1 8-1: Oversikt : Grunnleggende hypotesetesting. 3 Section 8-3: Å teste påstander om andeler. 4 Section 8-5: Teste en påstand om gjennomsnittet

Størrelse: px
Begynne med side:

Download "1 8-1: Oversikt. 2 8-2: Grunnleggende hypotesetesting. 3 Section 8-3: Å teste påstander om andeler. 4 Section 8-5: Teste en påstand om gjennomsnittet"

Transkript

1 1 8-1: Oversikt 2 8-2: Grunnleggende hypotesetesting 3 Section 8-3: Å teste påstander om andeler 4 Section 8-5: Teste en påstand om gjennomsnittet

2 Definisjoner Hypotese En hypotese er en påstand om noe i en populasjon En hypotesetest er en standard prosedyre for å teste om en hypotese er sann eller ikke. Example Hypotese: Andelen iphone brukere på BI er p = 0.23 Hypotesetest for en andel: 1 Hent inn en representativ stikkprøve 2 Beregn andelen iphone brukere i stikkprøven 3 Bruk denne andelen til å avgjøre om hypotesen p = 0.23 er sann 4 Detaljer om dette kommer i seksjon

3 Hypotesetesting Rare event rule Vi har en hypotese om noe. Vi antar den er sann. Vi observerer noe i stikkprøven som ser uvanlig ut Konklusjon: Da er det noe galt med hypotesen, og vi avgjør at den er usann. Hypotesetest = Beslutningsregel Du må velge en av to konkurrerende hypoteser. Nullhypotesen H 0 inneholder alltid = Alternativhypotesen H 1 inneholder <, > eller = Du må velge H 0 eller H 1. Du antar H 0 er sann Beslutningsgrunnlaget er stikkprøven. Dersom stikkprøven ser "uvanlig"ut, så velger vi H 1 Dersom stikkprøven ikke er uvanlig, så velger vi H 0

4 Fiktivt eksempel: FemiPower Example Selskapet FemiPower selger piller til kvinner som prøver å bli gravide. Selskapet påstår at pillene øker sjansen for å få en jente For å teste om FemiPower gir økt sjanse til jente så gir vi pillene til flere kvinner, og 100 av disse blir gravide. Som utgangspunkt antar vi at FemiPower ikke virker. (Nullhypotesen) Bruk sunn fornuft. Hva vil du konkludere med i disse to scenariene: 1 52 av 100 kvinner fikk jente? 2 91 av 100 kvinner fikk jente?

5 Scenarie 1; 52 av 100 er jenter 52 av 100 er jenter Nullhypotesen er at FemiPower ikke virker. Da vil vi normalt forvente omkring 50 jenter Vi fikk 52, noe som er nær 50, og det kan lett skje ved en tilfeldighet. Antagelsen om ingen effekt ser ut til å være korrekt Det er ikke tilstrekkelig grunnlag til å hevde at FemiPower virker

6 Scenarie 2; 91 av 100 er jenter 91 av 100 er jenter Nullhypotesen er at FemiPower ikke virker. Da skal det utrolig mye til at 91 av 100 babyer er jenter! Vi kan forklare dette på to måter 1 En ekstremt uvanlig ting har skjedd, eller 2 FemiPower virker Det ekstremt usannsynlige i 91 av 100 jenter tyder på at FemiPower virker Det er tilstrekkelig grunnlag til å hevde at FemiPower virker

7 Grunnleggende begreper Kapittel 8 Nullhypotese Alternativ hypotese Testobservator Kritisk område og Kritisk verdi Signifikansnivå p-verdi Type I og Type II feil Gjør en innsats for å forstå disse ordene.

8 Postbanken eksempel Example µ er gjennomsnittet på spørsmålet Anbefale for alle kunder Ledelsen: Hvis µ<7.0 sett inn tiltak for å øke µ I fila Bank2008 : x = 6.4 for 91 kunder Nullhypotesen er at gjennomsnittet i populasjonen er µ = 7.0 Må tiltak iverksettes, mao. er µ<7? Vi må finne ut om det er uvanlig at 91 kunder gir et gjennomsnitt x = 6.4 når µ = 7 Sannsynligheten viser seg (se senere) å være 2.3% for å få 6.4 eller lavere dersom µ = 7 Dette er så uvanlig at vi må anta at µ<7.0 Nullhypotesen forkastes: Iverksett tiltak!

9 Hva er nullhypotesen og hva er alternativhypotesen? H 0 og H 1 Hypotesene er alltid påstander om parametere som µ og p. Skriv påstanden ned på symbolsk form Skriv også ned på symbolsk form det motsatte av påstanden La H 1 være den av påstandene som ikke inneholder = Den andre påstanden skrives nå med = og den blir nullhypotesen H 0 Figur 8-2 i boka Hvis du selv vil vise at en påstand er sann, så formuler den som H 1 med <, > eller = H 0 H 1 = <>=

10 Hva er nullhypotesen og hva er alternativhypotesen? Example Her er to påstander. Andelen studenter som sykler til skolen er mer enn 0.5 Gjennomsnittshøyden til volleyballspillere i eliten er 189 cm Skriv opp hypotesene for hver påstand. Svar: H 0 : p = 0.5, H 1 : p > 0.5 H 0 : µ = 189, H 1 : µ = 189.

11 Testobservator Testobservatoren brukes til å velge H 0 eller H 1 Example Testobservatoren(eng: test statistic) beregnes ifra stikkprøven Den er beregnet under forutsetning av at H 0 er sann For å teste hypoteser om andelen bruker vi testobservatoren z = q ˆp p 0 p0 (1 p 0 ) n Av n = 880 studenter bruker 56% lesesalen ukentlig Vi forutsetter at H 0 : p = 0.5 er sann. Da blir testobservatoren z = = 3.56 Vi vet at en z-verdi på 3.56 er uvanlig q 0.5(1 0.5) 880 Stikkprøve andelen på 56% er derfor signifikant forskjellig fra 50% (figur neste side) Vi konkluderer med at mer enn halvparten bruker lesesalen ukentlig

12 Critical Region, Critical Value, Test Statistic Forkastningsområdet (eng: critical region) er de verdiene til testobservatoren som gjør at vi må forkaste nullhypotesen. Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

13 Testens signifikansnivå α Signifikansnivået angis med α Det er sannsynligheten for at testobservatoren havner i forkastningsområdet dersom H 0 er sann Analogi til rettssal: Sannsynligheten for at en uskyldig blir dømt Vanlige valg er α = 0.1, α = 0.5 og α = Kritisk verdi En kritisk verdi separerer forkastningsområdet fra de verdier av testobservatoren som ikke resulterer i å forkaste H 0 I figuren på forrige side er kritisk verdi z = 1.645

14 Tosidig hypotesetest Two-tailed Test H 0 : = H 1 :! " likt fordelt i de to halene til forkastningsområdet Betyr mindre enn eller større enn Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

15 Høyresidig hypotesetest Right-tailed Test H 0 : = H 1 : > Mot høyre Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

16 Venstresidig hypotesetest Mot venstre Left-tailed Test H 0 : = H 1 : < Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

