T-test, Korrelation och Konfidensintervall med SPSS Kimmo Sorjonen

Storlek: px
Starta visningen från sidan:

Download "T-test, Korrelation och Konfidensintervall med SPSS Kimmo Sorjonen"

Transkript

1 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 skilja sig från ett visst värde. 1.2 Hur? Analyze Compare Means One-Sample T Test Du får upp en ruta där alla inmatade variabler står till vänster. 1. Markera (genom att klicka med musen) den variabel du är intresserad av. 2. Klicka på pilen mitt i rutan, så att den markerade variabeln hamnar i rutan Test Variable(s). 3. Klicka i rutan Test Value. Skriv dit värdet som skall testas. 4. Klicka på OK. 1.3 Tolkning av utskrift Här har man testat om populationen psykologistudenter kan antas vara 24 år gamla i genomsnitt

2 2 I den övre tabellen ges deskriptiva data: 1. N = antalet observationer 2. Mean = medelvärdet 3. Std.Deviation = standaravvikelsen (hur mycket observationerna i genomsnitt avviker från medelvärdet) 4. Std. Error Mean = medelfelet (standardavvikelsen dividerat med roten ur N) I den undre tabellen ges värden för hypotesprövningen: 5. t = observerat t-värde (hur många medelfel stickprovets medelvärde skiljer sig från det testade värdet). 6. df = antalet frihetsgrader (antalet observationer minus ett). 7. Sig. (2-tailed) = Andel av t-fördelningen som finns utanför det aktuella t-värdet (0,142) plus andelen som finns utanför motsvarande värde i den andra svansen (-0,142). Detta är lika med sannolikheten att få ett t-värde som skiljer sig så pass mycket (eller mer) från noll, som det observerade t-värdet faktiskt gör, givet att nollhypotesen stämmer. Detta är det samma som risken för att begå typ 1-fel om nollhypotesen förkastas. Om detta värde är mindre än undersökningens signifikansnivå (inom psykologi oftast 0.05) så förkastas nollhypotesen till förmån för alternativhypotesen och man antar att det testade värdet inte gäller som medelvärde på den aktuella variabeln i den population som stickprovet är draget ur. Om detta värde är större än undersökningens signifikansnivå (0.05) så är risken för typ 1-fel oacceptabelt hög och man utgår, tills vidare, från att det testade värdet faktiskt kan vara populationens medelvärde på den aktuella variabeln (man behåller nollhypotesen). 8. Mean Difference = skillnaden mellan stickprovets medelvärde och det testade värdet. I det aktuella fallet är risken för typ 1-fel så pass hög (högre än 0,05) att man inte kan förkasta nollhypotesen till förmån för alternativhypotesen med tillräckligt stor säkerhet. Man skulle alltså tills vidare utgå ifrån att svenska psykologistudenter kan vara 24 år gamla i genomsnitt. 1.4 Rapportering av resultat I en rapport skulle det aktuella resultatet kunna rapporteras t ex så här: Respondenterna var i genomsnitt 24,1 år gamla (SD = 5,2), ett värde som inte avviker signifikant från 24, t(64) = 0,14, p = 0, står för antalet frihetsgrader (alltså df ); och 0,14 står för t-värdet. Det så kallade pvärdet står för sannolikheten att nollhypotesen stämmer, alltså samma som står under Sig. (2-tailed) i tabellen ovan. I det aktuella fallet är detta värde lika med 0,89. När risken för typ 1-fel är större än undersökningens signifikansnivå (alltså när p är större än 0,05) så säger man att stickprovets medelvärde inte avviker signifikant från det testade värdet (vilket i sin tur innebär att man, tills vidare, utgår ifrån att det testade värdet kan vara medelvärde för den aktuella populationen på den aktuella variabeln). 2. Independent-Samples T-Test 2.1 När? Denna analys kan utföras om man vill veta om två populationer kan antas skilja sig åt (ha olika populationsmedelvärden) på en viss variabel. Man känner inte till populationernas medelvärden, men man har ett stickprov draget ur vardera populationen.

3 3 2.2 Hur? Analyze Compare Means Independent- Samples T Test Du får upp en ruta där alla inmatade variabler står till vänster. 1. Markera (genom att klicka med musen) den beroende variabel du är intresserad av (i vårt exempel f11.restid ). 2. Klicka på den övre pilen mitt i rutan, så att den markerade variabeln hamnar i rutan Test Variable(s). 3. Markera den oberoende variabeln (i vårt exempel f3.bor ). 4. Klicka på den undre pilen mitt i rutan, så att den markerade variabeln hamnar i rutan Grouping Variable. 5. Klicka på knappen Define Groups. Du får fram en ny liten ruta. 6. De två grupperna har blivit definierade som ettor och tvåor eller som ettor och nollor eller på något annat sätt, när variablerna blev definierade. Om grupperna blivit definierade som ettor och tvåor så skriver man 1 i rutan Group 1: och 2 i rutan Group 2:. Om grupperna blivit definierade som ettor och nollor så kan man skriva 0 i den första och 1 i den andra rutan. 7. Klicka på Continue, du kommer tillbaka till den lite större rutan. 8. Klicka på OK. 2.3 Tolkning av utskrift Här har man testat om de som bor norr respektive söder om storkyrkan skiljer sig åt vad gäller genomsnittlig restid till KI. Group Statistics f3.bor N Mean Std. Deviation Std. Error Mean f11.restid norr 37 24, , ,09743 söder 27 37, , ,

4 4 I den övre tabellen ges deskriptiva data: 1. N = antalet observationer 2. Mean = medelvärden 3. Std.Deviation = standaravvikelsen (hur mycket observationerna i genomsnitt avviker från medelvärdet) 4. Std. Error Mean = medelfelet (standardavvikelsen dividerat med roten ur N) I den undre tabellen ges värden för hypotesprövningen: 5. Här testas om de två gruppernas varians skiljer sig signifikant från varandra. Helst skall de inte göra det, så förhoppningsvis är värdet för Sig. större än Om detta uppfylls så läser vi av våra resultat från den övre raden ( Equal variances assumed ). Om värdet är mindre än 0,05 så läser vi av våra resultat från den undre raden ( Equal variances not assumed ). 6. t = observerat t-värde. 7. df = antalet frihetsgrader (n 1 + n 2-2). 8. Sig. (2-tailed) = Andel av t-fördelningen som finns utanför det aktuella t-värdet (-4,021) plus andelen som finns utanför motsvarande värde i den andra svansen (+4,021). Detta är lika med sannolikheten att få ett t-värde som skiljer sig så pass mycket (eller mer) från noll, som det observerade t-värdet faktiskt gör, givet att nollhypotesen stämmer. Detta är det samma som sannolikheten för att begå typ 1-fel om nollhypotesen förkastas. Om detta värde är mindre än undersökningens signifikansnivå (inom psykologi oftast 0.05) så förkastas nollhypotesen till förmån för alternativhypotesen och man antar att de två populationernas medelvärden på den aktuella variabeln skiljer sig åt. Om detta värde är större än undersökningens signifikansnivå (0.05) så utgår man, tills vidare, från att de två populationerna kan ha samma medelvärde på den aktuella variabeln (man behåller nollhypotesen). 9. Mean Difference = skillnaden mellan stickprovens medelvärde. I det aktuella fallet är risken för typ 1-fel så pass låg (lägre än 0,05) att man kan förkasta nollhypotesen till förmån för alternativhypotesen. Man skulle alltså anta att de som borr norr om storkyrkan har en kortare genomsnittlig restid till KI jämfört med de som bor söder om storkyrkan. 2.4 Rapportering av resultat I en rapport skulle det aktuella resultatet kunna rapporteras t ex så här:

5 5 Respondenterna som borr norr om storkyrkan har i genomsnitt (M = 24,7, SD = 12,8) en kortare restid till KI än de som bor söder om storkyrkan (M = 38,0, SD = 13,4), t(62) = -4,02, p < 0, står för antalet frihetsgrader (alltså df ); -4,02 är det aktuella t-värdet och p-värdet är samma värde som står under Sig. (2-tailed) i tabellen. Om p-värdet är större än undersökningens signifikansnivå (0,05) så är skillnaden mellan stickprovens medelvärden inte signifikant (= man behåller nollhypotesen = man utgår, tills vidare, ifrån att de två populationerna kan ha samma medelvärde på den aktuella variabeln). Om p-värdet är mindre än undersökningens signifikansnivå (0,05) så är skillnaden mellan stickprovens medelvärden signifikant (= man förkastar nollhypotesen = man utgår ifrån att de två populationerna inte har samma medelvärde på den aktuella variabeln). 3. Paired-Samples T-Test 3.1 När? Denna analys kan utföras om man vill veta om individerna i en population kan antas ha olika medelvärden på en variabel under två olika betingelser. Det kan t ex handla om värdet på en variabel före respektive efter en experimentell manipulation. Analysen kan också utföras för att se om medelvärdet på två olika variabler kan antas vara olika om de två variablerna har blivit mätta med samma skala. Man kan t ex undersöka om folks vänsterfötter (mätta i cm) kan antas skilja sig i längd från högerfötter (också mätta i cm). 3.2 Hur? Analyze Compare Means Paired- Samples T Test Du får upp en ruta där alla inmatade variabler står till vänster. 1. Markera (genom att klicka med musen) de två variabler du är intresserad av. 2. Klicka på pilen mitt i rutan, så att de markerade variablerna hamnar i rutan Paired Variables. 3. Klicka på OK. 3.3 Tolkning av utskrift Här har man testat om individerna i populationen svenska psykologistudenter kan antas gilla kyckling och biff lika mycket i genomsnitt.

6 I den första tabellen ges deskriptiva data: 1. Mean = medelvärdet 2. N = antalet observationer 3. Std.Deviation = standaravvikelsen (hur mycket observationerna i genomsnitt avviker från medelvärdet) 4. Std. Error Mean = medelfelet (standardavvikelsen dividerat med roten ur N) I nästa tabell anges korrelationen mellan de två variablerna. 5. Korrelationen 6. Sannolikheten för att få en så pass hög (eller högre) korrelation, givet att nollhypotesen stämmer (nollhypotesen är att det inte finns någon korrelation mellan de två variablerna i populationen). I den tredje tabellen ges värden för hypotesprövningen: 7. Mean = medeldifferens, vilket är lika mycket som medelvärdet för den första betingelsen (eller variabeln) minus medelvärdet för den andra betingelsen (eller variabeln). 8. Std. Deviation = differensens standardavvikelse. 9. Std. Error Mean = differensens medelfel (differensens standardavvikelse dividerat med roten ur N). 10. t = observerat t-värde. 11. df = antalet frihetsgrader (N 1). 12. Sig. (2-tailed) = Andel av t-fördelningen som finns utanför det aktuella t-värdet (4,340) plus andelen som finns utanför motsvarande värde i den andra svansen (-4,340). Detta är lika med sannolikheten att få ett t-värde som skiljer sig så pass mycket (eller mer) från noll, som det observerade t-värdet faktiskt gör, givet att nollhypotesen stämmer. Detta är det samma som sannolikheten för att begå typ 1-fel om nollhypotesen förkastas. Om detta värde är mindre än undersökningens signifikansnivå (inom psykologi oftast 0.05) så förkastas nollhypotesen till förmån för alternativhypotesen och man antar att populationens medelvärden på de två variablerna skiljer sig åt (att de inte är samma). Om detta värde är större än undersökningens signifikansnivå (0.05) så antar man, tills vidare, att populationens medelvärden på de två variablerna är lika (man behåller nollhypotesen).

7 7 I det aktuella fallet är risken för typ 1-fel så pass låg (mindre än 0,05) att man kan förkasta nollhypotesen till förmån för alternativhypotesen med relativt stor säkerhet. Man skulle alltså dra slutsatsen att svenska psykologistudenter gillar kyckling mer i genomsnitt än vad de gillar biff. 3.4 Rapportering av resultat I en rapport skulle det aktuella resultatet kunna rapporteras t ex så här: Respondenterna gillade kyckling (M = 5,5, SD = 1,8) signifikant mer än biff (M = 4,8, SD = 1,8), t(64) = 4,34, p < 0, står för antalet frihetsgrader (alltså df ); och 4,34 är det aktuella t-värdet. P-värdet avläses under Sig. (2-tailed) i tabellen ovan. Detta värde står för sannolikheten att nollhypotesen stämmer. När p-värdet är mindre än undersökningens signifikansnivå (0,05) så kan man säga att skillnaden är signifikant, vilket innebär att man antar att det finns en skillnad mellan de två variablernas medelvärde i populationen som stickprovet är draget ur. Om p-värdet är större än undersökningens signifikansnivå (0,05) så är skillnaden inte signifikant (= man behåller tills vidare nollhypotesen = man antar, tills vidare, att medelvärdet på de två variablerna kan vara det samma i den aktuella populationen). 4. Korrelation (Pearson) 4.1 När? Denna analys kan utföras om man vill veta om det kan antas finnas ett linjärt samband mellan två variabler i en population. 4.2 Hur? Analyze Correlate Bivariate Du får upp en ruta där alla inmatade variabler står till vänster. 1. Markera (genom att klicka med musen) på den ena av de variabler du är intresserad av. 2. Klicka på pilen mitt i rutan, så att den markerade variabeln hamnar i rutan Variables. 3. Upprepa proceduren för den (de) andra variabeln du är intresserad av. 4. Klicka på OK. 4.3 Tolkning av utskrift Här har man testat om det kan antas finnas ett samband mellan hur många par med skor man äger och hur pass nöjd man är med livet

