Question I.1 (1) We use Method 3.8 from Chapter 3 to achieve
|
|
- Aage Christensen
- 8 år siden
- Visninger:
Transkript
1 Correct answers: Exercise I Question I.1 (1) We use Method 3.8 from Chapter 3 to achieve And since, qt(0.95, 24) ## [1] ± t We get that ± = [86.88; 93.92] 25 is the correct the result, which also can be found explicitly as: c(-1, 1)*qt(0.95, 24)*sqrt(10.3^2/25) ## [1] So the correct answer is 3. Check of all answers: c(-1,1) * * sqrt(10.3^2/24) ## [1] c(-1,1) * * sqrt(10.3/24) ## [1] c(-1,1) * * sqrt(10.3^2/25) ## [1] c(-1,1) * * sqrt(10.3/25) 1
2 ## [1] c(-1,1) * * sqrt(10.3/25) ## [1] Question I.2 (2) We use Method 3.18 from Chapter 3 in the standard deviation version: And since, qchisq(c(0.025, 0.975), 24) ## [1] We get that [ χ ; ] χ [ ; ] = [8.043; 14.33] is the correct the result, which also can be found explicitly as: sqrt(24*10.3^2/qchisq(0.975, 24)) ## [1] sqrt(24*10.3^2/qchisq(0.025, 24)) ## [1] So the correct answer is 5. Check of all answers: sqrt(24)*10.3/sqrt(36.415) ## [1] sqrt(24)*10.3/sqrt(13.848) ## [1] *10.3^2/
3 ## [1] *10.3^2/ ## [1] *10.3^2/ ## [1] *10.3^2/ ## [1] *10.3/sqrt(40.646) ## [1] *10.3/sqrt(13.120) ## [1] sqrt(24)*10.3/sqrt(39.364) ## [1] sqrt(24)*10.3/sqrt(12.401) ## [1]
4 Question I.3 (3) We use the one-sample CI sample size formula, Method 3.44: (And since the width of the CI is twice the margin of error, we have that ME = 2) And since, n = z qnorm(0.995) ## [1] We get that n = So the correct answer is 1. Check all solutions 2.576^2*10.3^2 / 2^2 ## [1] ^2*10.3^2 / 4^2 ## [1] ^2*10.3^2 / 2^2 ## [1] ^2*10.3^2 / 2^2 ## [1] ^2*10.3^2 / 4^2 ## [1] =
5 Exercise II Question II.1 (4) This is a standard normal probability question: Which can be found as: P (X > 100) = P (Z > 1-pnorm(100, 90.4, 10.3) ## [1] ( )/10.3 ## [1] pnorm(( )/10.3) ## [1] So the correct answer is ) = P (Z > 0.932) 10.3 Question II.2 (5) We use the (Welch) two-sample t-test, Method 3.59 and Method 3.57: t obs = And the degrees of freedom: Hence, the p-value is: since: 2*(1-pt(1.42, 42.2)) ## [1] *(1-pt(1.42, 42)) ## [1] ( )/25 = /5 = 1.42 ν = ( ) ( /25) (15.22 /25) P (T > 1.42) = = 42.2 So we cannot reject the null hypothesis, as this p-value is larger than So the correct answer is 2. 5
6 Question II.3 (6) This is treated in Section The rst R-call is nding the power for n 1 = n 2 = 50 - not asked for. The last R-call is using α = 0.10 og power not asked for. The correct R-call is the second one among the three options: power.t.test(power = 0.90, delta = 5, sd = 10, sig.level = 0.05) ## ## Two-sample t test power calculation ## ## n = ## delta = 5 ## sd = 10 ## sig.level = 0.05 ## power = 0.9 ## alternative = two.sided ## ## NOTE: n is number in *each* group So the correct answer is 2: n 1 = n
7 Exercise III Exercise III: Poisson Question III.1 (7) Exercise III.1 (7): Assume X represents the number of requests in a 4 hour interval, then we need to scale the arrival rate from a 24 hour interval to a 4 hour interval, thus X Po(λ = 50 6 ) and then the probability of getting over 12 requests in a random selected 4 hour interval is P (X > 12) = 1 P (X 12) which can be found by the R command 1 - ppois(12, lambda=50/6) ## [1] Hence the correct answer is 5: Question III.2 (8) Exercise III.2 (8): We have the same arrival rate as above, λ = 50 6, hence we need to nd the 99% percentile (q 0.99 ) of the Poisson distribution, this is level above which the number of requests per 4 hours occur with probability 1% or less. This can be found by qpois(lambda=50/6, p=0.99) ## [1] 16 or similarly it could be found by running a sequence of probabilities and select for the rst to be below 1% by 1-ppois(15:18, lambda=50/6) ## [1] Hence the correct answer is 2: Capacity for 16 service requests per 4 hours. 7
8 Exercise IV Exercise IV: Question IV.1 (9) Exercise IV.1 (9): The mean and the variance of the total pump capacity (Y ) is found by using the identities in Theorem 2.55: Y = X 1 + X 2 + X 3 + X 4 + X 5 E(Y ) = E(X 1 ) + E(X 2 ) + E(X 3 ) + E(X 4 ) + E(X 5 ) = 50 V ar(y ) = V ar(x 1 ) + V ar(x 2 ) + V ar(x 3 ) + V ar(x 4 ) + V ar(x 5 ) = 20 Hence the correct R code for calculating becomes pnorm(45, mean=50, sd=sqrt(20)) ## [1] thus the correct answer is 2. P (Y < 45) Question IV.2 (10) Exercise IV.2 (10): Since we don't want to assume anything about the distribution, we want to nd a non-parametric bootstrap 95% condence interval (as described in Section 4.3.2), and we use Method 4.19 as done in Example Thus quantile(replicate(1000, mean(sample(x, replace = TRUE))), c(0.025, 0.975)) is correct, since we need to resample the data with replacement, then take the mean, and replicate this 1000 time, and nally of these 1000 values we calculate the and quantiles. Thus the correct answer is 5. Question IV.3 (11) Exercise IV.3 (11): We have to calculate the probability that dhyper(x=0, m=2, n=23, k=6) ## [1]
