11 Informatie en entropie.
|
|
- Anke Brander
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 1 11 Informatie en entropie Discrete kansverdelingen. Als we een experiment doen levert dat informatie op. Als de uitkomst van het experiment vrijwel zeker is, dan is dat weinig informatie. Als de uitkomst van het experiment iets is dat we vooraf een kleine kans hadden toegedicht, dan is dat veel informatie. De hoeveelheid informatie wordt bepaald door genoemde kans, dus is een functie I(p) van die kans p. Die functie I zou de volgende eigenschappen moeten hebben: 1. De hoeveelheid informatie is positief, of op zijn ergst nul: I(p) Als je de kansen maar een beetje verandert dan verandert ook de bijbehorende informatie maar een beetje: I(p) hangt continu van p af. 3. Hoe kleiner de kans op een gebeurtenis, hoe meer informatie als hij echt plaatsvindt: als p 1 p 2 dan I(p 1 ) I(p 2 ), 4. Stel dat je twee gebeurtenissen bestudeert die onafhankelijk zijn. Dat betekent dat de kans dat ze allebei gebeuren het product is van de kans p 1 dat de ene gebeurt én de kans p 2 dat de andere gebeurt. De informatie verkregen als de gebeurtenissen allebei plaatsvinden is dan de som van de informatie p 1 uit de ene gebeurtenis en de informatie p uit de nadere gebeurtenis: I(p 1 p 2 ) = I(p 1 ) + I(p 2 ) 5. Bovenstaande eigenschappen zijn al bijna voldoende om er voor te zorgen dat de functie I een veelvoud is van de logaritme. Om de functie I helemaal vast te leggen eisen we ook nog dat de hoeveelheid informatie in een (eerlijke) muntworp één eenheid van informatie bedraagt. De unieke functie die aan bovenstaande eisen voldoet is: I(p) = 2 log(p) Die laatste eis zorgt ervoor dat als we het resultaat van ons experiment naar een naburige ster willen verzenden het aantal nullen of enen (binary digits of kortweg bits) dat we moeten versturen precies gelijk is aan I(p). Hoe groot bedraagt onze onzekerheid vóór het experiment? Die onzekerheid wordt bepaald door de hoeveelheid informatie die we verwachten te oogsten. Als we de mogelijke uitkomsten 1, 2,..., n nummeren, met kansen respectievelijk p 1, p 2,..., p n dan is de verwachtingswaarde van de informatie gelijk aan n p 1 I(p 1 ) + p 2 I(p 2 ) + + p n I(p n ) = p 2 j log(p j ) We noemen dat de entropie H(p 1,..., p n ) van de kansverdeling (p 1,..., p n ). j=1
2 2 11 INFORMATIE EN ENTROPIE. Net als eerder voor I kunnen we eigenschappen formuleren van ons intuïtieve idee van het begrip onzekerheid en vervolgens nagaan dat H op een factor na de unieke uitdrukking is die aan die eisen voldoet. Die eisen luiden: 1. De onzekerheid is positief, of op zijn ergst nul: H(p 1,..., p n ) 0. Bovendien is de onzekerheid alleen nul als de uitkomst vaststaat: dus als er een j is met p j = 1, en p k = 0 voor k j. 2. Als je de kansen maar een beetje verandert dan verandert ook de bijbehorende onzekerheid maar een beetje: H(p 1,..., p n ) hangt continu van p 1,..., p n af. 3. De onzekerheid hangt niet af van de nummering van de alternatieven: H(p 1,..., p j, p j+1,..., p n ) = H(p 1,..., p j+1, p j,..., p n ). 4. Als een van de alternatieven geen kans maakt, dan blijft de onzekerheid hetzelfde bij weglating: H(p 1,..., p n, 0) = H(p 1,..., p n ). Omdat p 2 log(p) naar 0 gaat als p naar 0 gaat kunnen we dat zonder bezwaar als 0 lezen voor p = Als alle alternatieven gelijke kansen hebben dan wordt de onzekerheid groter naarmate het aantal alternatieven groter wordt: H( 1 n,..., 1 n ) < H( 1 n+1,..., 1 n+1 ). 6. Als een experiment uit twee onafhankelijke delen bestaat, en voor elk daarvan alle alternatieven gelijke kansen hebben, dan is de totale onzekerheid de som van beide onzekerheden: H( 1 km,..., 1 km ) = H( 1 k,..., 1 k ) + H( 1 m,... 1 m ). Zie overigens verderop voor een algemenere uitspraak. 7. Beschouw een experiment met k+m mogelijke uitkomsten, met kansen p 1,..., p k+m. Je kunt dat opvatten als bestaande uit twee fazes: Eerst een eerste experiment waarin uit de eerste k en de laatste m alternatieven gekozen wordt. De kansen zijn dan q = p p k en r = p k p k+m. Vervolgens een tweede experiment waarin uit de overblijvende k of m alternatieven gekozen wordt, afhankelijk van de uitkomst van het eerste deel. De kansen zijn p 1 q,..., p k q of p k+1 r,..., p k+m r. De onzekerheid over de uitkomst van het geheel is de som van de onzekerheid over de uitkomst van het eerste deel en de onzekerheid over de uitkomst van het tweede deel. Omdat er twee mogelijkheden zijn voor het tweede deel is de onzekerheid over de uitkomst ervan een gewogen gemiddelde van twee onzekerheden: H(p 1,..., p k+m ) = H(q, r) + qh ( p1 q,..., p k q ) + rh ( pk+1 r,..., p ) k+m r
3 11.1 Discrete kansverdelingen. 3 Onze verwachting over de hoeveelheid informatie besloten in elke mogelijke uitkomst kunnen we gebruiken om een efficiënte codering van die uitkomsten te ontwerpen. We doen dat door uitkomsten met een kleinere waarschijnlijkheid een codering met grotere lengte te geven. In detail gaat dat als volgt. Als er maar twee alternatieven zijn coderen we de ene met een 0 en de andere met een 1. Stel nu dat er n > 2 alternatieven zijn. Kies er daartussen twee uit, zeg a en b, waarvoor de kansen de twee kleinste van de voorkomende kansen zijn. Vat die twee alternatieven samen tot één nieuw alternatief c met als kans de som van de twee voornoemde kansen. We hebben dan een nieuwe situatie met n 1 alternatieven. We mogen aannemen dat daarvoor al n 1 codes zijn bedacht. We krijgen nu een codering voor de n alternatieven als volgt: De code voor a is die voor c gevolgd door een 0. De code voor b is die voor c gevolgd door een 1. De code voor een alternatief verschillend van a of b is dezelfde als de code voor het overeenkomstige alternatief onder de n 1. Deze manier van codering heet Huffman codering. Omdat er keuzes gemaakt moeten worden is de codering niet uniek, maar de lengtes van de codewoorden liggen wel vast. We zullen straks bewijzen dat de verwachtingswaarde voor de lengte van het codewoord groter of gelijk is aan de entropie van de kansverdeling. Ook kan men bewijzen dat deze codering de beste is als men aan elk alternatief één enkel codewoord met een gehele lengte toekent. Toch kan de efficiëntie tegenvallen met name als de grootste kans groter is dan een half. Omdat het bovendien nodig is alle kansen van te voren te kennen is er toch emplooi voor andere coderingstechnieken. In het omgaan met de functie H is er een eenvoudige ongelijkheid die van groot belang is. Lemma 1. log(t) t 1 voor t > 0. Gelijkheid is er alleen voor t = 1. Bewijs: Als t > 1 dan log(t) = t 1 x 1 dx < t 1 1 dx = t 1. Als 0 < t < 1 dan log(t) = 1 t x 1 dx > 1 t 1 dx = 1 t. QED. Lemma 2. Als (p 1,..., p n ) en (q 1,..., q n ) twee kansverdelingen zijn dan is n n H(p 1,..., p n ) = p 2 j log(p j ) p 2 j log(q j ) j=1 j=1 Gelijkheid is er alleen als de verdelingen samenvallen.
