Hypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
|
|
- Kaare Jessen
- 8 år siden
- Visninger:
Transkript
1 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 værdi 0 H 0 : 0 Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
2 Teststørrelse (eng.: test statistic): en stokastisk variabel Z, som måler hvor dårligt H 0 passer med data (evt. regnet med fortegn). Normalt benytter vi Z 0 SE Kritisk område K: Værdier af Z som understøtter H a. Acceptområde A K: Værdier af Z som understøtter H 0. Signifikansniveau, defineret ved P H0 Z K. Ofte vælges K så 0. 01, eller Tabelopslag: Ofte slås op i N(0,1) eller t n 1, svarende til fordelingen for Z under H 0.
3 Testens konklusion: Hvis den observerede værdi af Z ligger i A vil vi acceptere H 0. Vi siger at testen ikke viser signifikans. Hvis den observerede værdi af Z ligger i K vil vi forkaste H 0. Vi siger at testen viser signifikans. Sprogbrug:Er signifikant forskellig fra 0 på niveau? Filosofi: H 0 er under anklage, men tvivl kommer H 0 til gode. H 0 dømmes kun hvis beviserne er stærke (signifikans).
4 Test for når 2 er kendt Eksempel Benzinforbrug for bil Benzinforbruget (i km/l) ved 20 uafhængige kørsler med bilen: x 1 x 2 x 3 x 19 x Gennemsnit: x Det vides at Bilforhandlerens påstand: bilen kører 19 km/liter. Vi opstiller hypotesen: H 0 : 19, hvor er bilens gennemsnitlige benzinforbrug i km/liter. Tror vi på bilforhandleren? Kan vi acceptere H 0? Lav en test.
5 Statistisk model: Antag at X 1, X 2,,X n er uafhængige og X i N, 2 for alle i 1,, n. Det antages kendt, at Parameter med estimat x. Nulhypotese: H 0 : 19. Bilforhandlerens påstand om tingens tilstand. Alternativ hypotese H a : 19 Det som gælder, hvis bilforhandleren tager fejl. Teststørrelse:medSE / n fås Z X 19 /SE med observeret værdi z / Kritisk område K: De værdier af z hvor z z crit.bådestore
6 positive og store negtive værdier er kritiske (tosidet test). Acceptområde A: De værdier af z hvor z z crit. Signifikansniveau, defineret ved P H0 Z z crit. Vi vælger og finder den tilsvarende værdi af z crit. Tabelopslag: Da fordelingen for Z under H 0 er N 0,1 slår vi op i normalfordelingstabellen. Med fås z crit Konklusion:Da z z crit må vi forkaste H 0. Vi konkluderer derfor at bilforhandleren ikke har ret.
7 Test for når 2 er ukendt Statistisk model: Antag at X 1, X 2,,X n er uafhængige og X i N, 2 for alle i 1,, n. Parameter med estimat x. Empirisk varians s 2. Nulhypotese: H 0 : 0 Alternative hypotese: H a : 0 Teststørrelse:medSE s/ n bruges og dermed t x 0 SE T X 0 S/ n. Kritisk område K: de værdier af t hvor t t crit. Acceptområde A: de værdier af t hvor t t crit.
8 Signifikansniveau, defineret ved P H0 T t crit. Tabelopslag: Da fordelingen for T under H 0 er t n 1 slår vi op i t-tabellen. t crit t /2 n 1 Testens konklusion: Hvis den observerede værdi af T ligger i A vil vi acceptere H 0. Hvis den observerede værdi af T ligger i K vil vi forkaste H 0
9 Eksempel (fortsat) Benzinforbrug for bil Benzinforbruget (i km/l) ved n 20 uafhængige kørsler. Model: X i N, 2 uafhængige. Nulhypotese og alternativ hypotese: H 0 : 19 mod H a : 19. Teststørrelse: T X 19 t S/ 20
10 Gennemsnit og varians: x og s Observeret teststørrelse: t /20 Kritisk område K: de værdier af t hvor t t crit. Acceptområde A: de værdier af t hvor t t crit. Signifikansniveau, P H0 T t crit. Vi vælger Tabelopslag: Da fordelingen for T under H 0 er t n 1 slår vi op i t-tabellen t crit t
11 Konklusion:Da t er mindre end t crit vil vi acceptere H 0. Vi kan altså ikke afvise forhandlerens påstand. Hvorfor når vi til den modsatte konklusion som før: 1. Vores kendte værdi viste sig at være for optimistisk. 2. Når 2 er ukendt har vi mindre information om end hvis 2 er kendt, hvilket gør signifikansen mindre.