9 Hence the correct answer is: 1 dbinom(x=0, size=6, p=2/25) 1-dhyper(x=0, m=2, n=23, k=6) 1-dbinom(x=0, size=6, p=2/25) dpois(0, 2, 23, 6) 9
10 Exercise V Exercise V: ANOVA Question V.1 (12) Exercise V.1 (12): If you look at the analysis of variance table then we see that A and B are degrees of freedom. There are 4 machines and 3 time periods so: and A = k 1 = 4 1 = 3 B = (k 1)(l 1) = (4 1)(3 1) = 3 2 = 6 This leaves two of the suggested options. To calculate C you need: SST = SS(T r) + SS(Bl) + SSE In this example the factor "Time period" is the block so we get: C = SS(T r) = SST SS(Bl) SSE = = So the correct answer is: 1: A: 3, B: 6, C: , D: Question V.2 (13) Exercise V.2 (13): We are using a signicance level α = 0.05 and the relevant distribution for testing in an ANOVA is an F-distribution. The degrees of freedom for this test are: and So the correct answer is: 3: F 0.95 (3, 6) = k 1 = 4 1 = 3 (k 1)(l 1) = (4 1)(3 1) = 3 2 = 6 Question V.3 (14) Exercise V.3 (14): If we want to test the hypothesis of no dierence between machines while time of day is taken into account then we have to calculate the F-test statistic F = SS(T r)/(k 1) SSE/((k 1)(l 1)) = =
11 The value U is the p-value from the F(3,6) distribution P (F > 42.92) = The hypothesis of no dierence between machines is rejected, we have a signicant eect, and the correct answer is: 5: Yes, since the value U is less than
12 Exercise VI Exercise VI: ANOVA Question VI.1 (15) Exercise VI.1 (15): If you want to test the hypothesis of no dierence between the four treatments then you need to calculate the F-test statistic C = A B = SS(T r)/(k 1) SSE/(n k) = / /24 = The value D is the p-value from the F(3,24) distribution P (F > 5.506) = This p-value is smaller than 0.01 so the hypothesis of no dierence between treatments is rejected. The correct answer is: 4: No, since the value D is smaller than Question VI.2 (16) Exercise VI.2 (16): Using Method 8.9 from the e-notes a 99% condence interval for the dierence between treatment A and B can be calculated as: x A x B ± t /2 SSE/(n k)( ) Where t /2 is a quantile from a t-distribution with n k degrees of freedom. In this case n = 28 and k = 4 so t /2 = This quantile can be looked up in a table or found using R: qt(1-0.01/2,(28-4)) ## [1] Using the expression for the condence interval with the current values plugged in: ± /24( 2 ) [0.48; 5.35] 7 The correct answer is: 5: 2.92 ± /24 2/7 [0.48; 5.35] 12
13 Exercise VII Exercise VII: Regressions Question VII.1 (17) Exercise VII.1 (17): First note that the empirical correlation is always between -1 and 1, thus 1) is therefore excluded, from the plot it is clear the all correlations are larger than 0, this exclude 4), and 5). It is also clear that the largest correlation is between D and V which exclude 2. The only possible answer is therefore 3), as already stated r DV > r HV, and r DV > r HD, it is not completely clear from the plot that r HV > r HD, but it is clearly possible. Hence the correct answer is 3. Question VII.2 (18) Exercise VII.2 (18): Test for hypothesis on parameter by hand calculations is stated in Theorem 5.9 (eq. 5-75) T β1 = ˆβ 1 β 1,0 ˆσ β1 (1) the numbers from the expression can be identied from the R-output as, ˆβ1 = 2.19, and ˆσ β1 = The null hypothesis is β 1,0 = 2, and we get T β1 = the test statistics hould be compared with quantiles in the t-distribution, in this case ±t based in 29 degrees of freedom. In R we get (2.19-2)/ ## [1] qt(0.975,df=29) ## [1] Since T β1 > t we reject the null-hypothesis and the correct answer is 4. (2) Question VII.3 (19) Exercise VII.3 (19): The general formula for a prediction interval is given in Theorem 5.13, as ˆβ 0 + ˆβ 1 x new ± t 1 α/2ˆσ n + (x new x) 2 (3) S xx in our case we har ˆβ 0 = 3.34, ˆβ 1 = 2.19, x new = log(0.336), α = 0.05, ˆσ = 0.117, n = 31, x = Further we will need S xx, this can be calculated from s x, as S xx = (n 1)s 2 x =
14 Inserting in the formula gives log(0.336) ± t in R we get (log(0.336 ( 1.12)) (4) * log(0.336) + c(-1,1) * qt(0.975,df=29) * * sqrt(1 + 1/31 + (log(0.336) - (-1.12) )^2 / (30 * 0.234^2)) ## [1] which is answer 4) Question VII.4 (20) Exercise VII.4 (20): From Figure 2.D there are no evidence against the residuals being normally distributed, Figure 2.B suggest that log(h) should be included in the model, and answer 1 is correct. Answer 2 is not correct since the conclusion should be the opposite (data should not be transformed). Answer 3 is not correct, since there is no evidence that log(d) should be included in the model. Answer 4 is not correct since Figure 2.A only indicate that there are no violation of the assumption of iid residuals. Answer 5 is not correct, since Figure 2.D suggest that data is actully normally distributed. The correct answer is 1. Question VII.5 (21) Exercise VII.5 (21): The estimates of β 0, β 1, and β 2 is found in the rst