4 4 11 INFORMATIE EN ENTROPIE. Bewijs: Omdat termen met p j = 0 noch aan het linkerlid noch aan het rechterlid bijdragen mogen we aannemen dat p j > 0 voor alle j. Nu is p j log(q j ) p j log(p j ) = p j log(q j /p j ) j j j ( qj ) p j 1 = q j p j = 1 1 = 0 p j j j j Het vervangen van log door 2 log scheelt een factor 2 log(e). QED. Stelling. Voor elke kansverdeling p is H(p 1,..., p n ) 2 log(n), Gelijkheid treedt alleen op bij een uniforme verdeling. Bewijs: Pas het lemma toe met q j = n 1, en bedenk dat j p j = 1. Dat geeft H(p 1,..., p n ) n j=1 p j 2 log(n 1 ) = 2 log(n). QED. De stelling zegt dus dat onder alle kansverdelingen de uniforme verdeling degene is met de grootste onzekerheid over de uitkomst van een experiment. Stelling. Voor elke kansverdeling is de verwachtingswaarde van de codelengte groter of gelijk aan de entropie. Bewijs: Zij L de lengte van het langste codewoord. Er zijn dan 2 L codewoorden van die lengte ter beschikking, maar een codewoord van kleinere lengte l neemt daarvan alle 2 L l woorden in beslag met het gegeven beginstuk. Als we alternatief j met een woord van lengte l j coderen dan moet j 2L l j = 1. Als we dus q j = 2 l j noteren dan is j q j = 1. De verwachtingswaarde van de codelengte is nu j p jl j = j p j ( 2 log(q j )) = j p j 2 log(q j ) j p j 2 log(p j ) = H(p 1,..., p n ). QED. Aan het bewijs zie je dat het optimale resultaat alleen gehaald kan worden als alle kansen gehele machten van 1/2 zijn. Als X een stochast is met mogelijke uitkomsten x 1,..., x n dan geeft p j = P (X = x j ) de kans op uitkomst x j en we noteren voortaan H(X) voor H(p 1,..., p n ), de entropie van de kansverdeling van X. Stel dat Y een andere stochast is met mogelijke uitkomsten y 1,..., y s, zodat q k = P (Y = y k ) de kans is op uitkomst y k. We noteren dan (X, Y ) voor de combinatie van X en Y. Dan zijn r jk = P (X = x j, Y = y k ) de bijbehorende kansen. Als r jk = p j q k voor alle j en k dan heten X en Y onafhankelijk. Stelling. Er geldt H(X, Y ) H(X) + H(Y ), en gelijkheid treedt alleen op als X en Y onafhankelijk zijn.
5 11.1 Discrete kansverdelingen. 5 Bewijs: Als we voor vaste j de kansen r jk = P (X = x j, Y = y k ) optellen krijgen we de kans P (X = x j ) = p j. Evenzo is k r jk = q k. Als we dat combineren met 2 log(p j q k ) = 2 log(p j ) + 2 log(q k ) en met lemma 2 dan vinden we H(X, Y ) = j,k = j,k r jk 2 log(r jk ) j.,k r jk ( 2 log(p j ) + 2 log(q k )) r jk 2 log(p j q k ) = j p j 2 log(p j ) k q k 2 log(q k ) = H(X) + H(Y ) QED De voorwaardelijke entropie van stochast X gegeven Y is gedefinieerd als H(X Y ) = H(X, Y ) H(Y ) Volgens bovenstaande stelling is altijd H(X Y ) H(X): de onzekerheid die we nog over de uitkomst van X hebben na kennis van de uitkomst van Y is hoogstens gelijk aan de onzekerheid over X zonder kennis van Y. Het is niet te verbazen dat we voorwaardelijke entropie in voorwaardelijke kansen kunnen uitdrukken door middel van P (X = x j, Y = y k ) = P (X = x i Y = y k ) P (Y = y k ) Dat levert de formule H(X Y ) = j,k P (X = x j Y = y k ) P (Y = y k ) 2log(P (X = x j Y = y k )) waaruit blijkt dat H(X Y ) 0. De informatie die kennis van de uitkomst van Y over de uitkomst van X onthult is de afname in onzekerheid I(X Y ) = H(X) H(X Y ) Vullen we de eerdere definities in dan levert dat de enigszins verassende vaststelling dat deze grootheid symmetrisch is in de rollen van X en Y : I(X Y ) = H(X) + H(Y ) H(X, Y ) Ook zegt de eerdere stelling over H(X, Y ) precies dat I(X Y ) 0. We komen nog even terug op de uitspraak van Lemma 2. Deze zegt dat voor twee verschillende kansverdelingen A = (a 1,..., a n ) en B = (b 1,..., b n ) de relatieve entropie D(A, B) = p 2 j log(p j /q j ) j
6 6 11 INFORMATIE EN ENTROPIE. steeds positief is. Je kunt deze grootheid daarom opvatten als een maat in hoeverre A en B verschillen, en daarom noemt men dit ook wel de Kullback- Leibler afstand. Deze term is enigszins misleidend omdat het in de wiskunde gebruikelijk is om een uitdrukking D een afstand te noemen als hij voldoet aan de volgende drie eisen: D(A, B) > 0 voor A B, en D(A, B) = 0 als A = B. D(B, A) = D(A, B) voor alle A en B. D(A, B) D(A, C) + D(C, B) voor alle A, B, C. Aan de eerste eis is hier voldaan, maar aan de tweede niet en aan de derde ook niet. De tweede kunnen we nog redden door de symmetrische Kullback- Leibler afstand in te voeren: D s (A, B) = 1 2 D(A, B) + 1 2D(B, A) = 1 2 j p j 2 log(p j /q j ) j q j 2 log(q j /p j ) maar de derde eis blijft niet voldaan Continue kansverdelingen. We hebben ons tot nog toe beperkt tot discrete kansverdelingen. Er is echter een logische uitbreiding tot continue kansverdelingen. In plaats van het rijtje kansen (p 1,..., p n ) dat moet voldoen aan p j 0 en j p j = 1 krijgen we dan te maken met een dichtheidsfunctie f die moet voldoen aan f(x) 0 en f(x) dx = 1. De eindige sommen veranderen in integralen. Zo hebben we de entropie H(f) = en de Kullback-Leibler afstand D(f, g) = f(x) 2log(f(x)) dx f(x) 2log(f(x)/g(x)) dx 0 Een belangrijk verschil is dat de entropie H(f) ook negatief kan zijn zoals blijkt uit het volgende voorbeeld met H(f) = 1: { 2 als 0 x 1 f(x) = 2 0 elders Ook is er geen bovengrens aan H. In het bijzonder wordt de entropie niet maximaal gemaakt door een uniforme verdeling over de reële getallen, want zoiets bestaat niet eens (de dichtheid zou overal nul moeten zijn).
