, s a. , s b. personer från Alingsås och n b
|
|
- Ann-Marie Sundberg
- för 7 år sedan
- Visningar:
Transkript
1 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 och n är stickprovsstorleken (Nämnaren är stickprovsmedelvärdets standardavvikelse, ) Allmänt kan vi skriva testfunktionen som Om vi tex har en normalfördelad variabel som vi kallar Y så är normalfördelad med väntevärde 0 och standardavvikelse 1 Antag nu att du är intresserad av om medelvärdet i två populationer är lika Vi kan som exempel ta längden på personer i två städer, Alingsås och Boden Vi antar att längderna är normalfördelade X a =Längden på personer i Alingsås X a är N(µ a, s a ) X b =Längden på personer i Boden X b är N(µ b, s b ) Vi vill nu testa =µ b Om är sann så är ju differenserna mellan väntevärdena lika med noll Dvs vi kan skriva vår hypotes som =0 För att kunna testa hypotesen måste vi samla in data Vi gör två oberoende stickprov, ett från vardera populationen Vi väljer slumpmässigt ut n a personer från Alingsås och n b personer från Boden Innan vi genomför vårt test kan vi gå en liten omväg för att dra direkta paralleller med kapitel 8 Vi inför en ny variabel Y Eftersom både X a och X b är normalfördelade så är Y normalfördelad
2 Variansen för Y får vi genom Standardavvikelsen för Y blir då Vi kan nu genomföra ett hypotestest med hjälp av Y och teorin i kapitel 10 Enligt så är ju µ a =0, så E(Y)=0 Vi använder oss av testfunktionen Vi behöver ingen ytterligare teori utan kan nu genomföra testet enligt kapitel 10 Om vi inte vill gå omvägen via Y kan vi i testfunktionen skriva ut vad Y står för Om båda stickproven är stora, dvs vi har åtminstone 30 observationer i vardera stickprovet så behöver vi inte kravet på att variablerna X a och X b skall vara normalfördelade z kommer ändå enligt CGS (centrala gränsvärdessatsen) att vara approximativt N(0, 1) I regel är ju inte populationernas standardavvikelser kända Vi får då skatta dessa från stickproven Vid stora stickprov får vi då I boken har de inte med (-0) i testfunktionen, men den kan var bra att vänja sig att sätta dit Vid ett annat tillfälle kanske vi inte tror att medelvärdena är exakt lika utan att tex Alingsåsare är 5 cm längre än Bodensare I det läget vill vi testa =5 Vi får då enkelt testfunktionen
3 Rekommendationen är alltså att i tesfunktionen skriva ut värdet från även då det är 0 och konsekvent skriva testfunktionen på formen eller i detta fall Ska vi nu genomföra vårt test? Vi antar att vi samlat in n a =36 observationer från Alingsås Dessa gav oss ett stickprovsmedelvärde på 175 cm och en stickprovsstandardavvikelse på 6 cm I ett annat stickprov samlar vi information från n b =49 Bodensare Dessa var i snitt 173 cm med en standardavvikelse på 7 cm Hypoteser =0 H 1 0 Signifikansnivå Vi använder signifikansnivån a=5% Testfunktion Beslutsregel Vi hämtar de kritiska gränserna från normalfördelningstabellen Eftersom vi har dubbelsidig mothypotes förkastar vi i båda svansarna och fördelar signifikansnivån med 25% i varje svans Beslutsregeln blir då: Förkasta om z >196 Resultat
4 Slutsats 141 <196 Vi kan ej förkasta Vi kan inte på 5% signifikansnivå påstå att medellängden för invånarna i de båda städerna skiljer sig åt OBSERVERA!! Detta betyder inte att vi bevisat att Alingsåsare och Bodensare är lika långa i genomsnitt Det betyder bara att den skillnad vi fick mellan stickproven inte är tillräckligt stor för att det skall räcka att förkasta Det finns ju alltid risk att vi råkat ut för ett typ II-fel och sannoliketen för detta är okänd (Se kapitel 10) Små stickprov Vi gör här följande antaganden; 1 Båda populationerna är normalfördelade 2 Vi har två oberoende stickprov 3 Standardavvikelserna för de båda populationerna är lika, s a =s b Det går att genomföra testet även om villkor 3 inte är uppfyllt, men hur man då går tillväga ligger utanför ramen för denna kurs Vi ser tillbaka på vår testfunktion då s är känd Enligt villkor 3 så är s a =s b Vi kan strunta i indexeringen och bara skriva s s a =s b =s Om vi i testfunktionen bryter ut variansen får vi Oftast är ju s okänd och måste skattas från stickprovet Eftersom vi har normalfördelade variabler, skattad standardavvikelse och små stickprov blir vår testfunktion t-fördelad Men hur ska vi beräkna s 2? Vi har från våra två stickprov s 2 a och s2 b Båda två är ju skattningar av s2 Vilken skall