8 Värdena i tabellen står för: 1. Pearson Correlation = Observerad korrelation. 2. Sig. (2-tailed) = Sannolikheten för att få en så pass hög (eller högre) korrelation, givet att nollhypotesen stämmer (nollhypotesen är att det inte finns någon korrelation mellan de två variablerna i populationen). Detta är det samma som sannolikheten för att begå typ 1-fel om nollhypotesen förkastas. Om detta värde är mindre än undersökningens signifikansnivå (inom psykologi oftast 0.05) så förkastas nollhypotesen till förmån för alternativhypotesen och man antar att det finns ett linjärt samband mellan de två variablerna i den aktuella populationen. Om detta värde är större än undersökningens signifikansnivå (0.05) så antar man, tills vidare, att det inte finns något linjärt samband mellan de två variablerna i den aktuella populationen (man behåller nollhypotesen). 3. N = antalet observationer 4. Korrelationen mellan en variabel och samma variabel är alltid lika med I det aktuella fallet är risken för typ 1-fel så pass hög (större än 0,05) att man inte kan förkasta nollhypotesen. Man skulle alltså anta, tills vidare, att det inte finns ett samband mellan antalet par skor man äger och hur pass nöjd man är med livet. 4.4 Rapportering av resultat I en rapport skulle det aktuella resultatet kunna presenteras t ex på följande sätt: Det fanns inget signifikant samband mellan hur många par med skor man äger och hur pass nöjd man är med livet, r = 0,10, p = 0,41. r står för den observerade korrelationen, i det aktuella fallet lika med 0,10. P-värdet står för sannolikheten att nollhypotesen stämmer, vilket i det aktuella fallet är lika med 41 procent (avläses på raden Sig. (2-tailed) ). Om p-värdet är större än undersökningens signifikansnivå (0,05) så är korrelationen inte signifikant, vilket innebär att man, tills vidare, utgår ifrån att korrelationen i populationen kan vara lika med noll. Om p-värdet är mindre är signifikansnivån så säger man att korrelationen är signifikant (= man utgår ifrån att det finns ett samband mellan de två variablerna i den aktuella populationen). 5. Konfidensintervall 5.1 När? Konfidensintervall beräknas för att få fram ett intervall som med en viss (känd) säkerhet innehåller populationens medelvärde på den aktuella variabeln.

9 9 5.2 Hur? Analyze Descriptive Statistics Explore Du får upp en ruta där alla variabler står i rutan till vänster. Markera (genom att klicka) variabeln som du är intresserad av och kör in (genom att klicka på pilen) den i rutan Dependent List. Klicka på OK. 5.3 Tolkning av utskrift Här har vi beräknat ett konfidensintervall som med 95% säkerhet innehåller medelvärdet för populationen svenska högskolestudenter på variabeln hur många timmar i veckan man sover. Vi ser i tabellen att medelvärdet i stickprovet, som består av 65 personer, ligger på 50, 48 timmar. Utifrån detta beräknas att populationen, med 95% säkerhet, har ett medelvärde som ligger någonstans mellan 48,40 och 52, Rapportering av resultat I en rapport skulle det aktuella resultatet kunna presenteras t ex på följande sätt: De 65 respondenterna sov i genomsnitt 50,48 timmar i veckan (SD = 8,41, 95% CI: 48,40-52,57).

10 10 6. Övningsuppgifter 1. Testa om svenska psykologistudenter kan antas tycka om bananer (f17) och apelsiner (f18) i samma utsträckning. 2. Testa om svenska psykologistudenter (på heltid) kan antas ägna i genomsnitt 40 timmar i veckan åt sina studier (f23). 3. Testa om boende norr eller söder om Storkyrkan (f3) påverkar hur pass nöjd man är med livet (life.sat). 4. Testa om det finns något samband mellan hur många barn man har (f7) och hur pass nöjd man är med livet (life.sat). 5. Beräkna ett konfidensintervall som med 95% säkerhet innehåller populationens genomsnittliga skostorlek. 6. Testa om det finns någon könsskillnad (f1) på följande variabler: a) hur många par med skor man äger (f13); b) hur pass mycket man tycker om choklad (f19); c) hur pass mycket man tycker om te (f21); d) hur pass mycket tid man ägnar åt sina studier (f23); e) hur pass mycket tid man ägnar åt att motionera (f26); f) hur pass nöjd man är med livet (life.sat). 7. Testa korrelationen mellan följande variabler: a) Hur pass nöjd man är med livet (life.sat); b) hur pass mycket tid man ägnar åt sina studier (f23); c) hur pass mycket tid man ägnar åt att sova (f24); d) hur pass mycket tid man ägnar åt att titta på TV (f25); e) hur pass mycket tid man ägnar åt att motionera (f26).

11 11 Facit 1. Respondenternas genomsnittliga smak för bananer (M = 5,15, SD = 1,46) och apelsiner (M = 5,45, SD = 1,30) skilde sig inte signifikant åt, t(64) = -1,47, p = 0, Respondenterna ägnade i genomsnitt 32,5 (SD = 12,6) timmar i veckan åt sina studier, vilket är signifikant mindre än 40, t(64) = -4,83, p < 0, Ingen signifikant skillnad vad gäller hur pass nöjd man är med livet kunde upptäckas mellan dem som bor norr (M = 5,31, SD = 0,83) respektive söder (M = 5,42, SD = 0,87) om Storkyrkan, t(62) = -0,53, p = 0, Sambandet mellan antalet barn och hur pass nöjd man är med livet är inte signifikant, r = 0,11, p = 0, Respondenterna hade en genomsnittlig skostorlek på 39,69 (SD = 2,96, 95% CI: 38,96-40,43). 6. När man testar skillnaden mellan två grupper på flera variabler så kan man presentera det hela i en tabell, typ så här: Tabell 1. Medelvärden (och standardavvikelser) för kvinnliga och manliga respondenter på sex item. Könsskillnaden har testats med Independent Samples T-test. Item Kvinnor Män t 1 p Antal skopar 16,30 (8,24) 6,55 (4,07) 6,39 2 < 0,001 Choklad, gillande 6,77 (0,68) 6,00 (1,38) 2,46 2 0,02 Te, gillande 6,02 (1,16) 4,82 (1,82) 2,83 2 0,008 Tid åt studier 35,14 (13,11) 27,20 (9,83) 2,50 0,02 Tid åt motion 4,60 (3,65) 2,48 (2,50) 2,73 2 0,008 Life Satisfaction 5,41 (0,74) 5,25 (1,01) 0,77 ns 1 df = 63; 2 korrigerat för ojämna varianser mellan grupperna 7. Även korrelationer kan presenteras i tabell, typ: Tabell 2. Korrelationer mellan Life Satisfaction och fyra tids-variabler. Item Life Satisfaction 2. Tid åt studier 0,26* 3. Tid åt sömn 0,09-0,17 4. Tid åt TV -0,18-0,02 0,09 5. Tid åt motion -0,01 0,22-0,02-0,06 * p < 0,05; p < 0,10 I Tabell 2 ser man att hur pass nöjd man är med livet korrelerar positivt med hur pass mycket tid man ägnar åt sina studier. Kausalt?