17 p-verdien p-verdien Antar at H 0 er sann Regner ut testobservatoren for testen p-verdien er sannsynligheten for å få en verdi på testobservatoren som er minst like uvanlig som den du fikk Nullhypotesen forkastes hvis p-verdien er mindre enn signifikansnivået

18 To metoder for hypotesetesting Hypotesetesting Konklusjonen av testen er enten 1 Forkast nullhypotesen, eller 2 Ikke forkast nullhypotesen Den tradisjonelle metoden 1 Forkast nullhypotesen dersom testobservatoren er i forkastningsområdet 2 Ikke forkast nullhypotesen dersom testobservatoren ikke er i forkastningsområdet p-verdi metoden 1 p-verdien er mindre enn signifikansnivået α Forkast H 0 2 p-verdien er større enn signifikansnivået α Ikke forkast H 0

19 p-verdi metoden Tradisjonell metode Comprehensive Hypothesis Test P-Value Method Co Hyp Trad Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley. Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison

20 Bestemme p-verdien Dersom H 1 er tosidig, er p-verdien arealet i to haler Dersom H 1 er ensidig, er p-verdien arealet i en hale Procedure for Finding P-Values Figur 8-6 Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

21 Eksempel A Example Signifikansnivået er α = 0.05 og vi skal teste påstanden om at andelen p > Stikkprøven gir testobservatoren z = 1.18 Spørsmål Svar Er testen en- eller tosidig? Finn p-verdien Kom til en konklusjon om nullhypotesen H 0 Høyresidig test. A2: arealet til høyre for z = 1.18 er p-verdien er større enn α = 0.05 p verdien er relativt stor, så dette kunne ha skjedd ved en tilfeldighet Vi har ikke grunnlag til å forkaste H 0 : p = 0.25

22 Eksempel B Example Signifikansnivået er α = 0.05 og vi skal teste påstanden om at andelen p = Stikkprøven gir testobservatoren z = 2.34 Spørsmål Svar Er testen en- eller tosidig? Finn p-verdien Kom til en konklusjon om nullhypotesen H 0 Tosidig test. A2: arealet til høyre for z = 2.34 er p-verdien = er mindre enn α = 0.05 p verdien er relativt liten, så dette kunne ikke ha skjedd ved en tilfeldighet Vi har grunnlag til å forkaste H 0 : p = 0.25

23 Type I og Type II feil En hypotesetest kan gi feil konklusjon. Det kan skje på to måter. Type I feil H 0 er egentlig sann, men du forkaster H 0 α - signifikansnivået- er sannsynligheten for å begå en type I feil. Type II feil H 0 er egentlig gal, men du forkaster ikke H 0 β er symbolet for sannsynligheten for en Type II feil, også kalt testens styrke (eng: power)

24 Type I og Type II feil Type I and Type II Errors Fire ting kan skje når du tester en hypotese: Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

25 Oppsummering Vi har diskutert: Null- og alternativ hypoteser Testobservator Signifikansnivå p-verdi Beslutningsregel (tradisjonell og p-verdi metoden) Type I og II feil

26 Testen for en andel i populasjonen Notasjon n: størrelsen på stikkprøven ˆp: andelen i stikkprøven p: andelen i populasjonen, ifølge nullhypotesen q = 1 p Forutsetninger for testen Stikkprøven er et tilfeldig utvalg Betingelser for binomialfordeling holder (section 5-3) np 5 og n(1 p) 5

27 Testobservatoren for test om en andel Testobservator z = ˆp p p(1 p) n er tilnærmet normalfordelt når forutsetningene på forrige side holder.

28 Example I en spørreundersøkelse oppgir 56% av 880 studenter at de bruker lesesalen ukentlig Studentavisa OUTSIDE skriver i en overskrift at flere enn halvparten av BI studentene bruker lesesalen ukentlig Har OUTSIDE grunnlag for denne påstanden? H 0 : p = 0.5 og H 1 : p > 0.5. Høyresidig test Vi bruker p-verdi metoden: 1 np = = and n(1 p) = = ˆp = 0.56 Testobservator er z = q (1 0.5) = Tabel A2: Arealet til venstre for z = 3.56 er p-verdien er = , mye lavere enn α = OUTSIDE har grunnlag for påstanden sin

29 Example: An article distributed by the Associate Press Lesesalincluded eksempel these results from a nationwide survey: Of 880 randomly selected drivers,! 56% p-verdien er svært liten, så nullhypotesen forkastes. H 0 : p = 0.5 H 1 : p > 0.5 " = 0.05 z = 3.56 Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

30 Lesesal eksempel; Tradisjonell metode Example Vi kan også bruke tradisjonell metode: 1 En høyrehalet test, så α = 0.05 forkastningsområdet ligger i høyre hale 2 Den kritiske verdien er da z = ˆp = 0.56 Testobservator er z = (1 0.5) 880 = Siden testobservatoren z = 3.56 er større enn den kritiske verdien z = 1.645, så forkaster vi H 0 5 Det er tilstrekkelig grunnlag til å si at andelen er over 0.5

31 Example Vi kan også bruke tradisjonell metode: 1 En høyrehalet test, så α = 0.05 forkastningsområdet ligger i høyre hale 2 Den kritiske verdien er da z = ˆp = 0.56 Testobservator er z = (1 0.5) 880 = Siden testobservatoren z = 3.56 er større enn den kritiske verdien z = 1.645, så forkaster vi H 0 5 Det er tilstrekkelig grunnlag til å si at andelen er over 0.5

32 Bank2008.jmp Example 1 En leder i Sparebank1 påstår at andelen kunder med universitetsutdannelse er mer enn 50 % 2 I stikkprøven har 48 av 91 universitetsutdannelse 3 H 0 : p = 0.5 versus H 1 : p > 0.5. Vi tester på α = 0.05 nivået 4 ˆp = Testobservator er z = = Siden testen er ensidig, er p-verdien arealet i halen fra z = 0.52 og oppover Tabell A2: Den kritiske verdien er da = Siden p-verdien er større enn α = 0.05, konkluderer vi med at det ikke er tilstrekkelig grunnlag til å forkaste H 0

33 z-testen for én andel Example Svar Stortingsvalget 2009: FrP fikk 26.5 % i Rogaland 2010 meningsmåling: av 186 av 784 ville stemt FrP Er det en signifikant forskjell fra 2009? Signifikansnivå α = 0.1 Tosidig test med hypotesene H 0 : p = vs H 1 : p = Testobservator er z = ( ) 784 = 1.76 Tabell A2: arealet til venstre for z = 1.76 er så p-verdien er = p-verdien mindre enn 0.1: Det er grunnlag til å hevde at FrP sin oppslutning er endret

34 FrP eksempel p-verdien er , dvs. arealet i de to halene. Siden signifikansnivået var satt til α = 0.1 så forkastes H 0. Standard Normalfordeling dnorm(x, 0, 1) x

35 Hypotesetest for gjennomsnittet Forutsetninger Vi forutsetter at: Stikkprøven er tilfeldig Dataene er normalfordelt, eller at n > 30 Hypotesene Nullhypotesen er at gjennomsnittet i populasjon µ er en spesifikk verdi Alternativhypotesen kan være tosidig (=), eller ensidig (< eller >) Testobservator t = x µ s/ n er t-fordelt med n 1 frihetsgrader. Kritiske verdier i Tabell A3

36 Tabell A3 For hypotesetest om en andel er p-verdi metoden enklest. Tabell A2 gir p-verdier. For hypotesetest om gjennomsnitt er det bedre med tradisjonell metode, der testingen skjer med kritiske verdier Example: Assuming that neither software nor a Tabell TI-83 A3 Plus gir kritiske calculator verdier is og available, forkastningsområdet use Table A-3 to find a range of values for the P-value corresponding to the given results. Dersom testobservatoren er mer ekstrem enn den kritiske verdien, så forkastes H 0 Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.

