Innehållsförteckning. MAS110B - Föreläsningsserie (overheader) MAS110B Matematisk statistik, grundkurs, statistikteori, HT04
|
|
- Emma Magnusson
- för 8 år sedan
- Visningar:
Transkript
1 Innehållsförteckning Föreläsning 1 - Punktskattningar I MAS110B - Föreläsningsserie (overheader) MAS110B Matematisk statistik, grundkurs, statistikteori, HT04 Henrik Bengtsson Matematikcentrum, avd. för Matematisk statistik, Lunds universitet 15 december 2004 Föreläsning 2 - Punktskattningar II Föreläsning 3 - Punktskattningar III Föreläsning 4 - Intervallskattningar II Föreläsning 5 - Intervallskattningar III Föreläsning 7 - Hypotesprövning II Föreläsning 9 - Regression I Föreläsning 12 - Variansanalys I Föreläsning 13 - Variansanalys II Föreläsning 14 - Bootstrap I Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 1 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 2 / 45 Föreläsning 1 - Punktskattningar I Abstrakt om statistisk inferens* Föreläsning 1 - Punktskattningar I Abstrakt om statistisk inferens* Abstrakt om statistisk inferens* Inferens betyder att dra slutsatser (som inte är direkt uppenbara). Modus ponens: Vi vet p q och observerar p, vilket implicerar q. Exempel: Om den 3:e är en onsdag, då är den 5:e en fredag. Idag är det onsdagen den 3:e. Därför är den 5:e en fredag. Modus tollens: Vi vet p q och observerar q, vilket implicerar p. (ekvivalent med modus ponens) Exempel: Om det hade regnat i morse, så hade gräset varit blött. Men gräset var inte blött. Därför regnade det inte i morse. Vad händer nu när observationerna innehåller osäkerhet också? Exempel: Om gräset är fuktigt? Hur mäter vi att det är fuktigt? Var går gränsen mellan fuktigt och blött? Kan det vara så att det regnar och torkar upp extremt snabbt? Har det regnat? Statistisk inferensteori! Deduktiv inferens: Utgår från axiom och definitioner och bygger upp en värld av satser som bevisas utifrån axiom och andra bevisade satser. Bildar ett stor träd av slutsatser som är (och alltid kommer att förbli) sanna. Två vetenskaper är kända för mig: matematik och logik. (Sannolikhets- och statistikteori går in under matematik.) Induktiv inferens: Saknar axiom, men vi har en massa hypoteser om verkligenheten som stöds av våra observationer och erfarenheter. Vi kan inte vara säkra på att slutsatserna/hypoteser är sanna, men bara mer eller mindre troliga. Ibland kommer nya observationer in som kulkastar visa hypoteser och nya skapas. Exempel: All vetenskap, speciellt där mätningar ingår. Tänk bara på utvecklingen av vår världsbild om universum, atomerna och kvantmekanik. Vi använder statistikteori för att sammanfatta observationer, testa nya och gamla hypoteser, och tänka ut nya. Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 4 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 5 / 45
2 Föreläsning 1 - Punktskattningar I HISTORIA: Studier av mätfel och uppkomsten av aritmetiskt medelvärde som skattare* HISTORIA: Studier av mätfel och uppkomsten av aritmetiskt medelvärde som skattare* För flera tusen år sedan noterade kineserna att man inte skall göra två mätningar, utan tre - då blir mittersta värdet mer korrekt (medianen). Kräver ju inga räkningar. Stora mängder astronomisk data har samlats in under lång tid. Tycho Brahe föreslog, i slutet av 1500-talet, att man bör ta det aritmetiska medelvärdet av upprepade mätningar. Det verkade bättre och blev en praktisk regel för alla. Galileo, under 1600-talet, noterade att: i) mätfel är oundvikliga, ii) små fel är vanligare än stora fel, iii) vi tenderar att lika ofta mäta fel åt ena hållet som åt andra hållet (symmetri). Vi känner igen detta som den symmetriska klockformade föredelningen centrerad kring 0:an. Thomas Simpson ( ) forsatte studera mätfel. Bland annat publiserade han On the Advantage of Taking the Mean of a Number of Observations, in practial Astronomy. Vi tycker detta är självklart, men varför? Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 6 / 45 Föreläsning 1 - Punktskattningar I Egenskaper hos skattare Figurkälla: W. Huber, Disputationsföredrag för H. Bengtsson, oktober Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 7 / 45 Föreläsning 2 - Punktskattningar II Stickprovsvariansen är väntevärdesriktig Bevis: (Sats ) Skattaren är s 2 ( ) och motsvarande stickprovsvariabel är s 2 (X). Vi vill alltså visa att E[s 2 (X)] def 1 = E[ (X i X ) 2 ] = σ 2. n 1 Vi börjar med att förenkla uttrycket (X i X ) 2 = [(X i m) (X m)] 2 = = = [(X i m) 2 2(X m)(x i m) + (X m) 2 ] (X i m) 2 2(X m) { = (X i m) = X i (X i m) + n(x m) 2 (X i m) 2 2n(X m) 2 + n(x m) 2 = } m = nx nm = n(x m) = (X i m) 2 n(x m) 2. Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 9 / 45 Föreläsning 2 - Punktskattningar II (X i X ) 2 = Väntevärdet av detta blir Stickprovsvariansen är väntevärdesriktig (X i m) 2 n(x m) 2. E[ (X i X ) 2 ] Sats5.7.4 = E[ (X i m) 2 ] ne[(x m) 2 ] Likaford. = E[ (X m) 2 ] ne[(x m) 2 ] Sats5.7.4 = ne[(x m) 2 ] ne[(x m) 2 ] Def = nv [X ] nv [X ] def.+sats5.7.4 = nσ 2 n(σ 2 /n) = nσ 2 σ 2 = (n 1)σ 2. Detta ger till sist att 1 E[ n 1 (X i X ) 2 ] = σ 2. Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 10 / 45
3 Föreläsning 2 - Punktskattningar II Vilken skattare är bäst? Vilken skattare är bäst? Föreläsning 3 - Punktskattningar III Personer Personer: Karl Pearson och Ronald A. Fisher Definition (20.2.3) Effektivet hos skattare Om två skattare θ1 ( ) och θ 2 ( ) är väntevärdesriktiga och V [θ 1(X)] < V [θ 2(X)] för alla θ A (med sträng olikhet för något θ A), så är θ1 ( ) effektivare (eng. effective) än θ2 ( ). Om θ 1 ( ) är effektivare kallas kvoten för effektiviteten hos θ 2 ( ). 0 V [θ 1 (X)] V [θ 2 (X)] 1 Exempel ( Senaste värdet ): Låt E[X ] = m och V [X ] = σ 2 som tidigre. Säg att vi istället för medelvärdet m1 (x) = x använder oss det senaste observerade värdet, dvs m2 (x) = x n som skattare. Vi vet redan att V [m1 (X)] = V [X ] = σ2 /n. Vi vet också att V [m2 (X)] = V [X ] = σ2. Alltså, effektiviteten är (σ 2 /n)/σ 2 = 1/n. Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 11 / 45 Karl Pearson ( ) and Sir Francis Galton ( ). Ronald A. Fisher ( ) in Figurkälla: Portraits of Statisticians, Dept. of Mathematics, University of York, Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 13 / 45 Föreläsning 3 - Punktskattningar III HISTORIA: MK-metoden och ML-metoden HISTORIA: MK-metoden och ML-metoden Föreläsning 3 - Punktskattningar III Några punktskattare vi kommer att stöta på Några punktskattare vi kommer att stöta på Karl Pearson [ ] (gillade Karl Marx; bytte Carl -> Karl) en tidig förgrundsfigur inom statistik. Menade att alla praktiska fördelningar kan beskrivas med momenten E[X ], V [X ], skevhet och kurtosis. Pearsons korrelationskoefficient ρ (som vi återkommer till senare i kursen). Mycket förenklat tillhör MK-metoden Pearsons tid. Ronald A. Fisher [ ] var den som myntande begreppet likelihood (för att inte blanda ihop det med probability ). Han formaliserade ML-metoden. Unge Fisher gick igenom Pearson publiserade arbete och hittade fel och föreslog förbättringar. Pearson ville inte erkänna Fishers arbete och publiserade inte hans artiklar i sin tidskrift Biometrika. Fisher återfinns bara i en fotnot. Fisher blev även utestängd från andra framstående tidsskrifter. Hans mycket viktiga arbete återfinns därför i mindre kända tidskrifter. skattare parameter (stickprovs-)medelvärde m (x) = x (populations-)väntevärde m (stickprovs-)varians s 2 (x) (populations-)varians σ 2 (stickprovs-)standardavvikelse s(x) (populations-)standardavikelsen σ (stickprovs-)proportion p (x) = k/n (populations-)proportion p Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 14 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 15 / 45
4 Föreläsning 4 - Intervallskattningar II Personer - Jerzy Neyman Personer - Jerzy Neyman Föreläsning 5 - Intervallskattningar III Personer - Mr Gosset ( Student ) Personer - Mr Gosset ( Student ) Jerzy Neyman ( ). Född i Polen. Startade upp Statistikinstitutionen vid Universitet på Berkeley. Figurkälla: Dept. of Statistics, U.C. Berkeley, History of Bernoulli Society, The Bernoulli Society, Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 17 / 45 William Gosset ( ). Pseudonym Student. Figurkällor: J. O Conner & E. Robertson, The MacTutor History of Mathematics archive, history/ Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 19 / 45 Föreläsning 7 - Hypotesprövning II Färdigt test Stickprov i par Exempel: Stickprov i par Innan vi observerar data x sätter vi upp hypotesprövningen: Exempel: Modell X Bin(n, p) (antalet