a) Anpassa en trinomial responsmodell med övriga relevanta variabler som (icketransformerade)
|
|
- Camilla Sundqvist
- för 8 år sedan
- Visningar:
Transkript
1 5:1 Studien ifråga, High School and beyond, går ut på att hitta ett samband mellan vilken typ av program generellt, praktiskt eller akademiskt som studenter väljer baserat på olika faktorer kön, ras, socioekonomisk status, typ av skola samt poäng på test inom sociala studier, vetenskap, matematik, läsning och skrivning. a) Anpassa en trinomial responsmodell med övriga relevanta variabler som (icketransformerade) prediktorer. I detta fall är alltså typen av program multinominal responsvariabel. Bör man betrakta variabeln som ordinal eller nominal? Man kan argumentera för att ett generellt program kan ses som ett mellansteg mellan ett praktiskt och ett akademiskt. Att en multinominal responsvariabel har valts innebär att antalet observationer är fixerat vid 200, men att antalet observationer med vissa egenskaper har tillåtits variera fritt. En annan fråga är vilken typ av generaliserad linjär modell som är lämplig för undersökningen, och svaret på frågan beror på hur man valt ut de personer som ingår i undersökningen. Antal observationer per faktor varierar, vilket tyder på att någon form av poissonmodell är mest lämpad för materialet. Här har funktionen multinom använts. AIC-värdet för denna modell är c:a 357.9, och residualdeviansen 305.8, vilket tyder på att modellen är väl anpassad för data. b) Använd baklänges eliminering av variabler för att reducera modellen till en där alla prediktorer är statistiskt signifikanta. Ge en tolkning av den resulterande modellen. De variabler som är signifikanta efter en stegvis eliminering är typ av skola, socioekonomisk klass, samt resultat på matematik, sociala studier och vetenskap, och modellen är som följer, med akademiskt program som jämförelse 1 : 1 Underklass, medelklass osv. är knappast bra översättningar av låg socioekonomisk status m.m., detta kan vara värt att hålla i minnet men torde inte vara så relevant för diskussionen som följer.
2 AIC-värdet för denna modell är c:a 343.6, och residualdeviansen 315.6, vilket är en viss förbättring i jämförelse med grundmodellen. Tolkning: Modellen indikerar att personer som väljer allmän skola är mer benägna att välja generellt eller (framförallt) praktiskt program än de som går privatskola de senare är alltså mer benägna att välja akademiskt program. Elever som kommer från bakgrunder med låg eller medelhög socioekonomisk status är dessutom mer benägna att välja generellt program. Intressant är att elever från medelklassen är mycket mer benägna att välja praktisk inriktning än såväl arbetarklasselever som elever från de högre samhällsskikten. Detta resultat synes mig något oväntat. Elever som haft högt resultat på matematik och/eller sociala studier är mer benägna att välja akademiskt program, vilket kan tyckas logiskt då det tyder på teoretiska färdigheter. Däremot innehåller modellen en viss koppling mellan högt resultat på vetenskapsdelen och ickeakademisk utbildning, vilket är förvånande. Dock: poängsystemet verkar vara detsamma för matematik, vetenskap och sociala studier, och koefficienten för vetenskap är väldigt liten, vilket innebär att effekten kanske kan ses som ren slump. Man kan också undra över korrelationen mellan de oberoende variablerna: kanske är poängen på vetenskap högt korrelerad med, säg, hög poäng på matematik, vilket skulle göra koefficienterna något opålitliga. c) Beräkna de predikterade sannolikheterna för de tre valen för studenten med ID 99. Via funktionen predict, och typen probs : 50.8% akademiskt program 37.6% generellt program 11.7% praktiskt program 8:2
3 Detta dataset kommer från en studie av hur lång tid det tar för blod att koagulera. Tjugofyra djur har slumpmässigt tilldelats en av fyra olika dieter och sampel från djuren har tagits i slumpmässig ordning. a) Ett nytt djur har tilldelats diet D. Prediktera koaguleringstiden för djuret ifråga tillsammans med en skattning av variabiliteten i denna prediktion. Enligt Shapiro-Wilks normalitetstest är p-värdet för koaguleringstiderna är normalfördelade , vilket innebär att normalfördelning är ett rimligt antagande. I studien verkar inte dieternas effekt på koaguleringen i sig vara av intresse, utan frågan är hur koaguleringstiden varierar. Med andra ord är en modell med slumpmässiga effekter att föredra. I och med att = 61 så är den enda väntevärdesriktiga skattningen av prediktionstiden 61 sekunder. Vad gäller konfidensintervall så verkar residualerna vara mer eller mindre normalfördelade med stabil varians. Alltså borde ett 95%-igt konfidensintervall för den nya observationer kunna beräknas som: 1.96* sekunder. ICC-värdet för vilket innebär att större delen av variansen i koaguleringstid kan förklaras med hjälp av skillnaden i diet. b) En ny diet ges till ett nytt djur. Prediktera koaguleringstiden för djuret ifråga tillsammans med en skattning av variabiliteten i