QQ-plot = hoe dichter de gegevens bij de lijn, hoe meer een normale
verdeling
Barchart
Histogram
Frequency distribution
Parameters Estimators Estimate
Populatie mean y µy y 68
µ1-µ2 y 1− y 2 0.54
Populatie standard ∂ S 2.1
deviatie
π y/n 0.69
Confidence interval = de kans dat ons interval het populatiegemiddelde
bevat is 95%. 95% CI betekent dat er 95% correcte uitspraken
plaatsvinden. Dus:
- 95% kans dat het CI de µy bevat
- Kans dat CI µy bevat is 95% van de tijd correct
- Als je steekproef vergroot, blijft je CI hetzelfde
Hangt af van:
1. Variatie in sample
Weinig variatie leidt tot gelijkwaardige trekkingen met weinig
variatie en dus weinig vertrouwen
2. Sample size
Kleine hoeveelheden variëren meer en minder informatie dus minder
vertrouwen
Z a/ 2∗∂ y
y±
√n
∂y s
Standard deviatie van de mean: ∂ y = = = maat voor de precisie van
√n √ n
de y as schatter van µ = standard error van de sample mean SE( y ¿=
s
√n
t-distribution: als je ∂ moet schatten is er meer onzekerheid en hier wordt
rekening mee gehouden
t a/ 2∗s y
y±
√n
Hoe kleiner de P-waarde, des te groter is het bewijs
Rejection Region voor een t-test: alle uitkomsten van de TS waarvoor wij
de H0 mogen verwerpen. Valt mijn TS in een marge van waardes buiten
het kritieke gebied, dan mag je de H0 verwerpen.
verdeling
Barchart
Histogram
Frequency distribution
Parameters Estimators Estimate
Populatie mean y µy y 68
µ1-µ2 y 1− y 2 0.54
Populatie standard ∂ S 2.1
deviatie
π y/n 0.69
Confidence interval = de kans dat ons interval het populatiegemiddelde
bevat is 95%. 95% CI betekent dat er 95% correcte uitspraken
plaatsvinden. Dus:
- 95% kans dat het CI de µy bevat
- Kans dat CI µy bevat is 95% van de tijd correct
- Als je steekproef vergroot, blijft je CI hetzelfde
Hangt af van:
1. Variatie in sample
Weinig variatie leidt tot gelijkwaardige trekkingen met weinig
variatie en dus weinig vertrouwen
2. Sample size
Kleine hoeveelheden variëren meer en minder informatie dus minder
vertrouwen
Z a/ 2∗∂ y
y±
√n
∂y s
Standard deviatie van de mean: ∂ y = = = maat voor de precisie van
√n √ n
de y as schatter van µ = standard error van de sample mean SE( y ¿=
s
√n
t-distribution: als je ∂ moet schatten is er meer onzekerheid en hier wordt
rekening mee gehouden
t a/ 2∗s y
y±
√n
Hoe kleiner de P-waarde, des te groter is het bewijs
Rejection Region voor een t-test: alle uitkomsten van de TS waarvoor wij
de H0 mogen verwerpen. Valt mijn TS in een marge van waardes buiten
het kritieke gebied, dan mag je de H0 verwerpen.