12 Eksempel Karakterer for 11 studerende Model: X i N, 2 uafhængige. Vi ønsker at teste H 0 : 50 mod H a : 50. Vi har n 11 og Teststørrelse: x , s t x 0 s 2 /n /
13 Tabelopslag t Da t er mindre end t accepterer vi H 0. Vi kan ikke afvise, at den gennemsnitlige karakter er 50.
14 Test for variansen 2 Model: X 1,, X n uafhængige N, 2, hvor både og 2 er ukendte. Data: x 1,, x n, svarende til X 1,, X n. Parameter 2 med estimat 2 s 2 (empirisk varians). Nulhypotese: H 0 : Alternative hypotese: H a : Teststørrelse: U n S 2 H 0 2 n 1, som er en 2 -fordeling med n 1 frihedsgrader. Kritisk område K: de værdier af u hvor u /2 eller u 1 /2 Acceptområde A: de værdier af u hvor 1 /2 u /2 Signifikansniveau,
15 P H0 U 1 /2 P H0 U /2. Vi vælger Tabelopslag: Vi finder /2 og 1 /2 i tabel D.6 under n 1 frihedsgrader. Testens konklusion: Hvis den observerede værdi af U ligger i A vil vi acceptere H 0 Hvis den observerede værdi af U ligger i K vil vi forkaste H 0
16 Test for sandsynligheden p Antagelse: Antag at X er binomialfordelt: X b n,p. Estimat for p: Estimator for p: p x n. X X n. Den centrale grænseværdisætning giver X N np, np 1 p. Kræver np 1 p 5
17 For estimatoren gælder X n N p, p 1 p n Standard error for p er derfor Test for H 0 : p p 0 baseres på SE p 1 p /n. (approximativt). Z p p 0 SE H 0 N 0,1
18 Eksempel Internet shopping Gallupundersøgelse af 1025 tilfældige personer: 297 købte på internettet i sidste måned. Estimat for p: p Internetudbyder postulerer at 30% køber på internettet hver måned. Kan påstanden afvises? Test for H 0 : p Alternativ hypotese H a : p 0. 30, at internetudbyderen ikke har ret.
19 Standard error SE / Teststørrelse z Tabelopslag: Da fordelingen for Z under H 0 er approximativt N 0, 1 slår vi op i normalfordelingstabellen. Med 0.05 fås z crit Konklusion:Da z z crit må vi acceptere H 0. Vi konkluderer derfor at internetudbyderen har ret.
20 Test for raten Model: X antal hændelser i tidsrum t, medx Poisson t. Data: Antal observerede hændelser x svarende til X. Estimat for : x t Estimator for : X X t. Den centrale grænseværdisætning giver X N t, t. Kræver t 10
21 For estimatoren gælder X X t N, n Standard error for er derfor SE /t. Test for H 0 : 0 baseres på Z 0 SE H 0 N 0,1 (approximativt). Tabelopslag:Findz /2 i normalfordelingstabellen. Konklusion: Forkast H 0 (tosidet test) hvis z z /2, ellers accepteres H a : 0
22 Hypotesetest, mere teori Styrke for en test Der er fire muligheder for en test med niveau : H 0 accepteres H 0 forkastes H 0 er sand OK Fejl af type I H 0 er falsk Fejl af type II OK Fejl af type I, at forkaste en sand nulhypotese. Sandsynlighed. Fejl af type II betyder at acceptere en falsk nulhypotese. Sandsynligheden kaldes for. 1 kaldes også for testens styrke, som afhænger af fordelingen for Z under H a.
