Oude tentamenopgaven
|
|
- Fanny Bogaert
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Oude tentamenopgaven (met enkele uitwerkingen Vraag De omvang (n van een celpopulatie over de tijd (t, 2, 3,... laat zich beschrijven middels een eerste orde Markov proces. Voor elke tijdstap, is het mogelijk dat één cel uit de populatie doodgaat. Dit gebeurt met kans λ. Gelijktijdig kan één cel uit de populatie zich in tweeën splitsen, een gebeurtenis met kans µ. De tijdstappen zijn dusdanig klein gekozen dat de kans op het gelijktijdig doodgaan (of splitsen van meerdere cellen verwaarloosbaar is. Veronderstel een maximale populatieomvang (n max van 3 cellen. Indien dit maximum wordt bereikt, stoppen de cellen met sterven en delen. Vraag a Geef de toestandsruimte en transitie-matrix van dit proces. Specificeer daarbij de restricties op λ en µ. Teken ook het state diagram met daarin van elke overgang de bijhorende kans. Vraag b Heeft dit proces een stationaire verdeling? Motiveer je antwoord. Vraag c De populatieomvang is nu maximaal 2 (n max 2. Veronderstel verder dat n op t. Bereken de kans dat de populatie uitsterft. Evenzo, de kans dat de populatie eeuwig voortbestaat. Voor welke keuzes van λ en µ is de kans dat de populatie uitstreft groter dan dat zij eeuwig voortbestaat? Vraag d Veronderstel nog steeds n max 2. Voor welke keuzes van λ en µ is de kans dat de populatie eeuwig voortbestaat groter dan dat zij uitsterft? Vraag e Terug naar n max 3. Laat λ 0. µ. Is de kans dat de populatie uitstreft groter dan dat zij eeuwig voortbestaat? Vraag 2 Twee hedendaagse organismen met een binaire genetische code (bestaande uit nullen en éénen hebben een gemeenschappelijke voorouder. Het substitutie-proces in een willekeurige locus volgt een eerste orde Markov proces. De kans op een substitutie, ongeacht welke, is gelijk aan α. Vraag 2a Zij α 0.0. Slechts één generatie scheidt de organismen van hun gemeenschappelijk voorouder. De locus van één van de hedendaagse organismen bevat een nul. Wat is dan de kans dat de locus van de gemeenschappelijke voorouder ook door een nul bezet wordt (vergeet hierbij het bestaan van het andere hedendaagse organisme?
2 Vraag 2b Alle aannames zijn hetzelfde als bij Vraag 2a. Echter, beschouw nu twee onafhankelijke loci. De beide loci van één van de hedendaagse organismen bevatten een nul. Wat is dan de kans dat de loci van de gemeenschappelijke voorouder ook door nullen bezet worden? Vraag 2c Zij nu α 0.5. Veronderstel het aantal generaties tussen de twee hedendaagse organismen en hun gemeenschappelijke voorouder onbekend. Beschouw wederom twee onafhankelijke loci. Op een van de twee loci verschilt het DNA tussen beide hedendaagse organismen. Geef de likelihood voor de geobserveerde twee loci. Vraag 3 In een klinische studie worden patienten met een 00% terminale kanker behandeld met een nieuw medicijn ten einde levensverlenging te realiseren. Dagelijks aan het begin van de dag wordt het medicijn toegediend. Op het moment van toediening kan de toestand van de patient veranderen. De toestandsverandering van een patient over de tijd laat zich beschrijven door een eerste orde Markov proces. Bij aanvang van de klinische studie begint elke patient in dezelfde toestand treatment, waarin medicatie ontvangen wordt. Met kans α heeft het medicijn tot gevolg dat de patient in remissie gaat (de kanker is teruggedrongen. Eenmaal in remissie, stopt de medicatie en kan de patient in remissie blijven terwijl hij geen risico loopt te overlijden. Wel kan de patient vanuit remissie een relapse (terugkomst van de kanker krijgen (met kans β. In relapse wordt de behandeling niet heropgestart. Eenmaal in relapse kan de patient daarin blijven, of overlijden (kans δ. Indien het medicijn niet aanslaat, blijft de toestand van de patient onveranderd, wel is er een (dagelijkse kans op overlijden (gelijk aan δ. Vraag 3a Geef de toestandsruimte en transitie-matrix van dit proces. Specificeer daarbij de restricties op de parameters. Teken ook het state diagram met daarin van elke overgang de bijhorende kans. Vraag 3b Heeft dit proces een absorberende toestand? Geef de n-staps transitiematrix van dit proces voor n. Vraag 3c Geef de kans dat een patient overlijdt zonder ooit in remissie te komen. Geef ook de kans dat een patient overlijdt nadat hij in remissie is gekomen. Vraag 3d Men besluit patienten die relapsen direct weer op medicatie te zetten. Tengevolge vallen de toestanden treatment en relapse nu samen, en is het nu wel mogelijk om vanuit remissie terug te keren naar treatment. Herhaal nu vraag 3c. 2
