Analys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken
|
|
- Malin Lind
- för 7 år sedan
- Visningar:
Transkript
1 Analys av medelvärden Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Jenny Selander, Kvant. metoder, FHV T1 december 20111
2 Innehåll Normalfördelningen Konfidensintervall Hypotesprövning P-värde Typ I och Typ II-fel Teststyrka Små stickprov Jämförelse av två medelvärden Två oberoende stickprov Wilcoxon rangsummetest Parvisa observationer Jenny Selander, Kvant. metoder, FHV T1 december
3 Normalfördelning En klockformad kurva som är symmetrisk kring medelvärdet Många statistiska beräkningar bygger på att en variabel är normalfördelad x Jenny Selander, Kvant. metoder, FHV T1 december
4 Positivt sned fördelning Är icke symmetrisk. Har sin koncentration på vänstersidan. x Jenny Selander, Kvant. metoder, FHV T1 december
5 Negativt sned fördelning Är icke symetrisk Har sin koncentration på högersidan x Jenny Selander, Kvant. metoder, FHV T1 december
6 T-fördelning En variabel från ett litet stickprov med kvantitativa mätdata är inte riktigt normalfördelad utan följer en annan fördelning, t-fördelningen, även om populationen man drog stickprovet ur är normalfördelad. T-fördelningens form beror på stickprovsstorleken Vid stort stickprov är t-fördelningen och normalfördelningen nästan identiska, men vid mindre stickprovsantal skiljer sig som sagt fördelningarna åt. x Jenny Selander, Kvant. metoder, FHV T1 december
7 T-fördelningen Eftersom t-fördelningen blir samma som normalfördelningen vid ökande stickprovsstorlek behöver man inte byta till normalfördelningen om man inte vill, utan kan göra signifikansanalys av kvantitativa data genom olika varianter av t- test. Undantaget är när man har ett mycket stort stickprov som inte är normalfördelat. Då bör man göra ett z-test, som använder normalfördelningen. Jenny Selander, Kvant. metoder, FHV T1 december
8 Konfidensintervall Det finns alltid en osäkerhet i datat eftersom vi undersöker stickprov och inte hela populationen och slumpen avgör vilka individer som kommer med i stickprovet. Ett bra sätt att ta hänsyn till denna osäkerhet är att beräkna ett konfidensintervall. Vanligen används ett 95% Konfidensintervall Det betyder att intervallet med 95% sannolikhet inkluderar det sanna populationsvärdet eller att intervallet i 95 fall av hundra täcker det sanna värdet. Jenny Selander, Kvant. metoder, FHV T1 december
9 Konfidensintervall för medelvärden x ± 1.96 s 2 n x = Stickprovsmedelvärdet Standardiserade normalfördelningen (z-värde) 1.96 gäller för ett 95% konfidensintervall Stickprovsmedelvärdets standardavvikelse s Stickprovsmedelvärdets varians = s ² Populationens varians (σ² ) är inte känd, därför används stickprovets varans (s²) som ett skattning av variansen i populationen Denna konfidensintervallsberäkning gäller större stickprov Jenny Selander, Kvant. metoder, FHV T1 december
10 Stickprovets varians s 2 = x x ² n 1 Stickprovets varians s² Summa Ʃ Variabelvärdet för varje observation x Aritmetiskt medelvärde x Totala antalet observationer (individer) n Jenny Selander, Kvant. metoder, FHV T1 december
11 Repetition tidigare exempel - Olika längd på personerna Id Längd i cm (x) x-x (x-x) 2 Först räknar vi ut medelvärdet: ,2 84, ,8 0,64 Medelvärdet: x = n x ,8 7, ,8 116,64 x = = 176,2 cm ,2 51, ,2 17,64 Variansen (s 2 ) är: ,8 7, ,8 14,44 s 2 = x x ² n 1 = 303,6 = 303, = 33, , ,8 0,64 Variansen är 33,73 Totalt 0 303,6 Jenny Selander, Kvant. metoder, FHV T1 december
12 Konfidensintervall för medelvärden - exempel I en tidigare nämnd undersökning gällande längd fann man att man i medtal (aritmetiskt medelvärde, x ) var 176,2 cm lång, beräkna ett 95% konfidensintervall kring detta medelvärde Variansen (s 2 ) = 33,73, antalet observationer=10 se föregående sida. x ± 1.96 s 2 n 176,2 ± ,73 10 = 176,2 ±1,96 3,37 = 176,2 ±1,96 1,84 = 176,2 ± 3.61 Övre konfidensintervallet = 176,2+3,61 = 179,81 Nedre konfidensintervallet = 176,2-3,61 = 172,59 x= 176,2 (172,59 till 179,81), intervallet inkluderar med 95% sannolikhet det sanna (okända) populationsvärdet Jenny Selander, Kvant. metoder, FHV T1 december