5 vi välja? Svaret är; Båda Om vi väljer den ena kommer vi ju att kasta bort all information om spridning som vi samlat in från den population vi väljer bort Det gäller att ta tillvara all information vi har för att få en så bra skattning som möjligt Vi skulle kunna ta medelvärdet av de två skattningarna Men om det ena stickprovet är större än det andra så har vi ju en "bättre" skattning i det stora urvalet och den skattningen borde få lite större tyngd Vi bildar att ett vägt medelvärde, en sammanvägd varians (pooled variance) och är då t-fördelad med n a +n b -2 frihetsgrader (Vi har ju n a -1 frihetsgrader i första stickprovet och n b -1 frihetsgrader i det andra, så totalt har vi n a +n b -2 frihetsgrader) Exempel Vi tar exemplet ovan ännu en gång Men vi antar att stickproven var mindre n a =12 och n b =16 Vi lägger även till antagandet att s a =s b =s För enkelhets skull antar vi att resultaten från stickproven blev det som finns i exemplet ovan Hypoteser =0 H 1 0 Signifikansnivå Vi använder signifikansnivån a=5% Testfunktion Beslutsregel Vi hämtar de kritiska gränserna från t-fördelningstabellen Eftersom vi har dubbelsidig mothypotes förkastar vi i båda svansarna och fördelar signifikansnivån med 25% i varje
6 svans Vi har =26 frihetsgrader Beslutsregeln blir då: Förkasta om t >2056 Resultat Slutsats 079 <2056 Vi kan ej förkasta Vi kan inte på 5% signifikansnivå påstå att medellängden för invånarna i de båda städerna skiljer sig åt Konfidensintervall I kapitel 10 konstaterade vi att det finns ett samband mellan test och konfidensintervall Det gäller fortfarande Konfidensintervall bildar vi genom Skattning ± konstant skattningens medelfel Vid stora stickprov får vi ett konfidens intervall för µ a genom Om s är känt så använder vi naturligtvis det istället för s Vid små stickprov blir intervallet I vårt andra exempel skulle vi få ett 95% konfidensintervall för µ a genom 2±52 [-32, 72] 95% Med 95% säkerhet ligger differensen µ a inom intervallet -32 cm och +72 cm Vi kan alltså inte förkasta nollhypotesen Differensen kan ju vara noll Men notera igen att vi inte på något sätt har visat att nollhypotesen är sann Differensen kan ju ligga var som helst inom intervallet Det enda vi säger är vi inte kan utesluta 0, lika lite som vi kan utesluta tex -1 eller +3 Vi konstaterar bara att vi inte kan förkasta
7 Skillnader mellan två populationsproportioner Repetera exemplet från kapitel 10 med Unos tärning Även där skapade vi vår testfunktion enligt principen och fick då Vi behövde inte skatta standardavvikelsen eftersom vi när testet genomförs antar att är sann, och vi hämtar p därifrån Nu ska vi se på differensen mellan två proportioner och testa om p 1 =p 2 : p 1 =p 2 eller enligt principen ovan : p 1 -p 2 =0 Om vi följer resonemanget om test av differenser mellan medelvärden skulle vi argumentera för att p 1 =p 2 =p och vi skulle bilda testfunktionen Men hur skall vi kunna räkna ut detta? p är ju okänt (Om p vore känt behövde vi ju inte göra något test!) Vi har heller inget värde att hämta från eftersom vi inte gjort något antagande om värdet på p, utan vi har enbart sagt att proportionerna i de båda populationerna är lika Enda möjligheten är att skatta p från stickproven Vid skattningen slår vi ihop de båda stickproven till ett enda stort stickprov och beräknar p Eftersom vi under antar att proportionerna är lika får vi bästa skattningen genom att räkna totala antalet som har den egenskap vi söker i de två stickproven och dela på den totala stickprovsstorleken Vi kallar skattingen för p c (c står för combined = sammanslaget) X 1 och X 2 är antalet i respektive urval som har sökt egenskap Testfunktionen blir då Ett genomräknat exempel finns i boken