Regressionsanalys med SPSS Kimmo Sorjonen (2010)

Regressionsanalys med SPSS Kimmo Sorjonen (2010) 1 Regressionsanalys med SPSS Kimmo Sorjonen (2010) 1. Multipel regression 1.1. Variabler I det aktuella exemplet ingår följande variabler: (1) life.sat, anger i vilket utsträckning man är nöjd med livet;

Läs mer

Intro till SPSS Kimmo Sorjonen (0811)

Intro till SPSS Kimmo Sorjonen (0811) 1 Intro till SPSS Kimmo Sorjonen (0811) 1. Att mata in data i SPSS 1. Klicka på ikonen för SPSS. 2. Välj alternativet Type in data och klicka på OK. 3. Databladet har två flikar: Data view och Variable

Läs mer

Statistiska analyser C2 Inferensstatistik. Wieland Wermke

Statistiska 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 mer

Tentan består av 15 frågor, totalt 40 poäng. Det krävs minst 24 poäng för att få godkänt och minst 33 poäng för att få välgodkänt.

Tentan består av 15 frågor, totalt 40 poäng. Det krävs minst 24 poäng för att få godkänt och minst 33 poäng för att få välgodkänt. Kurskod: PC1203 och PC1244 Kursnamn: Kognitiv psykologi och metod OCH Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Linda Hassing Tentamensdatum: 2010-09-23 kl. 09:00 13:00

Läs mer

Lösningar till SPSS-övning: Analytisk statistik

Lösningar till SPSS-övning: Analytisk statistik UMEÅ UNIVERSITET Statistiska institutionen 2006--28 Lösningar till SPSS-övning: Analytisk statistik Test av skillnad i medelvärden mellan två grupper Uppgift Testa om det är någon skillnad i medelvikt

Läs mer

Mata in data i Excel och bearbeta i SPSS

Mata in data i Excel och bearbeta i SPSS Mata in data i Excel och bearbeta i SPSS I filen enkät.pdf finns svar från fyra män taget från en stor undersökning som gjordes i början av 70- talet. Ni skall mata in dessa uppgifter på att sätt som är

Läs mer

Uppgift 1. Produktmomentkorrelationskoefficienten

Uppgift 1. Produktmomentkorrelationskoefficienten Uppgift 1 Produktmomentkorrelationskoefficienten Både Vikt och Längd är variabler på kvotskalan och således kvantitativa variabler. Det innebär att vi inte har så stor nytta av korstabeller om vi vill

Läs mer

Forsknings- och undersökningsmetodik Skrivtid: 4h

Forsknings- och undersökningsmetodik Skrivtid: 4h Forsknings- och undersökningsmetodik Skrivtid: h Tentamen 8..00 Hjälpmedel: Kalkylator Formel- & tabellsamling Provtexten får bortföras. DEL, DEL eller HELA KURSEN: Besvara frågor! Varje fråga är värd

Läs mer

Datorlaboration 2 Konfidensintervall & hypotesprövning

Datorlaboration 2 Konfidensintervall & hypotesprövning Statistik, 2p PROTOKOLL Namn:...... Grupp:... Datum:... Datorlaboration 2 Konfidensintervall & hypotesprövning Syftet med denna laboration är att ni med hjälp av MS Excel ska fortsätta den statistiska

Läs mer

Variansanalys med SPSS Kimmo Sorjonen (2012-01-19)

Variansanalys med SPSS Kimmo Sorjonen (2012-01-19) 1 Variansanalys med SPSS Kimmo Sorjonen (2012-01-19) 1. Envägs ANOVA för oberoende mätningar 1.1 Variabler Data simulerar det som använts i följande undersökning (se Appendix A): Petty, R. E., & Cacioppo,

Läs mer

Matematikcentrum 1(5) Matematisk Statistik Lunds Universitet MASB11 HT Laboration P3-P4. Statistiska test

Matematikcentrum 1(5) Matematisk Statistik Lunds Universitet MASB11 HT Laboration P3-P4. Statistiska test Matematikcentrum 1(5) Matematisk Statistik Lunds Universitet MASB11 HT-2009 Laboration P3-P4 Statistiska test MH:231 Grupp A: Tisdag 17/11-09, 8.15-10.00 och Måndag 23/11-09, 8.15-10.00 Grupp B: Tisdag

Läs mer

Population. Observationsenhet. Stickprov. Variabel Ålder Kön. Blodtryck 120/80. Värden. 37 år. Kvinna

Population. Observationsenhet. Stickprov. Variabel Ålder Kön. Blodtryck 120/80. Värden. 37 år. Kvinna Varför statistik Vi vill sammanfatta stora mängder av data i syfte att: Kvantitativt beskriva fenomen Undersöka samband mellan variabler Undersöka skillnader mellan grupper i något avseende Undersöka skillnader

Läs mer

Tentamen består av 12 frågor, totalt 40 poäng. Det krävs minst 24 poäng för att få godkänt och minst 32 poäng för att få väl godkänt.

Tentamen består av 12 frågor, totalt 40 poäng. Det krävs minst 24 poäng för att få godkänt och minst 32 poäng för att få väl godkänt. KOD: Kurskod: PC1244 Kursnamn: Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Sandra Buratti Tentamensdatum: 2013-11-16 Tillåtna hjälpmedel: Miniräknare Tentamen består

Läs mer

Structural Equation Modeling med Amos Kimmo Sorjonen (2012-01-24)

Structural 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 mer

Introduktion till SPSS

Introduktion till SPSS Introduktion till SPSS.. Innehåll 1 Introduktion till SPSS 1 1.1 Data Editor 1 1.2 Viewer 1 2 Variabler och Mätskalor 2 2.1 Kvantitativa variabler (Numeriska variabler) 2 2.2 Kategoriska variabler (Kvalitativa

Läs mer

FÖRELÄSNINGSMATERIAL. diff SE. SE x x. Grundläggande statistik 2: KORRELATION OCH HYPOTESTESTNING. Påbyggnadskurs T1. Odontologisk profylaktik

FÖRELÄSNINGSMATERIAL. diff SE. SE x x. Grundläggande statistik 2: KORRELATION OCH HYPOTESTESTNING. Påbyggnadskurs T1. Odontologisk profylaktik Grundläggande statistik Påbyggnadskurs T1 Odontologisk profylaktik FÖRELÄSNINGSMATERIAL : KORRELATION OCH HYPOTESTESTNING t diff SE x 1 diff SE x x 1 x. Analytisk statistik Regression & Korrelation Oberoende

Läs mer

DATORÖVNING 3: MER OM STATISTISK INFERENS.

