sande underlæggende fordelinger Deduktiv (hypotese-testende) statistik: Test for om en observeret forskel er reel, ud fra sandsynligheden for at den kan tilskrives tilfældig variation A) Forskelle mellem grupper B) Sammenhænge mellem variable M1, slide 5 (Statistiske grundbegreber: Hvad går statistik ud på?) 1

13 Deskriptiv statistik Udgangspunktet for alle analyser: Hvordan ser mønsteret ud? - Hvad er de to stikprøvers estimerede middelværdier, og hvor stor er usikkerheden omkring de to estimater? M1, slide (Statistiske grundbegreber: Hvad går statistik ud på?) Værdi af variabel Deduktiv statistik, Hypotese-testning: Tester om en observeret forskel (eller sammenhæng) er reel. - Hvad er sandsynligheden for at den observerede forskel i gennemsnit skyldes tilfældigheder? Herom, meget mere senere... M1, slide 7 (Statistiske grundbegreber: Hvad går statistik ud på?) Værdi af variabel7 13

14 Datagrundlag/forsøgsdesign: Eksperimentelle data: Uafhængige variable kontrolleret af forsøgsleder F.eks. Kliniske forsøg: forsøgspersoner modtager forskellig behandling bestemt ved lodtrækning Korrelative data Uafhængige variable ikke underlagt forsøgsleders kontrol. F.eks. Epidemiologiske undersøgelser: dødelighed blandt rygere og ikke-rygere i en befolkning M1, slide 8 (Statistiske grundbegreber: Hvad går statistik ud på?) Eksempel på korrelative data: Fødselshyppighed og antal storkepar i Danmark, Fødsler per inb Antal storkepar M1, slide 9 (Statistiske grundbegreber: Hvad går statistik ud på?) 1

15 Fødsler per inb. Eksempel CORRELATION på korrelative IS NOT data: CAUSATION Fødselshyppighed og antal storkepar i Danmark, 189- En statistisk påviselig sammenhæng siger kun, at der er en sammenhæng. Ikke hvad den skyldes! Antal storkepar Statistisk funderede konklusioner er sårbare over for mistolkninger (eller manipulation..). Vær altid kritisk! M1, slide 3 (Statistiske grundbegreber: Hvad går statistik ud på?) Statistiske grundbegreber Hvad går statistik ud på? Observationer, stikprøver og populationer Stokastiske variable Mål for central tendens Mål for spredning M1, slide 31 (Statistiske grundbegreber: Observationer, stikprøver og populationer) 15

16 Stikprøve population M1, slide 3 (Statistiske grundbegreber: Observationer, stikprøver og populationer) Enkeltobservation: én pingvin Stikprøve: n pingviner i kolonien Statistisk population: alle pingviner i kolonien Biologisk population: alle kongepingviner, som har unger i februar måned (?) M1, slide 33 (Statistiske grundbegreber: Observationer, stikprøver og populationer) 1

17 Universelle krav til stikprøvetagning ( sampling )! Stikprøven skal være et tilfældigt udtræk af den statistiske population (repræsentativ)! Hvis stikprøven ikke er repræsentativ, er undersøgelsen biased. De enkelte observationer skal være indbyrdes uafhængige! M1, slide 3 (Statistiske grundbegreber: Observationer, stikprøver og populationer) Statistiske grundbegreber Hvad går statistik ud på? Observationer, stikprøver og populationer Stokastiske variable Mål for central tendens Mål for spredning M1, slide 35 (Statistiske grundbegreber: Stokastiske variable) 17

18 Variable Variabel: Hvad som helst, som varierer mellem observationer Stokastisk variabel: En variabel, hvis udfald/værdi vi på forhånd ikke kender. Udfaldsrum: Det sæt værdier en stokastisk variabel kan antage. M1, slide 3 (Statistiske grundbegreber: Stokastiske variable) Eksempler på variable Observation: Variabel: Udfaldsrum: Pingvin køn {, } Pingvin Længde (cm) [, ] Pingvin PCB indhold (ppm) [, ] Pingvinkoloni Antal Pingviner {, 1,.. } M1, slide 37 (Statistiske grundbegreber: Stokastiske variable) 18

19 Måleskalaer for variable: Nominal-skala ( klassifikations-skala ) {, },{rød, blå}, {konge-, kejserpingvin} Ordinal-skala ( rang-skala ) {pulli, juvenil, subadult, adult} Interval-skala Temperatur i C Ratio-skala Højde, masse, antal M1, slide 38 (Statistiske grundbegreber: Stokastiske variable) Matematiske operatorer: Nominal-skala = Ordinal-skala = > < Interval-skala = > < - + Ratio-skala = > < - + X /. M1, slide 39 (Statistiske grundbegreber: Stokastiske variable) 19