column of the coecient matrix and these are ˆβ 0 = 0.524, ˆβ1 = 1.97, and ˆβ 2 = 1.15, and ˆσ = is the residual standard error. Hence the correct answer is 1). Question VII.6 (22) Exercise VII.6 (22): Answer 1) is not correct, since β i is not assumed to be random variable but constants, further the correlation between the estimators is not in general zero. Answer 2) is correct, this the stanmdard assumption on the residuals. Answer 3) is not correct, β 1 is a slope of the reression model (which is related to the correlation but not equal the correlation). Answer 4) is not correct, since β 0 is the expected value of Y when x 1 = x 2 =.. = 0 and this will in general be dierent from ȳ. Answer 5) is not correct, since Y i is not assumed independent from x i,j, also x j is not assumed to follow a normal distribution. 14
15 Answer 2) is the correct answer. Exercise VIII Spørgsmål VIII.1 (23) For at undersøge, om Rød blok's tilslutning har været konstant hen over tidsperioden foretages et χ 2 -test for en 2 8 antalstabel. Følgende svar er altså det korrekte: 1 Et χ 2 -test for en 2 8 antalstabel Exercise IX Spørgsmål IX.1 (24) Lad X være en stokastisk variabel, der angiver antal RPL-spiller i stikprøven for SFI undersøgelsen. Antag X B(8153, p), hvor p er sandsynligheden (hhv. andelen) for at et tilfældig valgt individ er RPLspiller. 90% kondensintervallet for andelen af RPL-spiller (p) bestemmes ved (Jf. Method 7.3): ˆp (1 ˆp) ˆp ± z 1 α/2 n Idet: 1 α = 90% har vi α = 0.05 og 1 α/2 = % fraktilen i normalfordelingen bestemmes ved: z 0.95 = qnorm(0.95) = Desuden er n = 8153 og ˆp = Ved indsættelse fås at den rigtige løsning er: ± Exercise X = [0.0221; ] Spørgsmål X.1 (25) Lad X være en stokastisk variabel, der angiver antal respondenter i stikprøven fra Bjerg K og Megafon undersøgelsen der bor i Hovedstads regionen. Antag at X B( 1005, p ), hvor p angiver sandsynligheden for at et tilfældig valgt individ er fra Hovedstads regionen. Det ønskes undersøgt om stikprøven er repræsentativ mht. regions fordeling svarende til følgende hypotese: H 0 : p = , H 1 : p H 0 testes ved et dobbeltsidet test på α = 0.05 Teststørrelsen bestemmes ved (Jf. Method 7.10): z obs = x n p 0 n p0 (1 p 0 ) = x/n p 0 n p0 (1 p 0) n = ˆp p 0 p 0 (1 p 0) n. Idet x = 309,n = 1005,p 0 = og ˆp = x n = = Ved indsættelse fås: z o bs = 0.44 p-værdien bestemmes ved: p = 2 P (Z > z o bs ) = pnorm(0.44) = Samlet har vi altså, at den rigtige løsning er: *1 z obs = = Idet normalfordelingen er den relevante at 1005 benytte, har vi at p-værdien = 2P (Z 0.44 ) = , H 0 accepteres, dvs. det på det foreliggende data vurderes, at stikprøven er repræsentativ mht. region 15
16 Alternativt kan alle beregninger laves med R-commandoen: prop.test(309, 1005, p = , correct = F ALSE) Denne beregner dog teststørrelsen χ 2 = z o bs 2, evt. forskelle skyldes afrundinger. Spørgsmål X.2 (26) Lad X være en stokastisk variabel, der angiver antal RPL-spiller i stikprøven. Antag at X B( 1005, p ), hvor p angiver andelen hhv. sandsynligheden for at et tilfældig valgt individ er RPL-spiller. ˆp = er et godt gæt på hvad værdien af p er. Hvis 95% kondensintervallet har en bredde på er den tilhørende M E = og stikprøvensstørrelse kan da bestemmes ved formlen (Method 7.12 formel 7-4): n p (1 p) ( ) 2 (z1 α/2 ME Idet n = 1005, 1 α = 0.95 så α = 0.05 og z 1 α/2 = z = qnorm(0.975) = 1.96 Ved indsættelse får vi at den rigtige løsning er: ( n /2) = rundet op altså n=24623 Spørgsmål X.3 (27) Lad Y være en stokastisk variabel, der angiver antal ludomaner blandt studenterne, idet studenterne opfattes som en tilfældig stikprøve fra den voksne danske befolkning, så gælder der at Y B( 717, p ), hvor p er sandsynligheden for at en tilfældig valgt individ i den danske voksne befolkning er ludoman. Dvs. p = P (X = ludoman) = Punktsandsynligheden i en binomialfordeling er bestemt ved (Jf. Denition 2.16 formel 2-20): ( ) n P (Y = y) = p y (1 p) n y = dbinom(y, n, p) y Idet n = 717, y = 7 og p = fås ved indsættelse at den rigtige løsning er: ( ) P (Y = 7) = = Spørgsmål X.4 (28) Betragt antalstabellen over hyppighed og køn. Der er tale om en 6 2 antalstabel og vi betragter uafhængighedshypotesen: H 0 : p ij = p i p j, i = 1, 2,..., 6, j = 1, 2, hvor i angiver hyppighedssvar og j angiver køn. Testet af uafhængighedshypotesen forgår ved sætning 7.23/Metode 7.21 og de forventede værdier bestemmes ved: (iterkketotalen) (jtekolonnetotal) e ij = total Ved indsættelse følger: e Aldrig,kvinde = e 6,1 = Således ses at rigtig løsning er: 16 =