13 Hypotesprövning Kan även kallas signifikanstest Tar också hänsyn till den statistiska osäkerheten hos en undersökning Vid en hypotesprövning relaterar vi det observerade värdet till ett visst värde som bestäms genom att vi specificerar en sk nollhypotes. Vanligtvis finns det en naturlig nollhyptes, t.ex. att det inte finns någon skillnad i sjukdomsförekomst mellan de två grupper som jämförs Jenny Selander, Kvant. metoder, FHV T1 december
14 Hypotesprövning 1. Specificera en nollhypotes och en alternativ hypotes 2. Bestäm signifikansnivå (oftast 5%) 3. Bestäm teststorhet (Z) 4. Beräkna det observerade z-värdet 5. Jämför det observerade värdet på teststorheten med ett kritiskt värde, förkasta nollhypotesen eller ej. Jenny Selander, Kvant. metoder, FHV T1 december
15 Hypotesprövning Man specificerar en nollhypotes (Ho) och en alternativ hypotes (H1) Testet svarar på frågan: Är slumpen en trolig förklaring till skillnaden mellan det i undersökningen observerade värdet och det som nollhypotesen anger? Jenny Selander, Kvant. metoder, FHV T1 december
16 Studie I en undersökning fann man att medelvärdet för stresshormonet kortisol på morgonen (30 min efter uppvaknande) var 23.7 nmol/l för 225 boende nära en internationell flygplats. Standardavvikelsen var 2,7. Medel-kortisolvärdet (30 min efter uppvaknande) i den allmänna befolkningen är 23,3 nmol/l. Är slumpen en trolig orsak till skillnaden? Jenny Selander, Kvant. metoder, FHV T1 december
17 Hypotesprövning - exempel Ho = populationsmedelvärdet bland boende kring en flygplats = 23,3 nmol/l H1 = populationsmedelvärdet bland boende kring en flygplats 23,3nmol/L Jenny Selander, Kvant. metoder, FHV T1 december
18 Signifikansnivå Sannorlikheten/risken att förkasta nollhypotesen fast den är sann. Vanligtvis väljs 5% signifikansnivå Jenny Selander, Kvant. metoder, FHV T1 december
19 Teststorhet Det finns flera olika teststorheter, om vi använder oss av den standardiserade normalfördelningen är teststorheten Z. z = x μ0 s 2 n = 23,7 23,3 2, = 0,4 7,3 225 = 0,4 0,03 = 0,4 0,17 = 2,35 x = det observerade stickprovsmedelvärdet μ0 = populationsmedelvärdet som specificerades via nollhypotesen s 2 = stickprovsmedelvärdets varians (s = standardavvikelse) n = antalet observationer Jenny Selander, Kvant. metoder, FHV T1 december
20 Jämförelse med ett kritiskt värde Det kritiska värdet är ett värde på teststorheten (z) som korresponderar med den valda signifikansnivån I detta fall z-värdet som svarar mot 5% signifikansnivå. Vid ett tvåsidigt test är det kritiska z-värdet och 1.96 eftersom dessa tal avgränsar 2.5% (0,025) på vardera sidan om den standardiserade normalfördelningen (sammanlagt 5%, vilket är den valda signifikantnivån). Se tabell 1 i appendix. detta innebär att vi förkastar nollhypotesten om z är mindre än eller större än ,5 % 2,5 % Jenny Selander, Kvant. metoder, FHV T1 december
21 Jämförelse med ett kritiskt värde I vårt exempel observerade vi z-värdet 2,35, eftersom detta är större än 1,96 så förkastar vi nollhypotesen Vi kan säga att det förekommer en statistiskt signifikant skillnad i kortisolvärde mellan boende nära flygplatser och den allmänna befolkningen Jenny Selander, Kvant. metoder, FHV T1 december
22 P-värde Resultatet från hypotesprövningen kan beskrivas genom ett så kallat p-värde. P-värdet uttrycker sannolikheten att observera ett utfall minst så extremt som det vi faktiskt observerat under förutsättning att nollhypotesen är sann. Relaterat till vårt tidigare exempel, svarar p-värdet på frågan: Vad är sannolikheten att observera ett kortisolvärde på minst 23,7 nmol/l bland boende kring flygplatser i vårt stickprov om populationsmedelvärdet bland de boende i själva verket är 23,3 nmol/l Jenny Selander, Kvant. metoder, FHV T1 december