20 Diskrete og kontinuerte variable Diskrete variable discrete, discintinuous, meristic : Kan kun antage diskrete værdier Kontinuerte variable continuous : Kan antage alle værdier indenfor et givet udfaldsrum M1, slide (Statistiske grundbegreber: Stokastiske variable) Diskrete og kontinuerte variable Diskrete variable Antal pingviner i en koloni, X = {,1,... } Køn, X = {, } Kontinuerte variable Længde, X ], [ M1, slide 1 (Statistiske grundbegreber: Stokastiske variable)

21 Grafisk fremstilling Diskrete variable Unger Hunner Pindediagram( bar graphs ) Lagkagediagram (nominalskala) Hanner Antal observationer Antal reder Hanner Hunner Unger Gruppe Kontinuerte variable Histogram (interval-,ratioskala) Antal pingviner, f() Kuldstørrelse M1, slide (Statistiske grundbegreber: Stokastiske variable) Højde (cm ) Statistiske grundbegreber Hvad går statistik ud på? Observationer, stikprøver og populationer Stokastiske variable Mål for fordelingers centrale tendens Mål for fordelingers spredning M1, slide 3 (Statistiske grundbegreber: Mål for fordelingers centrale tendens 1

22 Forskellige mål for fordelingers centrale tendens Middelværdi/gennemsnit Median Modus M1, slide (Statistiske grundbegreber: Mål for fordelingers centrale tendens Middelværdi og gennemsnit (data på interval eller ratioskala) Middelværdien: mean µ = i N Gennemsnittet (estimat af middelværdi): sample mean average = µˆ = i n (Forskellige notationer betyder det samme) n i i i=1 = = n n n M1, slide 5 (Statistiske grundbegreber: Mål for fordelingers centrale tendens

23 = µˆ = i n H Eksempel på beregning af gennemsnit: i = {1,, 5, 51} Σ i = = 11 n = = Σ i /n =11/ = 35,5 35,3 M1, slide (Statistiske grundbegreber: Mål for fordelingers centrale tendens Gennemsnit af grupperede data f(), (Antal reder) f i = µˆ = n Kuldstørrelse f f* Σ f = n = 19 Σ i f i = 1 = Σ i f i / Σ f = 1 /19 =, M1, slide 7 (Statistiske grundbegreber: Mål for fordelingers centrale tendens 3

24 Medianen (data skal være på mindst ordinalskala) Den værdi som deler en frekvensfordeling i to lige store dele = 5% fraktil f(), (Antal reder med æg) : Kuldstørrelse M1, slide 8 (Statistiske grundbegreber: Mål for fordelingers centrale tendens Beregning af median når antallet af observationer (n) er ulige: Median= værdien af den (n + 1)/ te observation (19+1)/ = ende observation, Median = f(), (Antal reder med æg) : Kuldstørrelse M1, slide 9 (Statistiske grundbegreber: Mål for fordelingers centrale tendens f F

25 Beregning af median for en fordeling med et lige antal observationer To metoder: 1) Median = gennemsnittet af værdierne for den n/ te og den (n/+1) te observation: (interval-/ratioskala) eller ) Medianværdien ligger mellem værdien af den n/ te og den (n/+1) te observation. (ordinalskala) Find medianen for denne fordeling ( observationer): 1, 31, 3, 7 1) n/ = / = ; værdi af. observation = 31, (n/+1 = / + 1 = 3, værdi af 3. observation = 3 Median = (31 + 3)/ = 3.5 ) Medianen ligger i mellem 31 og 3 M1, slide 5 (Statistiske grundbegreber: Mål for fordelingers centrale tendens Modus Værdien af de(t) mest almindelige udfald f(), antal reder , kuldstørrelse Fordelinger med et, to eller tre toppunkter, kaldes henholdsvist uni-, bi og tri-modale M1, slide 51 (Statistiske grundbegreber: Mål for fordelingers centrale tendens 5

26 Tre måder at vægte central tendens for den typiske kuldstørrelse Gennemsnit = = 1/19 =, Median = 5 Modus = {;3} f(), antal reder , kuldstørrelse M1, slide 5 (Statistiske grundbegreber: Mål for fordelingers centrale tendens Statistiske grundbegreber Hvad går statistik ud på? Observationer, stikprøver og populationer Stokastiske variable Mål for fordelingers centrale tendens Mål for fordelingers spredning M1, slide 53 (Statistiske grundbegreber: Mål for fordelingers spredning

27 Tre fordelinger med samme gennemsnit, men forskellig spredning frekvens (f) = 31 n = 3 frekvens (f) frekvens (f) M1, slide 5 (Statistiske grundbegreber: Mål for fordelingers spredning Forskellige mål for, hvor stor forskel der er i værdier inden for en fordeling: Range, Fraktiler (mindst ordinalskala) Varians, standardafvigelse (interval/ratioskala) Variationskoefficient (kun ratioskala) frekvens (f) M1, slide 55 (Statistiske grundbegreber: Mål for fordelingers spredning 7