3 Vraag 4 Beschouw een binaire streng DNA (bestaande uit nullen en éénen. De afhankelijkheid in de geobserveerde sequentie van 0-en en -en is het gevolg van de onderliggende intron-exon structuur van het DNA. Een hidden Markov model linkt de twee geobserveerde ({Y t } t en latente ({X t } t sequentie. De parameters van dit model (π, P, B worden gegeven door π (, 0 T, P intron exon ( α α α α, en B intron exon ( Bij de laatste corre- waar π de startverdeling, P de transitiematrix, en B de emissiematrix. sponderen de ste en 2de kolom met de 0 en, resp.. Vraag 4a Druk P (Y t 0, Y t+ X t exon uit in de parameters van het model., Vraag 4b Zij α 4. Welke (x, x 2, x 3 maximaliseert P ((X, X 2, X 3 (x, x 2, x 3 (Y, Y 2, Y 3 (0,, 0? Vraag 5 Een klein experiment is uitgevoerd om het effect van variabele X op variabele Y te achterhalen. Het experiment (de waarden van X en de uitkomst (Y is beschreven in onderstaande tabel. observatie X Y Vraag 5a Geef het lineare regressie model (met intercept dat X aan Y relateert, inclusief de assumpties behorende bij het model. Vraag 5b Schat de regressie parameters van het bij vraag 3a vermeldde model uit de experimentele data gegeven in de bovenstaande tabel. Vraag 5c Maak een nieuwe variable X 2 (kwadrateer X, en schaal deze zo dat het gemiddelde van X 2 gelijk is aan nul. Fit het lineaire regressie model dat X en X 2 aan Y linkt (includeer de intercept. Vraag 5d De schatting van van de regressie parameter behorende bij X is dezelfde voor beide modellen. Geef hiervoor een verklaring. Vraag 5e Bestuur de residuen en de R 2 van de modellen gefit bij vraag 3b en 3c. Geef aan welk model jouw voorkeur heeft. Motiveer het antwoord. 3
4 Vraag 6 Definieer het hidden Markov model (π, P, B met de volgende parameters: drie toestanden S, S 2, S 3, alfabet A {, 2, 3}, π (, 0, 0 T, P , en B , waar π de startverdeling, P de transitiematrix, en B de emissiematrix. Wat zijn alle mogelijke toestand-sequenties voor de volgende twee geobserveerde sequenties O, en wat is P (O (π, P, B? a O, 2, 3. b O, 3,. Vraag 7 Beschouw een locus op het genoom van een kankercel en zijn lineaire afstammelingen. Van elke generatie wordt het DNA copy number van de locus gemeten. Het DNA copy number kan de volgende toestanden aannamen normal (2 kopieen, loss (< 2 kopieen en gain (> 2 kopieen. De laatste twee toestanden (loss en gain noemt men aberraties. In de eerste generatie heeft de locus een normal DNA copy number. Met elke overgang van een generatie naar de volgende kan het DNA copy number van de locus veranderen, met de restrictie dat aberraties onomkeerbaar zijn: eenmaal verworven, dan bezitten alle volgende generaties hetzelfde aberratie type. Vraag 7a Modelleer het verwerven van een aberratie m.b.v. een discreet, tijdshomogeen Markov proces: geef de start verdeling, alsook de transitiematrix die de overgangskansen tussen de DNA copy number toestanden van de ene generatie naar de andere beschrijft. Verzin zelf een zo efficient mogelijke notatie (die dien je in het vervolg te gebruiken. Vraag 7b Geef de kans dat de locus in generatie p een normal, loss, of gain DNA copy number heeft. Druk deze kansen uit in termen van de transitie-kansen. Vraag 7c In praktijk is niet bekend op welk moment (i.e., welke generatie het DNA copy number is gemeten. We nemen aan dat generaties Poisson verdeeld zijn: P (Y p λ p exp( λ/p! Laat zien dat de kans op een normal gelijk is aan: exp[ λ P (aberratie op tijd t + geen aberratie op tijd t]. 4
5 Vraag 8 Vraag 8a De transitie matrix P van een Markov keten, gedefinieerd op toestandsruimte S {A, B}, wordt gegeven door: P ( Vind de stationaire verdeling van deze Markov keten. Vraag 8b Indien de initiele kansverdeling (op tijdstip t 0 van deze Markov keten gegeven wordt door (0.8, 0.2 T, wat is de kans op toestand A op tijdstip t 2?. Vraag 9 Een klein experiment is uitgevoerd om het effect van variabelen X en X 2 op variabele Y te achterhalen. Het experiment (de waarden van X en X 2 en de uitkomst (Y is beschreven in onderstaande tabel. Observation X X 2 Y Vraag 9a Geef het lineare regressie model (met intercept dat X en X 2 aan Y relateert, inclusief de assumpties behorende bij het model. Vraag 9b Schat alle (! parameters van het bij vraag 4a vermeldde model uit de experimentele data gegeven in de bovenstaande tabel. Vraag 0 Twee objecten van verschillend gewicht w en w 2 worden op volgende wijze middels een ouderwetse balansweegschaal gemeten: i Enkel object wordt gewogen, met als resultaat: 3 gram, ii Enkel object 2 wordt gewogen, met als resultaat: 3 gram, iii Het verschil tussen de objecten (object minus object 2 wordt gewogen: gram, en iv De objecten worden gezamelijk gewogen: 7 gram. Het probleem is nu de werkelijke gewichten te schatten mbv een meervoudig lineair regressie model. Vraag 0a Specifieer de 4 2-dimensionale design matrix X die jij in dit model zou gebruiken. Hint: de 5