sexor). Nollhypotes H 0 H 0 : p = 1/6 Mothypotes H 1 H 1 : p > 1/6 Signifikansnivå α α = 0.01 Teststorhet t(x) t(x) = p = x/n (en punktskattning av p). Kritiskt område C C = {t : t > a 1 } Signifikanstest Förkasta H 0 om t(x) > a 1. Förkasta ej H 0 om t a 1. Tänk att ni köper ovanstående test av en konsultfirma och därefter samlar ni in data och stoppar in i testet. Man vill veta om en ny vetesort ger större skörd än den existerande sorten. Var och en av sex åkrar delas in i två delar, där var sin sort odlas. Åkrarna skiljer sig en del i bördighet och klimat. Resultatet är Åker nr X 1 : Skörd sort 1, kg/ha X 2 : Skörd sort 2, kg/ha Skillnad D j Punktskattningar: n = 6, D = 266.3, s D = 91.0 (kg/ha). Medelfelet är d(d) = s D / n = Ett 95%-konfidensintervall är I = (D ± t 0.025,5 d(d)) = (266.4 ± 95.5) = (171, 362) Hypotestest mha av konfidensintervall ger att 0 I och därför är signifikant skilt från 0. Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 21 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 23 / 45
5 χ 2 -test χ 2 -test Översikt: χ 2 -test Exempel: χ 2 -test Antag att vi gör n oberoende försök som kan utfalla på r olika sätt A 1, A 2,, A r med sannolikheterna p 1, p 2,, p r med r p i = 1. Vi observerar utfallen x 1, x 2,, x r för de r olika alternativen. Antag att sannolikheterna p 1, p 2,, p r är okända. Vi vill nu testa en hypotes H 0 rörande värdet på dessa sannolikheter. Vi bildar r (x i np i ) 2 Q = np i med H 0 :s värden på p 1, p 2,, p r insatta. Om n är stort så är Q χ 2 (r 1). Dessutom brukar man ha tumregeln att alla np i skall vara större än 5. Om skattade parametrar behövs för att räkna ut p 1, p 2,, p r drar man ifrån ytterligare en frihetsgrad för varje skattad parameter. I ett numera berömt försök, som publicerades 1910, samlade Rutherford in data från radioaktivt sönderfall. I 2608 intervall på vardera 1/8 minut räknas antalet utsända α-partiklar från ett radioaktivt preparat. antal partiklar antal intervall antal partiklar antal intervall Vi vill nu med hjälp av ett χ 2 -test testa om dessa data kan komma från en Poisson-fördelning. Källa: M. Wiktorsson, MatStat AK för CD, föreläsning 11, vårtermin Källa: M. Wiktorsson, MatStat AK för CD, föreläsning 11, vårtermin Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 24 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 25 / 45 χ 2 -test χ 2 -test Exempel: χ 2 -test, forts. Vi börjar med att skatta m som stickprovsmedelvärdet vilket ger att m = x = Vi kan nu räkna ut förväntat antal för de olika utfallen. För fallen och 15 partiklar är det förväntade antalet < 5. För att uppfylla kraven i χ 2 -testet slår vi samman dessa till klassen 11. Antal intervall Jämförelse mellan observerat och förväntat utfall 600 observerat förväntat Exempel: χ 2 -test, forts. antal partiklar observerat förväntat antal partiklar observerat förväntat Vi kan nu räkna ut vår teststorhet Q som Q = 12 (x i np i ) 2 ( )2 (6 5.8)2 = + + = np i Antal partiklar Nu är Q < χ (12 1 1) = vilket ger att vi inte kan förkasta H 0 på nivån Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 26 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 27 / 45
6 Föreläsning 9 - Regression I Frågeställningar/problem inom regression Föreläsning 9 - Regression I HISTORIA: Regression to the Mean Regression to the Mean Frågeställningar/problem vi skall lösa de närmsta lektionerna: Skatta regressionslinjen y = f (x) = α + β(x x) Undersök skattningarnas precision: I α, I β Testa om det finns ett samband mellan x och Y ; H 0 : β = 0 mot H 1 : β 0. Givet ett x 0 -värde, vad är Y i medeltal? E[Y 0 ] = m 0 = α + β(x 0 x). Konfidensintervall I m0. Get ett x 0 -värde, var kan vi förvänta oss för y-värden i allmänhet? Y 0 = α + β(x 0 x) + ε 0 Prediktionsintervall I Y0. Givet att vi observerar y 0, vad är en skattning på x 0? Kalibreringsintervall I x0. Galtons (t.h ) studie av arvsanlag för längder. Förhållandet mellan längden på fädrar (x i ) och deras söner (y i ). Långa fädrar tenderar att få söner som är kortare än sig själva......och vice versa. Längden på söner tenderar alltså mot medelvärdet; regression to the mean. Lutningen på linjen blir mindre än 1. R. Tissot, Human Genetics, Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 29 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 30 / 45 Föreläsning 9 - Regression I Linjär regression - introduktion Föreläsning 9 - Regression I Linjär regression - osäkerhet i parameterskattningar Linjär regression - introduktion Linjär regression - osäkerhet i parameterskattningar Modell: Y i = α + β(x i x) + ε i Figurkälla: GraphPad Software, Inc, Linear regression, Figurkällor: Food and Agriculture Organization of the US, GraphPad Software, Inc, Linear regression, Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 31 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 32 / 45