7 11.2 Continue kansverdelingen. 7 In plaats daarvan kunnen we kijken naar verdelingen met een gegeven verwachtingswaarde µ en variantie σ 2, en er is een mooie stelling die zegt dat onder zulke verdelingen de normale verdeling de grootste entropie heeft. Voor de geïnteresseerde lezer volgt hier een bewijs. Stelling N1. De normale verdeling met verwachtingswaarde µ en variantie σ 2 f(x) = 1 σ /2σ2 e (x µ)2 2π heeft entropie H(f) = 2 log(σ 2πe). Bewijs: Kwestie van invullen. We beginnen met H(f) = = ( 1 = 2 log σ 2π ( 1 log(2) f(x) 2 log(f(x)) dx ( f(x)( 2 1 log ) ) = 2 log(σ 2π) 1 σ 2π ( ) f(x) dx ( ) ( + 2 log e (x µ)2 /2σ 2)) dx ( f(x) log e (x µ)2 /2σ 2) ) dx ( 1 ) ( (x µ) 2 ) f(x) log(2) 2σ 2 dx maar σ 2 = f(x)(x µ)2 dx per definitie van variantie dus dit wordt 2 log(σ ( 1 )( σ 2 ) 2π) + log(2) 2σ 2 = 2 log(σ 2πe) Stelling N2. Voor elke verdeling g met verwachtingswaarde µ en variantie σ 2 geldt H(g) H(f), met f als in bovenstaande stelling N1. Bewijs: Voor g moet dus gelden dat g(x) 0 voor alle x en 1. g(x) dx = xg(x) dx = µ ofwel (x µ)g(x) dx = 0 3. (x µ)2 g(x) dx = σ 2 Hieruit volgt dat g(x) dx = f(x) dx. xg(x) dx = xf(x) dx x2 g(x) dx = x2 f(x) dx
8 8 11 INFORMATIE EN ENTROPIE. Schrijf f(x) = e αx2 +βx+γ, waar α = 1 H(g) = = g(x) 2 log(g(x)) dx 2σ 2 g(x) 2 log(g(x)/f(x)) dx = D(g, f) 2 log(e) = D(g, f) 2 log(e) = D(g, f) + enzovoorts. Dan g(x)(αx 2 + βx + γ) dx f(x)(αx 2 + βx + γ) dx g(x) 2 log(f(x)) dx f(x) 2 log(f(x) dx = D(g, f) + H(f) Het gestelde volgt dus uit het positief zijn van de KL-afstand Toepassing: Automatische Taalherkenning QED. Als voorbeeld voor de toepassing van de concepten van entropie en informatie bekijken we het probleem van automatische taalherkenning van geschreven tekst. Voor een mens is dit meestal geen probleem, tenminste bij talen waar men iets over weet, maar de automatisering hiervan is al een stukje lastiger. Onze insteek is, de relatieve frequenties van de letters te gebruiken. Het is natuurlijk bekend dat de letters in het alfabet niet even vaak gebruikt worden, in het Nederlands is bijvoorbeeld de letter E de meest frequente. Het idee is dat de relatieve frequenties voor verschillende talen er verschillend uit zien en dat we hiermee de talen kunnen onderscheiden. Voor een gegeven taal kan men van een groot en representatief tekstbestand de letterfrequenties tellen en dit als kansverdeling nemen van de stochast X die de letters beschrijft. Men krijgt zo de kansen p 1 := p(x = A), p 2 := p(x = B),... p 26 := p(x = Z), p 27 := p(x = spatie) De kans p 27 van de spatie bepaalt de gemiddelde lengte l gem van de woorden, namelijk door l gem = 1 p Tabel 1 geeft de kansverdelingen voor de vier talen Nederlands, Engels, Duits en Fins weer. Het gebruikte tekstbestand is een tekst van de Europese Unie die in de verschillende talen vertaald is en ongeveer letters bevat. Men ziet dat de woorden in het Fins gemiddeld duidelijk langer zijn dan in de andere drie talen.
9 11.3 Toepassing: Automatische Taalherkenning 9 letter Nederlands Engels Duits Fins A 5.55% 6.37% 4.14% 9.57% B 1.45% 0.99% 1.82% 0.10% C 1.45% 3.20% 2.09% 0.05% D 4.72% 2.56% 4.09% 1.40% E 17.31% 9.93% 13.89% 8.50% F 0.68% 1.95% 2.28% 0.07% G 2.79% 1.41% 2.67% 0.19% H 1.83% 3.00% 3.00% 1.77% I 6.09% 7.62% 8.22% 9.90% J 0.70% 0.10% 0.14% 1.57% K 1.51% 0.27% 1.21% 4.74% L 2.87% 2.93% 2.83% 3.75% M 1.98% 2.52% 2.81% 2.65% N 8.67% 7.63% 9.14% 8.08% O 4.94% 7.73% 2.92% 6.68% P 1.53% 2.78% 1.03% 1.78% Q 0.01% 0.04% 0.01% 0.01% R 5.81% 5.15% 6.69% 2.16% S 3.44% 4.92% 5.10% 8.24% T 5.63% 8.30% 5.40% 9.54% U 2.01% 2.57% 3.85% 4.70% V 2.77% 0.70% 0.80% 2.10% W 0.67% 0.75% 0.77% 0.02% X 0.05% 0.12% 0.05% 0.01% Y 0.04% 0.84% 0.06% 1.71% Z 0.55% 0.02% 1.36% 0.05% spatie 14.94% 15.61% 13.63% 10.64% Tabel 1: Letter frequenties voor vier talen Een betere voorstelling van de frequentieverdelingen dan met de tabel krijgt men door de verdelingen als histogrammen te plotten, zo als in Figuur 1 te zien. Hier valt bijvoorbeeld op, dat er in het Fins meer letters met een relatief hoge frequentie zijn, en dat in het Nederlands en Duits de letter E met duidelijke afstand de hoogste frequentie heeft. Als we de frequentieverdelingen als kansverdelingen opvatten, kunnen we voor de verschillende talen de entropieën van deze verdelingen uitrekenen. Dit geeft de volgende waarden: H(Nederlands) = 4.019, H(Engels) = 4.070, H(Duits) = 4.109, H(Fins) = Het gemiddelde aantal alternatieven, dat we in de verschillende talen voor een letter verwachten is dus respectievelijk
10 10 11 INFORMATIE EN ENTROPIE. 2 H(Nederlands) = 16.21, 2 H(Engels) = 16.80, 2 H(Duits) = 17.26, 2 H(Fins) = Je moet dit vergelijken met de 27 alternatieven bij een uniforme verdeling. De volgende tabel geeft de Kullback-Leibler afstanden tussen bovenstaande frequentieverdelingen. Merk op dat de tabel niet symmetrisch is, omdat we de gewone Kullback-Leibler afstand en niet de symmetrische versie toepassen. taal NL EN DU FI NL EN DU FI Het is opvallend hoe sterk Duits en Fins van elkaar afwijken, terwijl Nederlands en Duits redelijk dicht bij elkaar liggen. Een andere toepassing: Monoalfabetische substitutie is een techniek voor geheimschrift waarbij elke letter door een andere vervangen wordt, maar één letter steeds door dezelfde. Oorspronkelijk dacht men dat zo n versleuteling niet te kraken was omdat er teveel sleutels bestaan om ze allemaal te proberen, namelijk 26! Als men echter weet dat de meest frequente letter in de versleuteling een E is en de volgende waarschijnlijk een N kan men al gauw verdere letters gokken. Vanaf de 16e eeuw zijn de relatieve frequenties gebruikt om zulke codes te kraken. Op het feit dat de letters überhaupt verschillende frequenties hebben, is men waarschijnlijk pas na de opkomst van de boekdrukkunst attent geworden, omdat de loden letters in een verschillend tempo versleten.