DATORÖVNING 3: MER OM STATISTISK INFERENS. DATORÖVNING 3: MER OM STATISTISK INFERENS. START Logga in och starta Minitab. STATISTISK INFERENS MED DATORNS HJÄLP Vi fortsätter att arbeta med datamaterialet från datorävning 2: HUS.xls. Som vi sett

Läs mer

Linjär regressionsanalys. Wieland Wermke

Linjär 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 mer

Uppgift 1. Deskripitiv statistik. Lön

Uppgift 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 mer

Innehåll. Frekvenstabell. II. Beskrivande statistik, sid 53 i E

Innehåll. Frekvenstabell. II. Beskrivande statistik, sid 53 i E Innehåll I. Grundläggande begrepp II. Deskriptiv statistik (sid 53 i E) III. Statistisk inferens Hypotesprövnig Statistiska analyser Parametriska analyser Icke-parametriska analyser 1 II. Beskrivande statistik,

Läs mer

OBS! Vi har nya rutiner.

OBS! Vi har nya rutiner. KOD: Kurskod: PC1203 och PC1244 Kursnamn: Kognitiv psykologi och metod och Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Linda Hassing Tentamensdatum: 2012-09-28 Tillåtna

Läs mer

Statistik och epidemiologi T5

Statistik 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 mer

Analytisk statistik. Tony Pansell, optiker Universitetslektor

Analytisk statistik. Tony Pansell, optiker Universitetslektor Analytisk statistik Tony Pansell, optiker Universitetslektor Analytisk statistik Att dra slutsatser från det insamlade materialet. Två metoder: 1. att generalisera från en mindre grupp mot en större grupp

Läs mer

, s a. , s b. personer från Alingsås och n b

, s a. , s b. personer från Alingsås och n b Skillnader i medelvärden, väntevärden, mellan två populationer I kapitel 8 testades hypoteser typ : µ=µ 0 där µ 0 var något visst intresserant värde Då användes testfunktionen där µ hämtas från, s är populationsstandardavvikelsen

Läs mer

SOPA62 - Kunskapsproduktion i socialt arbete

SOPA62 - Kunskapsproduktion i socialt arbete SOPA62 - Kunskapsproduktion i socialt arbete 2. Mer hypotesprövning och något om rapporten 1 Evidensbaserad behandling Behandling bygger på vetenskap och beprövad erfarenhet. "Beprövad erfarenhet" får

Läs mer

Faktoranalys, Cronbach s Alpha, Risk Ratio, & Odds Ratio

Faktoranalys, Cronbach s Alpha, Risk Ratio, & Odds Ratio Faktoranalys, Cronbach s Alpha, Risk Ratio, & Odds Ratio med SPSS Kimmo Sorjonen 1. Faktoranalys Innan man utför en faktoranalys kan det vara bra att testa om det finns några outliers i data. Detta kan

Läs mer

Medicinsk statistik II

Medicinsk statistik II Medicinsk statistik II Läkarprogrammet termin 5 VT 2013 Susanna Lövdahl, Msc, doktorand Klinisk koagulationsforskning, Lunds universitet E-post: susanna.lovdahl@med.lu.se Dagens föreläsning Fördjupning

Läs mer

KOM IHÅG ATT NOTERA DITT TENTAMENSNUMMER NEDAN OCH TA MED DIG TALONGEN INNAN DU LÄMNAR IN TENTAN!!

KOM IHÅG ATT NOTERA DITT TENTAMENSNUMMER NEDAN OCH TA MED DIG TALONGEN INNAN DU LÄMNAR IN TENTAN!! Kurskod: PC1203 och PC1244 Kursnamn: Kognitiv psykologi och metod OCH Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Linda Hassing Tentamensdatum: 2011-09-19 kl. 09:00 13:00

Läs mer

a) Vad är sannolikheten att det tar mer än 6 sekunder för programmet att starta?

a) 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 mer

FACIT (korrekta svar i röd fetstil)

FACIT (korrekta svar i röd fetstil) v. 2013-01-14 Statistik, 3hp PROTOKOLL FACIT (korrekta svar i röd fetstil) Datorlaboration 2 Konfidensintervall & hypotesprövning Syftet med denna laboration är att ni med hjälp av MS Excel ska fortsätta

Läs mer

Statistik B Regressions- och tidsserieanalys Föreläsning 1

Statistik 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 mer

Idiotens guide till. Håkan Lyckeborgs SPSS-föreläsning 4/12 2008. Av: Markus Ederwall, 21488

Idiotens guide till. Håkan Lyckeborgs SPSS-föreläsning 4/12 2008. Av: Markus Ederwall, 21488 Idiotens guide till Håkan Lyckeborgs SPSS-föreläsning 4/12 2008 Av: Markus Ederwall, 21488 1. Starta SPSS! 2. Hitta din datamängd på Kurs 601\downloads\datamängd A på studentwebben 3. När du hittat datamängden

Läs mer

ANOVA Mellangruppsdesign

ANOVA Mellangruppsdesign ANOVA Mellangruppsdesign Envägs variansanlays, mellangruppsdesign Variabler En oberoende variabel ( envägs ): Nominalskala eller ordinalskala. Delar in det man undersöker (personerna?) i grupper/kategorier,

Läs mer

Lektion 1: Fördelningar och deskriptiv analys

Lektion 1: Fördelningar och deskriptiv analys Density Lektion 1: Fördelningar och deskriptiv analys 1.,3 Uniform; Lower=1; Upper=6,3,2,2,1,, 1 2 3 X 4 6 7 Figuren ovan visar täthetsfunktionen för en likformig fördelning. Kurvan antar värdet.2 över

Läs mer

Tillämpad statistik (A5), HT15 Föreläsning 10: Multipel linjär regression 1

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 mer

Hypotestestning och repetition

Hypotestestning och repetition Hypotestestning och repetition Statistisk inferens Vid inferens använder man urvalet för att uttala sig om populationen Centralmått Medelvärde: x= Σx i / n Median Typvärde Spridningsmått Används för att

Läs mer

BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 8 (2016-05-02) OCH INFÖR ÖVNING 9 (2016-05-09)

BIOSTATISTISK 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 mer

Datorövningar SPSS. Elisabet Borg, HT2007+

Datorövningar SPSS. Elisabet Borg, HT2007+ Datorövningar SPSS Elisabet Borg, HT2007+ 28 Instruktion till SPSS Detta är endast en enkel lathund med några få grundläggande funktioner för att du ska kunna komma igång med statistikprogrammet SPSS 13

Läs mer

Introduktion till PSPP

Introduktion till PSPP Introduktion till PSPP Centrum för Primärvårdsforskning (CPF) 2015-02-09 Mir Nabi Pirouzi Fard www.cpf.se 1 Introduktion PSPP är ett program för statistisk analys av data. En manual i pdf-format för hur

Läs mer

Datorövning 5. Statistisk teori med tillämpningar. Lära sig beräkna konfidensintervall och utföra hypotestest för:

Datorövning 5. Statistisk teori med tillämpningar. Lära sig beräkna konfidensintervall och utföra hypotestest för: Datorövning 5 Statistisk teori med tillämpningar Hypotestest i SAS Syfte Lära sig beräkna konfidensintervall och utföra hypotestest för: 1. Populationsmedelvärdet, µ. 2. Skillnaden mellan två populationsmedelvärden,

Läs mer

Under denna laboration kommer regression i olika former att tas upp. Laborationen består av fyra större deluppgifter.

