Sta$s$k och Experiment
|
|
- Sven Pettersson
- för 8 år sedan
- Visningar:
Transkript
1 Sta$s$k och Experiment Christophe Clément Stockholms universitet 1
2 Varför staesek? Datainsamling och mängd mätningar Sannolikhetsfördelning Normalfördelning Centralvärdesatsen SystemaEska fel Snedvridna undersökningar Andra fördelningar Falska samband Higgs parekeln 2
3 Richard Feynman ( ) Nobelpristagare i fysik 1965 Vetenskapens främsta uppgio är ap inte lura sig själv! Och man är själv den läpaste ap lura! Gäller alla människor!! 3
4 Varför är sta$s$k ingrediens inom vetenskapen? VikEg ap kunna kvanefiera sannolikheten av det man observerar. Kan det komma sig av en slump? Eg. parapsykologi föreläsningen. Något kan uppstå av ep sammanträffande, hur avgör man? Hur säkra är vi ap något verkligen händer av det skälet man tror? 4
5 Behandling av lunginflamma$on fram $ll milen av 18- talet Sjukdomen beror på en obalans bland kroppsvätskorna (blod, gul galla, svart galla och slem).! Behandling: Åderlåtning Kräkmedel God och dålig vetenskap 5
6 Joseph Dietl Polsk läkare som gjorde en mycket vikeg undersökning ! Delade upp pa$enterna i 3 grupper: - - Behandling med åderlåtning - - Behandling med kräkmedel - - Ingen behandling!! Resultat: - - Åderlåtning - - Kräkmedel - - Ingen behandling 2,4% dog 2,7 % dog 7% dog 6
7 Slutsats? Dietl slutsats: AP behandla lunginflammaeon med kräkmedel eller åderlåtning inte fungerar utan dödar 2 ggr fler paeenter än själva sjukdomen (vid Dietls sjukhus)...! Flertusenåriga anor... tradieonell europeisk medicin! Varför upptäckte man inte problemet Edigare?! Kanske för a+ läkarna såg med egna ögon a+ å+a av 5o pa5enter blev friska? 7
8 Slutsats? Dietl slutsats: AP behandla lunginflammaeon med kräkmedel eller åderlåtning inte fungerar utan dödar 2 ggr fler paeenter än själva sjukdomen (vid Dietls sjukhus)...! Flertusenåriga anor... tradieonell europeisk medicin! Varför upptäckte man inte problemet Edigare?! Kanske för a+ läkarna såg med egna ögon a+ å+a av 5o pa5enter blev friska? Nu tror ni också al han hade räl men ni har kanske fel! 8
9 TiLa närmare Resultat: - - Grupp 1 Åderlåtning 2 % dog - - Grupp 2 Kräkmedel 21 % dog - - Grupp 3 Ingen behandling 7% dog Det står inte hur många personer som var med i testet så det går inte ap bestämma hur staeseskt säkert depa är. Var det lika många personner i varje grupp? Resultat: - - Grupp 1 Åderlåtning 5 av 25 som dog - - Grupp 2 Kräkmedel 4 av 19 som dog - - Grupp 3 Ingen behandling 2 av 28 som dog (avrundat med avsikt) Det kan röra sig om ganska små antal undersökta personer och skillnader skulle kunna uppstå av staeskeska fluktuaeoner I moderna undersökningar kvaneficerar man alled sannolikhet för det observerade ugallet. 9
10 Datainsamling och mängd mätningar Data set = el antal mätningar Tidiga kurser i fysikutbilningen har studenter laboraeoner Studenter måste göra många mätningar, stämmer resultatet med vad som står i boken? OOast är studenternas första erfarenhet ap mätningar blir alled olika, mätvärden varierar utan ap man inte rikegt får grepp om varför. EP experiment eller en undersökning ger oss en mängd mätningar en mängd mätningar experiment / undersökning mätvärden Vi behöver analysera mätningarna t= s s s s s s 1.17 s s s s 1
11 naturlag experiment / undersökning mätvärden Dataset kommer från ep experiment - - säger alled något om vårt experiment - - säger kanske något en fysiklag man vill undersöka TiPar på en fysiklag alled igenom filtret av vårt experiment AP Analysera Data handlar om ap förstå vad datamätningar säger om en mängd mätningar t= s s s s s s 1.17 s s s s - - själva experimentet - - är det något man kan även lära sig om fysik, eller biologi osv. 11
12 naturlag experiment / undersökning mätvärden Dataset kommer från ep experiment - - säger alled något om vårt experiment - - säger kanske något en fysiklag man vill undersöka TiPar på en fysiklag alled igenom filtret av vårt experiment AP Analysera Data handlar om ap förstå vad datamätningar säger om - - själva experimentet det kan man vara säker på - - är det något man kan även lära sig om fysik, eller biologi osv. en dataset t= s s s s s s 1.17 s s s s endast om det är e3 bra experiment 12