23 P-värde Vi räknade ut z-värdet 2,35, detta z-värde avgränsar 0,009 (se tabell 1 i appendix) = 0,9% av ytan på vardera sidan av den standardiserade normalfördelningen, vilket ger en total yta på 1,8% (0,9+0,9). Detta innebär att ett tvåsidigt p-värde för denna studie är = 1,8% Ensidigt p-värde för denna studie är = 0,9% Sannorlikheten för att finna värdet 23,7 nmol/l om det sanna populationsvärdet är 23,3 nmol/l är 1,8% (för ett tvåsidigt p- värde) Jenny Selander, Kvant. metoder, FHV T1 december
24 Typ-I och Typ-II fel vi kan dra felaktiga slutsatser av en hypotesprövning på två olika sätt Typ-I fel (Signifikansnivå) Nollhypotesen kan förkastas fast den är sann Typ-II fel Nollhypotesen förkastas inte fast den är falsk Sannorlikheten för detta = signifikansnivån, den bestämmer vi själva Jenny Selander, Kvant. metoder, FHV T1 december
25 Teststyrka (power) Sannorlikheten att förkasta nollhypotesen när den är falsk Motsvarar komplementhändelsen till typ II-fel Beräknas via 1-P(typII-fel) Jenny Selander, Kvant. metoder, FHV T1 december
26 Exempel Antag att det verkliga medelvärdet hos boende kring flygplatser är 23,7 nmol/l, vi anger att nollhypotesen är den samma som tidigare d.v.s. att boende kring flygplatser har samma kortisol värde som den allmänna befolkningen 23,3. Vad är sannorlikheten att inte förkasta nollhypotesen trots att den är falsk? typ-ii fel Vi väljer signifikansnivån 5% (0,05) och ett ensidigt test, läs av tabell 1 i Appendix, detta innebär att vi förkastar noll-hypotesen om z är större än 1,65. Jenny Selander, Kvant. metoder, FHV T1 december
27 Exempel Detta betyder att om z > 1,65 så förkastar vi nollhypotesen Z = x μ0 s 2 n, 1.65> x 23,3 2, vi löser ut: x > 23,3 + 1,65 2, X>23,60 Nollhypotesen förkastas om x är större än 23,6 Jenny Selander, Kvant. metoder, FHV T1 december
28 Exempel Var är då sannorlikheten att observera ett kortisolvärde som är mindre än 23,6 om populationsvärdet är 23,7? Vi beräknar återigen z-värdet: Z = x μ0 s 2 n = 23,6 23,7 2, = - 0,56 I tabell 1 i appendix kan man utläsa att z-värdet 0,56 motsvarar ett värde på 0,288 = 29% Detta innebär att risken för typ-ii-fel är 29% Jenny Selander, Kvant. metoder, FHV T1 december
29 Exempel Vi kan nu svara på frågan: Vad är sannorlikheten att förkasta nollhypotesen när den är falsk? Sannorlikheten för komplementhändelsen till typ-ii-fel 1 p(typii-fel) = = 0,71, 71% Om populationsvärdet i själva verket är 23,7 har vi 71% sannorlikhet att förkasta nollhypotesen när den är falsk vid signifikansnivån 5% Jenny Selander, Kvant. metoder, FHV T1 december
30 Teststyrkan påverkas av tre faktorer Valet av signifikansnivå Antaganden om det sanna populationsvärdet Stickprovsstorleken Jenny Selander, Kvant. metoder, FHV T1 december
31 Små stickprov Om stickprovet är litet gäller lite andra regler än vid stora stickprov Om vi i ett litet stickprov vill analysera en variabel som i grunden är normalfördelad kan vi beräkna konfidensintervall för populationsmedelvärdet genom t-fördelningen Denna metod ger oavsett stickprovets storlek exakta konfidensintervall Jenny Selander, Kvant. metoder, FHV T1 december
32 T-fördelningen T-fördelningens form uttrycks i antal frihetsgrader Frihetsgrader beräknas genom att ta antalet observationer minus ett (n-1). I tabell 3 i appendix anges värden på T-fördelningen för olika antal frihetsgrader Jenny Selander, Kvant. metoder, FHV T1 december
33 Beräkna konfidensintervall för medelvärdet i små stickprov x ± t n 1 s2 n I stället för ett z-värde (vanligen 1.96 för ett 95% konfidensintervall) har vi nu ett värde från t-fördelningen i formeln. n-1 anger t-fördelningens antal frihetsgrader Jenny Selander, Kvant. metoder, FHV T1 december