6 elementen van X zijn 0 and ±. Ihb motiveer waarom je al dan niet een kolom voor de intercept in de design matrix opneemt. Vraag 0b Schat w en w 2 mbv een meervoudig lineair regressie model. Gebruik daarbij de bij vraag 0a gespecifeerde design matrix. 6
7 Uitwerkingen Vraag Vraag a De toestandsruimte S bestaat uit toestanden 0,, 2, en 3. De transitie-matrix wordt gegeven door: P waarbij λ 0, µ 0 en λ + µ λ λ µ µ 0 0 λ λ µ µ Vraag b Nee, het proces kent twee absorberende toestanded en is daarmee niet irreducibel. Dit is een voorwaarde voor het hebben van een stationaire verdeling. Vraag c De transitie-matrix wordt nu gegeven door: Ergo: P 0 0 λ λ µ µ 0 0 P (X t 0 voor een t λ + λ ( λ µ + λ ( λ µ λ ( λ µ t Net zo voor X t 2. Voor µ λ, P (X t 2 voor een t P (X t 0 voor een t. Vraag d Gebruiken vraag c, dan: als µ λ. t0 t0. µ ( λ µ t λ ( λ µ t t0 Vraag e De transitie-matrix is nu: P λ 2λ λ 0 0 λ 2λ λ Hieruit concluderen we: ( P (Xt+ P (X t+ 2 ( 2λ λ λ 2λ ( P (Xt P (X t 2 7
8 Herformulerend: ( P (Xt+ P (X t+ 2 ( t ( 2λ λ P (X λ 2λ P (X 2 ( ( at (λ b t (λ P (X b t (λ a t (λ P (X 2 waar a t (λ en b t (λ beide positief daar λ 0.. Ihb a t (λ b t (λ voor alle t. Mbv het bovenstaande verkrijgen we: t+ P (X t+2 0 λ P (X s λ λ P (X t+2 3 λ s t a s (λp (X + b s (λp (X 2 s t a s (λ s t b s (λ s Ergo: P (X t+2 0 P (X t+2 0 voor alle t. Vraag 2 Vraag 2a Gebruik makende van het feit dat de stationaire verdeling gegeven wordt door ( 2, 2 T : P (X 0 X P (X 0 X 0 0 P (X 0 0/P (X 0 ( α 2 /[P (X 0 X 0 0 P (X P (X 0 X 0 P (X 0 ] ( α 2 /[( α 2 + α 2 ] ( α Een alternatieve oplossing volgt direct uit de reversibiliteit (dient wel gecheckt te worden middels de detailed balance equations van het Markov proces. Vraag 2b De loci zijn onafhankelijk, dus: ( α 2. Vraag 2c De loci zijn onafhankelijk, voldoende om naar een te kijken. Merk nu op dat: P t. (
9 Dan: P (X (t 0, X (t 2 x 00 x 0 0 x 0 0 P (X (t 0, X (t 2, X (0 0 x 0 P (X (0 0 x 0 P (X (t 0, X (0 0 x 0 P (X (t 2, X (0 0 x 0 P (X (0 0 x Vraag 3 Vraag 3a De toestandsruimte wordt gegeven door treatment, remissie, relapse, dood ; de startverdeling π (, 0, 0, 0 T, en Geef ook het state diagram. P α δ α 0 δ 0 β β δ δ Antwoord 3b P Vraag 3c Merk op dat: P (X t treatment t s ( α δs. De kans dat een patient overlijdt zonder ooit in remissie te komen is dan gelijk aan δ s ( α δs. De enige andere weg om te overlijden is via remissie, de kans hierop is dus: δ s ( α δs. Vraag 3d Het antwoord is exact als in 3c. 9
10 Vraag 4 Vraag 4a P (Y t 0, Y t+ X t exon P (Y t 0 X t exon P (Y t+ X t exon P (Y t 0 X t x y P (X t x t X t exon x t {I,E} x t {I,E} x t {I,E} 4 α2 + α( α 2 P (Y t+ X t+ intron P (X t+ intron X t exon P (Y t 0 X t x t P (X t exon X t x t P (Y t+ X t+ intron P (X t+ intron X t exon P (Y t 0 X t x t P (X t exon X t x t 2 α waar we de reversibiliteit van Markov keten gebruikt hebben, en het feit dat een exon nooit een kan uitspuwen. Vraag 4b De enige mogelijke intron-exon sequenties die tot 00 kunnen leiden zijn IIE en III. Dan: P (00 IIE 4 En dus (α /4: P (00 III 8 P (III ( α 2 P (IIE α( α P (00 IIE P (IIE α( α 4 P (00 III P (III ( α2 8 P (00 4 α( α + ( α2 8 P (IIE De gevraagde sequentie is dus: III. P (III Vraag 5 Vraag 5a Y i β 0 + β X i + ε i 0
11 waarbij ε i N (0, σ 2, en ε i en ε i2 onafhankelijk als i i 2. Vraag 5b ˆβ 0 en ˆβ.96 Vraag 5c ˆβ 0, ˆβ.96, en ˆβ Vraag 5d De design matrix is orthogonaal. Vraag 5e Linear model: R Kwadratisch model: R Het laatste model is te prefereren. Vraag 6 Vraag 6a Toestandsreeks die leidt tot geobserveerde serie: (S, S 3, S 2. Verder P ((S, S 3, S 2 2 en P ((, 2, 3 (S, S 3, S 2 ( De kans P ((, 2, 3 wordt nu gegeven door P ((, 2, 3 (S, S 3, S 2 P ((, 2, Vraag 6b Mogelijk onderliggende sequentie: (S, S 2, S en (S, S 3, S 2, beide komen voor met kans 2. Verder: P ((, 3, (S, S, S 8 P ((, 3, (S, S 3, S 2. En dus P ((, 3, 8. Vraag 7 Vraag 7a De startverdeling wordt gegeven door π (0,, 0 T, en de overgangsmatrix door: 0 0 P α α β, 0 0 waar 0 α + β, α 0 en β 0. Vraag 7b De gevraagde kansen zijn: P (X p N ( α β p p P (X p L α ( α β t t0 p P (X p G β ( α β t t0