23 Både og bør være små, men tvinges ned går op, og omvendt. Kompromis: 1. vælges til en fast, lille værdi, f.eks eller For givet vælges den test som er stærkest (har mindst ). z- ogt-test diskuteret ovenfor er optimale, så de har den størst mulige styrke blandt alle mulige test.
24 Signifikansniveau og p-værdi Klassisk test: Er resultatet signifikant på niveau? Vi ønsker et ja/nej svar. skal vælges på forhånd. 1. Fordel: Vi får et klart svar, som kan bruges til f.eks. at tage en beslutning. 2. Ulempe: Svaret afhænger af valget af. Pragmatisk test: Vi ønsker svar på spørgsmålet: hvor stærk er signifikansen? 1. Fordel: Hvis signifikansen er meget stærk, eller meget svag, får vi stadig et klart svar. 2. Ulempe: Der er en grå zone, hvor svaret ikke er klart, hvilket giver mulighed for misbrug.
25 Lad model, test, nulhypotese H 0 og alternativ hypotese H a være givet. Vi definerer p-værdien, eller det observerede signifikansniveau som den værdi af signifikansniveauet hvor resultatet er lige på grænsen til at være signifikant. For 2 kendt findes p ved at løse følgende ligning (z observeret værdi af teststørrelse): z z p/2 Fremgangsmåden er tilsvarende hvis 2 er ukendt, idet z erstattes af t, ogz p/2 af t p/2 n 1 osv. Bemærk: Bogens tabeller giver kun en grov vurdering af p. Nøjagtig udregning kræver computer.
26 Vurdering af p-værdi: p-værdi Signifikans af H svag 0.05 ret stærk stærk 0.01 meget stærk Bemærk: Ønskes et klassisk test kan p også benyttes: Hvis p accepteres H 0 på niveau. Hvis p forkastes H 0 på niveau.
27 Eksempel (fortsat) Benzinforbrug for bil Benzinforbruget (i km/l) ved 20 uafhængige kørsler med samme bil med X i N,0.4. Hypotese: H 0 : 19 mod H a : 19. Teststørrelse z p-værdi findes ved at løse / Løsning z p/2
28 p Konklusion: H 0 er ret signifikant, og H 0 bør forkastes. Bilforhandleren har ikke ret.
29 Eksempel (fortsat) Karakterer for 11 studerende Model: X i N, 2. Hypotese: Teststørrelse: H 0 : 50 mod H a : 50. t x 0 s 2 /n Tabelopslag t Da t er mindre end t er p Faktisk er t mindre end t så p Udregning med computer giver p
30 H 0 er altså ikke signifikant, og bør derfor accepteres. Som før: H 0 kan ikke forkastes på niveau 5%. Vi kan ikke afvise, at den gennemsnitlige karakter er 50.
31 Test og konfidensintervaller Model: X i N, 2 for i 1,,n, indbyrdes uafhængige. Givne data: x 1,, x n. Test for hypotesen: H 0 : 0 mod H a : 0 med signifikansniveau. Konfidensinterval C. I. med konfidensgrad 1. Følgende to ting er ækvivalente 1. H 0 : 0 accepteres ved en test på niveau 2. 0 tilhører C. I. Begge betingelser er nemlig ækvivalente med x 0 z SE /2 (hvis SE / n med kendt), eller med
32 (hvis SE s/ n ). x 0 SE t /2 n 1
33 Overvejelser om den alternative hypotese Den fornuftige bilkøber Analyse: I benzineksemplet ovenfor forkaster vi H 0 hvis enten 1. z z crit, det vil sige når bilen kører kortere per liter end 19 km/liter. 2. z z crit, det vil sige når bilen kører længere per liter end 19 km/liter. Under2.erbilenbedre end påstået, så køberen snyder sig selv. Nulhypotesen bør stadig være: H 0 : 19 Bilforhandlerens påstand om tingens tilstand. Alternativ hypotese skiftes nu ud med et ensidet alternativ: H a : 19