37 Hypotesetest for gjennomsnittet Example Tenk deg følgende 3 situasjoner. Bruk tabell A3 til å avgjøre om H 0 forkastes 1 Venstresidig test. n = 12, α = 0.05 og testobservatoren er t = En høyresidig test med n = 12, α = 0.1 og t = En tosidig test med n = 12 og α = 0.01 og t = 3.45 Svar 1 Kritisk verdi er t = Forkastningsområdet er fra og ned. Vår t-verdi ligger her. Konklusjon: Vi forkaster H 0 2 Kritisk verdi er t = Dvs at forkastningsområdet er fra og opp. Vår t-verdi ligger ikke her. Behold H 0 3 Kritisk verdi t = Forkastningsområdet er utenfor ± Forkaster H 0

38 Hypotesetest for gjennomsnittet Example Tenk deg følgende 3 situasjoner. Bruk tabell A3 til å avgjøre om H 0 forkastes 1 Venstresidig test. n = 12, α = 0.05 og testobservatoren er t = En høyresidig test med n = 12, α = 0.1 og t = En tosidig test med n = 12 og α = 0.01 og t = 3.45 Svar 1 Kritisk verdi er t = Forkastningsområdet er fra og ned. Vår t-verdi ligger her. Konklusjon: Vi forkaster H 0 2 Kritisk verdi er t = Dvs at forkastningsområdet er fra og opp. Vår t-verdi ligger ikke her. Behold H 0 3 Kritisk verdi t = Forkastningsområdet er utenfor ± Forkaster H 0

39 Example På side 9 så vi at p-verdien var for en venstresidig test av H 0 : µ = 7.0 versus H 1 : µ<7.0. Vi brukte JMP til å finne det ut. Vi skal nå gjøre testen uten JMP, ved å bruke A3. Vi bruker α = 0.05 Postbanken har x = og s = for 91kunder Testobservator er da t = / 91 = 2.02 Tabell A3 med frihetsgrader gir da kritisk verdi Vi forkaster H 0 : Det er grunnlag for å hevde at µ<7i populasjonen

40 Arealet er p-verdien. JMP gir at dette er Students t med df=90 dt(x, df = 90) x

1 Section 7-2: Estimere populasjonsandelen. 2 Section 7-4: Estimere µ når σ er ukjent

1 Section 7-2: Estimere populasjonsandelen. 2 Section 7-4: Estimere µ når σ er ukjent 1 Section 7-2: Estimere populasjonsandelen 2 Section 7-4: Estimere µ når σ er ukjent Kapittel 7 Nå begynner vi med statistisk inferens! Bruke stikkprøven til å 1 Estimere verdien til en parameter i populasjonen.

Detaljer

1 9-3: Sammenligne gjennomsnitt for to uavhengige stikkprøver. 2 9-4: Sammenligne gjennomsnitt for to relaterte stikkprøver

1 9-3: Sammenligne gjennomsnitt for to uavhengige stikkprøver. 2 9-4: Sammenligne gjennomsnitt for to relaterte stikkprøver 1 9-3: Sammenligne gjennomsnitt for to uavhengige stikkprøver 2 9-4: Sammenligne gjennomsnitt for to relaterte stikkprøver 3 Oppvarming til kap 10: Rette linjer Sammenligne to populasjoner Data fra to

Detaljer

ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon

ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon Bo Lindqvist Institutt for matematiske fag 2 Kap. 9: Inferens om én populasjon Statistisk inferens har som mål å tolke/analysere

Detaljer

ST0202 Statistikk for samfunnsvitere Kapittel 10: Inferens om to populasjoner

ST0202 Statistikk for samfunnsvitere Kapittel 10: Inferens om to populasjoner ST0202 Statistikk for samfunnsvitere Kapittel 10: Inferens om to populasjoner Bo Lindqvist Institutt for matematiske fag 2 Kapittel 10: Inferens om to populasjoner Situasjon: Vi ønsker å sammenligne to

Detaljer

Oppgaver til Studentveiledning 3 MET 3431 Statistikk

Oppgaver til Studentveiledning 3 MET 3431 Statistikk Oppgaver til Studentveiledning 3 MET 3431 Statistikk 24. april 2012 kl 17.15-20.15 i B2 Handelshøyskolen BI 2 Oppgaver 1. Eksamensoppgaver: Eksamen 01/06/2011: Oppgave 1-7. Eksamensoppgaven fra 06/2011

Detaljer

1 Section 4-1: Introduksjon til sannsynlighet. 2 Section 4-2: Enkel sannsynlighetsregning. 3 Section 5-1: Introduksjon til sannsynlighetsfordelinger

1 Section 4-1: Introduksjon til sannsynlighet. 2 Section 4-2: Enkel sannsynlighetsregning. 3 Section 5-1: Introduksjon til sannsynlighetsfordelinger 1 Section 4-1: Introduksjon til sannsynlighet 2 Section 4-2: Enkel sannsynlighetsregning 3 Section 5-1: Introduksjon til sannsynlighetsfordelinger 4 Section 5-2: Tilfeldige variable 5 Section 5-3: Binomisk

Detaljer

1 Section 6-2: Standard normalfordelingen. 2 Section 6-3: Anvendelser av normalfordelingen. 3 Section 6-4: Observator fordeling

1 Section 6-2: Standard normalfordelingen. 2 Section 6-3: Anvendelser av normalfordelingen. 3 Section 6-4: Observator fordeling 1 Section 6-2: Standard normalfordelingen 2 Section 6-3: Anvendelser av normalfordelingen 3 Section 6-4: Observator fordeling 4 Section 6-5: Sentralgrenseteoremet Oversikt Kapittel 6 Kontinuerlige tilfeldige

Detaljer

Dekkes av pensumsidene i kap. lesingsnotatene. Hypotesetesting er en systematisk fremgangsmåte

Dekkes av pensumsidene i kap. lesingsnotatene. Hypotesetesting er en systematisk fremgangsmåte Hypotesetesting. 10 og fore- Dekkes av pensumsidene i kap. lesingsnotatene. Hypotesetesting er en systematisk fremgangsmåte for å undersøke hypoteser (påstander) knyttet til parametre i sannsynlighetsfordelinger.