8 Stickprov i par, beroende stickprov Antag att du vill testa två gödningsmedel A och B för att se vilket av dessa som ger den största genomsnittliga skörden Till ditt förfogande har du 20 stycken åkrar Du skulle kunna välja ut 10 åkrar slumpmässigt där du gödslade med A och 10 åkrar där du gödslade med B Sedan kan du med de metoder som beskrivs i början av kapitlet testa =µ b eller =0 Om vi antar att skörden (mätt i tex ton/hektar) är normalfördelad och att standardavvikelsen är densamma oavsett vilket gödningsmedel vi använder blir testfunktionen enligt ovan s 2 p mäter den variation som finns i data Om vi funderar lite över vilka orsaker som finns till variation så kan vi hitta många olika anledningar Naturligtvis kan skördemängden skilja just beroende på att vi har använt olika gödningsmedel och det ju just den variationskällan vi är intresserade av Men det finns även andra orsaker Tex har solen lyst olika mycket på olika åkrar om vi tänker oss att åkrarna ligger utspridda över ett stort geografisk område Det har fallit olika mycket regn på olika åkrar Någon åker kanske ligger nära en fabrik som släpper ut föroreningar som påverkar skörden En annan åker kanske ligger nära ett vattendrag som på ett naturligt sätt bidrar till fuktighet i jorden Jorden på åkrarna kan vara av olika god kvalitet På vissa åkrar kan det förekomma skadedjur som inte finns på andra Listan kan göras lång Och ALLA dessa bidrag till variation i skördemängd samlas i s 2 p Det betyder att om vi har mycket "störande" variation så kommer nämnaren i t att bli stor, vilket medför att vi får svårt att hitta signifikanta skillnader, även om A och B ger olika resultat Test har låg styrka (se kapitel 10) Vi önskar skala bort all oväsentlig variation och enbart ha kvar den som orsakats av att vi använt olika gödningsmedel Om vi då istället delar in varje åker i två delar På den ena delen gödslar vi med A och på den andra delen gödslar vi med B Sen mäter vi för varje åker differensen i skördemängd mellan den del som är gödslad med A och den som är gödslad med B Vi bildar d=x a -X b Inom varje åker bör förutsättningarna vara desamma vad gäller sol, regn, jordmån, skadedjur, föroreningar etc Så hittar vi skillnader mellan X a och X b så bör de bero på gödningsmedel Du har alltså till din analys 20 differenser Du använder dessa och gör ett hypotestest enligt kapitel 10 Eftersom skördemängden antogs var normalfördelad så är även d normalfördelad Och om gödningsmedlen är lika bra så är E(D)=µ d =0 Med teorin i kapitel 10 skulle vi i detta läge testa
9 : µ=0 med Nu har vi bytt namn på variabeln från X till D Så vi fixar till testfunktionen så att beteckningarna stämmer där s d är den vanliga stickprovsstandardavvikelsen beräknad på de n stycken differenserna t är t-fördelad med n-1 frihetsgrader (Vi får alltså inte n a +n b -2 frihetsgrader här eftersom vi i beräkningen enbart räknar med differenserna, och de är n stycken) Allt detta kommer från URL:
F14 HYPOTESPRÖVNING (NCT 10.2, , 11.5) Hypotesprövning för en proportion. Med hjälp av data från ett stickprov vill vi pröva
Stat. teori gk, ht 006, JW F14 HYPOTESPRÖVNING (NCT 10., 10.4-10.5, 11.5) Hypotesprövning för en proportion Med hjälp av data från ett stickprov vill vi pröva H 0 : P = P 0 mot någon av H 1 : P P 0 ; H
Läs merTMS136. Föreläsning 13
TMS136 Föreläsning 13 Jämförelser mellan två populationer Hittills har vi gjort konfidensintervall och tester kring parametrar i EN population I praktiska sammanhang är man ofta intresserad av att jämföra