34 Hvis bilen er dårligere end bilforhandleren påstår.
35 Teststørrelse: Vi bruger stadig kendt og Z X SE 19 Den observerede værdi af Z er stadig z /20 Kritisk område K:Nuvælgervideværdierafz hvor z z crit. Acceptområde A: De værdier af z hvor z z crit. Signifikansniveau, defineret ved P H0 Z z crit. Vi holder fast ved
36 Tabelopslag: Da fordelingen for Z under H 0 stadig er N 0,1 slår vi op i tabellen. Med fås z crit Konklusion:Daz er mindre end z crit må vi forkaste H 0. Vi konkluderer derfor at bilforhandleren ikke har ret, og at bilen kører kortere på literen end han påstår.
37 Den kyniske bilfabrik Fra intern rapport på bilfabrikken: Nulhypotesen er stadig: H 0 : 19 Bilfabrikkens påstand om tingens tilstand. Alternativ hypotese skiftes nu ud med det andet ensidede alternativ: H a : 19 Hvis bilen er bedre end fabrikken påstår. Teststørrelse: Vi bruger stadig Z X 19 /SE med observeret værdi z Kritisk område K:Nuvælgervideværdierafz hvor z z crit. Acceptområde A: De værdier af z hvor z z crit. Signifikansniveau, defineret ved
38 P H0 Z z crit. Vi holder fast ved Tabelopslag: Z N 0, 1 under H 0, så fra tabellen med 0.05 fås z crit Konklusion:Daz er mindre end z crit må vi acceptere H 0. Altså holder bilfabrikkens påstand om benzinøkonomien! Begrundelse: Bilfabrikken vil undgå, at bilen er bedre end påstået, så man ikke sælger den for billigt! En moderne bilfabrik tænker naturligvis ikke sådan, men eksemplet illustrerer mulighederne for misbrug.
39 Énsidede test Lad nulhypotesen være H 0 : 0 Eksemplet ovenfor illustrerer, at der er mulighed for tre forskellige alternative hypoteser. Den tosidede test er med for overskuelighedens skyld. 1. Tosidet test svarer til tosidet alternativ: H a : 0 2. Énsidet test med alternativer til højre: H a : 0 3. Énsidet test med alternativer til venstre: H a : 0.
40 Teststørrelse:medSE / n bruges i alle tre tilfælde Z X 0 SE Kritisk område K: 1. For H a : de værdier af z hvor z z crit. 2. For H a : de værdier af z hvor z z crit. 3. For H a : de værdier af z hvor z z crit. Acceptområde A: 1. For H a : de værdier af z hvor z z crit. 2. For H a : de værdier af z hvor z z crit. 3. For H a : de værdier af z hvor z z crit.
41 Signifikansniveau, defineret ved 1. For H a : P H0 Z z crit. 2. For H a : P H0 Z z crit. 3. For H a : P H0 Z z crit. Tabelopslag:DaZ N 0, 1 under H 0, slår vi op i tabel A For H a : 2. For H a : 3. For H a : z crit z /2 z crit z
42 z crit z Konklusion: Hvis den observerede værdi af Z ligger i A vil vi acceptere H 0. Hvis den observerede værdi af Z ligger i K vil vi forkaste H 0
43 Generelle statistiske test Givet: Data x (vektor) svarende til vektor X af stokastiske variable fra en passende model. Nulhypotese H 0 skal betyde at modellen er korrekt. Find passende teststørrelse t x, som måler afvigelser fra H 0 generelt: jo større værdi af t x, jo mindre tror vi på H 0. Bemærk: Den alternative hypotese H a angives ikke specifikt, men indeholder alt hvad der kan være galt med H 0, f.eks. at fordelingen ikke er normal, men stammer fra en anden fordeling.