12 Deze zijn te simplificeren. Hiertoe: Ofwel: ( α β t t0 ( α β t tp α + β ( α βp α + β En dus: p P (X p L α ( α β t t0 α[ α + β ( α βp ] α + β α α + β [ ( α βp ]. Vraag 7c Gegeven P (Y p λ p exp( λ/p! en P (X p N ( α β p. De gevraag onconditionele kans is dan: P (X N P (X y N Y pp (Y p p0 ( α β p λ p exp( λ/p! p0 [λ( α β] p exp( λ/p! p0 exp[ λ(α + β] exp[ λ(α + β]. [λ( α β] p exp[ λ( α β]/p! p0 Het antwoord volgt door op te merken dat: α + β P (aberratie op t + geen aberratie op t. Vraag 8 Vraag 8a Ten einde de evenwichtsvector te vinden dienen we het volgende stelsel vergelijkingen op te lossen: Substitutie levert: 0.3φ + 0.6φ 2 φ 2, φ + φ ( φ φ 2 φ 2. 2
13 Los hieruit φ 2 op: φ 2 3/7. En dus φ 4/7. Vraag 8b Mogelijkheden: P (AAA 8 0 P (ABA 8 0 P (BAA 2 0 P (BBA Sommeer bovenstaande uitkomsten. Dit levert: 592/000 74/25. Vraag 9 Vraag 9a Model: Y i β 0 + β X i + β 2 X 2i + ε i, met ε N (0, σ 2 en Cov(ε i, ε i2 0 als i. Vraag 9b ˆβ 0.9, ˆβ 0.5, ˆβ 2 0.9, ˆσ , en s 0.2. Vraag 0 Vraag 0a De design matrix en response vector worden gegeven door: Y X 0 0 Inclusie van de intercept suggereert dat niets toch iets weegt. Vraag 0b Matrix vermenigvuldiging leert: ( X T 3 0 X 0 3 (X T X ( /3 0 0 /3. Reken vervolgens (X T X X T Y uit. Dit is gelijk aan (/3, 9/3 T. 3
Hertentamen Voortgezette biostatistiek / Biomedische wiskunde
Hertentamen Voortgezette biostatistiek / Biomedische wiskunde 1 juni 2016; 18:30-20:30 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieTentamen Voortgezette biostatistiek / Biomedische wiskunde
Tentamen Voortgezette biostatistiek / Biomedische wiskunde 27 maart 2015; 15:15-17:15 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieTentamen Biostatistiek 3 / Biomedische wiskunde
Tentamen Biostatistiek 3 / Biomedische wiskunde 25 maart 2014; 12:00-14:00 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieVU University Amsterdam 2018, Maart 27
Department of Mathematics Exam: Voortgezette biostatistiek VU University Amsterdam 2018, Maart 27 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieHertentamen Biostatistiek 3 / Biomedische wiskunde
Hertentamen Biostatistiek 3 / Biomedische wiskunde 2 juni 2014; 18:30-20:30 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieDepartment of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 2017, Juni 7
Department of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 07, Juni 7 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting
Nadere informatieHertentamen Voortgezette biostatistiek / Biomedische wiskunde
Hertentamen Voortgezette biostatistiek / Biomedische wiskunde 3 juni 5; 8:3-:3 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieVU University Amsterdam 2018, juli 11.
Department of Mathematics Herexamen: Voortgezette biostatistiek VU University Amsterdam 018, juli 11. c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieDepartment of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 2017, Maart 28
Department of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 07, Maart 8 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting
Nadere informatieTentamen Voortgezette biostatistiek / Biomedische wiskunde
Tentamen Voortgezette biostatistiek / Biomedische wiskunde 22 maart 2016; 08:45-10:45 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieVU University Amsterdam 2019, maart 28.
Department of Mathematics Examen: Voortgezette biostatistiek (MNW) VU University Amsterdam 2019, maart 28. Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieVU University Amsterdam 2019, maart 28.
Department of Mathematics Examen: Biomedische wiskunde VU University Amsterdam 2019, maart 28. Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden. Het gebruik
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 informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+ = j X n = i, X n,...,
Nadere informatieb) Uit Bayes volgt, gebruik makend van onderdeel a) P (T V )P (V ) P (T ) = (0.09)(0.07)
Uitwerkingen tentamen 6 juli 22. We stellen T de gebeurtenis test geeft positief resultaat, F de gebeurtenis, chauffeur heeft gefraudeerd, V de gebeurtenis, chauffeur heeft vergissing gemaakt C de gebeurtenis,
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+1 = j X n = i, X n 1,...,
Nadere informatieHOOFDSTUK VII REGRESSIE ANALYSE
HOOFDSTUK VII REGRESSIE ANALYSE 1 DOEL VAN REGRESSIE ANALYSE De relatie te bestuderen tussen een response variabele en een verzameling verklarende variabelen 1. LINEAIRE REGRESSIE Veronderstel dat gegevens
Nadere informatieTentamen Inleiding Intelligente Data Analyse Datum: Tijd: , BBL 420 Dit is geen open boek tentamen.