13 i vårt experiment mäter man t.ex. en Ed t= s s s s s s 1.17 s s s s Lära sig något om experimentet först! Genom analys av data mängden Trots ap studenterna förväntar sig ungefär samma mätvärdet varje gång - mätpunkterna finns litet överallt - men inte rik6gt överallt - man kan se en viss spridning Ed [s] Det finns många möjliga orsaker ap man inte får samma svar varje gång: hur noggran är Edtagaruren? är det en person som startar/stoppar klockan?. 13
14 Ed [s] En uppsäpning av mätningar har vissa egenskaper som i första hand återspeglar experimentet / undersökningen (och förhoppningsvis återspeglar också något om fysiklagar som man vill undersöka) Från spridningen kan man lära sig något om hur bra Edtagaruren är och hur snabb personen som stoppar/stannar uren är. 14
15 Nu med 1 mätningar varje mätning visas med ep lodräp sträck Svårt överskådligt Inter särskilt determiniseskt Ändå ser man ap det är fler punkter i mipen Ed [s] Beskriva en mängd data med - - medelvärdet - - median - - standardavvikelse 15
16 Nu med 1 mätningar varje mätning visas med ep lodräp sträck Ed [s] Beskriva en mängd mätningar med - - median = ligger så ap lika många mätvärden är större än och mindre än medianen - - medelvärdet μ = central tendens av en mängd mätningar µ = x + x x 1 2 N N - - standardavvikelse σ = hur mycket hoppar mätvärden upp och ner i genomsnip kring medelvärdet 16
17 Gruppera mätningarna i klasser / intervall 1.6 < t < 1.75 s 1.75 < t < 1.9 s och man räknar hur många mätpunkter faller i varje intervall. antal mätningar i intervallet Ed [s] klassindelat 12 1 histogram Ed [s] 17
18 Från mätningar $ll sannolikhetsfördelning antal mätningar i intervallet nu delar vi antalet mätningar i varje interval med det totalla antalet mätningar mätningar Ed [s] sannolikhet Ed [s] värdet i varje interval anger nu sannolikheten för ap få en mätning i intervallet. => sannolikhetsfördelning 18
19 - - mätningar in en given experimentell uppställning ger olika svar. - - men en mätning är en del av en data mängd - - följer en given sannolikhetsfördelning sannolikhet mätningar Formen på sannolikhetsfördelning bestäms av - - den experimentella uppställningen - - naturlagen man försöker undersöker En mängd mätningar av samma egenskap beräpar mycket mer än en enstaka mätning Ed [s] y- axeln anger = sannolikhet eller den observerade frekvensen beräpar för oss hur moder sannolikhets fördelningen ser ut. 19
20 Normalfördelning Många slumpmässiga processer kring oss följer en så kallad normalfördelning Gäller biologi, fysik, geo, kemi, ekonomi, samhällsvetenskap, Det tar normalt 4 veckor eoer sista menstruaeon Ell barnets födelse. Man kan skapa ep histogram av skillnaden i antalet dagar mellan nedkomst och fakeskt födelsedatum. sannolikhet Staplarna höjd visar sannolikheten. Kurvan visa en så kallad normalfördelning (en Gauss funkeon) 2
21 Varför dyker det upp normalfördelningar överallt? Låt oss anta ap vi kastar tärning 1 ggr och skapar ep histogram av ugallen antal u:all i varje intervallet ugall möjliga ugall 1 ugall => ca. 167 ugall i varje intervall u:all 21
22 Låt oss nu kasta två tärningar EP försök = kasta två tärningar. Summan är ep ugall för ep försök. Och så gör vi 1 försök. 16 antal u:all i varje intervallet u:all = tärning1 + tärning2 22
23 Låt oss nu kasta $o tärningar EP försök = kasta $o tärningar. Summan av alla Eo tärningar är ep ugall för ep försök. Och så gör vi 1 försök. 9 8 antal u:all i varje intervallet u:all = tärning1 + + tärning1 23
24 Låt oss nu kasta $o tärningar EP försök = kasta $o tärningar. Summan av alla Eo tärningar är ep ugall för ep försök. Och så gör vi 1 försök. 9 8 antal u:all i varje intervallet med en Gauss funkeon ovanpå u:all = tärning1 + + tärning1 24
25 Centrala Centralvärdesatsen Om vi summerar ep stort antal slumpmässigt fördelade tal, fördelningen av summan => normalfördelning Lägger man ihop många slumpmässiga faktorer, så får man automaeskt en fördelning som liknar en normalfördelning. Gäller oavsep hur ursprungsfördelningen ser ut. 25