44 Find fordelingsfunktionen for t X under H 0 : F x P H0 t X x Udregn p-værdi: p 1 F t x. p måler sandsynligheden for at få en endnu mere ekstrem værdi af t X end den observerede værdi t x. Forkast H 0 hvis p er lille (f.eks. p 0. 05) Accepter H 0 hvis p er stor (f.eks. p 0.05).
45 Fortolkning: Hvis H 0 er sand forventer vi at få en sædvanlig værdi af t x. Vi måler hvor usædvanlig t x er ved at udregne p-værdien. En sædvanlig p-værdi er en værdi, som er passende stor. Hvis p er lille, må én af to følgende ting gælde: 1. En hændelse med lille sandsynlighed er hændt, eller 2. H 0 er falsk. Vi hælder derfor til den sidste forklaring (at H 0 er falsk), snarere end at en sjælden hændelse er sket. 2 -test
46 Eksempel: Betragt et histogram med k klasser, og lad X 1,,X k være antallet af data i hver af de k klasser ved en stikprøve på n. Lad H 0 være hypotesen, at data kommer fra en bestemt fordeling, og lad E 1,, E k være de tilsvarende forventede værdier, dvs. E j np j, hvor p j er sandsynligheden for den j te klasse, udregnet under H 0. Som teststørrelse bruges 2 -størrelsen: k t X j 1 X j E j 2 E j. Det vides at fordelingen for t X under H 0 kan approximeres ved den såkaldte 2 -fordeling med k 1 frihedsgrader (tabel). Kravet er at n skal være stor (bygger på CLT). En test med signifikansniveau 5% (approximativt) fås hvis vi
47 forkaster H 0 når t x 0.05 k 1.
Konfidensintervaller og Hypotesetest
Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller
Læs 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 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 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 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 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 merePersonlig stemmeafgivning
Ib Michelsen X 2 -test 1 Personlig stemmeafgivning Efter valget i 2005 1 har man udspurgt en mindre del af de deltagende, om de har stemt personligt. Man har svar fra 1131 mænd (hvoraf 54 % har stemt personligt
Læs mereNote til styrkefunktionen
Teoretisk Statistik. årsprøve Note til styrkefunktionen Først er det vigtigt at gøre sig klart, at når man laver statistiske test, så kan man begå to forskellige typer af fejl: Type fejl: At forkaste H
Læs 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 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 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 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 mereDagens program. Praktisk information: Husk evalueringer af kurset
Dagens program Praktisk information: Husk evalueringer af kurset Hypoteseprøvning kap. 11.1-11.3 Fokastelsesområdet kap. 11.1 Type I og Type II fejl kap. 11.1 Styrkefunktionen kap. 11.2 Stikprøvens størrelse
Læs 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 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 mereHypotese test. Repetition fra sidst Hypoteser Test af middelværdi Test af andel Test af varians Type 1 og type 2 fejl Signifikansniveau
ypotese test Repetition fra sidst ypoteser Test af middelværdi Test af andel Test af varians Type 1 og type fejl Signifikansniveau Konfidens intervaller Et konfidens interval er et interval, der estimerer
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Estimation: Kapitel 9.7-9.10 Estimationsmetoder kap 9.10 Momentestimation Maximum likelihood estimation Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1
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 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 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 mereStatistik II 1. Lektion. Analyse af kontingenstabeller
Statistik II 1. Lektion Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller Logistisk regression
Læs 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 mereOpgave 10.1, side 282 (for 6. og 7. ed. af lærerbogen se/løs opgave 9.1)
Kursus 02402: Besvarelser til øvelsesopgaver i uge 9 Opgave 10.1, side 282 (for 6. og 7. ed. af lærerbogen se/løs opgave 9.1) Som model benyttes en binomialfordeling, som beskriver antallet, X, blandt
Læs 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 mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Indledende om Signifikanstest Boldøvelser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Indledende om Signifikanstest Boldøvelser 1 Påstand: Et nyt præparat M virker mod migræne. Inden præparatet kan markedsføres, skal denne påstand
Læs 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 mereRettevejledning til eksamen i Kvantitative metoder 1, 2. årsprøve 2. januar 2007
Rettevejledning til eksamen i Kvantitative metoder 1,. årsprøve. januar 007 I rettevejledningen henvises der til Berry and Lindgren "Statistics Theory and methods"(b&l) hvis ikke andet er nævnt. Opgave
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs 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 mereKonfidensinterval for µ (σ kendt)
Program 1. Repetition: konfidens-intervaller. 2. Hypotese test 3. Type I og type II fejl, p-værdi 4. En og to-sidede tests 5. Test for middelværdi (kendt varians) 6. Test for middelværdi (ukendt varians)
Læs 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 mereSchweynoch, 2003. Se eventuelt http://www.mathematik.uni-kassel.de/~fathom/projekt.htm.