Tentamen Inleiding Intelligente Data Analyse Datum: 19-12-2002 Tijd: 9.00-12.00, BBL 420 Dit is geen open boek tentamen. Algemene aanwijzingen 1. U mag ten hoogste één A4 met aantekeningen raadplegen.
Nadere informatieTentamen Inleiding Kansrekening wi juni 2010, uur
Technische Universiteit Delft Mekelweg Faculteit Electrotechniek, Wiskunde en Informatica 8 CD Delft Tentamen Inleiding Kansrekening wi juni, 9.. uur Bij dit examen is het gebruik van een (evt. grafische
Nadere informatieToets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016:
Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: 11.00-13.00 Algemene aanwijzingen 1. Het is toegestaan een aan beide zijden beschreven A4 met aantekeningen te raadplegen. 2. Het is toegestaan
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 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 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 informatieWe zullen de volgende modellen bekijken: Het M/M/ model 1/14
De analyse en resultaten van de voorgaande twee modellen (het M/M/1/K model en het M/M/1 model) kunnen uitgebreid worden naar modellen met meerdere bediendes. We zullen de volgende modellen bekijken: Het
Nadere informatieHerkansing Inleiding Intelligente Data Analyse Datum: Tijd: , BBL 508 Dit is geen open boek tentamen.
Herkansing Inleiding Intelligente Data Analyse Datum: 3-3-2003 Tijd: 14.00-17.00, BBL 508 Dit is geen open boek tentamen. Algemene aanwijzingen 1. U mag ten hoogste één A4 met aantekeningen raadplegen.
Nadere informatieVragen die je wilt beantwoorden zijn:
Net als bij een discrete-tijd Markov keten is men bij de bestudering van een continue-tijd Markov keten zowel geïnteresseerd in het korte-termijn gedrag als in het lange-termijn gedrag. Vragen die je wilt
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 informatieZoek de unieke oplossing van het stelsel π = π P waarvoor bovendien geldt dat i S π i = 1.
LIMIETGEDRAG VAN REDUCIBELE MARKOV KETEN In het voorgaande hebben we gezien hoe we de limietverdeling van een irreducibele, aperiodieke Markov keten kunnen berekenen: Voorbeeld 1: Zoek de unieke oplossing
Nadere informatie0.97 0.03 0 0 0.008 0.982 0.01 0 0.02 0 0.975 0.005 0.01 0 0 0.99
COHORTE MODELLEN Markov ketens worden vaak gebruikt bij de bestudering van een groep van personen of objecten. We spreken dan meestal over Cohorte modellen. Een voorbeeld van zo n situatie is het personeelsplanning
Nadere informatieP = LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten:
LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten: Voorbeeld: Zoek de unieke oplossing van het stelsel π = π P waarvoor bovendien geldt dat i S π i = 1. P = 0 1/4
Nadere informatieTentamen Modellen en Simulatie (WISB134)
Tentamen Modellen en Simulatie (WISB4) Vrijdag, 7 april 5, :-6:, Educatorium Gamma Zaal Schrijf op elk vel dat je inlevert je naam en op het eerste vel je studentnummer en het totaal aantal ingeleverde
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 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 informatieMARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen.
MARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen. voorraadmodel: voorraadkosten personeelsplanningmodel: salariskosten machineonderhoudsmodel: reparatiekosten
Nadere informatieData analyse Inleiding statistiek
Data analyse Inleiding statistiek 1 Terugblik - Inductieve statistiek Afleiden van eigenschappen van een populatie op basis van een beperkt aantal metingen (steekproef) Kennis gemaakt met kans & kansverdelingen»
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 informatieExamen Statistische Modellen en Data-analyse. Derde Bachelor Wiskunde. 14 januari 2008
Examen Statistische Modellen en Data-analyse Derde Bachelor Wiskunde 14 januari 2008 Vraag 1 1. Stel dat ɛ N 3 (0, σ 2 I 3 ) en dat Y 0 N(0, σ 2 0) onafhankelijk is van ɛ = (ɛ 1, ɛ 2, ɛ 3 ). Definieer
Nadere informatie0 2λ µ 0
Example 6.7 Machine werkplaats met vier onafhankelijke machines 1, 2, 3 en 4. Bedrijfsduur machine i (i = 1, 2, 3, 4) is B i Exp(µ), reparatieduur wegens defect machine i is R i Exp(λ). Er zijn twee reparateurs
Nadere informatieHoofdstuk 10: Regressie
Hoofdstuk 10: Regressie Inleiding In dit deel zal uitgelegd worden hoe we statistische berekeningen kunnen maken als sprake is van één kwantitatieve responsvariabele en één kwantitatieve verklarende variabele.
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 informatieSamenvatting Nederlands
Samenvatting Nederlands 178 Samenvatting Mis het niet! Incomplete data kan waardevolle informatie bevatten In epidemiologisch onderzoek wordt veel gebruik gemaakt van vragenlijsten om data te verzamelen.