34 Exempel längd på personer ur ett litet stickprov Id Längd i cm (x) x-x (x-x) 2 Först räknar vi ut medelvärdet: ,2 84, ,8 0,64 Medelvärdet: x = n x ,8 7, ,8 116,64 x = = 176,2 cm ,2 51, ,2 17,64 Variansen (s 2 ) är: ,8 7, ,8 14,44 s 2 = x x ² n 1 = 303,6 = 303, = 33, , ,8 0,64 Totalt 0 303,6 Eftersom vi har 10 observationer så använder vi t-fördelningen med 9 frihetsgrader vid beräkningen av konfidensintervall. Från tabell 3 i appendix kan vi utläsa att värdet på t-fördelningen med 9 frihetsgrader för ett 95% konfidensintervall är 2,26 Jenny Selander, Kvant. metoder, FHV T1 december
35 Exempel - fortsättning x ± t n 1 s2 n = 176,2 ± 2,26 33,73 10 = 176,2 ± 4,15 Konfidensintervallets gränser blir då: 180,35 och Medelvärde: 176,2 (95% Konfidensintervall 172,05 till 180,35) Jenny Selander, Kvant. metoder, FHV T1 december
36 Jämförelse av två medelvärden Många gånger är vi intresserade av att jämföra medelvärden mellan två grupper t.ex. Exponerad oexponerad Behandlad - obehandlad Jenny Selander, Kvant. metoder, FHV T1 december
37 Jämförelse av två medelvärden Två oberoende stickprov Wilcoxons rangsummetest Parvisa observationer Jenny Selander, Kvant. metoder, FHV T1 december
38 Två oberoende stickprov Vi vill jämföra medelvärdet från två stickprov som är tagna ur två olika populationer Vi beräknar skillnaden mellan stickprovs-medelvärderna samt ett konfidensintervall för denna skillnad via följande formel: x 1 x 0 ± 1,96 s 1 2 n 1 + s 02 n 0 Man brukar anse att 30 observationer i varje stickprov är tillräckligt Jenny Selander, Kvant. metoder, FHV T1 december
39 Exempel två oberoende stickprov Vi vill titta på skillnaderna i serumkolestrol hos en grupp med klassad fettma >BMI 30 och en grupp som endast klassas som överviktiga BMI Viktklass Antal X mmol/l Standardavvikelse Överviktig Fetma > x 0 = överviktiga och x 1 = fetma x 1 x 0 = 6,9 6,5 = 0,4 mmol/l Jenny Selander, Kvant. metoder, FHV T1 december
40 Exempel fortsättning (z-värde 1,96) x 1 x 0 ± 1,96 s s 02 = 0,4 ± 1,96 1,22 + 1,12 n 1 n = 0,4 ± 1,96 1,44 + 1, = 0,4 ± 1,96 0,03 + 0,02 = 0,4 ± 1,96 0,22 = 0,4 ± 0,43 Skillnaden i medelvärde är 0,4 (95% Konfidensintervall = -0,03, 0,83) Skillnaden är inte statistiskt signifikant eftersom konfidensintervallet inkluderar 0. Jenny Selander, Kvant. metoder, FHV T1 december
41 Exempel fortsättning (t-värde) Om våra stickprover är från normalfördelade populationer kan vi beräkna ett exakt konfidensintervall för skillnaden mellan medelvärderna genom en alternativ metod där vi använder t-fördelningen. x x ± t n1 +n 0 2 s 2 pool 1 n n 0 = 0,4 ± 1,96 1,31 0,03 = 0,4 ± 0,39, vilket ger ett konfidensintervall på 0,01 till 0,79, en statistiskt signifikant resultat s 2 = pool x 1 x x 0 x 0 2 n 1 +n 0 2 man kan skriva om formeln så att den blir lättare att räkna ut s 2 = pool n 1 1 s 2 + n 0 1 s n n 0 1 = , , = 73,44 +89, = 1,31 Jenny Selander, Kvant. metoder, FHV T1 december
42 Wilcoxons rangsummetest När man vill jämföra två medelvärden från små stickprov och man inte vet något om fördelningen av variabeln i populationen Nollhypotesen i testet är att de två jämförda populationernas fördelning inte skiljer sig åt. Jenny Selander, Kvant. metoder, FHV T1 december
43 Wilcoxon - exempel Patient nr Sjukhus 1 Vårdtid, dagar Sjukhus 2 Vårdtid, dagar I tabellen har vi ordnat patienterna efter vårdtid på respektive sjukhus I sjukhus 1 hade patienten med kortast vårdtid varit på sjukhuset i 15 dagar och patienten med längs vårdtid i 41 dagar. De första steget är nu att sammanföra alla observationer från de två stickproven och göra en rangordning (se nästa sida) Jenny Selander, Kvant. metoder, FHV T1 december
44 Wilcoxon - exempel Vårdtid sjukhus 1 Vårdtid sjukhus 2 Rangordning sjukhus ,5 3, Rangsummma 136,5 73,5 Rangordning sjukhus 2 Vi tilldelar varje patient en rang (ett tal), det lägsta värdet ger vi rangordningen 1. Observationer med samma värde ger vi det genomsnittliga rangordningsvärdet tex vårdtid 15 dagar som får rangen (3+4)/2=3,5 Rangsumman för det mindre av de två stickproven med ett kritiskt värde. Det kritiska värdet beror av stickprovsstorleken och den valda signifikansnivån. Läs i tabell 5 i appendix. Med urvalsstorlek 10 i båda stickproven och 5% signifikansnivå är det kritiska värdet 78 eller 132, om rangsumman är mindre än 78 eller större än 132 så är skillnaden signifikant. Eftersom 73,5 är mindre än 78 och 136,5 är större än 132 så är skillnaden i vårdtid statistiskt signifikant på 5% signifikansnivå. Jenny Selander, Kvant. metoder, FHV T1 december