denna prediktion. Nu varierar koagulationstiden både med avseende på individ och på diet. Medelvärdet för koaguleringstid om vi inte blockar med avseende på diet är 64 sekunder. Alltså borde ett 95%-igt konfidensintervall för den nya observationen kunna beräknas som: 1.96* (56, 72) sekunder. c) En ny diet ges till det första djuret i datasetet. Prediktera koaguleringstiden för djuret ifråga tillsammans med en skattning av variabiliteten i denna prediktion. Förutsätt att effekten från den första dieten har avtagit. Denna gång är residualvariansen det vill säga skillnaden mellan individer konstant i och med att vi testar för samma djur. Däremot varierar tiden med avseende på diet. Dock: här görs ett antagande som är svårt att verifiera och kan visa sig gravt felaktigt, nämligen att hela eller åtminstone lejonparten av residualvariansen kan förklaras med skillnader mellan individer. Om skillnaden inom individer också är betydande blir de skattningsintervall som följer för optimistiska. Sådana skillnader hade kunnat upptäckas om flera tester hade gjorts på samma djur (förutsatt att de första effekterna hade avtagit när de nya gjordes). Om detta antagande kan göras blir beräkningen som följer: Första observationen har koaguleringstiden 62 sekunder, och =61 sekunder. Om vi accepterar antagandet om konstant varians innebär detta att det predikterade värdet för observation ett är en sekund över medel, det vill säga 65 sekunder. Alltså borde ett 95%-igt konfidensintervall för den nya observationen kunna beräknas som: 1.96* (58, 72) sekunder. 9:4
4 Detta dataset ger maximala accelerationer mätta på olika observationsstationer för 23 jordbävningar i Kalifornien. Dessa data har används för att skatta hur ökat avstånd förtunnar effekten av markacceleration. a) Modellera logaritmen av accelerationen som en funktion av logaritmen av avståndet givet storleken av skalvet En rent linjär modell ger inte optimalt resultat, i och med att avståndsmåtten är nästlade i de olika skalven. Det innebär att residualerna är beroende. Med hjälp av funktionen lmer i R så kan man använda sig av en nästlad modell, vilket ledde till ekvationen: b) Prediktera hur accelerationen varierar för en jordbävning av storlek 7.5. Uttryck kvantitativt osäkerheten i förutsägelsen. Ett problem med lme4-paketet i R är avsaknaden av en predict -funktion som hör till lmer-funktionen. Däremot kan man, via funktionen ranef, få de skattade intercepten för de värden på magnituden som finns i datamaterialet. För att få interceptet för 7.5 tog jag därför medelvärdet av intercepten för 7.4 och 7.6, vilket givetvis inte är en optimal lösning. Detta innebär att den predikterade accelerationen vid epicentrum är Figur 1: Graf över acceleration (g) vs. avstånd (km). Ett annat problem är att residualerna i modellen inte är normalfördelade enligt Shapiro-Wilks normalfördelningstest. Trots denna reservation har jag använt mig av ett approximativt normalfördelat konfidensintervall, vilket i och med att residualstandardavvikelsen är c:a ger intervallet (,
5 )=( 2.43,-0.23) för interceptet. I och med att intervallet är så stort så måste förutsägelsen anses vara väldigt osäker. Figur 2: Graf över acceleration (g) vs. avstånd (km), med 95%-igt konfidensintervall c) Prediktera hur accelerationen varierade för den första händelsen, där bara en observation fanns tillgänglig. Det skattade interceptet för en händelse med magnitud 7.0 (händelse ett) är c:a Med andra ord blir ekvationen:
6 Appendix 5.1 library(faraway) data<-data(hsb) attach(hsb) help(hsb) #program är responsvariabel. hsb$race #antalet vita och övr. skiljer sig åt library(nnet) M<-multinom(prog~schtyp+ses+race+gender+read+write+math+science+socst) step(m) predict(m,type="probs") 8.2 attach(coagulation) data(coagulation) ANOVA=aov(coag~diet) LinearMod=lm(coag~diet) RandomEff<-lmer(coag~1+(1 diet)) summary(randomeff) ICC= /( ) (Alltså borde ett 95%-igt konfidensintervall för den nya observationen kunna beräknas som: plot(res) #verkar vara normalfördelade(?) och variansen verkar vara ungefär densamma för de olika dieterna = /8=61 #mv för D *1.96 #95% konfidensintervall *1.96
7 sqrt( ) #SD för diet+residual. mean(coag) #= (sqrt( ))* (sqrt( ))*1.96 ( )/4 #mv för A #1:a observationen har en res. på (sqrt( ))* (sqrt( ))* shapiro.test(resid(accdist)) hist(resid(accdist)) plot(resid(accdist)) library(lmtest) dwtest(lm(log(accel)~log(dist))) # Durbin-Watson test #data: lm(log(accel) ~ log(dist)) #DW = , p-value = 7.304e-07 #alternative hypothesis: true autocorrelation is greater than 0 library(lme4) M=lmer((log(accel)~1+(1 mag)+mag:(log(dist)))) ranef(m) ( )/2 shapiro.test(m@resid) avstand=1:300 acceleration=exp( *log(avstand)) plot(acceleration~avstand) #Matlab-kommandon >>avstand=1:300 >> acceleration=exp( *log(avstand)); >> accelerationmin=exp( *log(avstand)); >> accelerationmax=exp( *log(avstand)) >> hold on >> plot(avstand,acceleration) >> plot(avstand,accelerationmin,'.') >> plot(avstand,accelerationmax,'.')