Nadere informatieINLEIDING. Definitie Stochastisch Proces:
Definitie Stochastisch Proces: INLEIDING Verzameling van stochastische variabelen die het gedrag in de tijd beschrijven van een systeem dat onderhevig is aan toeval. Tijdparameter: discreet: {X n, n 0};
Nadere informatieHoofdstuk 6 Discrete distributies
Hoofdstuk 6 Discrete distributies Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Discrete distributies p 1/33 Discrete distributies binomiale verdeling
Nadere informatieDeze week: Schatten. Statistiek voor Informatica Hoofdstuk 6: Schatten. Voorbeeld Medicijnentest. Statistische inferentie
Deze week: Schatten Statistiek voor Informatica Hoofdstuk 6: Schatten Cursusjaar 2009 Peter de Waal Departement Informatica Statistische inferentie A Priori en posteriori verdelingen Geconjugeerde a priori
Nadere informatieLIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS
LIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS Hoofdstelling over limietgedrag van continue-tijd Markov ketens. Stelling: Een irreducibele, continue-tijd Markov keten met toestandsruimte S = {1, 2,..., N}
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 informatieStochastiek 2. Inleiding in de Mathematische Statistiek 1 / 17
Stochastiek 2 Inleiding in de Mathematische Statistiek 1 / 17 Statistische toetsen 2 / 17 Toetsen - algemeen - 1 Setting: observatie X in X, model {P θ : θ Θ}. Gegeven partitie Θ = Θ 0 Θ 1, met Θ 0 Θ 1
Nadere informatieLineaire Algebra voor ST
Lineaire Algebra voor ST docent: Judith Keijsper TUE, HG 9. email: J.C.M.Keijsper@tue.nl studiewijzer: http://www.win.tue.nl/wsk/onderwijs/ds6 Technische Universiteit Eindhoven college 9 J.Keijsper (TUE)
Nadere informatieGegevensverwerving en verwerking
Gegevensverwerving en verwerking Staalname - aantal stalen/replicaten - grootte staal - apparatuur Experimentele setup Bibliotheek Statistiek - beschrijvend - variantie-analyse - correlatie - regressie
Nadere informatieCollege 2 Enkelvoudige Lineaire Regressie
College Enkelvoudige Lineaire Regressie - Leary: Hoofdstuk 7 tot p. 170 (Advanced Correlational Strategies) - MM&C: Hoofdstuk 10 (Inference for Regression) - Aanvullende tekst 3 Jolien Pas ECO 011-01 Correlatie:
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 informatie168 HOOFDSTUK 5. REEKSONTWIKKELINGEN
168 HOOFDSTUK 5. REEKSONTWIKKELINGEN 5.7 Vraagstukken Vraagstuk 5.7.1 Beschouw de differentiaalvergelijking d2 y d 2 = 2 y. (i) Schrijf y = a k k. Geef een recurrente betrekking voor de coëfficienten a
Nadere informatie9. Lineaire Regressie en Correlatie
9. Lineaire Regressie en Correlatie Lineaire verbanden In dit hoofdstuk worden methoden gepresenteerd waarmee je kwantitatieve respons variabelen (afhankelijk) en verklarende variabelen (onafhankelijk)
Nadere informatieMARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN?
MARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN? KARMA DAJANI In deze lezing gaan we over een bijzonder model in kansrekening spreken Maar eerst een paar woorden vooraf Wat doen we
Nadere informatieStatistiek voor Natuurkunde Opgavenserie 4: Lineaire regressie
Statistiek voor Natuurkunde Opgavenserie 4: Lineaire regressie Inleveren: Uiterlijk 15 februari voor 16.00 in mijn postvakje Afspraken Overleg is toegestaan, maar iedereen levert zijn eigen werk in. Overschrijven
Nadere informatiete vermenigvuldigen, waarbij N het aantal geslagen Nederlandse munten en B het aantal geslagen buitenlandse munten zijn. Het resultaat is de vector
Les 3 Matrix product We hebben gezien hoe we matrices kunnen gebruiken om lineaire afbeeldingen te beschrijven. Om het beeld van een vector onder een afbeelding te bepalen hebben we al een soort product
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 informatieMasterclass: advanced statistics. Bianca de Greef Sander van Kuijk Afdeling KEMTA
Masterclass: advanced statistics Bianca de Greef Sander van Kuijk Afdeling KEMTA Inhoud Masterclass Deel 1 (theorie): Achtergrond regressie Deel 2 (voorbeeld): Keuzes Output Model Model Dependent variable
Nadere informatieUitwerkingen Tentamen Gewone Differentiaalvergelijkingen
Uitwerkingen Tentamen Gewone Differentiaalvergelijkingen Maandag 4 januari 216, 1: - 13: uur 1. Beschouw voor t > de inhomogene singuliere tweede orde vergelijking, t 2 ẍ + 4tẋ + 2x = f(t, (1 waarin f
Nadere informatieDefinitie van continue-tijd Markov keten:
Definitie van continue-tijd Markov keten: Een stochastisch proces {X(t), t 0} met toestandsruimte S heet een continue-tijd Markov keten (CTMC) als voor alle i en j in S en voor alle tijden s, t 0 geldt
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
HET POISSON PROCES In veel praktische toepassingen kan het aaankomstproces van personen, orders,..., gemodelleerd worden door een zogenaamd Poisson proces. Definitie van een Poisson proces: Een Poisson
Nadere informatieMARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen.