11 11.3 Toepassing: Automatische Taalherkenning 11 ABCDEFGHI JKLMNOPQRSTUVWXYZ ABCDEFGHI JKLMNOPQRSTUVWXYZ ABCDEFGHI JKLMNOPQRSTUVWXYZ ABCDEFGHI JKLMNOPQRSTUVWXYZ Figuur 1: Frequentieverdelingen van de letters in het Nederlands (linksboven) en Engels (rechtsboven), Duits (linksonder) en Fins (rechtsonder).
Deel II. Probabilistische Modellen
Deel II Probabilistische Modellen Les 10 Entropie, informatie en afstanden van kansverdelingen Het algemeen probleem in de patroonherkenning is, gegeven een aantal klassen K 1,..., K n van mogelijke patronen,
Nadere informatieTentamen Inleiding Statistiek (WI2615) 10 april 2013, 9:00-12:00u
Technische Universiteit Delft Mekelweg 4 Faculteit Elektrotechniek, Wiskunde en Informatica 2628 CD Delft Tentamen Inleiding Statistiek (WI2615) 10 april 2013, 9:00-12:00u Formulebladen, rekenmachines,
Nadere informatieCursus Statistiek Hoofdstuk 4. Statistiek voor Informatica Hoofdstuk 4: Verwachtingen. Definitie (Verwachting van discrete stochast) Voorbeeld (1)
Cursus Statistiek Hoofdstuk 4 Statistiek voor Informatica Hoofdstuk 4: Verwachtingen Cursusjaar 29 Peter de Waal Departement Informatica Inhoud Verwachtingen Variantie Momenten en Momentengenererende functie
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 8 Donderdag 13 Oktober 1 / 23 2 Statistiek Vandaag: Stochast en populatie Experimenten herhalen Wet van de Grote Getallen Centrale Limietstelling 2 / 23 Stochast en populatie
Nadere informatieVOOR HET SECUNDAIR ONDERWIJS
VOOR HET SECUNDAIR ONDERWIJS Steekproefmodellen en normaal verdeelde steekproefgrootheden 5. Werktekst voor de leerling Prof. dr. Herman Callaert Hans Bekaert Cecile Goethals Lies Provoost Marc Vancaudenberg
Nadere informatieToegepaste Wiskunde 2: Het Kalman-filter
Toegepaste Wiskunde 2: Het Kalman-filter 25 februari, 2008 Hans Maassen 1. Inleiding Het Kalman filter schat de toestand van een systeem op basis van een reeks, door ruis verstoorde waarnemingen. Een meer
Nadere informatieopgaven formele structuren tellen Opgave 1. Zij A een oneindige verzameling en B een eindige. Dat wil zeggen (zie pagina 6 van het dictaat): 2 a 2.
opgaven formele structuren tellen Opgave 1. Zij A een oneindige verzameling en B een eindige. Dat wil zeggen (zie pagina 6 van het dictaat): ℵ 0 #A, B = {b 0,..., b n 1 } voor een zeker natuurlijk getal
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Kansrekening (2WS2, Vrijdag 23 januari 25, om 9:-2:. Dit is een tentamen met gesloten boek. De uitwerkingen van de opgaven dienen
Nadere informatieBetrouwbaarheid en levensduur
Kansrekening voor Informatiekunde, 26 Les 7 Betrouwbaarheid en levensduur 7.1 Betrouwbaarheid van systemen Als een systeem of netwerk uit verschillende componenten bestaat, kan men zich de vraag stellen
Nadere informatieVOOR HET SECUNDAIR ONDERWIJS. Kansmodellen. 4. Het steekproefgemiddelde. Werktekst voor de leerling. Prof. dr. Herman Callaert
VOOR HET SECUNDAIR ONDERWIJS Kansmodellen 4. Werktekst voor de leerling Prof. dr. Herman Callaert Hans Bekaert Cecile Goethals Lies Provoost Marc Vancaudenberg . Een concreet voorbeeld.... Een kansmodel
Nadere informatieVoorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal. Toets Kansrekenen I. 28 maart 2014
Voorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal Toets Kansrekenen I 28 maart 2014 Naam : Richting : Lees volgende aanwijzingen alvorens aan het examen te beginnen Wie de
Nadere informatieBijzondere kettingbreuken
Hoofdstuk 15 Bijzondere kettingbreuken 15.1 Kwadratische getallen In het vorige hoofdstuk hebben we gezien dat 2 = 1, 2, 2, 2, 2, 2, 2,.... Men kan zich afvragen waarom we vanaf zeker moment alleen maar
Nadere informatieDe enveloppenparadox
De enveloppenparadox Mats Vermeeren Berlin Mathematical School) 6 april 013 1 Inleiding Een spel gaat als volgt. Je krijgt twee identiek uitziende enveloppen aangeboden, waarvan je er één moet kiezen.