Under 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 mer

7.3.3 Nonparametric Mann-Whitney test

7.3.3 Nonparametric Mann-Whitney test 7.3.3 Nonparametric Mann-Whitney test Vi har sett hur man kan testa om två populationer har samma väntevärde (H 0 : μ 1 = μ 2 ) med t-test (two-sample). Vad gör man om data inte är normalfördelat? Om vi

Läs mer

Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs

Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs Statistikens grunder och 2, GN, hp, deltid, kvällskurs TE/RC Datorövning 3 Syfte:. Lära sig göra betingade frekvenstabeller 2. Lära sig beskriva en variabel numeriskt med proc univariate 3. Lära sig rita

Läs mer

Viktiga dimensioner vid val av test (och även val av deskriptiv statistik) Biostatistik II - Hypotesprövning i teori och praktik.

Viktiga dimensioner vid val av test (och även val av deskriptiv statistik) Biostatistik II - Hypotesprövning i teori och praktik. Viktiga dimensioner vid val av test (och även val av deskriptiv statistik) Biostatistik II - Hypotesprövning i teori och praktik Urvalsstorlek Mätnivå/skaltyp Fördelning av data Studiedesign Frida Eek

Läs mer

Provmoment: Forskningsmetod, Salstentamen nr 1 Ladokkod:

Provmoment: Forskningsmetod, Salstentamen nr 1 Ladokkod: Forskningsmetod 6,0 högskolepoäng Provmoment: Forskningsmetod, Salstentamen nr 1 Ladokkod: 11OP90/TE01 samt 11PS30/TE01 Tentamen ges för: OPUS kull H12 termin 5 inriktning Psykologi samt fristående grundkurs

Läs mer

Regressions- och Tidsserieanalys - F4

Regressions- 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 mer

Kroppstemperaturen hos människa anses i regel vara 37,0 C/ 98,6 F. För att beräkna och rita grafer har programmet Minitab använts.

Kroppstemperaturen hos människa anses i regel vara 37,0 C/ 98,6 F. För att beräkna och rita grafer har programmet Minitab använts. Syfte: Bestämma normal kroppstemperatur med tillgång till data från försök. Avgöra eventuell skillnad mellan män och kvinnor. Utforska ett eventuellt samband mellan kroppstemperatur och hjärtfrekvens.

Läs mer

D. Samtliga beräknade mått skall följas av en verbal slutsats för full poäng.

D. Samtliga beräknade mått skall följas av en verbal slutsats för full poäng. 1 Att tänka på (obligatorisk läsning) A. Redovisa Dina lösningar i en form som gör det lätt att följa Din tankegång. (Rättaren förutsätter att det dunkelt skrivna är dunkelt tänkt.). Motivera alla väsentliga

Läs mer

KA RKUNSKAP. Vad vet samhällsvetarna om sin kår? Julius Schmidt, Hannes Jägerstedt, Hanna Johansson, Miro Beríc STAA31 HT14

KA 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 mer

Inferensstatistik. Hypostesprövning - Signifikanstest

Inferensstatistik. Hypostesprövning - Signifikanstest 011-11-04 Inferensstatistik En uppsättning metoder för att dra slutsatser om populationers egenskaper (parametrar) med hjälp av stickprovs egenskaper (statistik) Hypostesprövning - Signifikanstest Ett

Läs mer

2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna. 4. Lära sig skatta en linjär regressionsmodell med interaktionstermer

2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna. 4. Lära sig skatta en linjär regressionsmodell med interaktionstermer Datorövning 2 Regressions- och tidsserieanalys Syfte 1. Lära sig skapa en korrelationsmatris 2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna mot varandra 3. Lära sig beräkna

Läs mer

Statistik och epidemiologi T5

Statistik och epidemiologi T5 Statistik och epidemiologi T5 Anna Axmon Biostatistiker Yrkes- och miljömedicin Biostatistik kursmål Dra slutsatser utifrån basala statistiska begrepp och analyser och själva kunna använda sådana metoder.

Läs mer

2.1 Minitab-introduktion

2.1 Minitab-introduktion 2.1 Minitab-introduktion Betrakta följande mätvärden (observationer): 9.07 11.83 9.56 7.85 10.44 12.69 9.39 10.36 11.90 10.15 9.35 10.11 11.31 8.88 10.94 10.37 11.52 8.26 11.91 11.61 10.72 9.84 11.89 7.46

Läs mer

Matematikcentrum 1(12) Matematisk Statistik Lunds Universitet. SPSS (PASW) 18 for Windows - a guided tour

Matematikcentrum 1(12) Matematisk Statistik Lunds Universitet. SPSS (PASW) 18 for Windows - a guided tour Matematikcentrum 1(12) Matematisk Statistik Lunds Universitet SPSS (PASW) 18 for Windows - a guided tour VT 2010 2 Introduktion till SPSS (PSAW) Denna övning kommer steg för steg att lära oss de grundläggande

Läs mer

Räkneövning 3 Variansanalys

Räkneövning 3 Variansanalys Räkneövning 3 Variansanalys Uppgift 1 Fyra sorter av majshybrider har utvecklats för att bli resistenta mot en svampinfektion. Nu vill man också studera deras produktionsegenskaper. Varje hybrid planteras

Läs mer

DATORÖVNING 3: MER OM STATISTISK INFERENS.