17 2 e Aldrig, kvinde = Spørgsmål X.5 (29) Betragt antalstabellen over hyppighed og alder. Der er tale om en 6 6 antalstabel og vi betragter uafhængighedshypotesen: H 0 : p ij = p i p j, i = 1, 2,..., 6, j = 1, 2,..., 6,hvor i angiver hyppighedssvar og j angiver alder. Testet af uafhængighedshypotesen forgår ved sætning 7.23/Metode 7.21 og bidraget fra celle (i,j) q ij til teststørrelsen χ 2 obs bestemmes ved: q ij = left(o ij e ijright) 2 e ij, hvor o ij er den observerede værdi for celle (i,j) og e ij er den forventedeværdi for celle (i,j) Idet o En gang ugentligt, år = o 1,4 = 41 og idet e En gang ugentligt,50-59 år = e 1,4 = ) 997 = Ved indsættelse nder vi: q En gang ugentligt,50-59 år = q textup1,4 = ( ) = Den rigtige løsning er altså: 3 q En gang ugentligt, år = Spørgsmål X.6 (30) Vi ønsker at sammenligne andelen af RPL-spiller i SFI undersøgelsen hhv. Bjerg K og Megafon undersøgelsen, svarende til hypotesen: H 0 : p 1 = p 2 H 1 : p 1 p 2 Og skal bestemme teststørrelsen, p-værdi og konklusion, når α = Teststørrelsen bestemmes ved (Jf. Method 7.17): ˆp z obs = 1 ˆp 2 ˆp (1 ˆp) ( ), hvor ˆp = x1+x2 1 n + 1 n 1+n 2 = n1 ˆp1+n2 ˆp2 n 1+n 2 1 n 2 p-værdien bestemmes ved: p = 2 P (Z z obs ) = 2 (1 pnorm (abs (z obs ))) Idet n 1 = 8153,ˆp 1 = 0.023,n 2 = 1005,ˆp 2 = følger ved indsættelse: ˆp = = z obs = sqrt ( ) ( ) = p-værdien bestemmes nu ved: p = 2 P (Z ) = 2 (1 pnorm (abs ( 9.390))) = Det fremgår således at den rigtige løsning er: 5 z obs = ( )/ /( ) = 9.390, Idet p = P (Z 9.390) = , forkastes H 0, dvs.der er en signikant stigning i andelen af RPL-spiller. 17
Basic statistics for experimental medical researchers
Basic statistics for experimental medical researchers Sample size calculations September 15th 2016 Christian Pipper Department of public health (IFSV) Faculty of Health and Medicinal Science (SUND) E-mail:
Læs mereKursus 02323: Introducerende Statistik. Forelæsning 12: Forsøgsplanlægning. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 12: Forsøgsplanlægning Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk
Læs mere1 enote 1: Simple plots og deskriptive statistik. 2 enote 2: Diskrete fordelinger. 3 enote 2: Kontinuerte fordelinger
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Peder Bacher DTU Compute, Dynamiske Systemer Building 303B, Room 017 Danish Technical University 2800 Lyngby
Læs mereOversigt. 1 Motiverende eksempel - energiforbrug. 2 Hypotesetest (Repetition) 3 Two-sample t-test og p-værdi. 4 Konfidensinterval for forskellen
Kursus 02402/02323 Introducerende Statistik Forelæsning 6: Sammenligning af to grupper Oversigt 1 Motiverende eksempel - energiforbrug 2 Hypotesetest (Repetition) 3 Klaus K. Andersen og Per Bruun Brockhoff
Læs mereVina Nguyen HSSP July 13, 2008
Vina Nguyen HSSP July 13, 2008 1 What does it mean if sets A, B, C are a partition of set D? 2 How do you calculate P(A B) using the formula for conditional probability? 3 What is the difference between
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 mereStatistik for MPH: oktober Attributable risk, bestemmelse af stikprøvestørrelse (Silva: , )
Statistik for MPH: 7 29. oktober 2015 www.biostat.ku.dk/~pka/mph15 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mere1 enote 1: Simple plots og deskriptive statistik. 2 enote2: Diskrete fordelinger. 3 enote 2: Kontinuerte fordelinger
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Building 324, Room 220 Danish Technical University
Læs mereStatistik for MPH: 7
Statistik for MPH: 7 3. november 2011 www.biostat.ku.dk/~pka/mph11 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mereKursus 02402/02323 Introducerende Statistik. Forelæsning 6: Sammenligning af to grupper
Kursus 02402/02323 Introducerende Statistik Forelæsning 6: Sammenligning af to grupper Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereBesvarelser til Lineær Algebra Reeksamen Februar 2017
Besvarelser til Lineær Algebra Reeksamen - 7. Februar 207 Mikkel Findinge Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan. Dette dokument har udelukkende
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 mereOversigt. 1 Motiverende eksempel - energiforbrug. 2 Hypotesetest (Repetition) 3 Two-sample t-test og p-værdi. 4 Konfidensinterval for forskellen
Kursus 02402/02323 Introducerende Statistik Forelæsning 6: Sammenligning af to grupper Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs 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 mereIntroduktion til Statistik. Forelæsning 12: Inferens for andele. Peder Bacher
Introduktion til Statistik Forelæsning 12: Inferens for andele Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereIntroduktion til Statistik. Forelæsning 10: Inferens for andele. Peder Bacher
Introduktion til Statistik Forelæsning 10: Inferens for andele Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereSkriftlig Eksamen Kombinatorik, Sandsynlighed og Randomiserede Algoritmer (DM528)
Skriftlig Eksamen Kombinatorik, Sandsynlighed og Randomiserede Algoritmer (DM58) Institut for Matematik og Datalogi Syddansk Universitet, Odense Torsdag den 1. januar 01 kl. 9 13 Alle sædvanlige hjælpemidler
Læs mereKvant Eksamen December 2010 3 timer med hjælpemidler. 1 Hvad er en continuous variable? Giv 2 illustrationer.