Nadere informatieEXAMEN INFORMATIETHEORIE I (5JJ40 / 5K020) 25 maart 2004, 9u00 12u00-1 -
EXAMEN INFORMATIETHEORIE I (5JJ40 / 5K020) 25 maart 2004, 9u00 12u00-1 - Zet de antwoorden in de daarvoor bestemde vakjes en lever alleen deze bladen in! LET OP: Dit werk bevat zowel de opgaven voor het
Nadere informatieEntropie en Huffman-codering
Entropie en Huffman-codering T. H. Koornwinder (thk@science.uva.nl) Syllabus bestemd voor mastercourse Datacompressie, UvA, 23 januari 2004 Conventies Als we in het vervolg log x schrijven, dan bedoelen
Nadere informatieTENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN
TENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN Vakcode: 8D020. Datum: vrijdag 17 maart 2006. Tijd: 14:00 17:00. Plaats: SC C. Lees dit vóórdat je begint! Maak iedere opgave op een apart vel. Schrijf je
Nadere informatieTentamen Discrete Wiskunde 1 10 april 2012, 14:00 17:00 uur
Tentamen Discrete Wiskunde 0 april 0, :00 7:00 uur Schrijf je naam op ieder blad dat je inlevert. Onderbouw je antwoorden, met een goede argumentatie zijn ook punten te verdienen. Veel succes! Opgave.
Nadere informatieStatistiek voor A.I. College 10. Dinsdag 16 Oktober
Statistiek voor A.I. College 10 Dinsdag 16 Oktober 1 / 30 Jullie - onderzoek Geert-Jan, Joris, Brechje Horizontaal: lengte Verticaal: lengte tussen topjes middelvingers met gestrekte armen. DIII 170 175
Nadere informatie1 Rekenen in eindige precisie
Rekenen in eindige precisie Een computer rekent per definitie met een eindige deelverzameling van getallen. In dit hoofdstuk bekijken we hoe dit binnen een computer is ingericht, en wat daarvan de gevolgen
Nadere informatieGenererende Functies K. P. Hart
genererende_functies.te 27--205 Z Hoe kun je een rij getallen zo efficiënt mogelijk coderen? Met behulp van functies. Genererende Functies K. P. Hart Je kunt rijen getallen op diverse manieren weergeven
Nadere informatieMachten, exponenten en logaritmen
Machten, eponenten en logaritmen Machten, eponenten en logaritmen Macht, eponent en grondtal Eponenten en logaritmen hebben alles met machtsverheffen te maken. Een macht als 4 is niets anders dan de herhaalde
Nadere informatieStatistiek voor A.I. College 6. Donderdag 27 September
Statistiek voor A.I. College 6 Donderdag 27 September 1 / 1 2 Deductieve statistiek Kansrekening 2 / 1 Vraag: Afghanistan In het leger wordt uit een groep van 6 vrouwelijke en 14 mannelijke soldaten een
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 7 Dinsdag 11 Oktober 1 / 33 2 Statistiek Vandaag: Populatie en steekproef Maten Standaardscores Normale verdeling Stochast en populatie Experimenten herhalen 2 / 33 3
Nadere informatie1. De wereld van de kansmodellen.
STATISTIEK 3 DE GRAAD.. De wereld van de kansmodellen... Kansmodellen X kansmodel Discreet model Continu model Kansverdeling Vaas Staafdiagram Dichtheidsfunctie f(x) GraJiek van f Definitie: Een kansmodel
Nadere informatieDe partitieformule van Euler
De partitieformule van Euler Een kennismaking met zuivere wiskunde J.H. Aalberts-Bakker 29 augustus 2008 Doctoraalscriptie wiskunde, variant Communicatie en Educatie Afstudeerdocent: Dr. H. Finkelnberg
Nadere informatieDefinitie 1.1. Een partitie van een natuurlijk getal n is een niet stijgende rij positieve natuurlijke getallen met som n
Hoofdstuk 1 Inleidende begrippen 1.1 Definities Definitie 1.1. Een partitie van een natuurlijk getal n is een niet stijgende rij positieve natuurlijke getallen met som n Voor het tellen van het aantal
Nadere informatieTentamen Inleiding Kansrekening 9 juni 2016, 10:00 13:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 9 juni 6, : 3: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met onderdelen. Elk onderdeel
Nadere informatieHOOFDSTUK I - INLEIDENDE BEGRIPPEN
HOOFDSTUK I - INLEIDENDE BEGRIPPEN 1.2 Kansveranderlijken en verdelingen 1 Veranderlijken Beschouw een toevallig experiment met uitkomstenverzameling V (eindig of oneindig), de verzameling van alle gebeurtenissen
Nadere informatieComplexe e-macht en complexe polynomen
Aanvulling Complexe e-macht en complexe polynomen Dit stuk is een uitbreiding van Appendix I, Complex Numbers De complexe e-macht wordt ingevoerd en het onderwerp polynomen wordt in samenhang met nulpunten
Nadere informatie8. Analyseren van samenhang tussen categorische variabelen
8. Analyseren van samenhang tussen categorische variabelen Er bestaat een samenhang tussen twee variabelen als de verdeling van de respons (afhankelijke) variabele verandert op het moment dat de waarde
Nadere informatieUitwerkingen Mei Eindexamen VWO Wiskunde A. Nederlands Mathematisch Instituut Voor Onderwijs en Onderzoek
Uitwerkingen Mei 2012 Eindexamen VWO Wiskunde A Nederlands Mathematisch Instituut Voor Onderwijs en Onderzoek Schroefas Opgave 1. In de figuur trekken we een lijn tussen 2600 tpm op de linkerschaal en
Nadere informatieTentamen Mathematische Statistiek (2WS05), dinsdag 3 november 2009, van uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Mathematische Statistiek (2WS05), dinsdag 3 november 2009, van 4.00 7.00 uur. Dit is een tentamen met gesloten boek. De uitwerkingen
Nadere informatieTrillingen en geluid wiskundig
Trillingen en geluid wiskundig 1 De sinus van een hoek 2 Radialen 3 Uitwijking van een harmonische trilling 4 Macht en logaritme 5 Geluidsniveau en amplitude 1 De sinus van een hoek Sinus van een hoek
Nadere informatie1 Continuïteit en differentieerbaarheid.
1 1 Continuïteit en differentieerbaarheid. In dit hoofdstuk bekijken we continuiteit en differentieerbaarheid voor functies van meerdere variabelen. Ter orientatie repeteren we eerst hoe het zat met functies
Nadere informatieRSA. F.A. Grootjen. 8 maart 2002
RSA F.A. Grootjen 8 maart 2002 1 Delers Eerst wat terminologie over gehele getallen. We zeggen a deelt b (of a is een deler van b) als b = qa voor een of ander geheel getal q. In plaats van a deelt b schrijven
Nadere informatieVectorruimten en deelruimten
Vectorruimten en deelruimten We hebben al uitgebreid kennis gemaakt met de vectorruimte R n We zullen nu zien dat R n slechts een speciaal geval vormt van het (veel algemenere begrip vectorruimte : Definitie
Nadere informatieExamen G0U13 Bewijzen en Redeneren Bachelor 1ste fase Wiskunde. vrijdag 31 januari 2014, 8:30 12:30. Auditorium L.00.07
Examen G0U13 Bewijzen en Redeneren Bachelor 1ste fase Wiskunde vrijdag 31 januari 2014, 8:30 12:30 Auditorium L.00.07 Geef uw antwoorden in volledige, goed lopende zinnen. Het examen bestaat uit 5 vragen.