Läs merFöreläsning 3. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 3 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Inferens om två populationer (kap 8.1 8.) o Parvisa observationer (kap 9.1 9.) o p-värde (kap 6.3) o Feltyper, styrka, stickprovsstorlek
Läs merFöreläsning 2. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 2 Statistik; teori och tillämpning i biologi 1 Normalfördelning Samplingfördelningar och CGS Fördelning för en stickprovsstatistika (t.ex. medelvärde) kallas samplingfördelning. I teorin är
Läs merF3 Introduktion Stickprov
Utrotningshotad tandnoting i arktiska vatten Inferens om väntevärde baserat på medelvärde och standardavvikelse Matematik och statistik för biologer, 10 hp Tandnoting är en torskliknande fisk som lever
Läs merF22, Icke-parametriska metoder.
Icke-parametriska metoder F22, Icke-parametriska metoder. Christian Tallberg Statistiska institutionen Stockholms universitet Tidigare när vi utfört inferens, dvs utifrån stickprov gjort konfidensintervall
Läs merFöreläsning 5. Kapitel 6, sid Inferens om en population
Föreläsning 5 Kapitel 6, sid 153-185 Inferens om en population 2 Agenda Statistisk inferens om populationsmedelvärde Statistisk inferens om populationsandel Punktskattning Konfidensintervall Hypotesprövning
Läs merIntroduktion. 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 merFöreläsning 4: Konfidensintervall (forts.)
Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika
Läs merSamplingfördelningar 1
Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi
Läs merAnalys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken
Analys av medelvärden Jenny Selander jenny.selander@ki.se 524 800 29, plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Jenny Selander, Kvant. metoder, FHV T1 december 20111 Innehåll Normalfördelningen
Läs merHypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University
Hypotesprövning Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Liksom konfidensintervall ett hjälpmedel för att
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 7 Statistiska metoder 1 Dagens föreläsning o Hypotesprövning för två populationer Populationsandelar Populationsmedelvärden Parvisa observationer Relation mellan hypotesprövning och konfidensintervall
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) 4 juni 2004, kl 14.00-19.00
Tentamen i Statistik, STA A10 och STA A13 (9 poäng) 4 juni 004, kl 14.00-19.00 Tillåtna hjälpmedel: Bifogad formelsamling, approimationsschema och tabellsamling (dessa skall returneras). Egen miniräknare.
Läs merTMS136. Föreläsning 11
TMS136 Föreläsning 11 Andra intervallskattningar Vi har sett att vi givet ett stickprov och under vissa antaganden kan göra intervallskattningar för väntevärden Man kan även gör intervallskattningar för
Läs mer2. Test av hypotes rörande medianen i en population.
Stat. teori gk, ht 006, JW F0 ICKE-PARAMETRISKA TEST (NCT 15.1, 15.3-15.4) Ordlista till NCT Nonparametric Sign test Rank Icke-parametrisk Teckentest Rang Teckentest Teckentestet är formellt ingenting
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 merProvmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13
Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs merπ = proportionen plustecken i populationen. Det numeriska värdet på π är okänt.
Stat. teori gk, vt 006, JW F0 ICKE-PARAMETRISKA TEST (NCT 13.1, 13.3-13.4) Or dlista till NCT Nonparametric Sign test Rank Teckentest Icke-parametrisk Teckentest Rang Teckentestet är formellt ingenting
Läs merFöreläsning 4. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 4 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Icke-parametriska test Mann-Whitneys test (kap 8.10 8.11) Wilcoxons test (kap 9.5) o Transformationer (kap 13) o Ev. Andelar
Läs merBetrakta kopparutbytet från malm från en viss gruva. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten i dessa.