Projekt 8.5 Hypotesetest med anvendelse af t-test (Dette materiale har været anvendt som forberedelsesmateriale til den skriftlige prøve 01 for netforsøget) Indhold Indledning... 1 χ -test... Numeriske
Læs mereLøsning til eksamen d.27 Maj 2010
DTU informatic 02402 Introduktion til Statistik Løsning til eksamen d.27 Maj 2010 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th edition]. Opgave I.1
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 mereDagens program. Praktisk information:
Dagens program Praktisk information: Husk hjemmeopgaven i statistik Hypoteseprøvning kap. 11.2,11.3 og 11.8 Eksempel på test Styrkefunktionen kap. 11.2 Stikprøvens størrelse kap. 11.3 Likelihood ratio
Læs mereNanostatistik: Opgavebesvarelser
Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,
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 mereMatematik A. Studentereksamen. Forberedelsesmateriale til de digitale eksamensopgaver med adgang til internettet
Matematik A Studentereksamen Forberedelsesmateriale til de digitale eksamensopgaver med adgang til internettet stx11-matn/a-080501 Tirsdag den 8. maj 01 Forberedelsesmateriale til stx A Net MATEMATIK Der
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 mereBesvarelser til øvelsesopgaver i uge 6
Besvarelser til øvelsesopgaver i uge 6 Opgave 7.46, side 228 (7ed 7.28, side 244 og 6ed: 7.28, side 240) Vi tænker os, at vi har data for emissionen {x 1, x 2,..., x n }, når det pågældende device er monteret.
Læs 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 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 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 mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs 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 mereSkriftlig eksamen Science statistik- ST501
SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 21. januar Opgavesættet består af 5 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Hypoteser: kap: 10.1-10.2 Eksempler på Maximum likelihood analyser kap 9.10 Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1 Estimationsmetoder Kvantitative
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs 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 mereRegneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)
Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen
Læs 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 mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2 -test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2 -test [ki-i-anden-test] 1 Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination
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 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 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 mereTeoretisk Statistik, 2. december 2003. Sammenligning af poissonfordelinger
Uge 49 I Teoretisk Statistik, 2. december 2003 Sammenligning af poissonfordelinger o Generel teori o Sammenligning af to poissonfordelinger o Eksempel Opsummering om multinomialfordelinger Fishers eksakte
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 mereProdukt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 19, 2016 1/26 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereIkke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Ikkeparametriske metoder Repetition Wilcoxon SignedRank Test KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
Læs mereSkriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00
Skriftlig Eksamen ST501: Science Statistik Mandag den 11. juni 2007 kl. 15.00 18.00 Forskningsenheden for Statistik IMADA Syddansk Universitet Alle skriftlige hjælpemidler samt brug af lommeregner er tilladt.