26 Normalfördelning Centralvärdesatsen säger ap den underliggande sannolikhetsfördelningen för mätningar ska följa en normalfördelning med ep medelvärde μ och standardavvikelse σ. Där μ är det sanna värdet som eoersöks och σ säger hur stora är staeseska slumpmässiga felen Man vill komma fram med våra experiment Ell det sanna μ. Man kan komma åt μ genom många experiment. 26
27 De stora talens välsignelse h3 Entries 5 t= s s s s s sannolikhet mätningar medelvärdet = Mean RMS.1118 Underflow Ed [s] 27
28 De stora talens välsignelse h3 Entries 1 sannolikhet mätningar medelvärdet = Mean RMS.276 Underflow Ed [s] 28
29 Och det sanna värdet av μ som jag använder för dessa simuleringar är sannolikhet mätningar medelvärdet = Så med $llräckligt många mätningar kommer medelvärdet väldigt nära sanningen Ed [s] Man kan minska den slumpmässiga osäkerheten genom al u_öra många mätningar σ(medelvärdet) = σ(1 mätning) Antalet mätningar
30 Signifikans Normalfördelningen kan användas för ap testa hypoteser. Man undrar om en viss mätning följer en vis modell som förutsäger ep värde. z = mätvärde modell σ z- värdet: Till ep visst z- värde kan man associera en sannolikhet för ap depa beror på en sta$s$sk avvikelse. Stora värden av z pekar mot något som är mycket osannolikt om det endast skulle uppstå av slumpen, och då måste man kasta bort modellen. 3
31 Systema$ska fel Andra typer av fel kan inte försvinna oavsep antalet mätningar Tex. om Edtagaruren går litet långsammare än den borde Vad kan man lära sig av det andra instrumentet? mätningar medelvärdet = mätserier med 2 olika instrument medelvärdet = Ed [s] 31
32 Systema$ska fel 1) Den andra Edtagaruren har bäpre precision mindre spridning. 2) De ger dock två olika medelvärden Det finns en systemaesk skillnad mellan både instrument. Kan inte avgöra vilken som är räp utan vidare undersökningar mätningar medelvärdet = mätserier med 2 olika instrument medelvärdet = Det finns en systemaesk osäkerhet som är ca..1 och som är mycket större en den staeseska osäkerheten här Ed [s] 32
33 Systema$ska fel Den systemaeska osäkerheten kan inte minskas m.h.a. flera mätningar med samma uppställning. Något måste ändras i den experimentella uppställningen för ap komma åt den systemaeska osäkerheten (tex använda ep tredje intrusment ). I en undersökning är ep systemaeskt fel ep snedvridet underlag 33
34 Snedvridna undersökningar och störande faktorer Popula$onen inte den avsedda En läkare önskar undersöka alla som genomgåp magsårsoperaeon vid ep stort sjukhus under en viss Edsperiod. Genom brev, telefonsamtal och besök kom han i kontakt med 7% och undersökte dessa. Den populaeon han studerade blev följakegen inte den avsedda, och iakpagelserna kan troligen inte generaliseras Ell den avsedda större populaeonen. Varför inte? 34
35 Magsår kan var livshotande. PaEenter som avlidit kommer inte med i undersökningen. Av olika skäl vill inte paeenterna prata med just denna läkare. 35
36 Resultat från den undersökta gruppen (7% av alla) Mår sämre Ingen förändring 39 % mår bäpre, 26% mår sämre. Mår bälre Antalet undersökta Mha binomial fördelning kan man även räkna osäkerheten från staesek. (39 ± 4)% mår bäpre (26 ± 4)% Signifikans ~2.3 standard avvikelser Tyder på posiev effekt. mår sämre 36
37 I verkligheten är det 164 paeenter som blev behandlade av denna läkare. Icke undersökta: Mår sämre Ingen förändring Mår bälre Antalet icke undersökta Om man lägger ihop undersökta och icke undersökta: Mår sämre Ingen förändring Mår bälre Alla Antalet personer Man skulle kunna skriva så här men vi har undersökt HELA populaeonen, då finns det ingen 42 mår sämre 28 mår bäpre en helt annan slutsats! trots al man hade undersökt 7% av gruppen. 42% mår sämre inget binomial fel 28% mår bäpre eoersomvi EPade på hela befolkningen 37
38 Det som är avgörande är inte al man undersökt en stor andel av hela popula$onen. 1) Gruppen som man försöker nå (s$ckprovet) måste vara representa$v för hela popula$onen 2) Man måste anstränga sig för verkligen undersöka alla som man hade tänkte sig undersöka från början. 3) Det kan finnas en underliggande orsak al undersökta kommer inte med i undersökningen och denna orsak kan vara kopplad $ll den undersökta egenskapen. Om man $Lar på undersökningar från Sta$s$ska Centralbyrån så anges andelen som inte svarade på undersökningen. I vissa undersökningar inves$gerar man varför folk inte svarade på undersökningen. 38