Tillämpad statistik (A5), HT15 Föreläsning 10: Multipel linjär regression 1
Tillämpad statistik (A5), HT15 Föreläsning 10: Multipel linjär regression 1 Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-19 Motivering Vi motiverade enkel linjär regression som ett
Läs merStatistik och epidemiologi T5
Statistik och epidemiologi T5 Anna Axmon Biostatistiker Yrkes- och miljömedicin Dagens föreläsning Fördjupning av hypotesprövning Repetition av p-värde och konfidensintervall Tester för ytterligare situationer
Läs merSTOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB DATORLABORATION 3: MULTIPEL REGRESSION.
MATEMATISKA INSTITUTIONEN Tillämpad statistisk analys, GN STOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB 2011-04-13 DATORLABORATION 3: MULTIPEL REGRESSION. Under Instruktioner och data på
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2013-01-18 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Ove
Läs merResultatet läggs in i ladok senast 13 juni 2014.
Matematisk statistik Tentamen: 214 6 2 kl 14 19 FMS 35 Matematisk statistik AK för M, 7.5 hp Till Del A skall endast svar lämnas. Samtliga svar skall skrivas på ett och samma papper. Övriga uppgifter fordrar
Läs merLektionsanteckningar 2: Matematikrepetition, tabeller och diagram
Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram 2.1 Grundläggande matematik 2.1.1 Potensfunktioner xmxn xm n x x x x 3 4 34 7 x x m n x mn x x 4 3 x4 3 x1 x x n 1 x n x 3 1 x 3 x0 1 1
Läs merEnkel linjär regression: skattning, diagnostik, prediktion. Multipel regression: modellval, indikatorvariabler
UPPSALA UNIVESITET Matematiska institutionen Jesper ydén Matematisk statistik 1MS026 vt 2014 DATOÖVNING MED : EGESSION I den här datorövningen studeras följande moment: Enkel linjär regression: skattning,
Läs merLinjär regressionsanalys. Wieland Wermke
+ Linjär regressionsanalys Wieland Wermke + Regressionsanalys n Analys av samband mellan variabler (x,y) n Ökad kunskap om x (oberoende variabel) leder till ökad kunskap om y (beroende variabel) n Utifrån
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression LABORATION 5 MATEMATISK STATISTIK AK FÖR CDE, FMS012, VT08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 5 MATEMATISK STATISTIK AK FÖR CDE, FMS012, VT08 Laboration 5: Regressionsanalys Syftet med den här laborationen är att du skall
Läs merUppgift 1. Deskripitiv statistik. Lön
Uppgift 1 Deskripitiv statistik Lön Variabeln Lön är en kvotvariabel, även om vi knappast kommer att uppleva några negativa värden. Det är sannolikt vår intressantaste variabel i undersökningen, och mot
Läs merRegressionsanalys av huspriser i Vaxholm
Regressionsanalys av huspriser i Vaxholm Rasmus Parkinson Kandidatuppsats i matematisk statistik Bachelor Thesis in Mathematical Statistics Kandidatuppsats 2015:19 Matematisk statistik Juni 2015 www.math.su.se
Läs merMultipel regression och Partiella korrelationer
Multipel regression och Partiella korrelationer Joakim Westerlund Kom ihåg bakomliggande variabelproblemet: Temperatur Jackförsäljning Oljeförbrukning Bakomliggande variabelproblemet kan, som tidigare
Läs merMatematisk statistik allmän kurs, MASA01:B, HT-14 Laboration 2
Lunds universitet Matematikcentrum Matematisk statistik Matematisk statistik allmän kurs, MASA01:B, HT-14 Laboration 2 Rapporten till den här laborationen skall lämnas in senast den 19e December 2014.