Betrakta kopparutbytet från malm från en viss gruva. Anta att budgeten för utbytet är beräknad på att kopparhalten ligger på 70 %. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten
Läs merHur man tolkar statistiska resultat
Hur man tolkar statistiska resultat Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Varför använder vi oss av statistiska tester?
Läs merKapitel 10 Hypotesprövning
Sannolikhetslära och inferens II Kapitel 10 Hypotesprövning 1 Vad innebär hypotesprövning? Statistisk inferens kan utföras genom att ställa upp hypoteser angående en eller flera av populationens parametrar.
Läs merStandardfel (Standard error, SE) SD eller SE. Intervallskattning MSG Staffan Nilsson, Chalmers 1
Standardfel (Standard error, SE) Anta vi har ett stickprov X 1,,X n där varje X i has medel = µ och std.dev = σ. Då är Det sista kalls standardfel (eng:standard error of mean (SEM) eller (SE) och skattas
Läs merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs merDel I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:...
Avd. Matematisk statistik TENTAMEN I SF9/SF94/SF95/SF96 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 4:E OKTOBER 08 KL 8.00 3.00. Examinator för SF94/SF96: Tatjana Pavlenko, 08-790 84 66 Examinator för
Läs merParade och oparade test
Parade och oparade test Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning: möjliga jämförelser Jämförelser mot ett
Läs merTentamen i statistik (delkurs C) på kursen MAR103: Marina Undersökningar - redskap och metoder.
Tentamen 2014-12-05 i statistik (delkurs C) på kursen MAR103: Marina Undersökningar - redskap och metoder. Tillåtna hjälpmedel: Miniräknare och utdelad formelsamling med tabeller. C1. (6 poäng) Ange för
Läs merFöreläsning 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 merTT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng
Matematisk statistik Provmoment: Ladokkod: Tentamen ges för: TT091A, TVJ22A, NVJA02 Pu, Ti 7,5 högskolepoäng Namn: (Ifylles av student) Personnummer: (Ifylles av student) Tentamensdatum: 2012-08-31 Tid:
Läs merStudietyper, inferens och konfidensintervall
Studietyper, inferens och konfidensintervall Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Studietyper Experimentella studier Innebär
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merFÖRELÄSNING 8:
FÖRELÄSNING 8: 016-05-17 LÄRANDEMÅL Konfidensintervall för väntevärdet då variansen är okänd T-fördelningen Goodness of fit-test χ -fördelningen Hypotestest Signifikansgrad Samla in data Sammanställ data
Läs mer34% 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 merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen 6.5 hp AT1MS1 DTEIN16h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 1 juni 2017 Tid: 14-18 Hjälpmedel: Miniräknare Totalt antal
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Hypotesprövning Innehåll Hypotesprövning 1 Hypotesprövning Inledande exempel Hypotesprövning Exempel. Vi är intresserade av en variabel X om vilken vi kan anta att den är (approximativt) normalfördelad
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 6 Statistiska metoder 1 Dagens föreläsning o Kort om projektet o Hypotesprövning Populationsandel Populationsmedelvärde p-värdet 2 Kort om projektet Syftet med projektet i denna kurs är att
Läs merTentamen i Statistik, STA A13 Deltentamen 2, 5p 21 januari 2006, kl
Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A13 Deltentamen, 5p 1 januari 006, kl. 09.00-13.00 Tillåtna hjälpmedel: Bifogad formel-
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 merTMS136. Föreläsning 7
TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna
Läs merSTOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson (examinator) VT2017 TENTAMEN I GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2017-04-20 LÖSNINGSFÖRSLAG Första version, med reservation för tryck-
Läs mer8 Inferens om väntevärdet (och variansen) av en fördelning
8 Inferens om väntevärdet (och variansen) av en fördelning 8. Skattning av µ och Students T-fördelning Om σ är känd, kan man använda statistikan X µ σ/ n för att hitta konfidensintervall för µ. Om σ inte
Läs merb) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p)
Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 27:E OKTOBER 2014 KL 08.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66, Björn-Olof Skytt, 08-790 86 49.