Detaljer

ST0202 Statistikk for samfunnsvitere

ST0202 Statistikk for samfunnsvitere ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig

Detaljer

Statistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere

Statistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Å analysere en utvalgsobservator for å trekke slutninger

Detaljer

Mer om hypotesetesting

Mer om hypotesetesting Mer om hypotesetesting I underkapittel 36 i læreboka gir vi en kort innføring i tankegangen ved hypotesetesting Vi gir her en grundigere framstilling av temaet Problemstilling Vi forklarer problemstillingen

Detaljer

Oppgave 1. T = 9 Hypotesetest for å teste om kolesterolnivået har endret seg etter dietten: T observert = 2.16 0

Oppgave 1. T = 9 Hypotesetest for å teste om kolesterolnivået har endret seg etter dietten: T observert = 2.16 0 Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 08. mai 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir

Detaljer

Statistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere

Statistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Analysere en observator for å finne ut noe om korresponderende

Detaljer

Løsningsforslag Til Statlab 5

Løsningsforslag Til Statlab 5 Løsningsforslag Til Statlab 5 Jimmy Paul September 6, 007 Oppgave 8.1 Vi skal se på ukentlige forbruk av søtsaker blant barn i et visst område. En pilotstudie gir at standardavviket til det ukentige forbruket

Detaljer

Oppgaver til Studentveiledning I MET 3431 Statistikk

Oppgaver til Studentveiledning I MET 3431 Statistikk Oppgaver til Studentveiledning I MET 3431 Statistikk 20. mars 2012 kl 17.15-20.15 i B2 Handelshøyskolen BI 2 Oppgaver 1. Konfidensintervaller Vi ser på inntekten til en tilfeldig valgt person (i tusen

Detaljer

Løsningsforslag til obligatorisk innlevering 3.

Løsningsforslag til obligatorisk innlevering 3. svar3.nb 1 Løsningsforslag til obligatorisk innlevering 3. Oppgave 1 * Vi skal sammenlikne to sensoere A og B. Begge har rettet den samme oppgaven. Hvis populasjonen er eksamensoppgavene, har vi altså

Detaljer

Kap. 10: Inferens om to populasjoner. Eksempel. ST0202 Statistikk for samfunnsvitere

Kap. 10: Inferens om to populasjoner. Eksempel. ST0202 Statistikk for samfunnsvitere Kap. 10: Inferens om to populasjoner Situasjon: Vi ønsker å sammenligne to populasjoner med populasjonsgjennomsnitt henholdsvis μ 1 og μ. Vi trekker da ett utvalg fra hver populasjon. ST00 Statistikk for

Detaljer

1 10-2: Korrelasjon. 2 10-3: Regresjon

1 10-2: Korrelasjon. 2 10-3: Regresjon 1 10-2: Korrelasjon 2 10-3: Regresjon Example Krysser y-aksen i 1: b 0 = 1 Stiger med 2 hver gang x øker med 1: b 1 = 2 Formelen til linja er derfor y = 1 + 2x Eksempel Example Vi lar fem personer se en

Detaljer

Kapittel 10: Hypotesetesting

Kapittel 10: Hypotesetesting Kapittel 10: Hypotesetesting TMA445 Statistikk 10.1, 10., 10.3: Introduksjon, 10.5, 10.6, 10.7: Test for µ i normalfordeling, 10.4: p-verdi Turid.Follestad@math.ntnu.no p.1/19 Estimering og hypotesetesting

Detaljer

MAT4010 PROSJEKTOPPGAVE: Statistikk i S2. Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem

MAT4010 PROSJEKTOPPGAVE: Statistikk i S2. Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem MAT400 PROSJEKTOPPGAVE: Statistikk i S2 Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem 20. mai 205 Innhold. Stokastisk Variabel.. Stokastiske variable som funksjoner 3 2. Forventningsverdi

Detaljer

Notasjon og Tabell 8. ST0202 Statistikk for samfunnsvitere

Notasjon og Tabell 8. ST0202 Statistikk for samfunnsvitere 2 Inferens om varians og standardavvik for ett normalfordelt utvalg (9.4) Inferens om variansen til en normalfordelt populasjon bruker kjikvadrat-fordelingen ( chi-square distribution ) (der kji er den

Detaljer

6.2 Signifikanstester

6.2 Signifikanstester 6.2 Signifikanstester Konfidensintervaller er nyttige når vi ønsker å estimere en populasjonsparameter Signifikanstester er nyttige dersom vi ønsker å teste en hypotese om en parameter i en populasjon

Detaljer

Verdens statistikk-dag. Signifikanstester. Eksempel studentlån. http://unstats.un.org/unsd/wsd/

Verdens statistikk-dag. Signifikanstester. Eksempel studentlån. http://unstats.un.org/unsd/wsd/ Verdens statistikk-dag http://unstats.un.org/unsd/wsd/ Signifikanstester Ønsker å teste hypotese om populasjon Bruker data til å teste hypotese Typisk prosedyre Beregn sannsynlighet for utfall av observator

Detaljer

Page 1 EN DAG PÅ HELSESTASJONEN. Lises klassevenninnner. Formelen: Du har en hypotese om vanlig høyde

Page 1 EN DAG PÅ HELSESTASJONEN. Lises klassevenninnner. Formelen: Du har en hypotese om vanlig høyde 1 E DAG PÅ HELSESTASJOE Lises klassevenninnner Lise er veldig liten Hva gjør at du sier at hun er liten? Du har en hypotese om vanlig høyde Du har en hypotese om vanlig høyde Du sammenligner Lises høyde

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Hypotesetesting (kp. 6) Hypotesetesting. Kp. 6 Hypotesetesting ...

ÅMA110 Sannsynlighetsregning med statistikk, våren Hypotesetesting (kp. 6) Hypotesetesting. Kp. 6 Hypotesetesting ... ÅMA Sannsynlighetsregning med statistikk, våren 6 Kp. 6 (kp. 6)... Begrep: nullhypotese alternativhypotese ensidig, tosidig teststørrelse (testobservator) nullfordeling kritisk verdi, forkastningsområde

Detaljer

Sammenlikninger av gjennomsnitt. SOS1120 Kvantitativ metode. Kan besvare to spørsmål: Sammenlikning av to gjennomsnitt

Sammenlikninger av gjennomsnitt. SOS1120 Kvantitativ metode. Kan besvare to spørsmål: Sammenlikning av to gjennomsnitt SOS1120 Kvantitativ metode Forelesningsnotater 10. forelesning høsten 2005 Per Arne Tufte Sammenlikninger av gjennomsnitt Sammenlikner gjennomsnittet på avhengig variabel for ulike grupper av enheter Kan

Detaljer

Hypotesetesting (kp. 6) ÅMA110 Sannsynlighetsregning med statistikk, våren Tre deler av faget/kurset: 1. Beskrivende statistikk

Hypotesetesting (kp. 6) ÅMA110 Sannsynlighetsregning med statistikk, våren Tre deler av faget/kurset: 1. Beskrivende statistikk ÅMA Sannsynlighetsregning med statistikk, våren 2 Kp. 6 Hypotesetesting Hypotesetesting (kp. 6) Tre deler av faget/kurset:. Beskrivende statistikk 2. Sannsynlighetsteori, sannsynlighetsregning 3. Statistisk

Detaljer

(b) På slutten av dagen legger sekretæren inn all innsamlet informasjon i en ny JMP datafil. Hvor mange rader og søyler(kolonner) har datafila?