Läs merTentamen STA A10 och STA A13, 9 poäng 19 januari 2006, kl. 8.15-13.15
Tentamen STA A10 och STA A13, 9 poäng 19 januari 2006, kl. 8.15-13.15 Tillåtna hjälpmedel: Ansvarig lärare: Räknedosa, bifogade formel- och tabellsamlingar, vilka skall returneras. Christian Tallberg Telnr:
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 01, HT-07 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen, enkla punktskattningar
Läs merForskningsläget betr värdet av restidsvinster för privatresor i Sverige
Lars Hultkrantz 1998-12-30 Forskningsläget betr värdet av restidsvinster för privatresor i Sverige Inledning Nuvarande tidsvärden för restidsförändringar för resenärer som betalar sina resa med egna medel
Läs merStatistikens grunder (an, 7,5 hsp) Tatjana Nahtman Statistiska institutionen, SU
Statistikens grunder (an, 7,5 hsp) Tatjana Nahtman Statistiska institutionen, SU KURSENS INNEHÅLL Statistiken ger en empirisk grund för ekonomin. I denna kurs betonas statistikens idémässiga bakgrund och
Läs merPrediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren Prediktera Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/28 Statistik för modellval
Läs merStatistik B Regressions- och tidsserieanalys Föreläsning 1
Statistik B Regressions- och tidsserieanalys Föreläsning Kurskod: 732G7, 8 hp Lärare och examinator: Ann-Charlotte (Lotta) Hallberg Lärare och lektionsledare: Isak Hietala Labassistenter Kap 3,-3,6. Läs
Läs merStatistiska metoder för säkerhetsanalys
F10: Intensiteter och Poissonmodeller Frågeställningar Konstant V.v.=Var Cyklister Poissonmodeller för frekvensdata Vi gör oberoende observationer av de (absoluta) frekvenserna n 1, n 2,..., n k från den
Läs merLäs noggrant informationen nedan innan du börjar skriva tentamen
Tentamen i Statistik 1: Undersökningsmetodik Ämneskod S0006M Totala antalet uppgifter: Totala antalet poäng Lärare: Mykola Shykula 5 25 Tentamensdatum 2014-05-15 Skrivtid 09.00-14.00 Jourhavande lärare:
Läs merUr boken Självkänsla Bortom populärpsykologi och enkla sanningar
Ur boken Bortom populärpsykologi och enkla sanningar av Magnus Lindwall, Göteborgs universitet Begreppet självkänsla har under de senaste åren fått stor uppmärksamhet i populärvetenskapliga böcker. Innehållet
Läs merSummor av slumpvariabler
1/22 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 8/2 2013 2/22 Dagens föreläsning Väntevärde och varians Vanliga kontinuerliga fördelningar Parkeringsplatsproblemet
Läs merÖVNINGSUPPGIFTER KAPITEL 9
ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar
Läs merStatistiska analyser C2 Inferensstatistik. Wieland Wermke
+ Statistiska analyser C2 Inferensstatistik Wieland Wermke + Signifikans och Normalfördelning + Problemet med generaliseringen: inferensstatistik n Om vi vill veta ngt. om en population, då kan vi ju fråga
Läs merKapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA
Kapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA 12.1 ANOVA I EN MULTIPEL REGRESSION Exempel: Tjänar man mer som egenföretagare? Nedan visas ett utdrag ur ett dataset som innehåller information
Läs merStructural Equation Modeling med Amos Kimmo Sorjonen (2012-01-24)
1 Structural Equation Modeling med Amos Kimmo Sorjonen (2012-01-24) 1. Variabler och tänkt modell Data simulerar de som använts i följande studie (se Appendix A): Hull, J. G., & Mendolia, M. (1991). Modeling
Läs merHanne Solem Görel Hydén Sätt in stöten! MATEMATIK
Hanne Solem Görel Hydén Sätt in stöten! MATEMATIK Multiplika tion Multiplikation, 5-tabellen Att multiplicera är detsamma som att addera samma tal flera gånger. Det kallar vi upprepad addition. 3 5 kan
Läs merUnder denna laboration kommer regression i olika former att tas upp. Laborationen består av fyra större deluppgifter.
Laboration 5 Under denna laboration kommer regression i olika former att tas upp. Laborationen består av fyra större deluppgifter. Deluppgift 1: Enkel linjär regression Övning Under denna uppgift ska enkel
Läs mera) Vad är sannolikheten att det tar mer än 6 sekunder för programmet att starta?
Tentamen i Matematisk statistik, S0001M, del 1, 2008-01-18 1. Ett företag som köper enheter från en underleverantör vet av erfarenhet att en viss andel av enheterna kommer att vara felaktiga. Sannolikheten
Läs merk x om 0 x 1, f X (x) = 0 annars. Om Du inte klarar (i)-delen, så får konstanten k ingå i svaret. (5 p)
Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSLÄRA OCH STATISTIK MÅNDAGEN DEN 17 AUGUSTI 2009 KL 08.00 13.00. Examinator: Gunnar Englund, tel. 790 74 16. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) Onsdag 1 november 2006, Kl 08.15-13.15
Tentamen i Statistik, STA A och STA A13 (9 poäng) Onsdag 1 november 00, Kl 0.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema och tabellsamling (dessa skall returneras). Egen miniräknare.
Läs merBIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 8 (2016-05-02) OCH INFÖR ÖVNING 9 (2016-05-09)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 8 (2016-05-02) OCH INFÖR ÖVNING 9 (2016-05-09) Aktuella avsnitt i boken är Kapitel 7. Lektionens mål: Du
Läs merFigur 1. Skärmbild med markerade steg i videon. Diagram och tabell som visar positionerna som funktion av tiden.