Kvant Eksamen December 2010 3 timer med hjælpemidler 1 Hvad er en continuous variable? Giv 2 illustrationer. What is a continuous variable? Give two illustrations. 2 Hvorfor kan man bedre drage konklusioner
Læs mereOversigt. 1 Eksempel. 2 Fordelingen for gennemsnittet t-fordelingen. 3 Konfidensintervallet for µ Eksempel
Kursus 02402/02323 Introducerende Statistik Forelæsning 4: Konfidensinterval for middelværdi (og spredning) Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske
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 mereLinear Programming ١ C H A P T E R 2
Linear Programming ١ C H A P T E R 2 Problem Formulation Problem formulation or modeling is the process of translating a verbal statement of a problem into a mathematical statement. The Guidelines of formulation
Læs mereGeneralized Probit Model in Design of Dose Finding Experiments. Yuehui Wu Valerii V. Fedorov RSU, GlaxoSmithKline, US
Generalized Probit Model in Design of Dose Finding Experiments Yuehui Wu Valerii V. Fedorov RSU, GlaxoSmithKline, US Outline Motivation Generalized probit model Utility function Locally optimal designs
Læs mereKursus 02402/02323 Introduktion til statistik. Forelæsning 13: Et overblik over kursets indhold. Klaus K. Andersen og Per Bruun Brockhoff
Kursus 02402/02323 Introduktion til statistik Forelæsning 13: Et overblik over kursets indhold Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske Universitet
Læs mereDoodleBUGS (Hands-on)
DoodleBUGS (Hands-on) Simple example: Program: bino_ave_sim_doodle.odc A simulation example Generate a sample from F=(r1+r2)/2 where r1~bin(0.5,200) and r2~bin(0.25,100) Note that E(F)=(100+25)/2=62.5
Læs mereSkriftlig Eksamen Beregnelighed (DM517)
Skriftlig Eksamen Beregnelighed (DM517) Institut for Matematik & Datalogi Syddansk Universitet Mandag den 7 Januar 2008, kl. 9 13 Alle sædvanlige hjælpemidler (lærebøger, notater etc.) samt brug af lommeregner
Læs merePortal Registration. Check Junk Mail for activation . 1 Click the hyperlink to take you back to the portal to confirm your registration
Portal Registration Step 1 Provide the necessary information to create your user. Note: First Name, Last Name and Email have to match exactly to your profile in the Membership system. Step 2 Click on the
Læs mereOversigt. Kursus 02402/02323 Introducerende Statistik. Forelæsning 5: Hypotesetest, power og modelkontrol - one sample
Kursus 02402/02323 Introducerende Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Klaus K. Andersen og Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Danmarks Tekniske
Læs mereUser Manual for LTC IGNOU
User Manual for LTC IGNOU 1 LTC (Leave Travel Concession) Navigation: Portal Launch HCM Application Self Service LTC Self Service 1. LTC Advance/Intimation Navigation: Launch HCM Application Self Service
Læs mereReexam questions in Statistics and Evidence-based medicine, august sem. Medis/Medicin, Modul 2.4.
Reexam questions in Statistics and Evidence-based medicine, august 2013 2. sem. Medis/Medicin, Modul 2.4. Statistics : ESSAY-TYPE QUESTION 1. Intelligence tests are constructed such that the average score
Læs mereOversigt. Course 02402/02323 Introducerende Statistik. Forelæsning 3: Kontinuerte fordelinger. Per Bruun Brockhoff
Course 242/2323 Introducerende Statistik Forelæsning 3: Kontinuerte fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 22 Danmarks Tekniske Universitet 28 Lyngby Danmark
Læs mereRoE timestamp and presentation time in past
RoE timestamp and presentation time in past Jouni Korhonen Broadcom Ltd. 5/26/2016 9 June 2016 IEEE 1904 Access Networks Working Group, Hørsholm, Denmark 1 Background RoE 2:24:6 timestamp was recently
Læs mereDet er muligt at chekce følgende opg. i CodeJudge: og
Det er muligt at chekce følgende opg. i CodeJudge:.1.7 og.1.14 Exercise 1: Skriv en forløkke, som producerer følgende output: 1 4 9 16 5 36 Bonusopgave: Modificer dit program, så det ikke benytter multiplikation.
Læs mereq-værdien som skal sammenlignes med den kritiske Chi-i-Anden værdi p-værdien som skal sammenlignes med signifikansniveauet.
