1 Fler uträkningar med normalfördelningstabell Låt X vara Nf(170,5). Beräkna Lösning:

Slides:



Advertisements
Liknande presentationer
Punkt- och intervallskattning Felmarginal
Advertisements

Inferens om en population Sid
En genomgång av spelet: Dubbelkrig-Grön
Point Estimation Dan Hedlin
FL4 732G70 Statistik A Detta är en generell mall för att göra PowerPoint presentationer enligt LiUs grafiska profil. Du skriver in din rubrik,
Klusterurval, forts..
Exempel Utifrån medicinsk erfarenhet är 5% av befolkningen smittade av ett visst virus. Ett nytt test har visat sig ge 80% av de smittade korrekt diagnos.
Användande av hjälpinformation: Kvotskattning
Matematik Kurs C Grafer och derivator.
Nytt golv av finaste furu
FL8 732G70 Statistik A Detta är en generell mall för att göra PowerPoint presentationer enligt LiUs grafiska profil. Du skriver in din rubrik,
FL10 732G81 Linköpings universitet.
FL9 732G70 Statistik A Detta är en generell mall för att göra PowerPoint presentationer enligt LiUs grafiska profil. Du skriver in din rubrik,
FL5 732G70 Statistik A Detta är en generell mall för att göra PowerPoint presentationer enligt LiUs grafiska profil. Du skriver in din rubrik,
732G22 Grunder i statistisk metodik
Inferens om en ändlig population Sid
Jämförelse av två populationer Sid
Kapitel 5 Stickprovsteori Sid
732G22 Grunder i statistisk metodik
Asymptotic evaluations Dan Hedlin
F11 Olika urvalsmetoder, speciellt obundet slumpmässigt urval (OSU)
Statistikens grunder, 15p dagtid
Pointers. int a=5; int f(int b) { a--; b++; return b; } int main() { int a=3; printf("%d,",f(a)); printf("%d",a); return 0; }
Tillämpad statistik Naprapathögskolan
Felkalkyl Ofta mäter man inte direkt den storhet som är den intressanta, utan en grundläggande variabel som sedan används för att beräkna det som man är.
Skattningens medelfel
Jonny Karlsson INTRODUKTION TILL PROGRAMMERING Föreläsning 7 ( ) INNEHÅLL: -Klasser -Att definiera egna klasser -Klassvariabler -Klassmetoder.
Förelasning 6 Hypotesprövning
Centrala Gränsvärdessatsen:
FK2002,FK2004 Föreläsning 2.
Föreläsning 81 Sampling och urval Ofta möter vi påståenden av typen “4.5 miljoner svenskar såg VM-finalen i fotboll”, “en svensk tolvåring väger i genomsnitt.
732G22 Grunder i statistisk metodik
FL7 732G70 Statistik A Detta är en generell mall för att göra PowerPoint presentationer enligt LiUs grafiska profil. Du skriver in din rubrik,
Binomialsannolikheter ritas i ett stolpdiagram
Statistikens grunder 2 dagtid
Egenskaper för punktskattning
Statistik för internationella civilekonomer
Sannolikhet Stickprov Fördelningar
FL6 732G70 Statistik A Detta är en generell mall för att göra PowerPoint presentationer enligt LiUs grafiska profil. Du skriver in din rubrik,
Simulering Introduktion Exempel: Antag att någon kastar tärning
Föreläsning 7 Fysikexperiment 5p Poissonfördelningen Poissonfördelningen är en sannolikhetsfördelning för diskreta variabler som är mycket.
Normalfördelningen och centrala gränsvärdessatsen
Access 1 ITDA 2 Kurs Namn Klass Betyg En elev (namn) kommer att läsa många kurser och få ett betyg i varje kurs. Försök modellera om till funktionella.
Forskningsmetodik Sampling och urval Hypotesprövning Lektion 9
Föreläsning 11732G26 Surveymetosik med uppsats Urvalsvikter vid dragning med återläggning av PSU Vid urval utan återläggning: Använd analogin med Q i här:
Mål Matematiska modeller Biologi/Kemi Statistik Datorer
Fysikexperiment, 5p1 Random Walk 36 försök med Random walk med 1000 steg. Beräknad genomsnittlig räckvidd är  1000  32. Visualisering av utfallsrum.
Några allmänna räkneregler för sannolikheter
732G22 Grunder i statistisk metodik
Grundläggande statistik, ht 09, AN
Grundläggande statistik, ht 09, AN1 F6 Slumpmässigt urval 1. Population där X är diskret med fördelningen p(x). Medelvärdet μ och variansen σ². Observationer:
1 Normalfördelningsmodellen. 2 En modell är en förenklad beskrivning av någon del av verkligheten. Beskrivningen måste vara relevant för det vi skall.
SAMBAND. Vi vill undersöka om det finns ett samband mellan tentamensresultat och genomsnittligt antal timmar/dag man studerat. Person ABCDEFGHIJ Timmar/
Deskription Normalfördelningsmodellen 1. 2 En modell är en förenklad beskrivning av någon del av verkligheten. Beskrivningen måste vara relevant för det.
1 Icke-linjär regression Sid (i kapitel 16.1)
Statistisk hypotesprövning. Test av hypoteser Ofta när man gör undersökningar så vill man ha svar på olika frågor (s.k. hypoteser). T.ex. Stämmer en spelares.
Föreläsning 4 732G81. Kapitel 4 Sannolikhetsfördelningar Sid
Statistisk inferensteori. Inledning Den statistiska inferensteorin handlar i huvudsak om att dra slutsatser från ett slumpmässigt urval (sannolikhetsurval)
Diskreta slumpvariabler. Stokastiskvariabel En slumpvariabel (stokastisk variabel) är en Funktion eller regel som tilldelar ett tal till varje Utfall.
1. Kontinuerliga variabler
1 Numeriska Deskriptiva Tekniker. 2 Centralmått §Vanligtvis fokuserar vi vår uppmärksamhet på två typer av mått när vi beskriver en population: l Centraläge.
1 Multipel Regression Kapitel Modell Vi har p oberoende variabler som vi tänker oss kan vara relaterade till den beroende variabeln. Y ~ N( , 
Samband & Inferens Konfidensintervall Statistisk hypotesprövning
INFERENS & SAMBAND. population Population Stickprov, urval INFERENS = Dra slutsatser om hela populationen utifrån ett stickprov Data, observationer.
INFERENS & SAMBAND. population Population Stickprov, urval INFERENS = Dra slutsatser från data om hela populationen utifrån ett stickprov Data, observationer.
Samband & Inferens Hypotetisk –deduktiv metod Samband mellan nominal/ordinal-variabler –Chi2-test Samband mellan kvot-varibaler –Korrelationskoefficient.
Enkel Linjär Regression. 1 Introduktion Vi undersöker relationer mellan variabler via en matematisk ekvation. Motivet för att använda denna teknik är:
INFERENS OCH SAMBAND. Vi vill undersöka om det finns ett samband mellan tentamensresultat och genomsnittligt antal timmar/dag man studerat. Person ABCDEFGHIJ.
Marknadsundersökning Kap 12
Fördelning av data och index
Presentationens avskrift:

1 Fler uträkningar med normalfördelningstabell Låt X vara Nf(170,5). Beräkna Lösning:

2

3 Låt X vara Nf(170,5). Beräkna Lösning:

4

5 Hur många obs för att se normalfördelning?

6 Kap 6 Punktskattningar Läs kap 6,1. Har tagits upp tidigare i kursen. Läs kap 6,2. Behandlas i kursen Surveymetodik. Alla läser igenom detta delkapitel. Vi gör ett urval eller stickprov för att slippa undersöka hela populationen. Ibland är det omöjligt att undersöka hela populationen. Löpande band, förstör enheter. Med hjälp av stickprovet ska vi göra statistisk slutledning. Det betyder att vi antingen ska uppskatta värdet på en parameter eller testa en hypotes om t ex värdet på en parameter. Ex på parametrar är  Ex på hypotes är,  =andelen borgerliga sympatisörer=0,4

7 I denna kurs ska vi anta att populationen är oändligt stor eller åtminstone mycket stor. I tabellen nedan följer de parametrar med dess skattningar (punktskattningar) som vi främst ska studera i denna kurs. ParameterSkattning   P

8 där och där X är antalet lyckade försök i en binomialfördelning, dvs X är Bi(n   I denna kurs får vi skattningarna givna vi studerar endast vissa egenskaper hos dem. De tre viktigaste egenskaperna är: 1.Väntevärdesriktighet 2.Konsistens 3.Effektivitet

9 1. Väntevärdesriktighet Den formella defintitionen är: En skattning sägs vara väntevärdesriktig om väntevärdet för skattningen är lika med den parameter som den skattar. Alla skattningarna i tabellen på OH 7 är väntevärdesriktiga. Visa på tavlan

10 Nedanstående grafer på OH 11 och 13 ska illustrera vad som menas med väntevärdesriktighet. Graf sid 11: Nf(170,5). Så  170. Anta att vi inte känner till det och vill skatta  med. Anta vidare att vi tar 7 olika stickprov så att vi får 7 olika. Varje x markerar dessa värden. är väntevärdesriktig för vi får ett värde runt 170 symmmetriskt.

11 x xxxx x x

12 Graf sid 13: Likformig fördelning. Anta att bussen kommer var tionde minut men det vet inte vi. I 5 dagar tar vi ett stickprov på tiden tiills bussen kommer. För varje stickprov så skattar vi tidsintervallet med det största värdet i stickprovet. Vi inser nu att vi skattar alltid tiden för kort eftersom vi alltid väntar mindre än 10min. Vår skattning är därför inte väntevärdesriktig utan ligger lite under väntevärdet.

13 x xx x x

14 2. Konsistens En skattning sägs vara konsistent om variansen på den väntevärdesriktiga skattingen minskar med ökat stickprov. Ex är en vvr skattning av  Vi har tidigare sett att så vi ser att då n växer så krymper variansen. Kort sagt, det ska löna sig att ta stora stickprov.

15 3. Effektivitet Om vi har två vvr skattningar av samma parameter så sägs den skattning med minst varians vara effektivast.