39 Gunnar Blom: Ur Sannolikhetsteori och statistikteori med tillämpningar Antalet olyckor under fartbegränsningen har i Grönköping med omnejd varit 1. Under samma tid förra året var antalet 2, dvs en nedgång som är nog så uppenbar, å inte mindre än 5 procent. Måste man nog emellertid, liksom om olycksstatistiken i hela landet, säga, att den markanta nedgången av antalet olyckor till största delen beror på det halkiga väglaget. Grönköpings Veckoblad Från 2 olyckor till 1 olycka kan man inte dra slutsatsen att det är en effekt! God och dålig vetenskap 39
40 Från 2 olyckor till 1 olycka kan man inte dra slutsatsen att det inte ens är en effekt! Behöver så kallade Poisson fördelning för att räkna felet. Reproducerar fördelningen för hur många händelser inträffar under en viss period, i och med att händelserna är oberoende. Kan berätta att om man observera N så är felet N. År 1: 2± 2 => 2±1 År 2: 1± 1 => 1±1 Helt kompatibla med varandra. Ingen statistisk signifikant minskning! God och dålig vetenskap 4
41 Falska samband Gunnar Blom: Ur Sannolikhetsteori och statistikteori med tillämpningar Ett klassiskt exempel: En pedagog observerade att i en population av skolbarn i olika åldrar de som hade de största fötterna läste innantill bäst. Orsakar alltså stora fötter god inläsningsförmåga? Svar: Nej, däremot har de äldre barnen i genomsnitt större fötter och bättre läsförmåga God och dålig vetenskap 41
42 Samband mellan egenskap A och B- Låt oss anta av vi har uteslutit statistisk fluktuation som möjlig orsak. Om man utför observationer i en öppen okontrollerad miljö observationella undersökningar är det svårt att skilja mellan följande fallen: A? B? Dold orsak? A B Observationella undersökningar hjälper oss att hitta oanade samband och kopplingar! Experiment i mycket strängt kontrollerad miljö krävs för att skilja mellan olika scenarier God och dålig vetenskap 42
43 Exempel dagligen i dagspressen Folk som gör si och så (A) löper dubbel så stor risk för (B) Ser man ett samband mellan A och B i en observationellstudie i en öppen miljö kan man inte dra slutsatsen att A innebär B. Det kan också finnas en gemensam orsak till A och B. Vi antar här att det var inga felaktigheter i undersökningen. Vi kommer senare att titta på hur man utför undersökningen. För att t.ex. bevisa att en medicin fungerar eller är ofarlig behövs en mycket väl kontrollerad miljö => kommande föreläsning God och dålig vetenskap 43
44 Riktlinjer för al bevisa kausalitet Kontrollera ap korrelaeonen existerar även när andra parametrar varieras!! Kontrollera ap korrelaeonen förstärks då en misstänkt parameter förstärks!! Om effekten kan orsakas av någon känd effekt, kontrollera ap effekten finns kvar då man tagit hänsyn Ell den kända effekten.!! Försök ap göra ep experiment!! Försök finna en fysisk orsak Ell korrelaeonen! 44
45 Hur man visade al rökning orsakade lungcancer Observerad korrelaeon mellan rökning och lungcancer för alla typer av människor Man fann ap för människor med lika förutsäpningar ap icke rökare hade mer sällan lungcancer än rökare Folk som rökte mycket och länge hade högre chans ap få lungcancer När man korrigerade för kända orsaker Ell lungcancer som tex radon hade rökare forgarande högre frekvens än icke rökare!! Man gjorde djurförsök och fann ap de rökande fick lungcancer Biologer studerade cellkulturer och fann ap röken orsakade mutaeoner och ap det inte fanns någon geneesk faktor! större grad av förståelse och säkerhet Kan inte avstå den undersöknings processen Ells man nåp den djupa förklarigen. 45
46 Upptäckten av Higgs boson 46
47 Large Hadron Collider (LHC) at CERN Collide protons at s=7-14 TeV TeV 27 km circumference LHC- B CMS ATLAS ALICE Christophe Clement Search for TeV scale R- parity conserving supersymmetry with ATLAS
48 27 km circumference 1732 dipoles (8.3T) 15m long Dozens of quadrupole magnets Dozens of special magnets Thousands of beam diagnoec systems Advanced quench warning system RadiaEon hard electronics Christophe Clement Search for TeV scale R- parity conserving supersymmetry with ATLAS