Videomodellering I tillägg till videoanalys är det möjligt att skapa modeller i Tracker. Genom att använda en video av ett försök kan man utifrån denna skapa en modell som beskriver förloppet. Det finns
Läs merKapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN
Kapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN Spridningsdiagrammen nedan representerar samma korrelationskoefficient, r = 0,8. 80 80 60 60 40 40 20 20 0 0 20 40 0 0 20 40 Det finns dock två
Läs merInformation om SKK:s index för HD och ED
Information om SKK:s index för HD och ED Text: Sofia Malm Höft- och armbågsledsdysplasi (HD och ED) är vanligt förekommande i många, framförallt storvuxna, hundraser. Trots mångåriga hälsoprogram orsakar
Läs merT-test, Korrelation och Konfidensintervall med SPSS Kimmo Sorjonen
T-test, Korrelation och Konfidensintervall med SPSS Kimmo Sorjonen 1. One-Sample T-Test 1.1 När? Denna analys kan utföras om man vill ta reda på om en populations medelvärde på en viss variabel kan antas
Läs merKunskap = sann, berättigad tro (Platon) Om en person P s har en bit kunskap K så måste alltså: Lite kunskaps- och vetenskapsteori
Lite kunskaps- och vetenskapsteori Empiriska metoder: kvalitativa och kvantitativa Experiment och fältstudier Människor och etik 1 Kunskap = sann, berättigad tro (Platon) Om en person P s har en bit kunskap
Läs merPM NÄTAVGIFTER Sammanfattning.
PM NÄTAVGIFTER Uppdragsansvarig Anna Werner Mobil +46 (0)768184915 Fax +46 105050010 anna.werner@afconsult.com Datum Referens 2013-12-10 587822-2 (2a) Villaägarna Jakob Eliasson jakob.eliasson@villaagarna.se
Läs merTentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.''
Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.'' Hjälpmedel:'Valfri'räknare,'egenhändigt'handskriven'formelsamling'(4''A4Esidor'på'2'blad)' och'till'skrivningen'medhörande'tabeller.''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (9 uppgifter) Tentamensdatum 2011-10-25 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Lennart
Läs merF14 Repetition. Måns Thulin. Uppsala universitet thulin@math.uu.se. Statistik för ingenjörer 6/3 2013 1/15
1/15 F14 Repetition Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 6/3 2013 2/15 Dagens föreläsning Tentamensinformation Exempel på tentaproblem På kurshemsidan finns sex gamla
Läs merFöreläsning 7 och 8: Regressionsanalys
Föreläsning 7 och 8: Pär Nyman par.nyman@statsvet.uu.se 12 september 2014-1 - Vårt viktigaste verktyg för kvantitativa studier. Kan användas till det mesta, men svarar oftast på frågor om kausala samband.
Läs merPåverkar Dag 0 express däckförsäljningen?
Påverkar Dag 0 express däckförsäljningen? Utvärdering av hierarkiska klustringsmetoder med försäljningsdata & Enkätundersökning om efterfrågan på expressleverans Nadia Mena & Yun-ji Agnes Lee C-uppsats
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merPreliminär rapport om populationsutveckling och storlek av brunbjörn i Sverige, 2004
Preliminär rapport om populationsutveckling och storlek av brunbjörn i Sverige, 24 En rapport till Naturvårdsverket från Skandinaviska Björnprojektet 31 maj 24 Jonas Kindberg Jon Swenson Sven Brunberg
Läs merARIMA del 2. Patrik Zetterberg. 19 december 2012
Föreläsning 8 ARIMA del 2 Patrik Zetterberg 19 december 2012 1 / 28 Undersöker funktionerna ρ k och ρ kk Hittills har vi bara sett hur autokorrelationen och partiella autokorrelationen ser ut matematiskt
Läs merStatistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs
Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs TE/RC Datorövning 4 Syfte: 1. Lära sig beräkna konfidensintervall och täckningsgrad 2. Lära sig rita en exponentialfördelning 3. Lära sig illustrera
Läs merStatistisk undersökningsmetodik (Pol. kand.)
TENTAMEN Tentamensdatum 2008-10-02 Statistisk undersökningsmetodik (Pol. kand.) Namn:.. Personnr:.. Tentakod: Obs! Var noga med att skriva din tentakod på varje lösningsblad som du lämnar in. Skrivtid
Läs merÄr sjukvården jämställd och går det åt rätt håll?