7 Föreläsning 12 - Variansanalys I Exempel: Katalysatorer Variansanalys med en faktor - Exempel Föreläsning 12 - Variansanalys I Exempel: Katalysatorer forts... Variansanalys med en faktor - Exempel Fem olika kemiska katalysatorer. Har de samma utbyte (effektivitet)? Först, designa experimentet så att slumpmässigt så möjligt : Gör försöken i slumpmässig ordning: Katalysator Försök nummer A 1 1,2,3,4 A 2 5,6,7,8 A 3 9,10,11,12 A 4 13,14,15,16 A 5 17,18,19, A 5 A 5 A 2 A 3 A 3... Modell: X ij N(m i, σ); i = 1,..., 5, j = 1,..., 4. Hypoteser: H 0 : m 1 =... = m 5 = m H 1 : (i, j) : m i m j Signifikansnivå: α = Kritisktområde: C α = {v : v F α,p 1,N p }; F 0.001,5 1,20 5 = 8.25 Källa: [Olbjer, 2000, Exempel 13.1] Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 34 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 35 / 45 Föreläsning 12 - Variansanalys I Exempel: Katalysatorer forts... Stickprov: Variansanalys med en faktor - Exempel Katalysator x ij (i precentenheter) x i A A A A A x A Föreläsning 12 - Variansanalys I Exempel: Katalysatorer forts... ANOVA-tabellen blir: Variansanalys med en faktor - Exempel Kvadratsumma Frihetsgrader Skattningar Test storhet Katalysator Q A = = v = Residual Q 0 = = Summa Q = = Signifikanstest: v = F 0.001,5 1,20 5 = 8.25 Förkasta H 0. Slutsats: Katalysatorerna är ej lika, dvs det finns minst en som skiljer sig. Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 36 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 37 / 45
8 Föreläsning 13 - Variansanalys II Variansanalys med två faktorer Variansanalys med två faktorer Föreläsning 14 - Bootstrap I Empiriska fördelning och konfidensintervall Empiriska fördelning och konfidensintervall Exempel från Laboration 1 Låt X N(m, σ) med m = 3 och σ = 2. Generera B = 1000 stickprov x = (x 1,..., x n ) med n = 25. För varje stickprov, skatta väntevärdet med m = x. b x b mb B Medelvärdet av alla skattningar blir m = 1 B B b=1 m b = Figurkälla: Lynn E. Eberly, Biostatistics: ANOVA and Design, Lecture #23, lynn/ph5466/class.html Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 39 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 41 / 45 Föreläsning 14 - Bootstrap I Empiriska fördelning och konfidensintervall Empiriska konfidensintervall, forts... Medelvärdet av alla skattningar blir m = 1 B B b=1 m b = 3.011, vilket är approximativt normalfördelad (CGS två ggr). Föreläsning 14 - Bootstrap I Pull oneself up with the bootstraps - Emulera genom att återsampla Empirisk fördelning med återsampling Frequency Histogram of mx m* Sample Quantiles Normal Q Q Plot Theoretical Quantiles Ett empiriskt 95% konfidensintervall baserat på alla m blir I m = (m(b(α/2)), m (B(1 α/2))) = (2.229, 3.733). Givet ett stickprov x från X N(m, σ) med okända m och σ, kan vi nu återsampla nu stickprov För varje stickprov, skatta väntevärdet med m = x. b x b mb B Medelvärdet av alla skattningar blir m = Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 42 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 43 / 45
9 Föreläsning 14 - Bootstrap I Empirisk fördelning med återsampling Föreläsning 14 - Bootstrap I Empirisk fördelning med återsampling Återsampling... Referenser Frequency Histogram of mx m* Sample Quantiles Normal Q Q Plot Theoretical Quantiles Ett empiriskt 95% konfidensintervall baserat på alla m blir I m = (2.347, 3.764). Blom, G. and Holmquist, B. (1998). Statistikteori med tillämpningar (Bok B). Studentlitteratur, tredje upplagan edition. Olbjer, L. (2000). Experimentell och industriell statistik. Matematikcentrum, Matematisk statistik, Lunds universitet, femte upplagan edition. Salsburg, D. (2001). The Lady Tasting Tea. W. H. Freedman and Company. Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 44 / 45 Henrik Bengtsson (Lunds universitet) MAS110B - Föreläsningsserie (overheader) HT04 45 / 45