49 ATLAS Experiment 37 Countries 169 Ins$tu$ons 3 Physicists Swedish Ins$tu$ons in ATLAS Stockholm University Kungliga Tekniska Högskolan Lund Universitet Uppsala Universitet Now starts the exciting expoitation of the data from the ATLAS experiment Explore the microscopical landscape at 1-19 m! Instruments with Stockholm University contribueon in design, construceon and calibraeon Instruments with contribueons from other Swedish InsEtuEons Christophe Clement Search for Dark Ma3er with the ATLAS experiment
50 God och dålig vetenskap 5
51 51
52 52
53 53
Lärare 1. Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum
Lärare 1 Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum Lärare 2 Att utföra undersökningar Sneda statistiska underlag
Läs merLärare 2. Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum
Lärare 2 Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum Lärare 2 Att utföra undersökningar Sneda statistiska underlag
Läs merLärare 4. Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum
1 Lärare 4 Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum Lärare 2 Att utföra undersökningar Sneda statistiska underlag
Läs merForskningsmetodik 2008. Lektion 6 Korrelation och kausalitet Per Olof Hulth hulth@physto.se. Tvådimensionella histogram
Forskningsmetodik Korrelation och kausalitet Per Olof Hulth hulth@phsto.se Tvådimensionella histogram Korrelation mellan två variabler (X och Y) 1 Tvådimensionella histogram Korrelation mellan två variabler
Läs merFinns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?
När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns
Läs merFöreläsning 7 FK2002
Föreläsning 7 FK2002 Föreläsning 7 Binomialfördelning Poissonfördelning Att testa en hypotes Binomialfördelningen Betrakta ett experiment som består av n försök varav ν är lyckade försök. Mätningar har
Läs merStockholms Universitet Fysikum Tentamensskrivning i Experimentell fysik för lärare 7.5 hp, för FK2004. Onsdagen den 14 december 2011 kl 9-14.
Stockholms Universitet Fysikum Tentamensskrivning i Experimentell fysik för lärare 7.5 hp, för FK2004. Onsdagen den 14 december 2011 kl 9-14. Skrivningen består av tre delar: A, B och C. Del A innehåller
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 merLHC Vad händer? Christophe Clément. Elementarpartikelfysik Stockholms universitet. Fysikdagarna i Karlstad, 2010-10-09
LHC Vad händer? Christophe Clément Elementarpartikelfysik Stockholms universitet Fysikdagarna i Karlstad, 2010-10-09 Periodiska systemet 1869 Standardmodellen 1995 Kvarkar Minsta beståndsdelar 1932 Leptoner
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 merForskningsmetodik 2006 lektion 2
Forskningsmetodik 6 lektion Per Olof Hulth hulth@physto.se Slumpmässiga och systematiska mätfel Man skiljer på två typer av fel (osäkerheter) vid mätningar:.slumpmässiga fel Positiva fel lika vanliga som
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 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 merLärare 2. Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum
Lärare 2 Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Jämföra i tid och rum Lärare 2 Att utföra undersökningar Sneda statistiska underlag
Läs merExperimentella metoder 2014, Räkneövning 1
Experimentella metoder 04, Räkneövning Problem : Tio mätningar av en resistans gav följande resultat: Mätning no. Resistans (Ω) Mätning no Resistans (Ω) 0.3 6 0.0 00.5 7 99.98 3 00.0 8 99.80 4 99.95 9
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 mersom kosmiska budbärare
IceCube på sydpolen söker neutriner som kosmiska budbärare Per Olof Hulth Oskar Klein centre Stockholm University hulth@fysik.su.se 2013-06-04 KVA inspirationsdag Kristianstad - Per Olof Hulth 1 Richard
Läs merVetenskaplig metod och statistik
Vetenskaplig metod och statistik Innehåll Vetenskaplighet Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet? Experimentlogg Att fundera på
Läs merIdag. EDAA35, föreläsning 4. Analys. Exempel: exekveringstid. Vanliga steg i analysfasen av ett experiment
EDAA35, föreläsning 4 KVANTITATIV ANALYS Idag Kvantitativ analys Kamratgranskning Analys Exempel: exekveringstid Hur analysera data? Hur vet man om man kan lita på skillnader och mönster som man observerar?