Introduktion: Chi-i-Anden test (Goodness of Fit) på computeren fungerer som en "black-boks"- kommando, hvor eleverne med udgangspunkt i en nulhypotese (H ) taster de forventede og de observerede talværdier
Læs mereAnalyseinstitut for Forskning
Analyseinstitut for Forskning CIS3 The Danish Non-response Analysis Peter S. Mortensen Notat 2003/1 fra Analyseinstitut for Forskning The Danish Institute for Studies in Research and Research Policy Finlandsgade
Læs mereSkriftlig Eksamen Diskret matematik med anvendelser (DM72)
Skriftlig Eksamen Diskret matematik med anvendelser (DM72) Institut for Matematik & Datalogi Syddansk Universitet, Odense Onsdag den 18. januar 2006 Alle sædvanlige hjælpemidler (lærebøger, notater etc.),
Læs mereForelæsning 11: Envejs variansanalyse, ANOVA
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalyse, ANOVA Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs 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 mereOn the complexity of drawing trees nicely: corrigendum
Acta Informatica 40, 603 607 (2004) Digital Object Identifier (DOI) 10.1007/s00236-004-0138-y On the complexity of drawing trees nicely: corrigendum Thorsten Akkerman, Christoph Buchheim, Michael Jünger,
Læs mereenote 3: Hypotesetests for én gruppe/stikprøve Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher
Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs merePrivat-, statslig- eller regional institution m.v. Andet Added Bekaempelsesudfoerende: string No Label: Bekæmpelsesudførende
Changes for Rottedatabasen Web Service The coming version of Rottedatabasen Web Service will have several changes some of them breaking for the exposed methods. These changes and the business logic behind
Læs mereTrolling Master Bornholm 2012
Trolling Master Bornholm 1 (English version further down) Tak for denne gang Det var en fornøjelse især jo også fordi vejret var med os. Så heldig har vi aldrig været før. Vi skal evaluere 1, og I må meget
Læs mereSign variation, the Grassmannian, and total positivity
Sign variation, the Grassmannian, and total positivity arxiv:1503.05622 Slides available at math.berkeley.edu/~skarp Steven N. Karp, UC Berkeley FPSAC 2015 KAIST, Daejeon Steven N. Karp (UC Berkeley) Sign
Læs merePARALLELIZATION OF ATTILA SIMULATOR WITH OPENMP MIGUEL ÁNGEL MARTÍNEZ DEL AMOR MINIPROJECT OF TDT24 NTNU
PARALLELIZATION OF ATTILA SIMULATOR WITH OPENMP MIGUEL ÁNGEL MARTÍNEZ DEL AMOR MINIPROJECT OF TDT24 NTNU OUTLINE INEFFICIENCY OF ATTILA WAYS TO PARALLELIZE LOW COMPATIBILITY IN THE COMPILATION A SOLUTION
Læs mereOversigt. 1 Intro: Regneeksempel og TV-data fra B&O. 2 Model og hypotese. 3 Beregning - variationsopspaltning og ANOVA tabellen
Kursus 02402/02323 Introducerende Statistik Forelæsning 10: Envejs variansanalyse, ANOVA Oversigt 1 Intro: Regneeksempel og TV-data fra B&O 2 Model og hypotese Per Bruun Brockhoff DTU Compute, Statistik
Læs mereUnitel EDI MT940 June 2010. Based on: SWIFT Standards - Category 9 MT940 Customer Statement Message (January 2004)
Unitel EDI MT940 June 2010 Based on: SWIFT Standards - Category 9 MT940 Customer Statement Message (January 2004) Contents 1. Introduction...3 2. General...3 3. Description of the MT940 message...3 3.1.
Læs mereProject Step 7. Behavioral modeling of a dual ported register set. 1/8/ L11 Project Step 5 Copyright Joanne DeGroat, ECE, OSU 1
Project Step 7 Behavioral modeling of a dual ported register set. Copyright 2006 - Joanne DeGroat, ECE, OSU 1 The register set Register set specifications 16 dual ported registers each with 16- bit words
Læs mereTrolling Master Bornholm 2014
Trolling Master Bornholm 2014 (English version further down) Den ny havn i Tejn Havn Bornholms Regionskommune er gået i gang med at udvide Tejn Havn, og det er med til at gøre det muligt, at vi kan være
Læs mereSkriftlig eksamen Science statistik- ST501
SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 11. juni Opgavesættet består af 4 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.
Læs mereIkke-parametriske tests
Ikke-parametriske tests 2 Dagens menu t testen Hvordan var det nu lige det var? Wilcoxson Mann Whitney U Kruskall Wallis Friedman Kendalls og Spearmans correlation 3 t-testen Patient Drug Placebo difference
Læs mereHow consumers attributions of firm motives for engaging in CSR affects their willingness to pay
Bachelor thesis Institute for management Author: Jesper Andersen Drescher Bscb(sustainability) Student ID: 300545 Supervisor: Mai Skjøtt Linneberg Appendix for: How consumers attributions of firm motives
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 mereTo the reader: Information regarding this document
To the reader: Information regarding this document All text to be shown to respondents in this study is going to be in Danish. The Danish version of the text (the one, respondents are going to see) appears
Læs merek UAFHÆNGIGE grupper Oversigt 1 Intro eksempel 2 Model og hypotese 3 Beregning - variationsopspaltning og ANOVA tabellen 4 Hypotesetest (F-test)
Kursus 02323: Introduktion til Statistik Forelæsning 11: Envejs variansanalse, ANOVA Peder Bacher DTU Compute, Dnamiske Sstemer Bgning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lngb Danmark e-mail:
Læs mereenote 2: Kontinuerte fordelinger Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher enote 2: Continuous Distributions
Introduktion til Statistik Forelæsning 3: Kontinuerte fordelinger Peder Bacher DTU Compute, Dynamiske Systemer Bygning 33B, Rum 9 Danmarks Tekniske Universitet 28 Lyngby Danmark e-mail: pbac@dtu.dk Efterår
Læs mereapplies equally to HRT and tibolone this should be made clear by replacing HRT with HRT or tibolone in the tibolone SmPC.
Annex I English wording to be implemented SmPC The texts of the 3 rd revision of the Core SPC for HRT products, as published on the CMD(h) website, should be included in the SmPC. Where a statement in
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Repetition og eksamen T-test Normalfordelingen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige
Læs mereKlasseøvelser dag 2 Opgave 1
Klasseøvelser dag 2 Opgave 1 1.1. Vi sætter først working directory og data indlæses: library( foreign ) d
Læs mereProbabilistic properties of modular addition. Victoria Vysotskaya
Probabilistic properties of modular addition Victoria Vysotskaya JSC InfoTeCS, NPK Kryptonite CTCrypt 19 / June 4, 2019 vysotskaya.victory@gmail.com Victoria Vysotskaya (Infotecs, Kryptonite) Probabilistic
Læs mereSTAT-UB.0103 Spring 2012 Homework Set 8 Solutions
1. Curtis was investigating the properties of a new vacuum cleaner motor in terms of a standardized lab procedure. In this procedure, the motor was applied to a pile of gypsum powder for five seconds,
Læs mereStatistik for MPH: november Attributable risk, bestemmelse af stikprøvestørrelse (Silva: , )
Statistik for MPH: 7 3. november 2016 www.biostat.ku.dk/~pka/mph16 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Læs mereKA 4.2 Kvantitative Forskningsmetoder Forår 2010
KA 4.2 Kvantitative Forskningsmetoder Forår 2010 Besvar alle spørgsmål. Brug ikke mere end én side af tekst på de åbne spørgsmål som er markeret * Answer all questions. Do not write more than one page
Læs mereForelæsning 4: Konfidensinterval for middelværdi (og spredning)
Introduktion til Statistik Forelæsning 4: Konfidensinterval for middelværdi (og spredning) Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs 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 mereMuligheder: NB: test for µ 1 = µ 2 i model med blocking ækvivalent med parret t-test! Ide: anskue β j som stikprøve fra normalfordeling.