(b) På slutten av dagen legger sekretæren inn all innsamlet informasjon i en ny JMP datafil. Hvor mange rader og søyler(kolonner) har datafila? Institutt for samfunnsøkonomi Skriftlig eksamen i: MET 34311 Statistikk Eksamensdato: 01.06.11, kl. 09.00-14.00 Tillatte hjelpemidler: Alle + BI-definert eksamenskalkulator : TEXAS INTRUMENTS BA II Plus

Detaljer

Oppgaver til Studentveiledning 4 MET 3431 Statistikk

Oppgaver til Studentveiledning 4 MET 3431 Statistikk Oppgaver til Studentveiledning 4 MET 3431 Statistikk 8. mai 2012 kl 17.15-20.15 i B2 Handelshøyskolen BI 2 Oppgaver 1. Eksamensoppgaver: Eksamen 22/11/2011: Oppgave 1-7. Eksamensoppgaven fra 11/2011 er

Detaljer

Krysstabellanalyse (forts.) SOS1120 Kvantitativ metode. 4. Statistisk generalisering. Forelesningsnotater 9. forelesning høsten 2005.

Krysstabellanalyse (forts.) SOS1120 Kvantitativ metode. 4. Statistisk generalisering. Forelesningsnotater 9. forelesning høsten 2005. SOS112 Kvantitativ metode Krysstabellanalyse (forts.) Forelesningsnotater 9. forelesning høsten 25 4. Statistisk generalisering Per Arne Tufte Eksempel: Hypoteser Eksempel: observerte frekvenser (O) Hvordan

Detaljer

Oppgaver til Studentveiledning II MET 3431 Statistikk

Oppgaver til Studentveiledning II MET 3431 Statistikk Oppgaver til Studentveiledning II MET 3431 Statistikk 10. april 2012 kl 17.15-20.15 i B2 Handelshøyskolen BI 2 Oppgaver 1. Eksamensoppgaver: Prøve-eksamen A fra 2010: Oppgave 6-7. Prøve-eksamen A fra 2010

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Hypotesetesting (kp. 6) Hypotesetesting, innledning. Kp.

ÅMA110 Sannsynlighetsregning med statistikk, våren Hypotesetesting (kp. 6) Hypotesetesting, innledning. Kp. ÅMA Sannsynlighetsregning med statistikk, våren 8 Kp. 6 Hypotesetesting Hypotesetesting (kp. 6) Tre deler av faget/kurset:. Beskrivende statistikk. Sannsynlighetsteori, sannsynlighetsregning 3. Statistisk

Detaljer

Denne uken: kap : Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans

Denne uken: kap : Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner

Detaljer

Oppgave 1. og t α/2,n 1 = 2.262, så er et 95% konfidensintervall for µ D (se kap 9.9 i læreboka): = ( 0.12, 3.32).

Oppgave 1. og t α/2,n 1 = 2.262, så er et 95% konfidensintervall for µ D (se kap 9.9 i læreboka): = ( 0.12, 3.32). Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 16. november 2009 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir

Detaljer

Statistikk, FO242N, AMMT, HiST 2. årskurs, 30. mai 2007 side 1 ( av 8) LØSNINGSFORSLAG HØGSKOLEN I SØR-TRØNDELAG

Statistikk, FO242N, AMMT, HiST 2. årskurs, 30. mai 2007 side 1 ( av 8) LØSNINGSFORSLAG HØGSKOLEN I SØR-TRØNDELAG Statistikk, FO242N, AMMT, HiST 2. årskurs, 30. mai 2007 side 1 ( av 8) LØSNINGSFORSLAG HØGSKOLEN I SØR-TRØNDELAG AVDELING FOR MAT- OG MEDISINSK TEKNOLOGI Matteknologisk utdanning Kandidatnr: Eksamensdato:

Detaljer

Forelesning 23 og 24 Wilcoxon test, Bivariate Normal fordeling

Forelesning 23 og 24 Wilcoxon test, Bivariate Normal fordeling Forelesning 23 og 24 Wilcoxon test, Bivariate Normal fordeling Wilcoxon Signed-Rank Test I uke, bruker vi Z test eller t-test for hypotesen H:, og begge tester er basert på forutsetningen om normalfordeling

Detaljer

Analyse av kontinuerlige data. Intro til hypotesetesting. 21. april 2005. Seksjon for medisinsk statistikk, UIO. Tron Anders Moger

Analyse av kontinuerlige data. Intro til hypotesetesting. 21. april 2005. Seksjon for medisinsk statistikk, UIO. Tron Anders Moger Intro til hypotesetesting Analyse av kontinuerlige data 21. april 2005 Tron Anders Moger Seksjon for medisinsk statistikk, UIO 1 Repetisjon fra i går: Normalfordelingen Variasjon i målinger kan ofte beskrives

Detaljer

Hypotesetesting. Notat til STK1110. Ørnulf Borgan Matematisk institutt Universitetet i Oslo. September 2007

Hypotesetesting. Notat til STK1110. Ørnulf Borgan Matematisk institutt Universitetet i Oslo. September 2007 Hypotesetesting Notat til STK1110 Ørnulf Borgan Matematisk institutt Universitetet i Oslo September 2007 Teorien for hypotesetesting er beskrevet i kapittel 9 læreboka til Rice. I STK1110 tar vi bare for

Detaljer

Logistisk regresjon 2

Logistisk regresjon 2 Logistisk regresjon 2 SPSS Utskrift: Trivariat regresjon a KJONN UTDAAR Constant Variables in the Equation B S.E. Wald df Sig. Exp(B) -,536,3 84,56,000,25,84,08 09,956,000,202 -,469,083 35,7,000,230 a.

Detaljer

Verdens statistikk-dag.

Verdens statistikk-dag. Verdens statistikk-dag http://unstats.un.org/unsd/wsd/ Signifikanstester Ønsker å teste hypotese om populasjon Bruker data til å teste hypotese Typisk prosedyre Beregn sannsynlighet for utfall av observator

Detaljer

Kapittel 7: Inferens for forventningerukjent standardavvik

Kapittel 7: Inferens for forventningerukjent standardavvik Kapittel 7: Inferens for forventningerukjent standardavvik 7.1: Inferens for forventningen i en populasjon 7.2: Inferens for å sammenligne to forventninger 7.1 Inferens for forventningen i en populasjon

Detaljer

Oppgave 1. X 1 B(n 1, p 1 ) X 2. Vi er interessert i forskjellen i andeler p 1 p 2, som vi estimerer med. p 1 p 2 = X 1. n 1 n 2.