Läs merIdag. EDAA35, föreläsning 4. Analys. Kursmeddelanden. Vanliga steg i analysfasen av ett experiment. Exempel: exekveringstid
EDAA35, föreläsning 4 KVANTITATIV ANALYS Idag Kvantitativ analys Slump och slumptal Analys Boxplot Konfidensintervall Experiment och test Kamratgranskning Kursmeddelanden Analys Om laborationer: alla labbar
Läs merFrån Big Bang till universums acceleration
Från Big Bang till universums acceleration Rahman Amanullah Forskare vid Oskar Klein Center, Stockholms universitet http://okc.albanova.se/blog/ Hur vet vi att det vi vet är sant? Lånad av Per-Olof Hulth
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 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 merVetenskaplig metod och statistik
Vetenskaplig metod och statistik Innehåll Vetenskaplighet Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet? Experimentlogg Att fundera på
Läs merLUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg
LUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg Simulering i MINITAB Det finns goda möjligheter att utföra olika typer av simuleringar i Minitab. Gemensamt för dessa är att man börjar
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merIntroduktion till statistik för statsvetare
"Det finns inget så praktiskt som en bra teori" November 2011 Repetition Vad vi gjort hitills Vi har börjat med att studera olika typer av mätningar och sedan successivt tagit fram olika beskrivande mått
Läs mer1 Mätdata och statistik
Matematikcentrum Matematik NF Mätdata och statistik Betrakta frågeställningen Hur mycket väger en nyfödd bebis?. Frågan verkar naturlig, men samtidigt mycket svår att besvara. För att ge ett fullständigt
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 merF2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion
Gnuer i skyddade/oskyddade områden, binära utfall och binomialfördelningar Matematik och statistik för biologer, 10 hp Fredrik Jonsson Januari 2012 I vissa områden i Afrika har man observerat att förekomsten
Läs merEXAMINATION KVANTITATIV METOD vt-11 (110204)
ÖREBRO UNIVERSITET Hälsoakademin Idrott B Vetenskaplig metod EXAMINATION KVANTITATIV METOD vt-11 (110204) Examinationen består av 11 frågor, flera med tillhörande följdfrågor. Besvara alla frågor i direkt
Läs merVANLIGA TERMER OCH BEGREPP INOM MEDICINSK VETENSKAP OCH STATISTIK
VANLIGA TERMER OCH BEGREPP INOM MEDICINSK VETENSKAP OCH STATISTIK TERM Analytisk statistik Bias Confounder (förväxlingsfaktor)) Deskriptiv statistik Epidemiologi Fall-kontrollstudie (case-control study)
Läs merMålet för D3 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 3 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
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 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 merEXAMINATION KVANTITATIV METOD vt-11 (110319)
ÖREBRO UNIVERSITET Hälsoakademin Idrott B Vetenskaplig metod EXAMINATION KVANTITATIV METOD vt-11 (110319) Examinationen består av 10 frågor, flera med tillhörande följdfrågor. Besvara alla frågor i direkt
Läs merKort om mätosäkerhet
Kort om mätosäkerhet Henrik Åkerstedt 14 oktober 2014 Introduktion När man gör en mätning, oavsett hur noggrann man är, så får man inte exakt rätt värde. Alla mätningar har en viss osäkerhet. Detta kan
Läs merMatematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3. Laboration 2. Fördelningar och simulering
Matematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3 Laboration 2 Fördelningar och simulering Introduktion 2014-02-06 Syftet med laborationen är dels
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 merMålet för D2 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 2 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
Läs mer13.1 Matematisk statistik
13.1 Matematisk statistik 13.1.1 Grundläggande begrepp I den här föreläsningen kommer vi att definiera och exemplifiera ett antal begrepp som sedan kommer att följa oss genom hela kursen. Det är därför