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-01-18 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson, Mykola
Läs merTENTAMEN I STATISTIKENS GRUNDER 2
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 2 2012-11-20 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
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 merVarför statistik? det finns inga dumma frågor, bara dumma svar! Serik Sagitov
Summer Science Camp, Tjärnö, 8 August 2012 Varför statistik? Serik Sagitov http://www.math.chalmers.se/ serik/ Avdelningen för matematisk statistik Matematiska Vetenskaper Chalmers Tekniska Högskola och
Läs merEXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF50: Matematisk statistik för L och V OH-bilder på föreläsning 7, 2017-11-20 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Läs merHur skriver man statistikavsnittet i en ansökan?
Hur skriver man statistikavsnittet i en ansökan? Val av metod och stickprovsdimensionering Registercentrum Norr http://www.registercentrumnorr.vll.se/ statistik.rcnorr@vll.se 11 Oktober, 2018 1 / 52 Det
Läs merTENTAMEN I STATISTIKENS GRUNDER 2
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 2 2012-11-01 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merKonfidensintervall, Hypotestest
Föreläsning 8 (Kap. 8, 9): Konfidensintervall, Hypotestest Marina Axelson-Fisk 11 maj, 2016 Konfidensintervall För i (, ). Hypotestest Idag: Signifikansnivå och p-värde Test av i (, ) när är känd Test
Läs merLösningsförslag till tentamen på. Statistik och kvantitativa undersökningar STA100, 15 hp. Fredagen den 13 e mars 2015
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik Statistik Lösningsförslag till tentamen på Statistik och kvantitativa undersökningar STA100, 15 hp Fredagen den 13 e mars 015 1 a 13 och 14
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) 26 april 2004, klockan 08.15-13.15
Karlstads universitet Institutionen för informationsteknologi Avdelningen för Statistik Tentamen i Statistik, STA A10 och STA A13 (9 poäng) 6 april 004, klockan 08.15-13.15 Tillåtna hjälpmedel: Bifogad
Läs merUppgift a b c d e Vet inte Poäng
TENTAMEN: Dataanalys och statistik för I2, TMS135 Fredagen den 12 mars kl. 8:45-11:45 på V. Jour: Jenny Andersson, ankn 8294 (mobil:070 3597858) Hjälpmedel: Utdelad formelsamling med tabeller, BETA, på
Läs merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011
Avd. Matematisk statistik Tobias Rydén 2011-09-30 SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Förberedelser. Innan du går till laborationen, läs igenom den här handledningen. Repetera också i
Läs merFöreläsning 6. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 6 Statistik; teori och tillämpning i biologi 1 Analysis of Variance (ANOVA) (GB s. 202-218, BB s. 190-206) ANOVA är en metod som används när man ska undersöka skillnader mellan flera olika
Läs merFÖRELÄSNINGSMATERIAL. 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 merBIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 7 (2015-04-29) OCH INFÖR ÖVNING 8 (2015-05-04)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB ÖVNING 7 (25-4-29) OCH INFÖR ÖVNING 8 (25-5-4) Aktuella avsnitt i boken: 6.6 6.8. Lektionens mål: Du ska kunna sätta
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2013-10-29 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Mykola
Läs merFöreläsning 5: Hypotesprövningar
Föreläsning 5: Hypotesprövningar Johan Thim (johan.thim@liu.se) 24 november 2018 Vi har nu studerat metoder för hur man hittar lämpliga skattningar av okända parametrar och även stängt in dessa skattningar
Läs merJämförelse av två populationer
Föreläsning 10 (Kap. 9.1-9.3, 10.1-10.3): Jämförelse av två populationer Marina Axelson-Fisk 18 maj, 2016 Goodness-of-fit test Kontingenstabeller Idag: Jämförelse av två medelvärden Jämförelse av två varianser
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs merTentamen i Statistik, STA A10 samt STA A13 9p 24 augusti 2005, kl
Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A0 samt STA A3 9p 4 augusti 005, kl. 08.5-3.5 Tillåtna hjälpmedel: Ansvarig lärare: Övrigt:
Läs merKap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen
Kap 6: Normalfördelningen Normalfördelningen Normalfördelningen som approximation till binomialfördelningen σ μ 1 Sats 6 A Om vi ändrar läge och/eller skala på en normalfördelning så har vi fortfarande
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) 16 januari 2004, kl
Karlstads universitet Institutionen för informationsteknologi Avdelningen för Statistik Tentamen i Statistik, STA A0 och STA A3 (9 poäng) 6 januari 004, kl. 4.00-9.00 Tillåtna hjälpmedel: Bifogade formel-
Läs merFöreläsning 6: Hypotestester (forts.)