Eksempel: dæktyper og brændstofforbrug (opgave 25 side 319) Program: cars 1 2 3 4 5... radial 4.2 4.7 6.6 7.0 6.7... belt 4.1 4.9 6.2 6.9 6.8... Muligheder: 1. vi starter med at gennemgå opgave 7 side
Læs mereTidevandstabeller for danske farvande. Tide tables for Danish waters
devandstabeller for danske farvande de tables for anish waters 0 Indhold ontents - orklaring til tabeller Explanation of tables Havnefortegnelse ist of ports - Tabeller for høj- og lavvandstidspunkter
Læs mereIntroduktion til Statistik. Forelæsning 5: Hypotesetest, power og modelkontrol - one sample. Peder Bacher
Introduktion til Statistik Forelæsning 5: Hypotesetest, power og modelkontrol - one sample Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark
Læs mereBrug sømbrættet til at lave sjove figurer. Lav fx: Få de andre til at gætte, hvad du har lavet. Use the nail board to make funny shapes.
Brug sømbrættet til at lave sjove figurer. Lav f: Et dannebrogsflag Et hus med tag, vinduer og dør En fugl En bil En blomst Få de andre til at gætte, hvad du har lavet. Use the nail board to make funn
Læs mereSport for the elderly
Sport for the elderly - Teenagers of the future Play the Game 2013 Aarhus, 29 October 2013 Ditte Toft Danish Institute for Sports Studies +45 3266 1037 ditte.toft@idan.dk A growing group in the population
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 mereMultivariate Extremes and Dependence in Elliptical Distributions
Multivariate Extremes and Dependence in Elliptical Distributions Filip Lindskog, RiskLab, ETH Zürich joint work with Henrik Hult, KTH Stockholm I II III IV V Motivation Elliptical distributions A class
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 mereWindPRO version Nov 2013 Printed/Page :45 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.9.269
Læs mereModule 3: Statistiske modeller
Department of Statistics ST502: Statistisk modellering Pia Veldt Larsen Module 3: Statistiske modeller 31 ANOVA 1 32 Variabelselektion 4 321 Multipel determinationskoefficient 5 322 Variabelselektion med
Læs mereDET KONGELIGE BIBLIOTEK NATIONALBIBLIOTEK OG KØBENHAVNS UNIVERSITETS- BIBLIOTEK. Index
DET KONGELIGE Index Download driver... 2 Find the Windows 7 version.... 2 Download the Windows Vista driver.... 4 Extract driver... 5 Windows Vista installation of a printer.... 7 Side 1 af 12 DET KONGELIGE
Læs mereTrolling Master Bornholm 2015
Trolling Master Bornholm 2015 (English version further down) Panorama billede fra starten den første dag i 2014 Michael Koldtoft fra Trolling Centrum har brugt lidt tid på at arbejde med billederne fra
Læs mereTegning af grafer. Grafen for en ligning (almindelig) Skriv ligningen ind. Højreklik og vælg Plots -> 2-D Plot of Right Side.
TgPakken TgPakken er en række kommandoer til Maple tilegnet til det danske gymnasium. Det er rigtig smart til at kontrollere ens opgaver, men som alenestående svar til en eksamen er det ikke altid tilstrækkeligt.
Læs mereVores mange brugere på musskema.dk er rigtig gode til at komme med kvalificerede ønsker og behov.
På dansk/in Danish: Aarhus d. 10. januar 2013/ the 10 th of January 2013 Kære alle Chefer i MUS-regi! Vores mange brugere på musskema.dk er rigtig gode til at komme med kvalificerede ønsker og behov. Og
Læs mereECE 551: Digital System * Design & Synthesis Lecture Set 5
ECE 551: Digital System * Design & Synthesis Lecture Set 5 5.1: Verilog Behavioral Model for Finite State Machines (FSMs) 5.2: Verilog Simulation I/O and 2001 Standard (In Separate File) 3/4/2003 1 ECE
Læs mereKursus 02323: Introducerende Statistik. Forelæsning 8: Simpel lineær regression. Peder Bacher
Kursus 02323: Introducerende Statistik Forelæsning 8: Simpel lineær regression Peder Bacher DTU Compute, Dynamiske Systemer Bygning 303B, Rum 009 Danmarks Tekniske Universitet 2800 Lyngby Danmark e-mail:
Læs mereTitel: Barry s Bespoke Bakery
Titel: Tema: Kærlighed, kager, relationer Fag: Engelsk Målgruppe: 8.-10.kl. Data om læremidlet: Tv-udsendelse: SVT2, 03-08-2014, 10 min. Denne pædagogiske vejledning indeholder ideer til arbejdet med tema
Læs mereNormalfordelingen. Statistik og Sandsynlighedsregning 2
Normalfordelingen Statistik og Sandsynlighedsregning 2 Repetition og eksamen Erfaringsmæssigt er normalfordelingen velegnet til at beskrive variationen i mange variable, blandt andet tilfældige fejl på
Læs mereExam questions in Statistics and evidence-based medicine, spring 2011 2. sem. Medis/Medicin, Modul 2.4.