Läs merFel och fel. slumpmässiga och systema4ska fel i epidemiologiska studier Katja Fall Vetenskapligt förhållningssä>
Fel och fel slumpmässiga och systema4ska fel i epidemiologiska studier Katja Fall Vetenskapligt förhållningssä> Varför? En hjälp då man kri4skt granskar studier - andras. och egna! A> ta fram e> es4mat
Läs merMatematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg. Laboration 1. Simulering
Matematikcentrum (7) Matematisk Statistik Lunds Universitet Per-Erik Isberg Laboration Simulering HT 006 Introduktion Syftet med laborationen är dels att vi skall bekanta oss med lite av de olika funktioner
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 merBeskrivande statistik
Beskrivande statistik Tabellen ovan visar antalet allvarliga olyckor på en vägsträcka under 15 år. år Antal olyckor 1995 36 1996 20 1997 18 1998 26 1999 30 2000 20 2001 30 2002 27 2003 19 2004 24 2005
Läs merIngenjörsmetodik IT & ME 2011 Föreläsning 11
Ingenjörsmetodik IT & ME 011 Föreläsning 11 Sammansatt fel (Gauss regel) Felanalys och noggrannhetsanalys Mätvärden och mätfel Medelvärde, standardavvikelse och standardosäkerher (statistik) 1 Läsanvisningar
Läs merVetenskaplig metod och Statistik
Vetenskaplig metod och Statistik Innehåll Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet? Experimentlogg Att fundera på Experiment NE:
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 merLotto. Singla slant. Vanliga missuppfattningar vad gäller slumpen. Slumpen och hur vi uppfattar den - med och utan tärning
Slumpen och hur vi uppfattar den - med och utan tärning Ingemar Holgersson Högskolan Kristianstad grupper elever Gr, 7, 9 och. grupp lärarstudenter inriktning matematik Ca i varje grupp Gjord i Israel
Läs merKapitel 4 Sannolikhetsfördelningar Sid Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin
Kapitel 4 Sannolikhetsfördelningar Sid 79-14 Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Slumpvariabel En variabel för vilken slumpen bestämmer utfallet. Slantsingling, tärningskast,
Läs merStatistik. Det finns tre sorters lögner: lögn, förbannad lögn och statistik
Statistik Statistik betyder ungefär sifferkunskap om staten Statistik är en gren inom tillämpad matematik som sysslar med insamling, utvärdering, analys och presentation av data eller information. Verkligheten
Läs merMatematikcentrum 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 merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics
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 merSF1922/SF1923: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 14 maj 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 14-15 PASSNING AV FÖRDELNING: χ 2 -METODER. Tatjana Pavlenko 14 maj 2018 PLAN FÖR DAGENS FÖRELÄSNING Icke-parametriska metoder. (Kap. 13.10) Det
Läs merAnalytisk 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 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 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 merIngenjörsmetodik IT & ME 2010 Föreläsning 5
Ingenjörsmetodik IT & ME 010 Föreläsning 5 Sammansatt fel (Gauss regel) Felanalys och noggrannhetsanalys Mätvärden och mätfel Medelvärde, standardavvikelse och standardosäkerher (statistik) 1 Frågor från
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 merBeskrivande statistik. Tony Pansell, Leg optiker Docent, Universitetslektor
Beskrivande statistik Tony Pansell, Leg optiker Docent, Universitetslektor Beskrivande statistik Grunden för all analys är ordning och reda! Beskrivande statistik hjälper oss att överskådligt sammanfatta
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 merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 1 Mängdlära Grundläggande sannolikhetsteori Kombinatorik Deskriptiv statistik
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 1 Mängdlära Grundläggande sannolikhetsteori Kombinatorik Deskriptiv statistik Jörgen Säve-Söderbergh Information om kursen Kom ihåg att
Läs mer1) I följande studier a) och b) identifiera populationen, stickprovet, stickprovs egenskap, rådata och populationsegenskap.