Oppgave 1. X 1 B(n 1, p 1 ) X 2. Vi er interessert i forskjellen i andeler p 1 p 2, som vi estimerer med. p 1 p 2 = X 1. n 1 n 2. Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 17 november 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk Tapir

Detaljer

SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2002

SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2002 SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2002 Generell informasjon Dette er den siste eksamensoppgaven under overgangsordningen mellom gammelt og nytt pensum i SVSOS107. Eksamensoppgaven

Detaljer

Løsningsforslag øving 9, ST1301

Løsningsforslag øving 9, ST1301 Løsningsforslag øving 9, ST1301 Oppgave 1 Regresjon. Estimering av arvbarhet. a) Legg inn din egen høyde, din mors høyde, din fars høyde, og ditt kjønn via linken på fagets hjemmeside 1. Last så ned dataene

Detaljer

Statistikk for språk- og musikkvitere 1

Statistikk for språk- og musikkvitere 1 Statistikk for språk- og musikkvitere 1 Mitt navn: Åsne Haaland, Vitenskapelig databehandling USIT Ikke nøl, avbryt med spørsmål! Hva oppnår en med statistikk? Få oversikt over data: typisk verdi, spredning,

Detaljer

7.2 Sammenligning av to forventinger

7.2 Sammenligning av to forventinger 7.2 Sammenligning av to forventinger To-utvalgs z-observator To-utvalgs t-prosedyrer To-utvalgs t-tester To-utvalgs t-konfidensintervall Robusthet To-utvalgs t-prosedyrerår variansene er like Sammenlikning

Detaljer

Forelesning 10 Kjikvadrattesten

Forelesning 10 Kjikvadrattesten verdier Forelesning 10 Kjikvadrattesten To typer av statistisk generalisering: Statistisk hypotesetesting Statistiske hypoteser (H 0 og H 1 ) om populasjonen Finner forkastningsområdet for H 0 ut fra en

Detaljer

MOT310 Statistiske metoder 1, høsten 2010 Løsninger til regneøving nr. 11 (s. 1) der

MOT310 Statistiske metoder 1, høsten 2010 Løsninger til regneøving nr. 11 (s. 1) der MOT310 Statistiske metoder 1, høsten 2010 Løsninger til regneøving nr. 11 (s. 1) Oppgave 13.1 Modell: Y ij = µ i + ε ij, der ε ij uavh. N(0, σ 2 ) Boka opererer her med spesialtilfellet der man har like

Detaljer

Oppgave 1 (25 %) Resultater fra QM: a) Maximin = 0 ved ikke å lansere. b) Maximax = 27000000 for produkt 2.

Oppgave 1 (25 %) Resultater fra QM: a) Maximin = 0 ved ikke å lansere. b) Maximax = 27000000 for produkt 2. Oppgave 1 (25 %) Resultater fra QM: a) Maximin = 0 ved ikke å lansere. b) Maximax = 27000000 for produkt 2. c) EMV max = 1000000 * 0.8 + 27000000 * 0.2 = 4600000 for produkt 2. d) 0.2 * 27000000 4600000

Detaljer

Kapittel 3: Studieopplegg

Kapittel 3: Studieopplegg Oversikt over pensum Kapittel 1: Empirisk fordeling for en variabel o Begrepet fordeling o Mål for senter (gj.snitt, median) + persentiler/kvartiler o Mål for spredning (Standardavvik s, IQR) o Outliere

Detaljer

i x i

i x i TMA4245 Statistikk Vår 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 11, blokk II Oppgavene i denne øvingen dreier seg om hypotesetesting og sentrale

Detaljer

PSY 1002 Statistikk og metode. Frode Svartdal April 2016

PSY 1002 Statistikk og metode. Frode Svartdal April 2016 PSY 1002 Statistikk og metode Frode Svartdal April 2016 GANGEN I HYPOTESETESTING 1. Formuler en hypotese «Man får bedre karakterer hvis man leser pensum» 2. Formuler motstykket, nullhypotesen H 0 «Man

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 Statistikk Høst 2016 TMA4240 Statistikk Høst 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 11 Oppgavene i denne øvingen dreier seg om hypotesetesting og sentrale begreper

Detaljer

Supplement til power-point presentasjonen i medisinsk statistikk, forelesning 7 januar 2013. Skrevet av Stian Lydersen 16 januar 2013

Supplement til power-point presentasjonen i medisinsk statistikk, forelesning 7 januar 2013. Skrevet av Stian Lydersen 16 januar 2013 1 Supplement til power-point presentasjonen i medisinsk statistikk, forelesning 7 januar 013. Skrevet av Stian Lydersen 16 januar 013 Vi antar at vårt utvalg er et tilfeldig og representativt utvalg for

Detaljer

2. Hva er en sampelfordeling? Nevn tre eksempler på sampelfordelinger.

2. Hva er en sampelfordeling? Nevn tre eksempler på sampelfordelinger. H12 - Semesteroppgave i statistikk - sensurveiledning Del 1 - teori 1. Gjør rede for resonnementet bak ANOVA. Enveis ANOVA tester om det er forskjeller mellom gjennomsnittene i tre eller flere populasjoner.

Detaljer

OPPGAVEHEFTE I STK1000 TIL KAPITTEL Regneoppgaver til kapittel 7. X 1,i, X 2 = 1 n 2. D = X 1 X 2. På onsdagsforelesningen påstod jeg at da må

OPPGAVEHEFTE I STK1000 TIL KAPITTEL Regneoppgaver til kapittel 7. X 1,i, X 2 = 1 n 2. D = X 1 X 2. På onsdagsforelesningen påstod jeg at da må OPPGAVEHEFTE I STK000 TIL KAPITTEL 7 Regneoppgaver til kapittel 7 Oppgave Anta at man har resultatet av et randomisert forsøk med to grupper, og observerer fra gruppe, mens man observerer X,, X,2,, X,n

Detaljer

Forelesning 9 Kjikvadrattesten. Kjikvadrattest for bivariate tabeller (klassisk variant) Når kan vi forkaste H 0?

Forelesning 9 Kjikvadrattesten. Kjikvadrattest for bivariate tabeller (klassisk variant) Når kan vi forkaste H 0? Forelesning 9 Kjikvadrattesten Kjikvadrattesten er den mest benyttede metoden for å utføre statistiske generaliseringer fra bivariate tabeller. Kjikvadrattesten brukes til å teste nullhypotesen om at det

Detaljer

Hypotesetesting av λ og p. p verdi.

Hypotesetesting av λ og p. p verdi. Forelesning 7, kapittel 6 Hypotesetesting av λ og p. p verdi. Det som gjøres i denne forelesningen er nær opptil det vi gjorde da vi konstruerte z test for µ, og styrkefunksjon for denne. I tillegg til

Detaljer

ST0202 Statistikk for samfunnsvitere Kapittel 8: Introduksjon til statistisk inferens

ST0202 Statistikk for samfunnsvitere Kapittel 8: Introduksjon til statistisk inferens ST0202 Statistikk for samfunnsvitere Kapittel 8: Introduksjon til statistisk inferens Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens har som mål å tolke/analysere

Detaljer

Kapittel 9 og 10: Hypotesetesting

Kapittel 9 og 10: Hypotesetesting Kapittel 9 og 1: ypotesetesting ypotesetesting er en standard vitenskapelig fremgangsmåte for å sjekke påstander. Generell problemstilling: Basert på informasjonen i data fra et tilfeldig utvalg ønsker

Detaljer

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004 Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004 Oppgave Midtveiseksame a) X er e stokastisk variabel