MARKOV MODEL MET KOSTEN In Markov modellen zijn we vaak geïnteresseerd in kostenberekeningen. voorraadmodel: voorraadkosten personeelsplanningmodel: salariskosten machineonderhoudsmodel: reparatiekosten
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 informatieDH19 Bedrijfsstatistiek MC, 2e Bach Hir, Juni 2009
Naam:... Voornaam:... DH19 Bedrijfsstatistiek MC, 2e Bach Hir, Juni 2009 Slechts één van de vier alternatieven is juist. Kruis het bolletje aan vóór het juiste antwoord. Indien je een meerkeuzevraag verkeerd
Nadere informatieUitwerkingen tentamen lineaire algebra 2 13 januari 2017, 10:00 13:00
Uitwerkingen tentamen lineaire algebra 3 januari 07, 0:00 3:00 Hint: Alle karakteristiek polynomen die je nodig zou kunnen hebben, hebben gehele nulpunten. Als dat niet het geval lijkt, dan heb je dus
Nadere informatieDefinitie van continue-tijd Markov keten:
Definitie van continue-tijd Markov keten: Een stochastisch proces {X(t), t 0} met toestandsruimte S heet een continue-tijd Markov keten (CTMC) als voor alle i en j in S en voor alle tijden s, t 0 geldt
Nadere informatieMeten en experimenteren
Meten en experimenteren Statistische verwerking van gegevens Een korte inleiding 3 oktober 006 Deel I Toevallige veranderlijken Steekproef Beschrijving van gegevens Histogram Gemiddelde en standaarddeviatie
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i).
MARKOV PROCESSEN Continue-tijd Markov ketens (CTMCs) In de voorafgaande colleges hebben we uitgebreid gekeken naar discrete-tijd Markov ketens (DTMCs). Definitie van discrete-tijd Markov keten: Een stochastisch
Nadere informatieTentamen Lineaire Algebra B
Tentamen Lineaire Algebra B 29 juni 2012, 9-12 uur OPGAVEN Uitwerkingen volgen na de opgaven 1. Gegeven is de vectorruimte V = R[x] 2 van polynomen met reële coefficienten en graad 2. Op V hebben we een
Nadere informatieVectorruimten met inproduct
Hoofdstuk 3 Vectorruimten met inproduct 3. Inleiding In R 2 en R 3 hebben we behalve de optelling en scalairvermenigvuldiging nog meer structuur ; bij een vector kun je spreken over zijn lengte en bij
Nadere informatieToegepaste Statistiek, Dag 7 1
Toegepaste Statistiek, Dag 7 1 Statistiek: Afkomstig uit het Duits: De studie van politieke feiten en cijfers. Afgeleid uit het latijn: status, staat, toestand Belangrijkste associatie: beschrijvende statistiek
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 informatieKansrekening en Statistiek
Kansrekening en Statistiek College 16 Donderdag 4 November 1 / 25 2 Statistiek Indeling: Schatten Correlatie 2 / 25 Schatten 3 / 25 Schatters: maximum likelihood schatters Def. Zij Ω de verzameling van
Nadere informatieTechnische Universiteit Delft. ANTWOORDEN van Tentamen Gewone differentiaalvergelijkingen, TW2030 Vrijdag 30 januari 2015,
Technische Universiteit Delft Faculteit EWI ANTWOORDEN van Tentamen Gewone differentiaalvergelijkingen, TW23 Vrijdag 3 januari 25, 4.-7. Dit tentamen bestaat uit 6 opgaven. Alle antwoorden dienen beargumenteerd
Nadere informatieStatistiek II. Sessie 5. Feedback Deel 5
Statistiek II Sessie 5 Feedback Deel 5 VPPK Universiteit Gent 2017-2018 Feedback Oefensessie 5 1 Statismex, gewicht en slaperigheid2 1. Lineair model: slaperigheid2 = β 0 + β 1 dosis + β 2 bd + ε H 0 :
Nadere informatieData analyse Inleiding statistiek
Data analyse Inleiding statistiek Terugblik - Inductieve statistiek Afleiden van eigenschappen van een populatie op basis van een beperkt aantal metingen (steekproef) Kennis gemaakt met kans & kansverdelingen
Nadere informatie(vi) Als u een stelling, eigenschap,... gebruikt, formuleer die dan, toon aan dat de voorwaarden vervuld zijn, maar bewijs die niet.
Examen Functieruimten - Deel theorie 15 januari 2016, 08:30 uur Naam en Voornaam: Lees eerst dit: (i) Naam en voornaam hierboven invullen. (ii) Nietje niet losmaken. (iii) Enkel deze bundel afgeven; geen
Nadere informatiep j r j = LIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS Hoofdstelling over het limietgedrag van continue-tijd Markov ketens formuleren.
LIMIETGEDRAG VAN CONTINUE-TIJD MARKOV KETENS Hoofdstelling over het limietgedrag van continue-tijd Markov ketens formuleren. Stelling: Een irreducibele, continue-tijd Markov keten met toestandsruimte S
Nadere informatieONBETWIST ONderwijs verbeteren met WISkunde Toetsen Voorbeeldtoetsen Lineaire Algebra Deliverable 3.10 Henk van der Kooij ONBETWIST Deliverable 3.