Föreläsning 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 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 merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 9 Joakim Lübeck (Johan Lindström 25 september 217 Johan Lindström - johanl@maths.lth.se FMSF7/MASB2 F9 1/23 Repetition Inferens för diskret
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 15 Johan Lindström 4 december 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F15 1/28 Repetition Linjär regression Modell Parameterskattningar
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)
SF1901: Sannolikhetslära och statistik Föreläsning 9. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 21.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 21.02.2012
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016
Läs merTAMS65 - Föreläsning 6 Hypotesprövning
TAMS65 - Föreläsning 6 Hypotesprövning Martin Singull Matematisk statistik Matematiska institutionen Innehåll Exempel Allmän beskrivning P-värde Binomialfördelning Normalapproximation TAMS65 - Fö6 1/33
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
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 merTAMS65 - Föreläsning 6 Hypotesprövning
TAMS65 - Föreläsning 6 Hypotesprövning Martin Singull Matematisk statistik Matematiska institutionen Innehåll Exempel Allmän beskrivning p-värde Binomialfördelning Normalapproximation TAMS65 - Fö6 1/36
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 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 merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
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 merLÖSNINGAR TILL. Matematisk statistik, Tentamen: kl FMS 086, Matematisk statistik för K och B, 7.5 hp
LÖSNINGAR TILL Matematisk statistik, Tentamen: 011 10 1 kl 14 00 19 00 Matematikcentrum FMS 086, Matematisk statistik för K och B, 7.5 hp Lunds tekniska högskola MASB0, Matematisk statistik kemister, 7.5
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt
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 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 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 merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs mer, 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 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 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 merLÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29
UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Statistik för Teknologer, 5 poäng (TNK, ET, BTG) Peter Anton, Per Arnqvist Anton Grafström TENTAMEN 7-8-9 LÖSNINGSFÖRSLAG TILL TENTAMEN
Läs merFORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02 Sannolikhetsteori Följande gäller för sannolikheter:
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 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 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 merSF1901: SANNOLIKHETSTEORI OCH HYPOTESPRÖVNING. STATISTIK. Tatjana Pavlenko. 13 maj 2015
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 13 HYPOTESPRÖVNING. Tatjana Pavlenko 13 maj 2015 PLAN FÖR DAGENS FÖRELÄSNING Begrepp inom hypotesprövning (rep.) Tre metoder för att avgöra om H 0 ska
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 merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
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 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 merSF1901: SANNOLIKHETSLÄRA OCH STATISTIK. MER HYPOTESPRÖVNING. χ 2 -TEST. Jan Grandell & Timo Koski
SF1901: SANNOLIKHETSLÄRA OCH STATISTIK FÖRELÄSNING 12. MER HYPOTESPRÖVNING. χ 2 -TEST Jan Grandell & Timo Koski 25.02.2016 Jan Grandell & Timo Koski Matematisk statistik 25.02.2016 1 / 46 INNEHÅLL Hypotesprövning
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merTvå 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 merFöreläsning 8. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 8 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Enkel linjär regression (kap 17.1 17.5) o Skatta regressionslinje (kap 17.2) o Signifikant lutning? (kap 17.3, 17.5a) o Förklaringsgrad