Læs mereØkonometri 1. Inferens i den lineære regressionsmodel 25. september Økonometri 1: F6 1
Økonometri 1 Inferens i den lineære regressionsmodel 25. september 2006 Økonometri 1: F6 1 Oversigt: De næste forelæsninger Statistisk inferens: hvorledes man med udgangspunkt i en statistisk model kan
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 mereProgram. 1. Repetition: konfidens-intervaller. 2. Hypotese test, type I og type II fejl, signifikansniveau, styrke, en- og to-sidede test.
Program 1. Repetition: konfidens-intervaller. 2. Hypotese test, type I og type II fejl, signifikansniveau, styrke, en- og to-sidede test. 1/19 Konfidensinterval for µ (σ kendt) Estimat ˆµ = X bedste bud
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 mereNormalfordelingen. Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: 1 2πσ
Normalfordelingen Det centrale er gentagne målinger/observationer (en stikprøve), der kan beskrives ved den normale fordeling: f(x) = ( ) 1 exp (x µ)2 2πσ 2 σ 2 Frekvensen af observationer i intervallet
Læs 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 mereEksamen i Statistik for biokemikere. Blok
Eksamen i Statistik for biokemikere. Blok 2 2007. Vejledende besvarelse 22-01-2007, Niels Richard Hansen Bemærkning: Flere steder er der givet en argumentation (f.eks. baseret på konfidensintervaller)
Læs 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 mereØkonometri: Lektion 4. Multipel Lineær Regression: F -test, justeret R 2 og aymptotiske resultater
Økonometri: Lektion 4 Multipel Lineær Regression: F -test, justeret R 2 og aymptotiske resultater 1 / 35 Hypotesetest for én parameter Antag vi har model y = β 0 + β 1 x 2 + β 2 x 2 + + β k x k + u. Vi
Læs merec) For, er, hvorefter. Forklar.
1 af 13 MATEMATIK B hhx Udskriv siden FACITLISTE TIL KAPITEL 7 ØVELSER ØVELSE 1 c) ØVELSE 2 og. Forklar. c) For, er, hvorefter. Forklar. ØVELSE 3 c) ØVELSE 4 90 % konfidensinterval: 99 % konfidensinterval:
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 mereTo-sidet varians analyse
To-sidet varians analyse Repetition En-sidet ANOVA Parvise sammenligninger, Tukey s test Model begrebet To-sidet ANOVA Tre-sidet ANOVA Blok design SPSS ANOVA - definition ANOVA (ANalysis Of VAriance),
Læs 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 mereKapitel 7 Forskelle mellem centraltendenser
Kapitel 7 Forskelle mellem centraltendenser Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 29 Indledning 1. z-test for ukorrelerede data 2. t-test for ukorrelerede data med ens
Læs mereMaple 11 - Chi-i-anden test
Maple 11 - Chi-i-anden test Erik Vestergaard 2014 Indledning I dette dokument skal vi se hvordan Maple kan bruges til at løse opgaver indenfor χ 2 tests: χ 2 - Goodness of fit test samt χ 2 -uafhængighedstest.