Detaljer

> 6 7 ) = 1 Φ( 1) = 1 0.1587 = 0.8413 P (X < 7 X < 8) P (X < 8) < 7 6 1 ) < 8 6 1 ) = Φ(2) = 0.8413

> 6 7 ) = 1 Φ( 1) = 1 0.1587 = 0.8413 P (X < 7 X < 8) P (X < 8) < 7 6 1 ) < 8 6 1 ) = Φ(2) = 0.8413 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 7 Oppgave Sykkelruter a) P (Y > 6) P (Y > 6) P ( Y 7 > 6 7 ) Φ( ) 0.587 0.843 b) Hypoteser: H 0 : µ µ 2 H : µ < µ 2

Detaljer

ST0202 Statistikk for samfunnsvitere Kapittel 11: Anvendelser av kjikvadratfordelingen Kapittel 12: Variansanalyse (ANOVA)

ST0202 Statistikk for samfunnsvitere Kapittel 11: Anvendelser av kjikvadratfordelingen Kapittel 12: Variansanalyse (ANOVA) ST0202 Statistikk for samfunnsvitere Kapittel 11: Anvendelser av kjikvadratfordelingen Kapittel 12: Variansanalyse (ANOVA) Bo Lindqvist Institutt for matematiske fag Bo Lindqvist, ST0202 2 Skittles (oppgave

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3 ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 20. mars Bjørn H. Auestad Kp. 6: Hypotesetesting

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3 ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 20. mars Bjørn H. Auestad Kp. 6: Hypotesetesting

Detaljer

EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE

EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 7 Bokmål Faglig kontakt under eksamen: Bo Lindqvist, tlf. 97589418 EKSAMEN ST00 STATISTIKK FOR SAMFUNNSVITERE Torsdag

Detaljer

Estimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting

Estimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting 3 Estimerig og hypotesetestig Kapittel 10 Ett- og toutvalgs hypotesetestig TMA445 V007: Eirik Mo Feome Bilkjørig Høyde til studeter Estimator ˆp = X, X atall ˆµ = X gjeomsittlig høyde. som syes de er flikere

Detaljer

α =P(type I feil) = P(forkast H 0 H 0 er sann) =1 P(220 < X < 260 p = 0.6)

α =P(type I feil) = P(forkast H 0 H 0 er sann) =1 P(220 < X < 260 p = 0.6) TMA4245 Statistikk Vår 212 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving 4 blokk II Løsningsskisse Oppgave 1 4 personer spurt. Hvis mellom 22 og 26 personer svarer

Detaljer

Econ 2130 uke 16 (HG)

Econ 2130 uke 16 (HG) Econ 213 uke 16 (HG) Hypotesetesting I Løvås: 6.4.1 6, 6.5.1-2 1 Testing av µ i uid modellen (situasjon I Z-test ). Grunnbegreper. Eksempel. En lege står overfor følgende problemstilling. Standardbehandling

Detaljer

Estimering og hypotesetesting

Estimering og hypotesetesting Kapittel 10 Ett- og toutvalgs hypotesetesting TMA4240 H2006: Eirik Mo 2 Estimering og hypotesetesting Fenomen Bilkjøring Høyden til studenter Spørsmål Hvor stor andel av studentene synes de er flinkere

Detaljer

EKSAMEN I FAG TMA4255 ANVENDT STATISTIKK

EKSAMEN I FAG TMA4255 ANVENDT STATISTIKK Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Bo Lindqvist Tlf. 975 89 418 BOKMÅL EKSAMEN I FAG TMA4255 ANVENDT STATISTIKK Onsdag

Detaljer

HØGSKOLEN I STAVANGER

HØGSKOLEN I STAVANGER EKSAMEN I: MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 25. NOVEMBER 2003 TILLATTE HJELPEMIDLER: KALKULATOR, TABELLER OG FORMLER I STATISTIKK (TAPIR FORLAG) OPPGAVESETTET BESTÅR AV 3 OPPGAVER PÅ

Detaljer

SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007

SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007 SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007 Oppgave 1 Nedenfor ser du en forenklet tabell basert på informasjon fra den norske delen av European Social Survey 2004.

Detaljer

ST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen

ST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen ST0202 Statistikk for samfunnsvitere Kapittel 6: Normalfordelingen Bo Lindqvist Institutt for matematiske fag 2 Kap. 6: Normalfordelingen Normalfordelingen regnes som den viktigste statistiske fordelingen!

Detaljer

+ S2 Y ) 2. = 6.737 6 (avrundet nedover til nærmeste heltall) n Y 1

+ S2 Y ) 2. = 6.737 6 (avrundet nedover til nærmeste heltall) n Y 1 Løsningsforslag for: MOT10 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 6. november 007 TILLATTE HJELPEMIDLER: Kalkulator: HP0S, Casio FX8 eller TI-0 Tabeller og formler i statistikk (Tapir forlag) MERKNADER:

Detaljer

Kp. 13. Enveis ANOVA

Kp. 13. Enveis ANOVA -tabell Bjørn H. Auestad Kp. 13: Én-faktor eksperiment 1 / 13 Kp. 13: Én-faktor -tabell 13.1 Analysis-of-Variance Technique 13.2 The Strategy of Experimental Design 13.3 One-Way Analysis of Variance: Completely

Detaljer

EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE

EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE Norges teknisknaturvitenskapelige universitet Institutt for matematiske fag Side 1 av 10 Bokmål Faglig kontakt under eksamen: Øyvind Bakke, tlf. 99041673 EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE Tirsdag

Detaljer

Grad av aktiv forvaltning for fond i DNB Norge-familien

Grad av aktiv forvaltning for fond i DNB Norge-familien Grad av aktiv forvaltning for fond i DNB Norge-familien Analyse av DNB Norge, DNB Norge I, Avanse Norge I og Avanse Norge II for tidsrommet 31..2009 til 31..2014. Petter Bjerksund, professor NHH og Trond

Detaljer

3. Multidimensjonale tabeller. SOS1120 Kvantitativ metode. Årsaksmodeller. Forelesningsnotater 8. forelesning høsten 2005

3. Multidimensjonale tabeller. SOS1120 Kvantitativ metode. Årsaksmodeller. Forelesningsnotater 8. forelesning høsten 2005 SOS1120 Kvantitativ metode 3. Multidimensjonale tabeller Forelesningsnotater 8. forelesning høsten 2005 Per Arne Tufte Hva skjer når vi inkluderer flere uavhengige variabler i en tabellanalyse? Årsaksmodeller

Detaljer

Bivariate analyser. Analyse av sammenhengen mellom to variabler. H 0 : Ingen sammenheng H 1 : Sammenheng

Bivariate analyser. Analyse av sammenhengen mellom to variabler. H 0 : Ingen sammenheng H 1 : Sammenheng Bivariate analyser Analyse av sammenhengen mellom to variabler H : Ingen sammenheng H 1 : Sammenheng Hvis den ene variabelen er kategorisk er en slik analyse det samme som å sammenligne grupper. Ulike

Detaljer

Regler i statistikk STAT 100

Regler i statistikk STAT 100 TORIL FJELDAAS RYGG - VÅREN 2010 Regler i statistikk STAT 100 Innhold side Sannsynlighetsregning 3 - Uttrykk 3 - Betinget sannsynlighet 4 - Regler for sannsynlighet 4 - Bayes teorem 4 - Uavhengige begivenheter

Detaljer

Estimering og hypotesetesting

Estimering og hypotesetesting Kapittel 10 Ett- og toutvalgs hypotesetesting TMA4245 V2007: Eirik Mo 2 Estimering og hypotesetesting Fenomen Bilkjøring Høyden til studenter Spørsmål Hvor stor andel av studentene synes de er flinkere

Detaljer

Gruppe 1 Gruppe 2 Gruppe a) Finn aritmetisk gjennomsnitt, median, modus og standardavvik for gruppe 2.