Läs merFöreläsning 8: Konfidensintervall
Föreläsning 8: Konfidensintervall Matematisk statistik Chalmers University of Technology Maj 4, 2015 Projektuppgift Projektet går ut på att studera frisättningen av dopamin hos nervceller och de två huvudsakliga
Läs mer1 Bakgrund DATORÖVNING 3 MATEMATISK STATISTIK FÖR E FMSF Något om Radon och Radonmätningar. 1.2 Statistisk modell
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 3 MATEMATISK STATISTIK FÖR E FMSF20 Syfte: Syftet med dagens laborationen är att du skall: få förståelse för punkt- och intervallskattningar.
Läs merJesper Rydén. Matematiska institutionen, Uppsala universitet Tillämpad statistik 1MS026 vt 2014
Föreläsning 1. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper@math.uu.se Tillämpad statistik 1MS026 vt 2014 Varför tillämpad statistik? Användningsområden i medicin, naturvetenskap
Läs merFöreläsning 12: Linjär regression
Föreläsning 12: Linjär regression Matematisk statistik Chalmers University of Technology Oktober 4, 2017 Exempel Vi vill undersöka hur ett ämnes specifika värmeskapacitet (ämnets förmåga att magasinera
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 6 Johan Lindström 13 september 2017 Johan Lindström - johanl@maths.lth.se FMSF70/MASB02 F6 1/22 : Rattonykterhet Johan Lindström - johanl@maths.lth.se
Läs merBIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29) Aktuella avsnitt i boken: Kap 61 65 Lektionens mål: Du ska
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 11 & 12 Johan Lindström 5 & 14 oktober 2015 Johan Lindström - johanl@maths.lth.se FMS086/MASB02 F11 1/27 Johan Lindström - johanl@maths.lth.se
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på
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 merMatematisk statistik KTH. Formelsamling i matematisk statistik
Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska
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 merAnalytisk statistik. Mattias Nilsson Benfatto, PhD.
Analytisk statistik Mattias Nilsson Benfatto, PhD Mattias.nilsson@ki.se Beskrivande statistik kort repetition Centralmått Spridningsmått Normalfördelning Konfidensintervall Korrelation Analytisk statistik
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 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 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 merSF1901: SANNOLIKHETSTEORI OCH HYPOTESPRÖVNING. STATISTIK. Tatjana Pavlenko. 4 oktober 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 12 HYPOTESPRÖVNING. Tatjana Pavlenko 4 oktober 2016 PLAN FÖR DAGENS FÖRELÄSNING Intervallskattning med normalfördelade data: två stickprov (rep.) Intervallskattning
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 merSF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för
Läs merKURSPROGRAM HT-18 MATEMATISK STATISTIK AK FÖR D, I OCH PI, FMSF45 & MASB03
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK KURSPROGRAM HT-18 MATEMATISK STATISTIK AK FÖR D, I OCH PI, FMSF45 & MASB03 Allmänt Kursen ger 9hp och omfattar 36 timmar föreläsning, 28 timmar
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 merJesper Rydén. Matematiska institutionen, Uppsala universitet Tillämpad statistik 1MS026 vt 2014
Föreläsning 2. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper@math.uu.se Tillämpad statistik 1MS026 vt 2014 ML-metoden: Standardfördelningar ML-skattning av parametrar i följande standardfördelningar:
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 merFöreläsning 12, FMSF45 Hypotesprövning
Föreläsning 12, FMSF45 Hypotesprövning Stas Volkov 2017-11-14 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F12: Hypotestest 1/1 Konfidensintervall Ett konfidensintervall för en parameter θ täcker rätt
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 5 Johan Lindström 12 september 216 Johan Lindström - johanl@maths.lth.se FMS86/MASB2 F5 1/23 Repetition Gauss approximation Delta metoden
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 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 merF14 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 merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Johan Lindström Repetition Johan Lindström - johanl@maths.lth.se FMS86/MASB2 1/44 Begrepp S.V. Fördelning Väntevärde Gauss CGS Grundläggande begrepp (Kap.