45 Parvisa observationer Är vanligt förekommande i medicinska data Ex. upprepade mätningar på samma person, vanligen rör det sig om data innan eller efter en behandling eller intervention gjorts Parvisa observationer kan inte ses som oberoende observationer i de statistiska analyserna För att komma runt detta kan man skapa en ny variabel som består av skillnaden mellan de två variablerna för varje individ. Om denna nya variabel är normalfördelad kan vi beräkna ett konfidensintervall för skillnaden mellan medelvärden med hjälp av t-fördelningen via följande formel: d ± t n 1 s2 d n d = medelvärdet av alla parvisa skillnader s 2 = skillnadernas varians i stickprovet d Jenny Selander, Kvant. metoder, FHV T1 december
46 Exempel parvisa observationer Individnr Diastoliskt tryck (mmhg) före Systoliskt tryck (mmhg) efter d d-d (d-d) Summa I syfte att minska risken för hjärt-kärlsjukdom genomgick 20 medelålders män ett förebyggande program. Programmet innehöll bl.a. regelbunden fysisk aktivitet, ändrade kostvanor och rökstopp. Diastoliskt blodtryck mättes såväl före som efter programmet. För varje individ beräknar vi skillnaden (d) mellan blodtrycket före och efter programmet. Summan av dessa skillnader är i exemplet 120 och beräkning av d ger: d = 120/20 = 6,0 mm Hg, blodtrycket är i genomsnitt 6,0 mmhg högre före än efter programmet. variansen, s 2 = d d ² n 1 = = = 15,8 För ett 95% konfidensintervall och med n-1=19 frihetsgrader är värdet på t-fördelningen 2.09 d ± t n 1 s2 n = 6,0 ± 2,09 15,8 20 = 6,0 ± 1,9 Jenny Selander, Kvant. metoder, FHV T1 december
47 Läs kapitel 4 i Grunderna i biostatistik Jenny Selander, Kvant. metoder, FHV T1 december
48 Övningsuppgifter i biostatistik Måndagen den 19:e dec , lös de utdelade övningsuppgifterna var och en för sig eller i grupp, ni bestämmer själva vad som passar er. Tisdagen den 20:e dec kl 9.15 vi går igenom övningsuppgifterna i helklass. Jenny Selander, Kvant. metoder, FHV T1 december
Hypotesprövning. 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
Parade och oparade test
Parade och oparade test Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning: möjliga jämförelser Jämförelser mot ett
Bild 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
Hur 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?
Hur 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
Föreläsning G60 Statistiska metoder
Föreläsning 6 Statistiska metoder 1 Dagens föreläsning o Kort om projektet o Hypotesprövning Populationsandel Populationsmedelvärde p-värdet 2 Kort om projektet Syftet med projektet i denna kurs är att
Lektionsanteckningar 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
Medicinsk statistik II
Medicinsk statistik II Läkarprogrammet termin 5 VT 2013 Susanna Lövdahl, Msc, doktorand Klinisk koagulationsforskning, Lunds universitet E-post: susanna.lovdahl@med.lu.se Dagens föreläsning Fördjupning
F14 HYPOTESPRÖVNING (NCT 10.2, , 11.5) Hypotesprövning för en proportion. Med hjälp av data från ett stickprov vill vi pröva
Stat. teori gk, ht 006, JW F14 HYPOTESPRÖVNING (NCT 10., 10.4-10.5, 11.5) Hypotesprövning för en proportion Med hjälp av data från ett stickprov vill vi pröva H 0 : P = P 0 mot någon av H 1 : P P 0 ; H
Analys av proportioner
Analys av proportioner Innehåll Proportion konfidensintervall Jämförelse av två proportioner Två oberoende stickprov Relativ risk Parvisa observationer Jämförelse av tre eller flera proportioner x² (chi-två)
Föreläsning 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
Vi har en ursprungspopulation/-fördelning med medelvärde µ.