Föreläsning 6: Hpotestester (forts.) Johan Thim (johan.thim@liu.se) 4 november 018 Vi fortsätter nu ekursionen i hpotesernas förlovade land. Fokus kommer vara på den vanligaste tpen av hpotestester, nämligen
Läs merAktivitetsuppgifter i kurs 602 Ekonomisk statistik, del 2, våren 2006
Handelshögskolan i Stockholm Anders Sjöqvist 2087@student.hhs.se Aktivitetsuppgifter i kurs 602 Ekonomisk statistik, del 2, våren 2006 Efter förra kursen hörde några av sig och ville gärna se mina aktivitetsuppgifter
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl
Karlstads universitet Avdelningen för nationalekonomi och statistik Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl 08.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema
Läs merχ 2, chi-två Test av anpassning: sannolikheter specificerade Data: n observationer klassificerade i K olika kategorier:
Stat. teori gk, ht 006, JW F1 χ -TEST (NCT 16.1-16.) Ordlista till NCT Goodness-of-fit-test χ, chi-square Test av anpassning χ, chi-två Test av anpassning: sannolikheter specificerade i förväg Data: n
Läs merF18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT
Stat. teori gk, ht 006, JW F18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT 1.1, 13.1-13.6, 13.8-13.9) Modell för multipel linjär regression Modellantaganden: 1) x-värdena är fixa. ) Varje y i (i = 1,, n) är
Läs merFÖRELÄSNING 7:
FÖRELÄSNING 7: 2016-05-10 LÄRANDEMÅL Normalfördelningen Standardnormalfördelning Centrala gränsvärdessatsen Konfidensintervall Konfidensnivå Konfidensintervall för väntevärdet då variansen är känd Samla
Läs merP(ξ > 1) = 1 P( 1) = 1 (P(ξ = 0)+P(ξ = 1)) = 1 0.34. ξ = 2ξ 1 3ξ 2
Lösningsförslag TMSB18 Matematisk statistik IL 101015 Tid: 12.00-17.00 Telefon: 101620, Examinator: F Abrahamsson 1. Varje dag levereras en last med 100 maskindetaljer till ett företag. Man tar då ett
Läs merFöreläsning 12: Repetition
Föreläsning 12: Repetition Marina Axelson-Fisk 25 maj, 2016 GRUNDLÄGGANDE SANNOLIKHETSTEORI Grundläggande sannolikhetsteori Utfall = resultatet av ett försök Utfallsrum S = mängden av alla utfall Händelse
Läs merBild 1. Bild 2 Sammanfattning Statistik I. Bild 3 Hypotesprövning. Medicinsk statistik II
Bild 1 Medicinsk statistik II Läkarprogrammet T5 HT 2014 Anna Jöud Arbets- och miljömedicin, Lunds universitet ERC Syd, Skånes Universitetssjukhus anna.joud@med.lu.se Bild 2 Sammanfattning Statistik I
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF90 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 26:E OKTOBER 206 KL 8.00 3.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merMedicinsk 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 merOMTENTAMEN I GRUNDLÄGGANDE STATISTIK FÖR EKONOMER
STOCKHOLMS UNIVERSITET Statistiska institutionen Termeh Shafie OMTENTAMEN I GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2012-04-16 Skrivtid: 15.00-20.00 Hjälpmedel: Miniräknare utan lagrade formler eller text,
Läs merVi 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 merTentamen i Statistik, STG A01 och STG A06 (13,5 hp) Torsdag 5 juni 2008, Kl
Karlstads Universitet Avdelningen för Nationalekonomi och Statistik Tentamen i Statistik, STG A0 och STG A06 (3,5 hp) Torsdag 5 juni 008, Kl 4.00-9.00 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-06-07 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson Jourhavande
Läs mer10. Konfidensintervall vid två oberoende stickprov