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 merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010
Avd. Matematisk statistik SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010 0 Allmänna anvisningar Arbeta med handledningen, och skriv rapport, i grupper om två eller tre personer. Närvaro vid laborationstiden
Läs merTentamen för kursen. Linjära statistiska modeller. 22 augusti
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 augusti 2008 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus
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 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 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 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 merTAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära
TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära Martin Singull Matematisk statistik Matematiska institutionen TAMS65 - Mål Kursens övergripande mål är att ge
Läs merSF1901: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 12 oktober 2015
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 14 PASSNING AV FÖRDELNING: χ 2 -METODER. Tatjana Pavlenko 12 oktober 2015 PLAN FÖR DAGENS FÖRELÄSNING Icke-parametsriska metoder. (Kap. 13.10) Det grundläggande
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 merFORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD 208-08-26 Sannolikhetsteori Följande gäller för sannolikheter: 0 P(A P(Ω = P(A
Läs merInledning till statistikteorin. Skattningar och konfidensintervall för μ och σ
Inledning till statistikteorin Skattningar och konfidensintervall för μ och σ Punktskattningar Stickprov från en population - - - Vi vill undersöka bollhavet men får bara göra det genom att ta en boll
Läs mera) Beräkna sannolikheten att en följd avkodas fel, det vill säga en ursprungliga 1:a tolkas som en 0:a eller omvänt, i fallet N = 3.
Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 14:E MARS 017 KL 08.00 13.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merTentamen för kursen. Linjära statistiska modeller. 20 mars 2015 9 14
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 20 mars 2015 9 14 Examinator: Anders Björkström, bjorks@math.su.se Återlämning: Fredag 27/3 kl 12.00, Hus 5,
Läs merLÖSNINGAR TILL P(A) = P(B) = P(C) = 1 3. (a) Satsen om total sannolikhet ger P(A M) 3. (b) Bayes formel ger
LÖSNINGAR TILL Matematisk statistik Tentamen: 2015 08 18 kl 8 00 13 00 Matematikcentrum FMS 086 Matematisk statistik för B, K, N och BME, 7.5 hp Lunds tekniska högskola MASB02 Matematisk statistik för
Läs merLaboration 2 Inferens S0005M VT18
Laboration 2 Inferens S0005M VT18 Allmänt Arbeta i grupper om 2-3 personer. Flertalet av uppgifterna är tänkta att lösas med hjälp av Minitab. Ett lärarlett pass i datorsal finns schemalagt. Var gärna
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 11 Johan Lindström 13 november 2018 Johan Lindström - johanl@maths.lth.se FMSF45/MASB03 F11 1/25 Repetition Stickprov & Skattning Maximum likelihood
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 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 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 merF13 Regression och problemlösning
1/18 F13 Regression och problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/3 2013 2/18 Regression Vi studerar hur en variabel y beror på en variabel x. Vår modell
Läs 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 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 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 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 merFöreläsning 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 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 merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 3 Matematisk statistik AK för CDIFysiker, FMS012/MASB03, HT15 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 5 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/200, HT-03 Laboration 5: Intervallskattning och hypotesprövning Syftet med den här
Läs merHypotestest och fortsättning av skattningar och konfidensintervall
Hypotestest och fortsättning av skattningar och konfidensintervall Repetition från förra gången Kända fördelningar ger konfidensintervall I klarspråk: Om vi har oberoende observationer x1,...,xn från N(μ,σ2),
Läs merFormel- och tabellsamling i matematisk statistik
Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P
Läs merFöreläsning 4. Kapitel 5, sid Stickprovsteori
Föreläsning 4 Kapitel 5, sid 127-152 Stickprovsteori 2 Agenda Stickprovsteori Väntevärdesriktiga skattningar Samplingfördelningar Stora talens lag, Centrala gränsvärdessatsen 3 Statistisk inferens Population:
Läs mer