Konfidensintervall

Ifall du vet att konfidensintervallet för X ligger mellan 250 och 525. Det tillkommer ytterligare en mätning som visar att X > 430.

Räcker detta för att göra ett nytt konfidensintervall utan ytterligare kännedom om X?

Jfr: Du gör en C14-undersökning som visar mellan 250 och 525, sen tillkommer en annan undersökning som visar att X > 430. Förändras då konfidensintervallet enl. Bayes teorem?

Gjorde tillfälligt så att jag satte sannolikheten till 0 för alla X < 430 och plottade en ny kumulativ sannolikhetsfördelning men jag misstänker att det inte är rätt.

Om du har den kumulativa sannolikhetsfördelningen så kan du ju såklart göra det. Men bara ett konfidensintervall räcker inte.

Jag antar att det är ett 95% konfidensintervall från en normalfördelning, får sannolikhetsfördelningarna därifrån.

Konfidensintervall racker for att skatta en normalfordelning om.man vet att clt haller.


Funkar dock inte att sätta sannolikheten till 0 för alla X < 430, blir uppenbart när man experimenterar med olika cutoffs att tätshetsfunktionen är för brant. Måste finnas något bättre sätt (variansen i ursprungsfördelningen borde höjas).

Hmm nej? Det finns en hel uppsjö med konfidensintervall med given konfidensgrad för en given normalfördelning. Hur skulle den skattningen se ut? Om du hänvisar till clt låter det som att du har mer än ett konfidensintervall.


Vad är det som blir uppenbart? Förstår jag frågan att du undrar vad man bör göra med fördelningen där X>430? Tidigare var det ju sagt att värdet definitivt inte kunde vara mindre än 430 så då måste ju sannolikheten vara 0.

Om du att konfidensintervallet är 525, 250 så vet du att medelvärdet är 387,5. Då kan du räkna ut standardavvikelsen baklänges för det 95% konfidensintervallet och sen har du alla parametrarna till normalfördelningen.




Ja. de värdena ska vara noll.Men sannolikheten att värdet ligger nära 430 blir orimligt hög. Om man t.ex. sätter X > 700 blir det extremt.

Ju längre från normalfördelningens medelvärde som gränsen ligger, desto mer borde normalfördelningen plattas ut (eller medelvärdet ändras) för att reflektera sannolikheten att det ursprungliga konfidensintervallet inte var korrekt beräknat.

Nej. Visst finns det ett konfidensintervall centrerat på medelvärdet för en normalfördelning. Men det är inte det enda.



Det var ett antagande du gjorde att det var en normalfördelning från början? Det antagandet kanske var tokigt. Men om allt du har är ett konfidensintervall, några antaganden och påståendet att något är större än 430 så är det svårt att veta vad som inkorrekt/orimligt eller om allt faktist är korrekt och att din intuition är felaktig.


Det kommer inte vara en normalfördelning efter en begränsnings som säger att värdet är säg större än 430.

Referens? Har ingen aning vad du pratar om förutom konfidensintervall för standardavvikelsen, median etc vilket är irrelevant.



Jag pyntade upp och köpte artikeln för att få se vart sifforna kom från. Det var outputten från en rätt komplex modell som inte var normalfördelad.


Försökte hitta "rätt" sätt att kombinera en fördelning med en strikt begränsning. Bayes teorem verkade lovande, e.g. P(X ligger inom konfidensintervallet | X > C).

Ett konfidensintervall är ett intervall som man med någon viss sannolikhet fångar det verkliga värdet givet någon viss modell. Om jag flyttar högra änden lite åt höger kan jag såklart kompensera det genom att flytta vänstra änden någon lämplig distans lite åt höger. Vad är det du behöver en referens för? Definitionen av konfidensintervall?



Vad bra, då har du allt du behöver.


Bayes sats är exakt rätt sak att använda i den här situationen.

Ändring: fixade till min beskrivning av konfidensintervall

Ok, ja det fanns i definitionen av konfidensintervall