Nadere informatieTW2040: Complexe Functietheorie
TW2040: Complexe Functietheorie week 4.9, donderdag K. P. Hart Faculteit EWI TU Delft Delft, 16 juni, 2016 K. P. Hart TW2040: Complexe Functietheorie 1 / 46 Outline III.7 Applications of the Residue Theorem
Nadere informatieInleiding Applicatie Software - Statgraphics
Inleiding Applicatie Software - Statgraphics Beschrijvende Statistiek /k 1/35 OPDRACHT OVER BESCHRIJVENDE STATISTIEK Beleggen Door een erfenis heeft een vriend van u onverwacht de beschikking over een
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 12 Vrijdag 16 Oktober 1 / 38 2 Statistiek Indeling vandaag: Normale verdeling Wet van de Grote Getallen Centrale Limietstelling Deductieve statistiek Hypothese toetsen
Nadere informatieCombinatoriek groep 1 & 2: Recursie
Combinatoriek groep 1 & : Recursie Trainingsweek juni 008 Inleiding Bij een recursieve definitie van een rij wordt elke volgende term berekend uit de vorige. Een voorbeeld van zo n recursieve definitie
Nadere informatieOpgaven Getaltheorie en Cryptografie (deel 4) Inleverdatum: 13 mei 2002
Opgaven Getaltheorie en Cryptografie (deel 4) Inleverdatum: 13 mei 2002 19.a) Laat zien dat 5 een voortbrenger is van F 37. b) In het sleuteldistributiesysteem van Diffie en Hellman (met G = F 37, α =
Nadere informatieOverzicht Fourier-theorie
B Overzicht Fourier-theorie In dit hoofdstuk geven we een overzicht van de belangrijkste resultaten van de Fourier-theorie. Dit kan als steun dienen ter voorbereiding op het tentamen. Fourier-reeksen van
Nadere informatieGeldwisselprobleem van Frobenius
Geldwisselprobleem van Frobenius Karin van de Meeberg en Dieuwertje Ewalts 12 december 2001 1 Inhoudsopgave 1 Inleiding 3 2 Afspraken 3 3 Is er wel zo n g? 3 4 Eén waarde 4 5 Twee waarden 4 6 Lampenalgoritme
Nadere informatieInleiding Applicatie Software - Statgraphics. Beschrijvende Statistiek
Inleiding Applicatie Software - Statgraphics Beschrijvende Statistiek OPDRACHT OVER BESCHRIJVENDE STATISTIEK Beleggen Door een erfenis heeft een vriend van u onverwacht de beschikking over een klein kapitaaltje
Nadere informatiePolynomen. + 5x + 5 \ 3 x 1 = S(x) 2x x. 3x x 3x 2 + 2
Lesbrief 3 Polynomen 1 Polynomen van één variabele Elke functie van de vorm P () = a n n + a n 1 n 1 + + a 1 + a 0, (a n 0), heet een polynoom of veelterm in de variabele. Het getal n heet de graad van
Nadere informatieStelsels Vergelijkingen
Hoofdstuk 5 Stelsels Vergelijkingen Eén van de motiverende toepassingen van de lineaire algebra is het bepalen van oplossingen van stelsels lineaire vergelijkingen. De belangrijkste techniek bestaat uit
Nadere informatieWiskundige Technieken 1 Uitwerkingen Tentamen 3 november 2014
Wiskundige Technieken Uitwerkingen Tentamen 3 november 0 Normering voor pt vragen andere vragen naar rato): pt 3pt pt pt 0pt goed begrepen én goed uitgevoerd, eventueel met enkele onbelangrijke rekenfoutjes
Nadere informatieen-splitsingen: een aantal alternatieven worden parallel toegepast, of-splitsingen: van een aantal alternatieven wordt er één toegepast,
Kansrekening voor Informatiekunde, 25 Les 8 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin knopen acties aangeven en opdrachten langs verbindingen tussen de knopen verwerkt
Nadere informatieLineaire algebra I (wiskundigen)
Lineaire algebra I (wiskundigen) Toets, donderdag 22 oktober, 2009 Oplossingen (1) Zij V het vlak in R 3 door de punten P 1 = (1, 2, 1), P 2 = (0, 1, 1) en P 3 = ( 1, 1, 3). (a) Geef een parametrisatie
Nadere informatie1 Delers 1. 3 Grootste gemene deler en kleinste gemene veelvoud 12
Katern 2 Getaltheorie Inhoudsopgave 1 Delers 1 2 Deelbaarheid door 2, 3, 5, 9 en 11 6 3 Grootste gemene deler en kleinste gemene veelvoud 12 1 Delers In Katern 1 heb je geleerd wat een deler van een getal
Nadere informatieGezamenlijke kansverdeling van twee stochasten
Gezamenlijke kansverdeling van twee stochasten Voorbeeld: V = de windsnelheid H = hoogte van het waterniveau in een rivier/zee De combinatie (V, H) is van belang voor een overstroming en niet zozeer V
Nadere informatieStatistiek voor Natuurkunde Opgavenserie 1: Kansrekening
Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening Inleveren: 12 januari 2011, VOOR het college Afspraken Serie 1 mag gemaakt en ingeleverd worden in tweetallen. Schrijf duidelijk je naam, e-mail
Nadere informatieGaap, ja, nog een keer. In één variabele hebben we deze formule nu al een paar keer gezien:
Van de opgaven met een letter en dus zonder nummer staat het antwoord achterin. De vragen met een nummer behoren tot het huiswerk. Spieken achterin helpt je niets in het beter snappen... 1 Stelling van
Nadere informatie36, P (5) = 4 36, P (12) = 1
Les 2 Kansverdelingen We hebben in het begin gesteld dat we de kans voor een zekere gunstige uitkomst berekenen als het aantal gunstige uitkomsten gedeelt door het totale aantal mogelijke uitkomsten. Maar
Nadere informatieCombinatoriek groep 2
Combinatoriek groep 2 Recursie Trainingsdag 3, 2 april 2009 Homogene lineaire recurrente betrekkingen We kunnen een rij getallen a 0, a 1, a 2,... op twee manieren definiëren: direct of recursief. Een
Nadere informatieFACULTEIT ECONOMIE EN BEDRIJFSKUNDE Afdeling Kwantitatieve Economie
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE Afdeling Kwantitatieve Economie Analyse A, deeltentamen Uitwerkingen maandag 1 november 2010, 9 11 uur Gebruik van een formuleblad of rekenmachine is niet toegestaan
Nadere informatieWiskundige Technieken 1 Uitwerkingen Tentamen 4 november 2013
Wiskundige Technieken Uitwerkingen Tentamen 4 november 0 Normering voor 4 pt vragen andere vragen naar rato): 4pt pt pt pt 0pt goed begrepen én goed uitgevoerd, eventueel met of onbelangrijke rekenfoutjes