1) I följande studier a) och b) identifiera populationen, stickprovet, stickprovs egenskap, rådata och populationsegenskap. a) Astronomer bestämmer avståndet till en fjäran galax genom att mäta avståndet
Läs merSTA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik STA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017 Räknestuga 2 Förberedelser: Lyssna på föreläsningarna F4, F5 och
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 merFöreläsning 1: Introduktion
Föreläsning 1: Introduktion Matematisk statistik David Bolin Chalmers University of Technology March 22, 2014 Lärare och kurslitteratur David Bolin: Rum: E-mail: Fredrik Boulund: Rum: E-mail: Kursansvarig,
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 merSTA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik STA101, Statistik och kvantitativa undersökningar, A 15 p Vårterminen 2017 Räknestuga 2 Förberedelser: Lyssna på föreläsningarna F4, F5 och
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 merFinansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
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 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 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 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 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 merNågra extra övningsuppgifter i Statistisk teori
Statistiska institutionen Några extra övningsuppgifter i Statistisk teori 23 JANUARI 2009 2 Sannolikhetsteorins grunder 1. Tre vanliga symmetriska tärningar kastas. Om inte alla tre tärningarna visar sexa,
Läs merVetenskaplig Metod och Statistik. Maja Llena Garde Fysikum, SU Vetenskapens Hus
Vetenskaplig Metod och Statistik Maja Llena Garde Fysikum, SU Vetenskapens Hus 2010 10 20 Innehåll Hur ska man lägga upp ett experiment? Hur hanterar man felkällor? Hur ska man tolka resultatet från experimentet?
Läs merKontrollera att följande punkter är uppfyllda innan rapporten lämnas in: Första sidan är ett försättsblad (laddas ned från kurshemsidan)
Statistiska institutionen VT 2012 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas
Läs merLärare 5 Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Att jämföra i tid och rum
1 Lärare 5 Lärare 1 Binomial och normalfördelning Fel i statistiska undersökningar Att tolka undersökningar Falska samband Att jämföra i tid och rum Lärare 2 Att utföra undersökningar Sneda statistiska
Läs merExempel: Väljarbarometern. Föreläsning 1: Introduktion. Om Väljarbarometern. Statistikens uppgift
Exempel: Väljarbarometern Föreläsning 1: Introduktion Matematisk statistik Det som typiskt karakteriserar ett statistiskt problem är att vi har en stor grupp (population) som vi vill analysera. Vi kan
Läs merFMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6.
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, 28-4-6 EXEMPEL (max och min): Ett instrument består av tre komponenter.
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 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 1. 732G60 Statistiska metoder
Föreläsning 1 Statistiska metoder 1 Kursens uppbyggnad o 10 föreläsningar Teori blandas med exempel Läggs ut några dagar innan på kurshemsidan o 5 räknestugor Tillfälle för individuella frågor Viktigt
Läs merSyfte: o statistiska test om parametrar för en fördelning o. förkasta eller acceptera hypotesen
Uwe Menzel, 2017 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Syfte: o statistiska test om parametrar för en fördelning o förkasta eller acceptera hypotesen hypotes: = 20 (väntevärdet är 20)
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 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 merFörsta sidan är ett försättsblad (laddas ned från kurshemsidan) Alla frågor som nns i uppgiftstexten är besvarade
HT 2011 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas in senast 29/9 kl 16.30.
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 merÖversikt. Experimentell metodik. Mer exakt. Människan är en svart låda. Exempel. Vill visa orsakssamband. Sidan 1
Översikt Experimentell metodik Vad är ett kognitionspsykologiskt experiment? Metod Planering och genomförande av experiment Risker för att misslyckas Saker man måste tänka på och tolkning av data 2 Människan
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 merRepetitionsföreläsning
Population / Urval / Inferens Repetitionsföreläsning Ett företag som tillverkar byxor gör ett experiment för att kontrollera kvalitén. Man väljer slumpmässigt ut 100 par som man utsätter för hård nötning
Läs mer6-2 Medelvärde och median. Namn:
6-2 Medelvärde och median. Namn: Inledning Du har nu lärt dig en hel del om datainsamling och presentation av data i olika sorters diagram. I det här kapitlet skall du studera hur man kan karaktärisera
Läs merFinansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2
Finansiell Statistik (GN, 7,5 hp, HT 008) Föreläsning Diskreta sannolikhetsfördelningar (LLL kap. 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level
Läs merFöreläsning 1: Introduktion
Föreläsning 1: Introduktion Matematisk statistik Chalmers University of Technology Mars 23, 2015 Lärare och kurslitteratur : Rum: E-mail: Anders Hildeman: Rum: E-mail: Kursansvarig och föreläsare H3018
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
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 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 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 mer