TNG006 F0-05-06 Konfidensintervall för linjärkombinationer 0. Konfidensintervall vid två oberoende stikprov Antag att X, X,..., X m är ett stikprov på N(µ, σ ) oh att Y, Y,..., Y n är ett stikprov på N(µ,
Läs merSTATISTISK POWER OCH STICKPROVSDIMENSIONERING
STATISTISK POWER OCH STICKPROVSDIMENSIONERING Teori UPPLÄGG Gemensam diskussion Individuella frågor Efter detta pass hoppas jag att: ni ska veta vad man ska tänka på vilka verktyg som finns vilket stöd
Läs mer9. Konfidensintervall vid normalfördelning
TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag
Läs merHypotestestning 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 merKapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen
Sannolikhetslära och inferens II Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen 1 Statistikor och samplingfördelningar I Kapitel 6 studerades metoder för att bestämma sannolikhetsfördelningen
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 5 Statistiska metoder 1 Dagens föreläsning o Konfidensintervall För andelar För medelvärden Vid jämförelser o Den statistiska felmarginalen o Stickprovsstorlek 2 Introduktion När man beräknar
Läs merUppgift 3 Vid en simuleringsstudie drar man 1200 oberoende slumptal,x i. Varje X i är likformigt fördelat mellan 0 och 1. Dessa tal adderas.
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 17:E AUGUSTI 2015 KL 8.00 13.00. Kursledare och examinator : Björn-Olof Skytt, tel 790 8649. Tillåtna hjälpmedel:
Läs merF9 Konfidensintervall
1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att
Läs merInnehåll. 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 merEnvägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper
Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Tobias Abenius February 21, 2012 Envägs variansanalys (ANOVA) I envägs variansanalys utnyttjas att
Läs merLufttorkat trä Ugnstorkat trä
Avd. Matematisk statistik TENTAMEN I SF1901 och SF1905 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 18:E OKTOBER 2012 KL 14.00 19.00. Examinator: Tatjana Pavlenko, tel 790 8466. Tillåtna hjälpmedel:
Läs merLösningsförslag till Matematisk statistik LKT325 Tentamen
Lösningsförslag till Matematisk statistik LKT325 Tentamen 20190115 Kursansvarig: Reimond Emanuelsson Betygsgränser: för betyg 3 krävs minst 20 poäng, för betyg 4 krävs minst 30 poäng, för betyg 5 krävs
Läs merEXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):
Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 2018-09-19 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):
Läs merLaboration 4: Hypotesprövning och styrkefunktion
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR L, FMS 032, HT-07 Laboration 4: Hypotesprövning och styrkefunktion 1 Syfte I denna laboration
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen TT091A TGMAS15h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 30 Maj Tid: 9-13 Hjälpmedel: Miniräknare (nollställd) samt allmänspråklig
Läs merTentamentsskrivning: Matematisk Statistik med Metoder MVE490 1
Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning i Matematisk Statistik med Metoder MVE490 Tid: den 16 augusti, 2017 Examinatorer: Kerstin Wiklander och Erik Broman. Jour:
Läs merTENTAMEN I SF2950 (F D 5B1550) TILLÄMPAD MATEMATISK STATISTIK, TORSDAGEN DEN 3 JUNI 2010 KL
TENTAMEN I SF950 (F D 5B1550) TILLÄMPAD MATEMATISK STATISTIK, TORSDAGEN DEN 3 JUNI 010 KL 14.00 19.00 Examinator : Gunnar Englund, tel. 790 7416, epost: gunnare@math.kth.se Tillåtna hjälpmedel: Formel-
Läs mer