DATORÖVNING 3: MER OM STATISTISK INFERENS. DATORÖVNING 3: MER OM STATISTISK INFERENS. START Logga in och starta Minitab. Se till att du kan skriva Minitab-kommandon direkt i Session-fönstret (se föregående datorövning). CENTRALA GRÄNSVÄRDESSATSEN

Läs mer

Statistik Lars Valter

Statistik Lars Valter Lars Valter LARC (Linköping Academic Research Centre) Enheten för hälsoanalys, Centrum för hälso- och vårdutveckling Statistics, the most important science in the whole world: for upon it depends the applications

Läs mer

Tentamen i Matematisk statistik Kurskod S0001M

Tentamen 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 mer

Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10. Laboration. Regressionsanalys (Sambandsanalys)

Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10. Laboration. Regressionsanalys (Sambandsanalys) Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10 Laboration Regressionsanalys (Sambandsanalys) Grupp A: 2010-11-24, 13.15 15.00 Grupp B: 2010-11-24, 15.15 17.00 Grupp C: 2010-11-25,

Läs mer

Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT2007. Laboration. Simulering

Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT2007. Laboration. Simulering Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT007 Laboration Simulering Grupp A: 007-11-1, 8.15-.00 Grupp B: 007-11-1, 13.15-15.00 Introduktion Syftet

Läs mer

Stressade studenter och extraarbete

Stressade studenter och extraarbete Stressade studenter och extraarbete En kvantitativ studie om sambandet mellan studenters stress och dess orsaker Karolina Halldin Helena Kalén Frida Loos Johanna Månsson Institutionen för beteendevetenskap

Läs mer

Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg/Jep Agrell. Laboration 2. Statistiska test

Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg/Jep Agrell. Laboration 2. Statistiska test Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg/Jep Agrell Laboration 2 Statistiska test HT 2008 2 Syftet med laborationen är att vi skall bekanta oss med lite av de funktioner

Läs mer

Introduktion. Konfidensintervall. Parade observationer Sammanfattning Minitab. Oberoende stickprov. Konfidensintervall. Minitab

Introduktion. Konfidensintervall. Parade observationer Sammanfattning Minitab. Oberoende stickprov. Konfidensintervall. Minitab Uppfödning av kyckling och fiskleveroljor Statistiska jämförelser: parvisa observationer och oberoende stickprov Matematik och statistik för biologer, 10 hp Fredrik Jonsson vt 2012 Fiskleverolja tillsätts

Läs mer

1. En kontinuerlig slumpvariabel X har följande täthetsfunktion (för någon konstant k). f.ö.

1. En kontinuerlig slumpvariabel X har följande täthetsfunktion (för någon konstant k). f.ö. UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Statistik för tekniska fysiker, MSTA6, 4p Peter Anton Per Arnqvist LÖSNINGSFÖRSLAG TILL TENTAMEN 7-- LÖSNINGSFÖRSLAG TILL TENTAMEN

Läs mer

Följande resultat erhålls (enhet: 1000psi):

Följande resultat erhålls (enhet: 1000psi): Variansanalys Exempel Aluminiumstavar utsätts för uppvärmningsbehandlingar enligt fyra olika standardmetoder. Efter behandlingen uppmäts dragstyrkan hos varje stav. Fem upprepningar görs för varje behandling.

Läs mer

Tentamen 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 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 mer

Användning. Fixed & Random. Centrering. Multilevel Modeling (MLM) Var sak på sin nivå

Användning. Fixed & Random. Centrering. Multilevel Modeling (MLM) Var sak på sin nivå Användning Multilevel Modeling (MLM) Var sak på sin nivå Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Kärt barn har många namn: (1) Random coefficient models; () Mixed effect models; (3)

Läs mer

MINITAB i korthet. release 16. Jan-Eric Englund. SLU Alnarp Kompendium 2011. Swedish University of Agricultural Sciences Department of Agrosystems

MINITAB i korthet. release 16. Jan-Eric Englund. SLU Alnarp Kompendium 2011. Swedish University of Agricultural Sciences Department of Agrosystems MINITAB i korthet release 16 Jan-Eric Englund SLU Alnarp Kompendium 2011 Område Agrosystem Course notes Swedish University of Agricultural Sciences Department of Agrosystems Jan-Eric Englund är universitetslektor

Läs mer

Statistiska analyser C2 Bivariat analys. Wieland Wermke

Statistiska analyser C2 Bivariat analys. Wieland Wermke + Statistiska analyser C2 Bivariat analys Wieland Wermke + Bivariat analys n Mål: Vi vill veta något om ett samband mellan två fenomen n à inom kvantitativa strategier kan man undersöka detta genom att

Läs mer

Introduktion till. Minitab version 14

Introduktion till. Minitab version 14 Statistiska institutionen LW n/pei/jb Introduktion till Minitab version 14 Innehållsförteckning 1 Introduktion Worksheeten datafönstret Minitabs menyer och Session-fönstret Att spara och öppna Minitab-filer

Läs mer

7.1 Hypotesprövning. Nollhypotes: H 0 : µ = 3.9, Alternativ hypotes: H 1 : µ < 3.9.

7.1 Hypotesprövning. Nollhypotes: H 0 : µ = 3.9, Alternativ hypotes: H 1 : µ < 3.9. Betrakta motstånden märkta 3.9 kohm med tolerans 1%. Anta att vi innan mätningarna gjordes misstänkte att motståndens förväntade värde µ är mindre än det utlovade 3.9 kohm. Med observationernas hjälp vill

Läs mer

DATUM: Provkod: TENTAMEN kvantitativ metod Psykologi g

DATUM: Provkod: TENTAMEN kvantitativ metod Psykologi g Al D: Kurskod: DATUM: Provkod: TENTAMEN kvantitativ metod Psykologi 2 735g03 2012-04-20 l nstruktion; Skriv ditt Al D, Datum, Kurskod samt provkod på varje blad du lämnar in Skriv bara på en sida av va~e

Läs mer

KOM IHÅG ATT NOTERA DITT TENTAMENSNUMMER NEDAN OCH TA MED DIG TALONGEN INNAN DU LÄMNAR IN TENTAN!!

KOM IHÅG ATT NOTERA DITT TENTAMENSNUMMER NEDAN OCH TA MED DIG TALONGEN INNAN DU LÄMNAR IN TENTAN!! Kurskod: PC1203 och PC1244 Kursnamn: Kognitiv psykologi och metod OCH Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Linda Hassing Tentamensdatum: 2009-09-23 kl. 09:00 13:00

Läs mer

ÖVNINGSUPPGIFTER KAPITEL 9

ÖVNINGSUPPGIFTER 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 mer

Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp

Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp Sid 1 (10) Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp Uppgift 1 Betrakta nedanstående täthetsfunktion för en normalfördelad slumpvariabel X med väntevärde

Läs mer

Vi har en ursprungspopulation/-fördelning med medelvärde µ.