Gruppe 1 Gruppe 2 Gruppe a) Finn aritmetisk gjennomsnitt, median, modus og standardavvik for gruppe 2. Sensurveiledning Ped 3001 h12 Oppgave 1 Er det sammenheng mellom støtte fra venner og selvaktelse hos ungdom? Dette spørsmålet ønsket en forsker å undersøke. Han samlet data på 9. klassingers opplevde

Detaljer

TMA4240 Statistikk Høst 2015

TMA4240 Statistikk Høst 2015 TMA4240 Statistikk Høst 2015 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 11, blokk II I denne øvingen skal vi fokusere på hypotesetesting. Vi ønsker å gi dere

Detaljer

Eksamensoppgave i ST3001

Eksamensoppgave i ST3001 Det medisinske fakultet Institutt for kreftforskning og molekylær medisin Eksamensoppgave i ST3001 Onsdag 16. desember 2010, kl. 9.00 13:00 ntall studiepoeng: 7.5 Tillatte hjelpemidler: Kalkulator og alle

Detaljer

TMA4240 Statistikk Høst 2007

TMA4240 Statistikk Høst 2007 TMA4240 Statistikk Høst 2007 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b4 Løsningsskisse Oppgave 1 Eksamen juni 1999, oppgave 3 av 3 a) µ populasjonsgjennomsnitt,

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4 ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 27. mars Bjørn H. Auestad Kp. 6: Hypotesetesting

Detaljer

Definisjoner av begreper Eks.: interesse for politikk

Definisjoner av begreper Eks.: interesse for politikk Måling SOS1120 Kvantitativ metode Forelesningsnotater 5. forelesning høsten 2005 Per Arne Tufte Måling er å knytte teoretiske begreper til empiriske indikatorer Operasjonell definisjon Angir hvordan et

Detaljer

EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE

EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE Norges teknisknaturvitenskapelige universitet Institutt for matematiske fag Side 1 av 10 Bokmål Faglig kontakt under eksamen: Bo Lindqvist, tlf. 97589418 EKSAMEN ST0202 STATISTIKK FOR SAMFUNNSVITERE Tirsdag

Detaljer

Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt.

Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt. Eksamen i: MET040 Statistikk for økonomer Eksamensdag: 4. juni 2008 Tid for eksamen: 09.00-13.00 Oppgavesettet er på 5 sider. Tillatte hjelpemidler: Alle trykte eller egenskrevne hjelpemidler og kalkulator.

Detaljer

a ) Forventningen estimeres med gjennomsnittet: x = 1 12 (x 1 + + x 12 ) = 1 (755 + 708 + + 748) = 8813/12 = 734.4

a ) Forventningen estimeres med gjennomsnittet: x = 1 12 (x 1 + + x 12 ) = 1 (755 + 708 + + 748) = 8813/12 = 734.4 ÅMA110 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 011, s. 1 (Det tas forbehold om feil i løsningsforslaget. Oppgave 1 Vi betrakter dataene x 1,..., x 1 somutfall av n = 1 u.i.f.

Detaljer

Epidemiologi. Læringsmål. Hva brukes epidemiologi til? The study of the occurrence of illness. Læren om sykdommers utbredelse og årsaker

Epidemiologi. Læringsmål. Hva brukes epidemiologi til? The study of the occurrence of illness. Læren om sykdommers utbredelse og årsaker Epidemiologi The study of the occurrence of illness Læren om sykdommers utbredelse og årsaker Johan Håkon Bjørngaard Professor, Institutt for samfunnsmedisin, NTNU Læringsmål Insidensrater og insidensandel

Detaljer

1 Sec 3-2: Hvordan beskrive senteret i dataene. 2 Sec 3-3: Hvordan beskrive spredningen i dataene

1 Sec 3-2: Hvordan beskrive senteret i dataene. 2 Sec 3-3: Hvordan beskrive spredningen i dataene 1 Sec 3-2: Hvordan beskrive senteret i dataene 2 Sec 3-3: Hvordan beskrive spredningen i dataene Todeling av statistikk Deskriptiv statistikk Oppsummering og beskrivelse av den stikkprøven du har. Statistisk

Detaljer

Eksamen i : STA-1002 Statistikk og. Eksamensdato : 26. september 2011. Sted : Administrasjonsbygget. Tillatte hjelpemidler : - Godkjent kalkulator

Eksamen i : STA-1002 Statistikk og. Eksamensdato : 26. september 2011. Sted : Administrasjonsbygget. Tillatte hjelpemidler : - Godkjent kalkulator Side 1 av 11 sider EKSAMENSOPPGAVE I STA-1002 Eksamen i : STA-1002 Statistikk og sannsynlighet 2 Eksamensdato : 26. september 2011. Tid : 09-13. Sted : Administrasjonsbygget. Tillatte hjelpemidler : -

Detaljer

EKSAMEN KANDIDATNUMMER: EKSAMENSDATO: 26. mai 2006. SENSURFRIST: 16. juni 2006. KLASSE: HIS 04 07. TID: kl. 8.00 13.00.

EKSAMEN KANDIDATNUMMER: EKSAMENSDATO: 26. mai 2006. SENSURFRIST: 16. juni 2006. KLASSE: HIS 04 07. TID: kl. 8.00 13.00. KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. BtG207 EKSAMENSDATO: 26. mai 2006. SENSURFRIST: 16. juni 2006. KLASSE: HIS 04 07. TID: kl. 8.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER

Detaljer

SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2003

SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2003 SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 003 Oppgave 1 Tabell 1 gjengir data fra en spørreundersøkelse blant personer mellom 17 og 66 år i et sannsynlighetsutvalg fra SSB sitt sentrale personregister.

Detaljer

Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans

Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 5

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 5 ÅMA110 Sasylighetsregig med statistikk, våre 2010 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 12. april Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 59

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK 1000 Innføring i anvendt statistikk. Eksamensdag: Torsdag 1. juni 2006. Tid for eksamen: 09.00 12.00. Oppgavesettet er på

Detaljer

Fordelinger, mer om sentralmål og variasjonsmål. Tron Anders Moger

Fordelinger, mer om sentralmål og variasjonsmål. Tron Anders Moger Fordelinger, mer om sentralmål og variasjonsmål Tron Anders Moger 20. april 2005 1 Forrige gang: Så på et eksempel med data over medisinerstudenter Lærte hvordan man skulle få oversikt over dataene ved

Detaljer