P-värde P=probability Sannolikhetsvärde som är resultat av en statistisk test. Anger sannolikheten för att göra den observation vi har gjort eller ett sämre / mer extremt utfall om H 0 är sann. Vi har
Betrakta 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
F3 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
STATISTISK 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
a) Facit till räkneseminarium 3
3.1 Fig 1. Sammanlagt 30 individer rekryteras till studien. Individerna randomiseras till en av de fyra studiearmarna (1: 500 mg artemisinin i kombination med piperakin, 2: 100 mg AMP1050 i kombination
Statistik och epidemiologi T5
Statistik och epidemiologi T5 Anna Axmon Biostatistiker Yrkes- och miljömedicin Dagens föreläsning Fördjupning av hypotesprövning Repetition av p-värde och konfidensintervall Tester för ytterligare situationer
, 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
TMS136. Föreläsning 13
TMS136 Föreläsning 13 Jämförelser mellan två populationer Hittills har vi gjort konfidensintervall och tester kring parametrar i EN population I praktiska sammanhang är man ofta intresserad av att jämföra
Introduktion. Konfidensintervall. Parade observationer Sammanfattning Minitab. Oberoende stickprov. Konfidensintervall. Minitab
Uppfödning av kyckling och fiskleveroljor Statistiska jämförelser: parvisa observationer och oberoende stickprov Matematik och statistik för biologer, 10 hp Fredrik Jonsson vt 2012 Fiskleverolja tillsätts
Syfte: 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)
Hypotestestning och repetition
Hypotestestning och repetition Statistisk inferens Vid inferens använder man urvalet för att uttala sig om populationen Centralmått Medelvärde: x= Σx i / n Median Typvärde Spridningsmått Används för att
Föreläsning 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
Statistik 1 för biologer, logopeder och psykologer
Innehåll 1 Hypotesprövning Innehåll Hypotesprövning 1 Hypotesprövning Inledande exempel Hypotesprövning Exempel. Vi är intresserade av en variabel X om vilken vi kan anta att den är (approximativt) normalfördelad
FÖRELÄSNING 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
Föreläsning 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
F22, Icke-parametriska metoder.
Icke-parametriska metoder F22, Icke-parametriska metoder. Christian Tallberg Statistiska institutionen Stockholms universitet Tidigare när vi utfört inferens, dvs utifrån stickprov gjort konfidensintervall
Tentamen 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
Statistik och epidemiologi T5
Statistik och epidemiologi T5 Anna Axmon Biostatistiker Yrkes- och miljömedicin Biostatistik kursmål Dra slutsatser utifrån basala statistiska begrepp och analyser och själva kunna använda sådana metoder.
Medicinsk statistik I
Medicinsk statistik I Läkarprogrammet T5 VT 2013 Susanna Lövdahl, Msc, Doktorand Klinisk koagulationsforskning, Lunds universitet E-post: susanna.lovdahl@med.lu.se Medicinsk statistik VT-2013 Tre stycken
Föreläsning G60 Statistiska metoder
Föreläsning 7 Statistiska metoder 1 Dagens föreläsning o Hypotesprövning för två populationer Populationsandelar Populationsmedelvärden Parvisa observationer Relation mellan hypotesprövning och konfidensintervall
Analytisk statistik. Tony Pansell, optiker Universitetslektor
Analytisk statistik Tony Pansell, optiker Universitetslektor Analytisk statistik Att dra slutsatser från det insamlade materialet. Två metoder: 1. att generalisera från en mindre grupp mot en större grupp
8 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
2. Test av hypotes rörande medianen i en population.
Stat. teori gk, ht 006, JW F0 ICKE-PARAMETRISKA TEST (NCT 15.1, 15.3-15.4) Ordlista till NCT Nonparametric Sign test Rank Icke-parametrisk Teckentest Rang Teckentest Teckentestet är formellt ingenting
Samplingfördelningar 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
π = proportionen plustecken i populationen. Det numeriska värdet på π är okänt.