Vi har en ursprungspopulation/-fördelning med medelvärde µ. P-värde P=probability Sannolikhetsvärde som är resultat av en statistisk test. Anger sannolikheten för att göra den observation vi har gjort eller ett sämre / mer extremt utfall om H 0 är sann. Vi har

Läs mer

Kort manual till SPSS 10.0 för Mac/PC

Kort manual till SPSS 10.0 för Mac/PC Institutionen för beteendevetenskap Linköpings universitet Kort manual till SPSS 10.0 för Mac/PC 1. Att skapa en ny variabel Inmatning av data sker i det spread sheet som kallas Data View (flik längst

Läs mer

Statistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs

Statistikens 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 mer

Korrelation kausalitet. ˆ Y =bx +a KAPITEL 6: LINEAR REGRESSION: PREDICTION

Korrelation 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 mer

34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD

34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD 6.4 Att dra slutsatser på basis av statistisk analys en kort inledning - Man har ett stickprov, men man vill med hjälp av det få veta något om hela populationen => för att kunna dra slutsatser som gäller

Läs mer

Statistik för teknologer, 5 poäng Skrivtid:

Statistik för teknologer, 5 poäng Skrivtid: UMEÅ UNIVERSITET Institutionen för matematisk statistik Statistik för teknologer, MSTA33, p Statistik för kemister, MSTA19, p TENTAMEN 2004-06-03 TENTAMEN I MATEMATISK STATISTIK Statistik för teknologer,

Läs mer

Tentamen i matematisk statistik

Tentamen i matematisk statistik Sid 1 (9) i matematisk statistik Statistik och kvalitetsteknik 7,5 hp Tillåtna hjälpmedel: Miniräknare. Studenterna får behålla tentamensuppgifterna. Skrivtid: 9.00-12.00 ger maximalt 24 poäng. Betygsgränser:

Läs mer

ANOVA Faktoriell (tvåvägs)

ANOVA Faktoriell (tvåvägs) ANOVA Faktoriell (tvåvägs) Faktoriell ANOVA (tvåvägs) Två oberoende variabel ( tvåvägs ): Nominalskala eller ordinalskala. Delar in det man undersöker (personerna?) i grupper/kategorier, dvs. betingelser.

Läs mer

Innehåll. Data. Skillnad SEM & Regression. Exogena & Endogena variabler. Latenta & Manifesta variabler

Innehåll. Data. Skillnad SEM & Regression. Exogena & Endogena variabler. Latenta & Manifesta variabler Innehåll Structural Equation Modeling (SEM) Ingenting är omöjligt Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Data Latenta och manifesta variabler Typ av modell (path, CFA, SEM) Specificera

Läs mer

Kan föräldrastöd förbättra föräldrars hälsa, kompetens och barns beteende?

Kan föräldrastöd förbättra föräldrars hälsa, kompetens och barns beteende? Kan föräldrastöd förbättra föräldrars hälsa, kompetens och barns beteende? 2010 Omfattande instrument låg svarsfrekvens, anpassad för e-mail 2011 Minskad enkät något bättre svarsfrekvens, anpassad för

Läs mer

Föreläsning G60 Statistiska metoder

Föreläsning G60 Statistiska metoder Föreläsning 9 Statistiska metoder 1 Dagens föreläsning o Regression Regressionsmodell Signifikant lutning? Prognoser Konfidensintervall Prediktionsintervall Tolka Minitab-utskrifter o Sammanfattning Exempel

Läs mer

I. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Parametriska Icke-parametriska

I. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Parametriska Icke-parametriska Innehåll I. Grundläggande begrepp II. Deskriptiv statistik III. Statistisk inferens Hypotesprövnig Statistiska analyser Parametriska analyser Icke-parametriska analyser Univariata analyser Univariata analyser

Läs mer

TMS136. Föreläsning 10

TMS136. 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 mer

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29

LÖSNINGSFÖRSLAG 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 mer

kodnr: 2) OO (5p) Klassindelningar

kodnr: 2) OO (5p) Klassindelningar kodnr: 1) KH (10p) a) Förklara innebörden av kausalitetsbegreppet i ett kvantitativt-metodologiskt sammanhang (2p) b) Förklara innebörden av begreppet nonsenssamband (2p) c) Argumentera för och motivera

Läs mer

Introduktion till Biostatistik. Hans Stenlund, 2011

Introduktion till Biostatistik. Hans Stenlund, 2011 Introduktion till Biostatistik Hans Stenlund, 2011 Modellbaserad analys Regression Logistisk regression Överlevnadsanalys Hitta misstag Hantera extremvärden Bortfall Hur samlas data in? Formell analys

Läs mer

Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.''

Tentamen'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 mer

Spridningsdiagram (scatterplot) Fler exempel. Korrelation (forts.) Korrelation. Enkel linjär regression. Enkel linjär regression (forts.

Spridningsdiagram (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 mer

Föreläsning 6 (kap 6.1, 6.3, ): Punktskattningar

Föreläsning 6 (kap 6.1, 6.3, ): Punktskattningar Föreläsning 6 (kap 6.1, 6.3, 7.1-7.3): Punktskattningar Marina Axelson-Fisk 4 maj, 2016 Stickprov (sample) Idag: Stickprovsmedelvärde och varians Statistika (statistic) Punktskattning (point estimation)

Läs mer

Statistik 1 för biologer, logopeder och psykologer

Statistik 1 för biologer, logopeder och psykologer Innehåll 1 Analys av korstabeller 2 Innehåll 1 Analys av korstabeller 2 Korstabeller Vi har tidigare under kursen redan bekantat oss med korstabeller. I en korstabell redovisar man fördelningen på två

Läs mer

Föreläsning 7 och 8: Regressionsanalys

Föreläsning 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 mer

TAMS28 DATORÖVNING 1-2015 VT1

TAMS28 DATORÖVNING 1-2015 VT1 TAMS28 DATORÖVNING 1-2015 VT1 Datorövningen behandlar simulering av observationer från diskreta och kontinuerliga fördelningar med hjälp av dator, illustration av skattningars osäkerhet, analys vid parvisa

Läs mer

2. Lära sig beskriva en variabel numeriskt med "proc univariate" 4. Lära sig rita diagram med avseende på en annan variabel

2. Lära sig beskriva en variabel numeriskt med proc univariate 4. Lära sig rita diagram med avseende på en annan variabel Datorövning 1 Statistikens Grunder 2 Syfte 1. Lära sig göra betingade frekvenstabeller 2. Lära sig beskriva en variabel numeriskt med "proc univariate" 3. Lära sig rita histogram 4. Lära sig rita diagram

Läs mer

FACIT!!! (bara facit,

FACIT!!! (bara facit, STOCKHOLMS UNIVERSITET Psykologiska institutionen Psykologi III, VT 2012. Fristående kurs FACIT!!! (bara facit, inga tolkningar) Skrivning i Psykologi III metod, fristående kurs: Metod och Statistik avsnitt

Läs mer

Två innebörder av begreppet statistik. Grundläggande tankegångar i statistik. Vad är ett stickprov? Stickprov och urval

Två innebörder av begreppet statistik. Grundläggande tankegångar i statistik. Vad är ett stickprov? Stickprov och urval Två innebörder av begreppet statistik Grundläggande tankegångar i statistik Matematik och statistik för biologer, 10 hp Informationshantering. Insamling, ordningsskapande, presentation och grundläggande

Läs mer