ONBETWIST ONderwijs verbeteren met WISkunde Toetsen Voorbeeldtoetsen Lineaire Algebra Deliverable 3.10 Henk van der Kooij ONBETWIST Deliverable 3.8 ONBETWIST ONderwijs verbeteren met WISkunde Toetsen Inleiding
Nadere informatieHoofdstuk 1 : Vectoren (A5D)
1 Hoofdstuk 1 : Vectoren (A5D) Hoofdstuk 1 : Vectoren (A5D) Les 1 : Stelsels en Echelon vorm DOEL : WE GAAN EEN AANTAL VERGELIJKINGEN MET EEN AANTAL VARIABELEN PROBEREN OP TE LOSSEN. Definities Stelsel
Nadere informatieVoorblad bij Tentamen
Studentnaam: Studentnummer: Voorblad bij Tentamen (in te vullen door de examinator) Vaknaam: Simulaties van Biochemische Systemen Vakcode: 8CB19 Datum: 06-04-016 Begintijd: 13:30 Eindtijd: 16:30 Aantal
Nadere informatieExtra Opgaven. 3. Van 10 personen meten we 100 keer de hartslag na het sporten. De gemiddelde hartslag van
Extra Opgaven 1. Een persoon doet een HIV-test. Helaas is de uitslag positief. De test is echter niet perfect. De persoon vraagt zich af wat de kans is dat hij nu ook echt HIV heeft. Gegeven is: de kans
Nadere informatieLineaire Algebra voor W 2Y650
Lineaire Algebra voor W 2Y650 Docent: L Habets HG 809, Tel: 040-2474230, Email: lcgjmhabets@tuenl http://wwwwintuenl/wsk/onderwijs/2y650 1 Herhaling: Oplossing homogene DV ẋ = Ax Aanname: A is diagonaliseerbaar
Nadere informatieOpgave 2 ( = 12 ptn.)
Deel II Opgave 1 (4 + 2 + 6 = 12 ptn.) a) Beschouw bovenstaande game tree waarin cirkels je eigen zet representeren en vierkanten die van je tegenstander. Welke waarde van de evaluatiefunctie komt uiteindelijk
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 informatiea) Bepaal punten a l en b m zó dat de lijn door a en b parallel is met n.
. Oefen opgaven Opgave... Gegeven zijn de lijnen l : 2 + λ m : 2 2 + λ 3 n : 3 6 4 + λ 3 6 4 a) Bepaal punten a l en b m zó dat de lijn door a en b parallel is met n. b) Bepaal de afstand tussen die lijn
Nadere informatieKansrekening en statistiek wi2105in deel 2 16 april 2010, uur
Kansrekening en statistiek wi205in deel 2 6 april 200, 4.00 6.00 uur Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na afloop
Nadere informatieQ is het deel van de overgangsmatrix dat correspondeert met overgangen
COHORTE MODELLEN Stel we hebben een groep personen, waarvan het gedrag van ieder persoon afzonderlijk beschreven wordt door een Markov keten met toestandsruimte S = {0, 1, 2,..., N} en overgangsmatrix
Nadere informatieWACHTRIJMODELLEN. aankomstproces van klanten; wachtruimte (met eindige of oneindige capaciteit); bedieningsstation (met één of meerdere bediendes).
Verschillende soorten toepassingen WACHTRIJMODELLEN alledaagse toepassingen; toepassingen uit produktieomgeving; toepassingen in de communicatiesfeer. Typische onderdelen van een wachtrijmodel aankomstproces
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 informatieStatistiek en Data Analyse Opgavenserie 3: Lineaire regressie
Statistiek en Data Analyse Opgavenserie 3: Lineaire regressie Inleveren: uiterlijk maandag 6 februari 16.00 bij Marianne Jonker (Kamer: R3.46) Afspraken De opdrachten maak je in tweetallen. Schrijf duidelijk
Nadere informatieAanwijzingen bij vraagstukken distributies
Aanwijzingen bij vraagstukken distributies Vraagstuk 9.7 Voor het eerste deel, test x x + iε 1 met een testfunctie. Voor het laatste deel: vind eerst bijzondere oplosssingen door de gesuggereerde procedure
Nadere informatieBasiskennis lineaire algebra
Basiskennis lineaire algebra Lineaire algebra is belangrijk als achtergrond voor lineaire programmering, omdat we het probleem kunnen tekenen in de n-dimensionale ruimte, waarbij n gelijk is aan het aantal
Nadere informatieLineaire Algebra voor W 2Y650
Lineaire Algebra voor W 2Y65 Docent: L Habets HG 89, Tel: 4-247423, Email: lcgjmhabets@tuenl http://wwwwintuenl/wsk/onderwijs/2y65 1 Herhaling: bepaling van eigenwaarden en eigenvectoren (1) Bepaal het
Nadere informatieOpgaven Getaltheorie en Cryptografie (deel 1) Inleverdatum: 28 februari 2002
Opgaven Getaltheorie en Cryptografie (deel 1) Inleverdatum: 28 februari 2002 1. We vatten {0, 1} op als het lichaam F 2. Een schuifregisterrij is een rij {s n } n=0 in F 2 gegeven door r startwaarden s
Nadere informatieMeetkunde en Lineaire Algebra
Hoofdstuk 1 Meetkunde en Lineaire Algebra Vraag 1.1 Zij p en q twee veeltermfuncties met reële coëfficiënten en A een reële vierkante matrix. Dan is p(a) diagonaliseerbaar over R als en slechts dan als
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 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 informatieKies voor i een willekeurige index tussen 1 en r. Neem het inproduct van v i met de relatie. We krijgen
Hoofdstuk 95 Orthogonaliteit 95. Orthonormale basis Definitie 95.. Een r-tal niet-triviale vectoren v,..., v r R n heet een orthogonaal stelsel als v i v j = 0 voor elk paar i, j met i j. Het stelsel heet
Nadere informatie