Exam questions in Statistics and evidence-based medicine, spring 2011 2. sem. Medis/Medicin, Modul 2.4. MUPTIPLE HOIE QUESTION 1. Identify the false statement: D E Power = [1 - (probability of a Type II
Læs mereATEX direktivet. Vedligeholdelse af ATEX certifikater mv. Steen Christensen stec@teknologisk.dk www.atexdirektivet.
ATEX direktivet Vedligeholdelse af ATEX certifikater mv. Steen Christensen stec@teknologisk.dk www.atexdirektivet.dk tlf: 7220 2693 Vedligeholdelse af Certifikater / tekniske dossier / overensstemmelseserklæringen.
Læs mereLinear regression. Statistical modelling. Gilles Guillot. September 17,
Linear regression Statistical modelling Gilles Guillot gigu@dtu.dk September 17, 2013 Gilles Guillot (gigu@dtu.dk) Linear regression September 17, 2013 1 / 33 Example Example Concentration of DDT (a toxic
Læs mereHelp / Hjælp
Home page Lisa & Petur www.lisapetur.dk Help / Hjælp Help / Hjælp General The purpose of our Homepage is to allow external access to pictures and videos taken/made by the Gunnarsson family. The Association
Læs mereSkriftlig Eksamen Beregnelighed (DM517)
Skriftlig Eksamen Beregnelighed (DM517) Institut for Matematik & Datalogi Syddansk Universitet Mandag den 31 Oktober 2011, kl. 9 13 Alle sædvanlige hjælpemidler (lærebøger, notater etc.) samt brug af lommeregner
Læs mereKonfidensintervaller og Hypotesetest
Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller
Læs mereLæs venligst Beboer information om projekt vandskade - sikring i 2015/2016
Læs venligst Beboer information om projekt vandskade - sikring i 2015/2016 Vi er nødsaget til at få adgang til din lejlighed!! Hvis Kridahl (VVS firma) har bedt om adgang til din/jeres lejlighed og nøgler,
Læs mereEngineering of Chemical Register Machines
Prague International Workshop on Membrane Computing 2008 R. Fassler, T. Hinze, T. Lenser and P. Dittrich {raf,hinze,thlenser,dittrich}@minet.uni-jena.de 2. June 2008 Outline 1 Motivation Goal Realization
Læs mereAarhus Universitet, Science and Technology, Computer Science. Exam. Wednesday 27 June 2018, 9:00-11:00
Page 1/12 Aarhus Universitet, Science and Technology, Computer Science Exam Wednesday 27 June 2018, 9:00-11:00 Allowed aid: None The exam questions are answered on the problem statement that is handed
Læs mereOversigt. 1 Motiverende eksempel: Højde-vægt. 2 Lineær regressionsmodel. 3 Mindste kvadraters metode (least squares)
Kursus 02402/02323 Introducerende Statistik Forelæsning 8: Simpel lineær regression Oversigt Motiverende eksempel: Højde-vægt 2 Lineær regressionsmodel 3 Mindste kvadraters metode (least squares) Klaus
Læs mereAktivering af Survey funktionalitet
Surveys i REDCap REDCap gør det muligt at eksponere ét eller flere instrumenter som et survey (spørgeskema) som derefter kan udfyldes direkte af patienten eller forsøgspersonen over internettet. Dette
Læs mereEngelsk. Niveau D. De Merkantile Erhvervsuddannelser September Casebaseret eksamen. og
052431_EngelskD 08/09/05 13:29 Side 1 De Merkantile Erhvervsuddannelser September 2005 Side 1 af 4 sider Casebaseret eksamen Engelsk Niveau D www.jysk.dk og www.jysk.com Indhold: Opgave 1 Presentation
Læs mereNaturvidenskabelig Bacheloruddannelse Forår 2006 Matematisk Modellering 1 Side 1
Matematisk Modellering 1 Side 1 I nærværende opgavesæt er der 16 spørgsmål fordelt på 4 opgaver. Ved bedømmelsen af besvarelsen vægtes alle spørgsmål lige. Endvidere lægges der vægt på, at det af besvarelsen
Læs mereDK - Quick Text Translation. HEYYER Net Promoter System Magento extension
DK - Quick Text Translation HEYYER Net Promoter System Magento extension Version 1.0 15-11-2013 HEYYER / Email Templates Invitation Email Template Invitation Email English Dansk Title Invitation Email
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 mereHypoteser om mere end to stikprøver ANOVA. k stikprøver: (ikke ordinale eller højere) gælder også for k 2! : i j
Hypoteser om mere end to stikprøver ANOVA k stikprøver: (ikke ordinale eller højere) H 0 : 1 2... k gælder også for k 2! H 0ij : i j H 0ij : i j simpelt forslag: k k 1 2 t-tests: i j DUER IKKE! Bonferroni!!
Læs mereUniversity of Copenhagen Faculty of Science Written Exam - 3. April Algebra 3
University of Copenhagen Faculty of Science Written Exam - 3. April 2009 Algebra 3 This exam contains 5 exercises which are to be solved in 3 hours. The exercises are posed in an English and in a Danish
Læs mereShooting tethered med Canon EOS-D i Capture One Pro. Shooting tethered i Capture One Pro 6.4 & 7.0 på MAC OS-X 10.7.5 & 10.8
Shooting tethered med Canon EOS-D i Capture One Pro Shooting tethered i Capture One Pro 6.4 & 7.0 på MAC OS-X 10.7.5 & 10.8 For Canon EOS-D ejere der fotograferer Shooting tethered med EOS-Utility eller
Læs mereTrolling Master Bornholm 2014
Trolling Master Bornholm 2014 (English version further down) Ny præmie Trolling Master Bornholm fylder 10 år næste gang. Det betyder, at vi har fundet på en ny og ganske anderledes præmie. Den fisker,
Læs mere