Nadere informatieHOOFDSTUK II BIJZONDERE THEORETISCHE VERDELINGEN
HOOFDSTUK II BIJZONDERE THEORETISCHE VERDELINGEN. Continue Verdelingen 1 A. De uniforme (of rechthoekige) verdeling Kansdichtheid en cumulatieve frequentiefunctie Voor x < a f(x) = 0 F(x) = 0 Voor a x
Nadere informatieKansrekening en stochastische processen 2DE18
Kansrekening en stochastische processen 2DE18 Docent : Jacques Resing E-mail: resing@win.tue.nl 1/28 The delta functie Zij De eenheids impulsfunctie is: d ε (x) = { 1ε als ε 2 x ε 2 0 anders δ(x) = lim
Nadere informatieExamen Complexe Analyse (September 2008)
Examen Complexe Analyse (September 2008) De examenvragen vind je op het einde van dit documentje. Omdat het hier over weinig studenten gaat, heb ik geen puntenverdeling meegegeven. Vraag. Je had eerst
Nadere informatieStatistiek: Spreiding en dispersie 6/12/2013. dr. Brenda Casteleyn
Statistiek: Spreiding en dispersie 6/12/2013 dr. Brenda Casteleyn dr. Brenda Casteleyn www.keu6.be Page 2 1. Theorie Met spreiding willen we in één getal uitdrukken hoe verspreid de gegevens zijn: in hoeveel
Nadere informatieBekijk nog een keer het stelsel van twee vergelijkingen met twee onbekenden x en y: { De tweede vergelijking van de eerste aftrekken geeft:
Determinanten Invoeren van het begrip determinant Bekijk nog een keer het stelsel van twee vergelijkingen met twee onbekenden x en y: { a x + b y = c a 2 a 2 x + b 2 y = c 2 a Dit levert op: { a a 2 x
Nadere informatie1 WAAM - Differentiaalvergelijkingen
1 WAAM - Differentiaalvergelijkingen 1.1 Algemene begrippen Een (gewone) differentiaalvergelijking heeft naast de onafhankelijke veranderlijke (bijvoorbeeld genoteerd als x), eveneens een onbekende functie
Nadere informatieProjectieve Vlakken en Codes
Projectieve Vlakken en Codes 1. De Fanocode Foutdetecterende en foutverbeterende codes. Anna en Bart doen mee aan een spelprogramma voor koppels. De ene helft van de deelnemers krijgt elk een kaart waarop
Nadere informatieVoorbeeld 1: kansverdeling discrete stochast discrete kansverdeling
12.0 Voorkennis Voorbeeld 1: Yvette pakt vier knikkers uit een vaas waar er 20 inzitten. 9 van de knikkers zijn rood en 11 van de knikkers zijn blauw. X = het aantal rode knikkers dat Yvette pakt. Er zijn
Nadere informatieTW2040: Complexe Functietheorie
TW2040: Complexe Functietheorie week 4.10, donderdag K. P. Hart Faculteit EWI TU Delft Delft, 23 juni, 2016 K. P. Hart TW2040: Complexe Functietheorie 1 / 46 Outline 1 2 3 K. P. Hart TW2040: Complexe Functietheorie
Nadere informatieWe zullen in deze les kijken hoe we netwerken kunnen analyseren, om bijvoorbeeld de volgende vragen te kunnen beantwoorden:
Wiskunde voor kunstmatige intelligentie, 24 Les 5 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin een aantal knopen acties aangeeft en opdrachten langs verbindingen tussen de
Nadere informatieV.2 Limieten van functies
V.2 Limieten van functies Beschouw een deelverzameling D R, een functie f: D R en zij c R. We willen het gedrag van f in de buurt van c bestuderen. De functiewaarde in c is daarvoor niet belangrijk, de
Nadere informatieHertentamen Inleiding Kansrekening 5 juli 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Hertentamen Inleiding Kansrekening 5 juli 07, 4:00 7:00 Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan, wel het gebruik van rekenmachine. Er
Nadere informatieFLIPIT 5. (a i,j + a j,i )d i d j = d j + 0 = e d. i<j
FLIPIT JAAP TOP Een netwerk bestaat uit een eindig aantal punten, waarbij voor elk tweetal ervan gegeven is of er wel of niet een verbinding is tussen deze twee. De punten waarmee een gegeven punt van
Nadere informatieDe Minimax-Stelling en Nash-Evenwichten
De Minima-Stelling en Nash-Evenwichten Sebastiaan A. Terwijn Radboud Universiteit Nijmegen Afdeling Wiskunde 20 september 2010 Dit is een bijlage bij het eerstejaars keuzevak Wiskunde, Politiek, en Economie.
Nadere informatie3 De duale vectorruimte
3 De duale vectorruimte We brengen de volgende definitie in de herinnering. Definitie 3.1 (hom K (V, W )) Gegeven twee vectorruimtes (V, K) en (W, K) over K noteren we de verzameling van alle lineaire
Nadere informatieFaculteit Wetenschappen Vakgroep Wiskunde. Baire ruimten. Bachelor Project I. Wouter Van Den Haute. Prof. Eva Colebunders
Faculteit Wetenschappen Vakgroep Wiskunde Baire ruimten Bachelor Project I Wouter Van Den Haute Promotor: Prof. Eva Colebunders Academiejaar 2011-2012 Inhoudsopgave 1 Inleiding 2 2 Ruimten van eerste en
Nadere informatieRuimtemeetkunde deel 1
Ruimtemeetkunde deel 1 1 Punten We weten reeds dat Π 0 het meetkundig model is voor de vectorruimte R 2. We definiëren nu op dezelfde manier E 0 als meetkundig model voor de vectorruimte R 3. De elementen
Nadere informatieTentamen Kansrekening en Statistiek MST 14 januari 2016, uur
Tentamen Kansrekening en Statistiek MST 14 januari 2016, 14.00 17.00 uur Het tentamen bestaat uit 15 meerkeuzevragen 2 open vragen. Een formuleblad wordt uitgedeeld. Normering: 0.4 punt per MC antwoord
Nadere informatieTentamen Inleiding Kansrekening 11 augustus 2011, uur
Mathematisch Instituut Niels Bohrweg Universiteit Leiden 2 CA Leiden Delft Tentamen Inleiding Kansrekening augustus 20, 09.00 2.00 uur Bij dit examen is het gebruik van een evt. grafische) rekenmachine
Nadere informatieZo geldt voor o.o. continue s.v.-en en X en Y dat de kansdichtheid van X + Y gegeven wordt door
APP.1 Appendix A.1 Erlang verdeling verdeling met parameters n en λ Voor o.o. discrete s.v.-en X en Y geldt P (X + Y = z) =P (X = x 1 en Y = z x 1 )+P(X = x en Y = z x )+... = P (X = x 1 )P (Y = z x 1
Nadere informatie(b) Formuleer het verband tussen f en U(P, f), en tussen f en L(P, f). Bewijs de eerste. (c) Geef de definitie van Riemann integreerbaarheid van f.