Inledning Som titeln antyder är syftet med den här undersökningen att ta reda på om svensk hälso- och sjukvård är jämställd. Det är en fråga som kan analyseras utifrån olika perspektiv, vilka i huvudsak
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 23:E MAJ 2013 KL 14.00 19.00. Kursledare och examinator : Björn-Olof Skytt Tillåtna hjälpmedel: miniräknare, lathund
Läs merKA RKUNSKAP. Vad vet samhällsvetarna om sin kår? Julius Schmidt, Hannes Jägerstedt, Hanna Johansson, Miro Beríc STAA31 HT14
KA RKUNSKAP Julius Schmidt, Hannes Jägerstedt, Hanna Johansson, Miro Beríc Vad vet samhällsvetarna om sin kår? STAA31 HT14 Handledare: Peter Gustafsson Ekonomihögskolan, Statistiska institutionen Innehållsförteckning
Läs merTMS136. Föreläsning 10
TMS136 Föreläsning 10 Intervallskattningar Vi har sett att vi givet ett stickprov kan göra punktskattningar för fördelnings-/populationsparametrar En punkskattning är som vi minns ett tal som är en (förhoppningsvis
Läs merTENTAMEN KVANTITATIV METOD (100205)
ÖREBRO UNIVERSITET Hälsoakademin Idrott B, Vetenskaplig metod TENTAMEN KVANTITATIV METOD (205) Examinationen består av 11 frågor, några med tillhörande följdfrågor. Besvara alla frågor i direkt anslutning
Läs merFöreläsning 9. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (8 uppgifter) Tentamensdatum 2012-01-13 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Ove
Läs merLäs noggrant informationen nedan innan du börjar skriva tentamen
Tentamen i Statistik 1: Undersökningsmetodik Ämneskod S0006M Totala antalet uppgifter: Totala antalet poäng Lärare: 5 25 Mykola Shykula, Inge Söderkvist, Ove Edlund, Niklas Grip Tentamensdatum 2014-03-26
Läs mer2014-09-16 KARTLÄGGNING AV MATEMATIKLÄRARES UTBILDNINGSBAKGRUND
2014-09-16 KARTLÄGGNING AV MATEMATIKLÄRARES UTBILDNINGSBAKGRUND GENOMFÖRD VÅREN 2014 INOM RAMEN FÖR SKL MATEMATIK PISA 2015 2 (15) Innehållsförteckning Försättsblad sid 1 Innehållsförteckning sid 2 Sammanfattning
Läs merKorrelation kausalitet. ˆ Y =bx +a KAPITEL 6: LINEAR REGRESSION: PREDICTION
KAPITEL 6: LINEAR REGRESSION: PREDICTION Prediktion att estimera "poäng" på en variabel (Y), kriteriet, på basis av kunskap om "poäng" på en annan variabel (X), prediktorn. Prediktion heter med ett annat
Läs merSÄKERHETSVISAREN 1. LEDNING OCH PRIORITERINGAR
1. LEDNING OCH PRIORITERINGAR Ledningen har en nyckelroll för att företaget ska bli bättre på att förhindra olyckor och tillbud. Ord måste omsättas i handling och en viktig uppgift är att involvera alla
Läs merKonsekvenser av indelningar i områden för redovisning av försök i svensk sortprovning. Johannes Forkman, Saeid Amiri and Dietrich von Rosen
Konsekvenser av indelningar i områden för redovisning av försök i svensk sortprovning Johannes Forkman, Saeid Amiri and Dietrich von Rosen Swedish University of Agricultural Sciences (SLU) Department of
Läs merLULEÅ TEKNISKA UNIVERSITET Ämneskod S0006M Institutionen för matematik Datum 2009-12-17 Skrivtid 0900 1400
LULEÅ TEKNISKA UNIVERSITET Ämneskod S0006M Institutionen för matematik Datum 2009-12-17 Skrivtid 0900 1400 Tentamen i: Statistik 1, 7.5 hp Antal uppgifter: 5 Krav för G: 11 Lärare: Robert Lundqvist, tel
Läs merRödGrön-spelet Av: Jonas Hall. Högstadiet. Tid: 40-120 minuter beroende på variant Material: TI-82/83/84 samt tärningar
Aktivitetsbeskrivning Denna aktivitet är utformat som ett spel som spelas av en grupp elever. En elev i taget agerar Gömmare och de andra är Gissare. Den som är gömmare lagrar (gömmer) tal i några av räknarens
Läs merKursutvärdering. Samhällskunskap A
Samhällskunskap A Läsåret 9-1 Läsåret 9-1 8 6 4 Mycket bra Bra Dåligt Mycket dåligt EAS 1. Mitt första inryck av denna kurs var: Mycket bra 6 29 Bra 14 67 Dåligt 1 5 Mycket dåligt - - Antal EAS:. Antal
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall
Läs merDekomponering av löneskillnader
Lönebildningsrapporten 2013 133 FÖRDJUPNING Dekomponering av löneskillnader Den här fördjupningen ger en detaljerad beskrivning av dekomponeringen av skillnader i genomsnittlig lön. Först beskrivs metoden
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 7. Multipel regression. (LLL Kap 15) Multipel Regressionsmodellen
Finansiell Statistik (GN, 7,5 hp,, HT 8) Föreläsning 7 Multipel regression (LLL Kap 5) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course,
Läs merlära dig tolka ett av de vanligaste beroendemåtten mellan två variabler, korrelationskoefficienten.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FMS035: MATEMATISK STATISTIK FÖR M DATORLABORATION 5, 11 MAJ 2012 Syfte Syftet med dagens laboration är att du ska lära dig tolka ett av de
Läs merBlandade problem från väg- och vattenbyggnad
Blandade problem från väg- och vattenbyggnad Sannolikhetsteori (Kapitel 1 7) V1. Vid en undersökning av bostadsförhållanden finner man att av 300 lägenheter har 240 bad (och dusch) medan 60 har enbart