Stat. teori gk, vt 006, JW F0 ICKE-PARAMETRISKA TEST (NCT 13.1, 13.3-13.4) Or dlista till NCT Nonparametric Sign test Rank Teckentest Icke-parametrisk Teckentest Rang Teckentestet är formellt ingenting
Analytisk 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
FÖRELÄSNINGSMATERIAL. diff SE. SE x x. Grundläggande statistik 2: KORRELATION OCH HYPOTESTESTNING. Påbyggnadskurs T1. Odontologisk profylaktik
Grundläggande statistik Påbyggnadskurs T1 Odontologisk profylaktik FÖRELÄSNINGSMATERIAL : KORRELATION OCH HYPOTESTESTNING t diff SE x 1 diff SE x x 1 x. Analytisk statistik Regression & Korrelation Oberoende
TMS136. Föreläsning 10
TMS136 Föreläsning 10 Intervallskattningar Vi har sett att vi givet ett stickprov kan göra punktskattningar för fördelnings-/populationsparametrar En punkskattning är som vi minns ett tal som är en (förhoppningsvis
TMS136. 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
Tentamen 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
Gamla tentor (forts) ( x. x ) ) 2 x1
016-10-10 Gamla tentor - 016 1 1 (forts) ( x ) x1 x ) ( 1 x 1 016-10-10. En liten klinisk ministudie genomförs för att undersöka huruvida kostomläggning och ett träningsprogram lyckas sänka blodsockernivån
Studietyper, 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
Föreläsning 4. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 4 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Icke-parametriska test Mann-Whitneys test (kap 8.10 8.11) Wilcoxons test (kap 9.5) o Transformationer (kap 13) o Ev. Andelar
Provmoment: 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
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
SF1901: 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
34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD
6.4 Att dra slutsatser på basis av statistisk analys en kort inledning - Man har ett stickprov, men man vill med hjälp av det få veta något om hela populationen => för att kunna dra slutsatser som gäller
Analytisk statistik. 1. Estimering. Statistisk interferens. Statistisk interferens
Analytisk statistik Tony Pansell, Leg optiker Docent, Universitetslektor Analytisk statistik Att dra slutsatser från den insamlade datan. Två metoder:. att generalisera från en mindre grupp mot en större
Standardfel (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
BIOSTATISTISK 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
Två innebörder av begreppet statistik. Grundläggande tankegångar i statistik. Vad är ett stickprov? Stickprov och urval
Två innebörder av begreppet statistik Grundläggande tankegångar i statistik Matematik och statistik för biologer, 10 hp Informationshantering. Insamling, ordningsskapande, presentation och grundläggande
Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen
Kap 6: Normalfördelningen Normalfördelningen Normalfördelningen som approximation till binomialfördelningen σ μ 1 Sats 6 A Om vi ändrar läge och/eller skala på en normalfördelning så har vi fortfarande
Medicinsk statistik II
Medicinsk statistik II Läkarprogrammet T5 HT 2014 Susann Ullén FoU-centrum Skåne Skånes Universitetssjukhus Hypotesprövning Man sätter upp en nollhypotes (H0) och en mothypotes (H1) H0: Ingen effekt H1:
Föreläsning 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
7.3.3 Nonparametric Mann-Whitney test
7.3.3 Nonparametric Mann-Whitney test Vi har sett hur man kan testa om två populationer har samma väntevärde (H 0 : μ 1 = μ 2 ) med t-test (two-sample). Vad gör man om data inte är normalfördelat? Om vi
Föreläsning 6. Kapitel 7, sid Jämförelse av två populationer
Föreläsning 6 Kapitel 7, sid 186-209 Jämförelse av två populationer 2 Agenda Jämförelse av medelvärden för två populationer Jämförelse av populationsandelar för två populationer Konfidensintervall och
Preliminära 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
Föreläsning G60 Statistiska metoder
Föreläsning 5 Statistiska metoder 1 Dagens föreläsning o Konfidensintervall För andelar För medelvärden Vid jämförelser o Den statistiska felmarginalen o Stickprovsstorlek 2 Introduktion När man beräknar
Uppgift a b c d e Vet inte Poäng
TENTAMEN: Dataanalys och statistik för I2, TMS135 Fredagen den 12 mars kl. 8:45-11:45 på V. Jour: Jenny Andersson, ankn 8294 (mobil:070 3597858) Hjälpmedel: Utdelad formelsamling med tabeller, BETA, på
Föreläsning 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
Föreläsning 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
Tentamentsskrivning: 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:
7.1 Hypotesprövning. Nollhypotes: H 0 : µ = 3.9, Alternativ hypotes: H 1 : µ < 3.9.
Betrakta motstånden märkta 3.9 kohm med tolerans 1%. Anta att vi innan mätningarna gjordes misstänkte att motståndens förväntade värde µ är mindre än det utlovade 3.9 kohm. Med observationernas hjälp vill
Konfidensintervall, 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
TENTAMEN 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-
Datorlaboration 8/5 Jobba i grupper om 2-3 personer Vi jobbar i Minitab Lämna in rapport via fronter senast 22/5 Förbered er genom att läsa och se
Föreläsning 10 Datorlaboration 8/5 Jobba i grupper om 2-3 personer Vi jobbar i Minitab Lämna in rapport via fronter senast 22/5 Förbered er genom att läsa och se vad som skall göras Föreläsning 10 Inferens
BIOSTATISTISK 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
Varför statistik? det finns inga dumma frågor, bara dumma svar! Serik Sagitov
Summer Science Camp, Tjärnö, 8 August 2012 Varför statistik? Serik Sagitov http://www.math.chalmers.se/ serik/ Avdelningen för matematisk statistik Matematiska Vetenskaper Chalmers Tekniska Högskola och
SF1901: 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
Föreläsning 1. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 1 Statistik; teori och tillämpning i biologi 1 Kursens uppbyggnad 9 föreläsningar Föreläsningsunderlag läggs ut på kurshemsidan 5 lektioner Uppgifter från kursboken enligt planering 5 laborationer
Föreläsningsanteckningar till kapitel 9, del 2
Föreläsningsanteckningar till kapitel 9, del 2 Kasper K. S. Andersen 17 oktober 2018 1 Hur väljar man hypotes och mothypotes? Allmänt finns två möjliga resultat av en statistik test: Nollhypotesen H 0
Avd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK MÅNDAGEN DEN 15:E AUGUSTI 201 KL 8.00 13.00. Kursledare och examinator : Björn-Olof Skytt, tel 790 849. Tillåtna hjälpmedel:
Del 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
SF1901: 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
Uppgift 3 Vid en simuleringsstudie drar man 1200 oberoende slumptal,x i. Varje X i är likformigt fördelat mellan 0 och 1. Dessa tal adderas.