Radboud Universiteit Nijmegen Tentamen Analyse 1 WP001B 2 juli 2015, 08:30 11:30 (12:30) Het gebruik van een rekenmachine, telefoon of tablet is niet toegestaan. U mag geen gebruik maken van het boek Analysis
Nadere informatieVerwachtingswaarde, Variantie en Standaarddeviatie
Verwachtingswaarde, Variantie en Standaarddeviatie Wisnet-hbo Verwachtingswaarde update maart 200 De verwachtingswaarde van een kansvariabele is een soort gemiddelde waarde. Deze wordt aangeduid met E(k)
Nadere informatieIII.3 Supremum en infimum
III.3 Supremum en infimum Zowel de reële getallen als de rationale getallen vormen geordende lichamen. Deze geordende lichamen zijn echter principieel verschillend. De verzameling R is bijvoorbeeld aanzienlijk
Nadere informatieDe Hamming-code. de wiskunde van het fouten verbeteren in digitale gegevens. Benne de Weger Faculteit Wiskunde en Informatica, TU/e 1/21
De Hamming-code de wiskunde van het fouten verbeteren in digitale gegevens Benne de Weger Faculteit Wiskunde en Informatica, TU/e 1/21 Waar gaat coderen over? Digitale opslag van gegevens gebeurt in bits
Nadere informatieeerste en laatste cijfers Jaap Top
eerste en laatste cijfers Jaap Top JBI-RuG & DIAMANT j.top@rug.nl 3-10 april 2013 (Collegecarrousel, Groningen) 1 laatste, eerste?! over getallen 2,..., 101,..., 2014,...... laatste cijfers hiervan: 2,...,
Nadere informatieTentamen Inleiding Kansrekening 16 juni 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 6 juni 7, : 7: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met twee of drie onderdelen.
Nadere informatieSchatten en simuleren
Les 5 Schatten en simuleren 5.1 Maximum likelihood schatting Tot nu toe hebben we meestal naar voorbeelden gekeken waar we van een kansverdeling zijn uitgegaan en dan voorspellingen hebben gemaakt. In
Nadere informatieTENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN
TENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN Vakcode: 8D. Datum: Donderdag 8 juli 4. Tijd: 14. 17. uur. Plaats: MA 1.44/1.46 Lees dit vóórdat je begint! Maak iedere opgave op een apart vel. Schrijf je
Nadere informatieTweede huiswerkopdracht Lineaire algebra 1 Uitwerking en opmerkingen
Tweede huiswerkopdracht Lineaire algebra 1 en opmerkingen November 10, 2009 Opgave 1 Gegeven een vectorruimte V met deelruimtes U 1 en U 2. Als er geldt dim U 1 = 7, dimu 2 = 9, en dim(u 1 U 2 ) = 4, wat
Nadere informatieTentamen Kansrekening en Statistiek (2WS04), dinsdag 17 juni 2008, van uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Kansrekening en Statistiek (2WS4, dinsdag 17 juni 28, van 9. 12. uur. Dit is een tentamen met gesloten boek. De uitwerkingen
Nadere informatieDeze week: Steekproefverdelingen. Statistiek voor Informatica Hoofdstuk 7: Steekproefverdelingen. Kwaliteit van schatter. Overzicht Schatten
Deze week: Steekproefverdelingen Statistiek voor Informatica Hoofdstuk 7: Steekproefverdelingen Cursusjaar 29 Peter de Waal Zuivere Schatters Betrouwbaarheidsintervallen Departement Informatica Hfdstk
Nadere informatieTentamen Inleiding Kansrekening 25 juni 2009, uur Docent: F. den Hollander
Universiteit Leiden Niels Bohrweg Tentamen Inleiding Kansrekening 25 juni 2009, 0.00 3.00 uur Docent: F. den Hollander Mathematisch Instituut 2333 CA Leiden Bij dit tentamen is het gebruik van een (grafische)
Nadere informatie3.2 Kritieke punten van functies van meerdere variabelen
Wiskunde voor kunstmatige intelligentie, 007/008 Als in een kritiek punt x 0 ook de tweede afgeleide f (x 0 ) = 0 is, kunnen we nog steeds niet beslissen of de functie een minimum, maximum of een zadelpunt
Nadere informatieOpgaven bij Numerieke Wiskunde I
Opgaven bij Numerieke Wiskunde I 7 november 8 1. (a) Gegeven verschillende interpolatiepunten x, x 1, x [a, b], en getallen y, y 1, y, z 1, toon aan dat er hooguit 1 polynoom p P 3 is met p(x i ) = y i,
Nadere informatieHet tentamen heeft 25 onderdelen. Met ieder onderdeel kan maximaal 2 punten verdiend worden.
Hertentamen Inleiding Kansrekening WI64. 9 augustus, 9:-: Het tentamen heeft 5 onderdelen. Met ieder onderdeel kan maximaal punten verdiend worden. Het tentamen is open boek. Boeken, nota s en een (eventueel
Nadere informatieTentamen Functies en Reeksen
Tentamen Functies en Reeksen 6 november 204, 3:30 6:30 uur Schrijf op ieder vel je naam en bovendien op het eerste vel je studentnummer, de naam van je practicumleider (Arjen Baarsma, KaYin Leung, Roy
Nadere informatieExamen Statistiek I Feedback
Examen Statistiek I Feedback Bij elke vraag is alternatief A correct. Bij de trekking van een persoon uit een populatie beschouwt men de gebeurtenissen A (met bril), B (hooggeschoold) en C (mannelijk).
Nadere informatieb) Niet geldig. Zij π(n)(p) = 1 als n is even, anders π(n)(p) = 0. Schrijf
opgave 2.1 a) Geldig. Zij n N en π een willekeurige valuatie. Schrijf T = (N, π). Stel, T, n p. Dan bestaat m > n zodat T, m p. Dus voor k > m geldt altijd T, k p. Nu geldt T, n p, want voor alle x > n
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 12 Donderdag 21 Oktober 1 / 38 2 Statistiek Indeling: Stochast en populatie Experimenten herhalen Wet van de Grote Getallen Centrale Limietstelling 2 / 38 Deductieve
Nadere informatieIMO-selectietoets III zaterdag 4 juni 2016
IMO-selectietoets III zaterdag 4 juni 2016 NEDERLANDSE W I S K U N D E OLYMPIADE Uitwerkingen Opgave 1. Zij n een natuurlijk getal. In een dorp wonen n jongens en n meisjes. Voor het jaarlijkse bal moeten
Nadere informatie3.2 Vectoren and matrices
we c = 6 c 2 = 62966 c 3 = 32447966 c 4 = 72966 c 5 = 2632833 c 6 = 4947966 Sectie 32 VECTOREN AND MATRICES Maar het is a priori helemaal niet zeker dat het stelsel vergelijkingen dat opgelost moet worden,
Nadere informatie3. Bepaal de convergentie-eigenschappen (absoluut convergent, voorwaardelijk convergent, divergent) van de volgende reeksen: n=1. ( 1) n (n + 1)x 2n.
Radboud Universiteit Tentamen Calculus A NWI-WP025 25 januari 208, 8.30.30 Het gebruik van een rekenmachine/gr, telefoon, boek, aantekeningen e.d. is niet toegestaan. Geef precieze argumenten en antwoorden.
Nadere informatie