Läs merHD-index. ett nytt verktyg i avelsarbetet för bättre ledhälsa. Text: Sofia Malm, Foto: Åsa Lindholm
HD-index ett nytt verktyg i avelsarbetet för bättre ledhälsa Text: Sofia Malm, Foto: Åsa Lindholm HD, eller höftledsdysplasi som förkortningen står för, är ett alltför vanligt problem i många storvuxna
Läs merEn ekonomisk analys av orsaker till individers preventiva tandvårdsbeteende
NATIONALEKONOMISKA INSTITUTIONEN Uppsala universitet Uppsats fortsättningskurs C Författare: Janna Bergman Linnea Stern Petersson Handledare: Erik Grönqvist VT 2006 En ekonomisk analys av orsaker till
Läs merFöreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 8 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Enkel linjär regression (kap 17.1 17.5) o Skatta regressionslinje (kap 17.2) o Signifikant lutning? (kap 17.3, 17.5a) o Förklaringsgrad
Läs merIntroduktion. Exempel Övningar Lösningar 1 Lösningar 2 Översikt
KTHs Sommarmatematik 2003 Exempel Övningar Lösningar 1 Lösningar 2 Översikt 5.1 Introduktion Introduktion Exponentialfunktionen e x och logaritmfunktionen ln x är bland de viktigaste och vanligast förekommande
Läs merMA 1202 Matematik B Mål som deltagarna skall ha uppnått efter avslutad kurs.
MA 202 Matematik B Mål som deltagarna skall ha uppnått efter avslutad kurs. Deltagaren skall kunna formulera, analysera och lösa matematiska problem av betydelse för tillämpningar och vald studieinriktning
Läs merPreliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) Statistiska institutionen, Uppsala universitet
Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) 2016-01-13 Statistiska institutionen, Uppsala universitet Uppgift 1 (20 poäng) A) (4p) Om kommunens befolkning i den lokala arbetsmarknaden
Läs merEkvationssystem - Övningar
Ekvationssystem - Övningar Uppgift nr 1 y = 5x x + y = 54 Uppgift nr 2 y = 2x x + y = 12 Uppgift nr 3 y = 3x + 7 4x + y = 35 Uppgift nr 4 y = 4x - 18 3x + y = 38 Uppgift nr 5 2x - 2y = -4 x - 3y = 4 Uppgift
Läs merResultat. Principalkomponentanalys för alla icke-kategoriska variabler
Introduktion Den första delen av laborationen baserar sig på mätdata som skapades i samband med en medicinsk studie där en ny metod för att mäta ögontryck utvärderas. Den nya metoden som testas, Applanation
Läs merRegressionsanalys. - en fråga om balans. Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet
Regressionsanalys - en fråga om balans Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Innehåll: 1. Enkel reg.analys 1.1. Data 1.2. Reg.linjen 1.3. Beta (β) 1.4. Signifikansprövning 1.5. Reg.
Läs merEn generell prediktiv kodare utnyttjar signalens utseende N steg tillbaka i tiden för kodningen, dvs vi kodar efter den betingade fördelningen
Prediktiv kodning Närliggande sampel i en signal är oftast starkt korrelerade med varandra, det kan därför vara en bra ide att försöka utnyttja denna korrelation (minnet) innan kvantiseringen för att få
Läs merProblemet löd: Är det möjligt att på en sfär färga varje punkt på ett sådant sätt att:
Problemet löd: Är det möjligt att på en sfär färga varje punkt på ett sådant sätt att: 1. Om två punkter befinner sig på avståndet pi/2 från varandra så skall de ha olika färg. 2. Endast tre färger används.
Läs merTNSL11 Kvantitativ Logistik
TENTAMEN TNSL11 Kvantitativ Logistik Datum: 25 mars 2013 Tid: 08:00 12:00 i TP56 Hjälpmedel: Hjälpmedel av alla slag, förutom kommunikationsutrustning (telefoner, datorer, och andra saker som kan ta emot
Läs merLinjär prediktion. Prediktiv kodning. Linjär prediktion. Prediktiv kodare och avkodare
Prediktiv kodning Linjär prediktion Närliggande sampel i en signal är oftast starkt korrelerade med varandra, det kan därför vara en bra ide att försöka utnyttja denna korrelation (minnet) innan kvantiseringen
Läs merTentamen för kursen. Linjära statistiska modeller. 20 mars 2015 9 14
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 20 mars 2015 9 14 Examinator: Anders Björkström, bjorks@math.su.se Återlämning: Fredag 27/3 kl 12.00, Hus 5,
Läs merSTOCKHOLMS UNIVERSITET VT 2008 Statistiska institutionen Linda Wänström
1 STOCKHOLMS UNIVERSITET VT 2008 Statistiska institutionen Linda Wänström Skriftlig tentamen på momentet Statistisk dataanalys III (SDA III) 3 högskolepoäng, ingående i kursen Undersökningsmetodik och
Läs merFÖRELÄSNING 1 ANALYS MN1 DISTANS HT06
FÖRELÄSNING ANALYS MN DISTANS HT06 JONAS ELIASSON Detta är föreläsningsanteckningar för distanskursen Matematik A - analysdelen vid Uppsala universitet höstterminen 2006. Förberedande material Här har
Läs merELEVHJÄLP. Diskussion s. 2 Åsikter s. 3. Källkritik s. 11. Fördelar och nackdelar s. 4. Samarbete s. 10. Slutsatser s. 9. Konsekvenser s.