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 17:E AUGUSTI 2015 KL 8.00 13.00. Kursledare och examinator : Björn-Olof Skytt, tel 790 8649. Tillåtna hjälpmedel:
Föreläsning 6. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 6 Statistik; teori och tillämpning i biologi 1 Analysis of Variance (ANOVA) (GB s. 202-218, BB s. 190-206) ANOVA är en metod som används när man ska undersöka skillnader mellan flera olika
Bilaga 6 till rapport 1 (5)
till rapport 1 (5) Bilddiagnostik vid misstänkt prostatacancer, rapport UTV2012/49 (2014). Värdet av att undvika en prostatabiopsitagning beskrivning av studien SBU har i samarbete med Centrum för utvärdering
Föreläsning 5. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 5 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Andelar (kap 24) o Binomialfördelning (kap 24.1) o Test och konfidensintervall för en andel (kap 24.5, 24.6, 24.8) o Test
Rättningstiden 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
Tabell- och formelsamling. A4 Grundläggande Statistik A8 Statistik för ekonomer
Tabell- och formelsamling A4 Grundläggande Statistik A8 Statistik för ekonomer Observera att inga anteckningar får finnas i formelsamlingen vid tentamenstillfället Thommy Perlinger 17 september 2015 Innehåll
Laboration 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
F9 Konfidensintervall
1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att
Lösningsförslag till tentamen på. Statistik och kvantitativa undersökningar STA100, 15 hp. Fredagen den 13 e mars 2015
MÄLARDALENS HÖGSKOLA Akademin för ekonomi, samhälle och teknik Statistik Lösningsförslag till tentamen på Statistik och kvantitativa undersökningar STA100, 15 hp Fredagen den 13 e mars 015 1 a 13 och 14
Fråga nr a b c d 2 D
Fråga nr a b c d 1 B 2 D 3 C 4 B 5 B 6 A 7 a) Första kvartilen: 33 b) Medelvärde: 39,29 c) Standardavvikelse: 7,80 d) Pearson measure of skewness 1,07 Beräkningar: L q1 = (7 + 1) 1 4 = 2 29-10 105,8841
EXAMINATION 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
FACIT (korrekta svar i röd fetstil)
v. 2013-01-14 Statistik, 3hp PROTOKOLL FACIT (korrekta svar i röd fetstil) Datorlaboration 2 Konfidensintervall & hypotesprövning Syftet med denna laboration är att ni med hjälp av MS Excel ska fortsätta
9. Konfidensintervall vid normalfördelning
TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag
Innehåll. Frekvenstabell. II. Beskrivande statistik, sid 53 i E
Innehåll I. Grundläggande begrepp II. Deskriptiv statistik (sid 53 i E) III. Statistisk inferens Hypotesprövnig Statistiska analyser Parametriska analyser Icke-parametriska analyser 1 II. Beskrivande statistik,
SF1901: 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
Thomas Önskog 28/
Föreläsning 0 Thomas Önskog 8/ 07 Konfidensintervall På förra föreläsningen undersökte vi hur vi från ett stickprov x,, x n från en fördelning med okända parametrar kan uppskatta parametrarnas värden Detta
F9 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
Statistik. Statistik. Statistik. Lars Walter Fil.lic. Statistik
Statistik Lars Walter Fil.lic. Statistik Linköping universitet Stockholms universitet Karolinska sjukhuset Sveriges Lantbruksuniversitet Linköpings universitet Folkhälsocentrum, LiÖ FoU-enheten, LiÖ Statistik
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson (examinator) VT2017 TENTAMEN I GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2017-04-20 LÖSNINGSFÖRSLAG Första version, med reservation för tryck-
Föreläsning 4: Konfidensintervall (forts.)
Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika
TAMS65 - 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
Rättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen TT091A TGMAS15h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 30 Maj Tid: 9-13 Hjälpmedel: Miniräknare (nollställd) samt allmänspråklig
Kapitel 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.
BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 8 (2016-05-02) OCH INFÖR ÖVNING 9 (2016-05-09)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 8 (2016-05-02) OCH INFÖR ÖVNING 9 (2016-05-09) Aktuella avsnitt i boken är Kapitel 7. Lektionens mål: Du
EXAMINATION 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