28 Range ( spændvidde ) Difference mellem den største og den lavest målte værdi Højeste værdi = 5, Laveste værdi =, Range = 5- = 5 f(), antal reder , kuldstørrelse M1, slide 5 (Statistiske grundbegreber: Mål for fordelingers spredning Fraktiler/procentiler ( Fractiles / Percentiles ) Angiver værdier, som afgrænser de mest ekstreme haler af fordelingen. I modsætning til range robuste over for variation i stikprøvestørrelse frekvens (f) M1, slide 57 (Statistiske grundbegreber: Mål for fordelingers spredning 8

29 F(), antal duehøge per interval 137 duehøgehunner dræbt i kollisionsulykker 3 Fraktiler/procentiler 5% fraktil (= medianen) Fractiles,/ Percentiles 95% Robuste over for variation i 5% stikprøvestørrelse fraktil weight (g) fraktil (kropsvægt, målt i gram) M1, slide 58 (Statistiske grundbegreber: Mål for fordelingers spredning Hvis stikprøven H havde været mindre De 137 hunner: 137 duehøgehunner dræbt i kollisionsulykker 3 af de 137 hunner: Sub-sample af hunner: weight (g) weight (g) M1, slide 59 (Statistiske grundbegreber: Mål for fordelingers spredning 9

30 Range, men ikke fraktilværdier, følsomme over for variation i stikprøvens størrelse H n = 137 n = n = n = Gennemsnit median Minimum Maksimum Difference: % procentil % procentil Difference: M1, slide (Statistiske grundbegreber: Mål for fordelingers spredning Afvigelsen fra gennemsnittet Deviation from the mean, deviate : D = i M1, slide 1 (Statistiske grundbegreber: Mål for fordelingers spredning 3

31 Den kvadrerede afvigelse fra gennemsnittet: Squared deviation from the mean Sum of squares, SS Kvadratsummen Mean square, MS Variansen Total-optælling: ( i µ) ( i µ) σ = i ( µ) N Stikprøve: ( i ) ( i ) s ( i ) = n 1 Standard deviation, Standard afvigelsen σ = i ( µ) N ( i ) s = n 1 M1, slide (Statistiske grundbegreber: Mål for fordelingers spredning Sum-of-squares : Sum of squares of the deviations, Sum of squares, SS, Kvadrat-summen SS c = ( i ) ( ) i SS = ( i ) n - En nøgleparameter i parametrisk statistik! (mere herom senere...) M1, slide 3 (Statistiske grundbegreber: Mål for fordelingers spredning 31

32 Frihedsgrader (ν)... Degrees of freedom, DF, ν DF = antal observationer (n) antal estimerede parametre. Hver populationsparameter, som estimeres ud fra en stikprøve spiser en informationsmængde svarende til 1 observation! M1, slide (Statistiske grundbegreber: Mål for fordelingers spredning Frihedsgrader (ν)... Et lomme-eksempel: X={13, 1, 15, 18} Da de aritmetiske afvigelser fra gennemsnittet summerer op til, vil den sidste (n te) observations afvigelse være defineret ud fra de foregående observationer! s ( i ) = n 1 i i -gnst Σ = n = gnst.= 15 M1, slide 5 (Statistiske grundbegreber: Mål for fordelingers spredning 3

33 Variationskoefficienten coefficient of variation, CV CV = s Angiver den relative variation, standardiseret i forhold til gennemsnittet. Da CV angiver et relativt forhold (er en ratio), skal data være på ratioskala M1, slide (Statistiske grundbegreber: Mål for fordelingers spredning Variationskoefficient Eksempel: længde af lårbensknogler hos to gnavere: CV = s Markmus: Bæver: Gnst. = SD =.8. CV =..7 M1, slide 7 (Statistiske grundbegreber: Mål for fordelingers spredning 33

34 frekvens (f) 8 = 31, n = S = 1,93 S = 1,38 CV =,5% frekvens (f) S = 5, S =,9 CV = 7,% frekvens (f) S =,8 S =,51 CV = 8,1% M1, slide 8 (Statistiske grundbegreber: Mål for fordelingers spredning Tjekliste, Modul 1 (uge ): Hvad er statistik? Observationsenhed, stikprøve, population Repræsentativitet, uafhængighed af observationer Stokastisk variabel, udfaldsrum Nominal-, ordinal-, interval- og ratioskala Diskrete eller kontinuerte variable Pindediagram, histogram Afledt variabel Induktiv (deskriptiv) og deduktiv (hypotesetestende) statistik middelværdi, gennemsnit, median, modus, fraktil varians, standardafvigelse, variationscoefficient kvadratsum ( Sum-of-squares, SS ) frihedsgrader M1, slide 9 (Statistiske grundbegreber: Tjekliste 3