Källkritik s. 11 Diskussion s. 2 Åsikter s. 3 Samarbete s. 10 Slutsatser s. 9 ELEVHJÄLP Fördelar och nackdelar s. 4 Konsekvenser s. 5 Lösningar s. 8 Perspektiv s. 7 Likheter och skillnader s. 6 1 Resonera/diskutera/samtala
Läs merSpridningsdiagram (scatterplot) Fler exempel. Korrelation (forts.) Korrelation. Enkel linjär regression. Enkel linjär regression (forts.
Spridningsdiagram (scatterplot) En scatterplot som visar par av observationer: reklamkostnader på -aeln and försäljning på -aeln ScatterplotofAdvertising Ependitures ()andsales () 4 Fler eempel Notera:
Läs merStatistik för ekonomer, Statistik A1, Statistik A (Moment 2) : (7.5 hp) Personnr:..
TENTAMEN Tentamensdatum 8-3-7 Statistik för ekonomer, Statistik A, Statistik A (Moment ) : (7.5 hp) Namn:.. Personnr:.. Tentakod: A3 Var noga med att fylla i din kod samt uppgiftsnummer på alla lösningsblad
Läs merSchackundervisning och invandrarfamiljer
Schackundervisning och invandrarfamiljer Ett projektarbete av Tony Hanoman Bakgrund Jag har jobbat som klassassistent och fritidspersonal på Sollentuna International School under det senaste skolåret.
Läs merStrömbackaskolan läsåret 2015-2016. Handlingsplan mot droger
Strömbackaskolan läsåret 2015-2016 Handlingsplan mot droger! Piteå maj 2015, Piteå kommun Strömbackaskolan. Handlingsplan mot droger I detta dokument avses med ordet drog, alkohol, narkotika, icke medicinsk
Läs merF13 Regression och problemlösning
1/18 F13 Regression och problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/3 2013 2/18 Regression Vi studerar hur en variabel y beror på en variabel x. Vår modell
Läs merProgrammeringsolympiaden 2008 Kvalificering
Programmeringsolympiaden 2008 Kvalificering TÄVLINGSREGLER Tävlingen äger rum på ett av skolan bestämt datum under sex timmar effektiv tid. Tävlingen består av sex uppgifter som samtliga ska lösas genom
Läs merMatematik 92MA41 (15hp) Vladimir Tkatjev
Matematik 92MA41 (15hp) Vladimir Tkatjev Lite inspiration Går det att konstruera 6 kvadrater av 12 tändstickor? Hur gör man då? (Nämnaren, Nr 2, 2005) Litet klurigt kanske, bygg en kub av stickorna: Uppgift
Läs mervarandra. Vi börjar med att behandla en linjes ekvation med hjälp av figur 7 och dess bildtext.
PASS 8 EKVATIONSSYSTEM OCH EN LINJES EKVATION 8 En linjes ekvation En linjes ekvation kan framställas i koordinatsystemet Koordinatsystemet består av x-axeln och yaxeln X-axeln är vågrät och y-axeln lodrät
Läs merSignalanalys med snabb Fouriertransform
Laboration i Fourieranalys, MVE030 Signalanalys med snabb Fouriertransform Den här laborationen har två syften: dels att visa lite på hur den snabba Fouriertransformen fungerar, och lite om vad man bör
Läs merRegressions- och Tidsserieanalys - F4
Regressions- och Tidsserieanalys - F4 Modellbygge och residualanalys. Kap 5.1-5.4 (t.o.m. halva s 257), ej C-statistic s 23. Linda Wänström Linköpings universitet Wänström (Linköpings universitet) F4 1
Läs merLÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29
UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Statistik för Teknologer, 5 poäng (TNK, ET, BTG) Peter Anton, Per Arnqvist Anton Grafström TENTAMEN 7-8-9 LÖSNINGSFÖRSLAG TILL TENTAMEN
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 3 Statistiska metoder 1 Dagens föreläsning o Samband mellan två kvantitativa variabler Matematiska samband Statistiska samband o Korrelation Svaga och starka samband När beräkna korrelation?
Läs merInledning...3. Kravgränser...21. Provsammanställning...22
Innehåll Inledning...3 Bedömningsanvisningar...3 Allmänna bedömningsanvisningar...3 Bedömningsanvisningar Del I...4 Bedömningsanvisningar Del II...5 Bedömningsanvisningar uppgift 11 (Max 5/6)...12 Kravgränser...21
Läs merFöreläsning 9. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en
Läs mer