Læs mereOpgave 6. Opgave 7. Peter Harremoës Mat A eksamen med hjælpemidler 25. maj 2013. (x + a) 1 /2. dx = 42 løses ved hjælp af GeoGebra CAS: Ligningen 15
Opgave 6 Ligningen 15 0 (x + 1 /2 dx = 42 løses ved hjælp af GeoGebra CAS: Løsningen er derfor a = 1. Se Bilag 2! Opgave 7 Et søjlediagram over hyppighed af lønsum er vist nedenfor. Gennemsnittet er 64.4
Læs mereReminder: Hypotesetest for én parameter. Økonometri: Lektion 4. F -test Justeret R 2 Aymptotiske resultater. En god model
Reminder: Hypotesetest for én parameter Antag vi har model Økonometri: Lektion 4 F -test Justeret R 2 Aymptotiske resultater y = β 0 + β 1 x 2 + β 2 x 2 + + β k x k + u. Vi ønsker at teste hypotesen H
Læs mereVærktøjshjælp for TI-Nspire CAS Struktur for appendiks:
Værktøjshjælp for TI-Nspire CAS Struktur for appendiks: Til hvert af de gennemgåede værktøjer findes der 5 afsnit. De enkelte afsnit kan læses uafhængigt af hinanden. Der forudsættes et elementært kendskab
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 mere02402 Løsning til testquiz02402f (Test VI)
02402 Løsning til testquiz02402f (Test VI) Spørgsmål 4. En ejendomsmægler ønsker at undersøge om hans kunder får mindre end hvad de har forlangt, når de sælger deres bolig. Han har regisreret følgende:
Læs mereStatistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable
Statistik II Lektion 3 Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable Setup: To binære variable X og Y. Statistisk model: Konsekvens: Logistisk regression: 2 binære var. e e X Y P
Læs mereAppendiks Økonometrisk teori... II
Appendiks Økonometrisk teori... II De klassiske SLR-antagelser... II Hypotesetest... VII Regressioner... VIII Inflation:... VIII Test for SLR antagelser... IX Reset-test... IX Plots... X Breusch-Pagan
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 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 mereStatistik II 4. Lektion. Logistisk regression
Statistik II 4. Lektion Logistisk regression Logistisk regression: Motivation Generelt setup: Dikotom(binær) afhængig variabel Kontinuerte og kategoriske forklarende variable (som i lineær reg.) Eksempel:
Læs mereLandmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen
Landmålingens fejlteori Lektion Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ - rw@math.aau.dk Institut for Matematiske Fag Aalborg Universitet En stokastisk variabel er en variabel,
Læs mereStikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader
Stikprøver og stikprøve fordelinger Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Statistik Statistisk Inferens: Prediktere og forekaste værdier af
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mereKapitel 8 Chi-i-anden (χ 2 ) prøven
Kapitel 8 Chi-i-anden (χ 2 ) prøven Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 19 Indledning Forskelle mellem stikprøver undersøges med z-test eller t-test for data målt på
Læs mereLars Andersen: Anvendelse af statistik. Notat om deskriptiv statistik, χ 2 -test og Goodness of Fit test.
Lars Andersen: Anvendelse af statistik. Notat om deskriptiv statistik, χ -test og Goodness of Fit test. Anvendelser af statistik Statistik er et levende og fascinerende emne, men at læse om det er alt
Læs mereStatistik II 1. Lektion. Sandsynlighedsregning Analyse af kontingenstabeller
Statistik II 1. Lektion Sandsynlighedsregning Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller
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 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 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 mereEn intro til radiologisk statistik
En intro til radiologisk statistik Erik Morre Pedersen Hypoteser og testning Statistisk signifikans 2 x 2 tabellen og lidt om ROC Inter- og intraobserver statistik Styrkeberegning Konklusion Litteratur
Læs mereStatistik viden eller tilfældighed
MATEMATIK i perspektiv Side 1 af 9 DNA-analyser 1 Sandsynligheden for at en uskyldig anklages Følgende histogram viser, hvordan fragmentlængden for et DNA-område varierer inden for befolkningen. Der indgår
Læs mereStastistik og Databehandling på en TI-83
Stastistik og Databehandling på en TI-83 Af Jonas L. Jensen (jonas@imf.au.dk). 1 Fordelingsfunktioner Husk på, at en fordelingsfunktion for en stokastisk variabel X er funktionen F X (t) = P (X t) og at
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 mere2 -test. Fordelingen er særdeles kompleks at beskrive med matematiske formler. 2 -test blev opfundet af Pearson omkring år 1900.
2 -fordeling og 2 -test Generelt om 2 -fordelingen 2 -fordelingen er en kontinuert fordeling, modsat binomialfordelingen som er en diskret fordeling. Fordelingen er særdeles kompleks at beskrive med matematiske
Læs mere