Samenstelling van de moedermelk van een aantal zoogdieren. Soort Vetten (%) Proteïnen (%)
|
|
- Ruben de Groot
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Samenstelling van de moedermelk van een aantal zoogdieren Soort Vetten (%) Proteïnen (%) Paard Ezel Muildier Kameel Lama Zebra Schaap Buffel Duif Vos Varken Konijn Rat Hert Rendier Walvis
2 Clustering van een aantal zoogdieren op basis van de gegevens over samenstelling van de moedermelk Proteïnegehalte (%) Vetgehalte (%)
3 (a) (b) (c) (a) Compacte clusters (b) Langgerekte clusters (c) Ronde en elliptische clusters
4 1. Features selecteren De kenmerken moeten zoveel mogelijk informatie bevatten over het onderwerp waarin men geïnteresseerd is 2. Afstandsmaat kiezen Een maat die aangeeft hoe groot de overeenkomst of het verschil is tussen twee feature vectoren 3. Clustercriterium vaststellen Er worden criteria gedefinieerd voor het onderscheiden van clusters. Meestal wordt dit met behulp van een zogenaamde kostenfunctie of bepaalde regels vastgelegd 4. Clusteralgoritme kiezen Bij deze stap kiest men een specifiek algoritmisch schema om de clusterstructuur van de gegevens bloot te leggen
5 5. Validatie van de classificatie Zodra resultaten van het clusteralgoritme verkregen zijn worden deze op correctheid gecontroleerd met een statistische toets 6. Interpretatie van de resultaten Resultaten van clusteranalyse worden vergeleken met andere experimentele gegevens en met die van andere analyse methoden
6 Kermerken worden in het kort weergegeven als vectoren bijvoorbeeld met twee kenmerken x en y: x = x 1 x 2 x 3. x n en y = y 1 y 2 y 3. y n waarbij x i, y i, i = 1 n de kenmerkswaarden zijn van de n kenmerken
7 Afstandsmaten ongelijkheidsmaat de Euclidische norm O(x, y) = x y = N i=1 x i y i 2 1/2 O(x, y) 0 en als x i = y i dan O(x, y) = 0 gelijkheidsmaat Gewogen inprodukt G(x, y) = x y x y
8 Hierbij is x y = N i=1 x = x x = x i y i = x y cos α 1/2 N x 2 i i=1 α: hoek tussen twee vectoren x en y voor positieve kenmerkswaarden dan 0 G(x, x) 1 en x i = y i dan G(x, x) = 1 Ook wordt wel de correlatie coëfficiënt gebruikt: G(x, y) = Ni=1 (x i x)(y i y) Ni=1 (x i x) 2 N i=1 (y i y) 2 Hierbij is x het gemiddelde gedefinieerd als Ni=1 x i x = N en N aantal kenmerken
9 Men maakt onderscheid tussen: Afstanden tussen vectoren onderling Afstanden tussen vectoren en clusters Afstanden tussen clusters onderling Bijvoorbeeld gewenst is: maximale afstand tussen vectoren binnen cluster kleiner dan minimale afstand tussen alle vectoren binnen cluster en vectoren buiten cluster
10 Algoritmes Optimalisatie-gebaseerde algoritmes Fitch methode Hiërarchische algoritmes groeperende algoritmes Unweighted Pair Group Method with Averages, UPGMA methode splitsende algoritmes
11 Twee cluster algoritmes constueer een dendogram waarbij de genen de bladeren vormen maak een doorsnijding van de boom op een bepaald niveau en dat geeft de gevraagde clusters
12 Fitch methode Clustercriterium vaststellen Definieer de som van de kwadraten als volgt SS = i j D ij D ij = O ij : afstandsmatrix (D ij d ij ) 2 d ij : matrix met afstanden tussen genen in de boom in gezochte boom is SS minimaal
13 Fitch methode Clusteralgoritme kiezen Evaluatie van alle mogelijke bomen en neem daarvan de beste is in de praktijk onmogelijk omdat er heel veel bomen zijn Daarom: 1. Neem willekeurig twee genen 2. Voeg een willekeurig gen toe en bepaal de beste boom (probeer met locale veranderingen de boom toch nog beter te krijgen) 3. Ga door tot alle genen aan de beurt zijn geweest
14 UPGMA methode Clustercriterium vaststellen en Clusteralgoritme kiezen 1. Alle genen vormen elk een cluster 2. Zoek de twee genen i, j die het meest op elkaar lijken en voeg ze samen tot gen q 3. bepaal GAP van gen q als gewogen gemiddelde en bepaal nieuwe afstandsmatrix of direct afstandsmatrix D q,s = n i n i + n j D i,s + n j n i + n j D j,s, s n i is aantal genen is de cluster i 4. Ga door tot alle genen aan de beurt zijn gekomen
15 Constructie dendrogrammen 2 kenmerken (n = 2) Bijv. % Vetten en % Proteïnen 5 genen Bijv. zoogdieren g =
16 Afstandsmatrix (5 5) met Euclidische afstand (ongelijkheidsmaat): O(g) = Afstandsmatrix met inprodukt (gelijkheidsmaat): G(g) =
17 Alleen tweede kenmerk g = O(g) = Fitch methode g_2!! g_5! g_4!!! +g_3! +g_1 Sum of squares = Omdat SS = 0 geldt d ij = D ij
18 Fitch methode Alleen eerste kenmerk g = O(g) = g_2!! g_5! g_4!!! +g_3! g_1 Sum of squares =
19 Fitch methode Beide kenmerken g = O(g) = g_2!! g_5! g_4!!! +g_3! g_1 Sum of squares =
20 Fitch methode Kenmerk 2 van gen 3 gewijzigd g = O(g) = g_2!! g_5! g_4!!! g_3! g_1 Sum of squares =
21 Fitch methode Afstandsmatrix (5 5) met Euclidische afstand O(g) = g_2!! g_5! g_4!!! +g_3! g_1 Sum of squares = examined 15 trees Between And Length g_ g_ g_ g_ g_
22 UPGMA methode O(g) = UPGMA method g_ ! g_2 --4! g_ ! g_ g_5 Between And Length g_ g_ g_ g_ g_
23 UPGMA methode Kenmerk 2 van gen 3 gewijzigd g = UPGMA method g_ g_2!! g_3!! g_ g_5 Between And Length g_ g_ g_ g_ g_ Conclusies Fitch and UPGMA algoritme zijn gelijk
Clusteranalyse: Theorie en Toepassingen in de Biologie B.P.P. van Houte en B.W. Kooi
Clusteranalyse: Theorie en Toepassingen in de Biologie B.P.P. van Houte en B.W. Kooi 1 Inleiding Clusteren is het classificeren van objecten in een aantal verschillende categorieën. De te classificeren
Nadere informatieYves Moreau 3de jr. Burg. Ir. Elektrotechniek Dataverwerking & Automatisatie
Yves Moreau 3de jr. Burg. Ir. Elektrotechniek Dataverwerking & Automatisatie 2001-2002 Hoe kunnen we de sequenties van meerdere proteïnen uit dezelfde familie tegelijkertijd vergelijken (dus niet paarsgewijs)?
Nadere informatieOplossingen Datamining 2II15 Juni 2008
Oplossingen Datamining II1 Juni 008 1. (Associatieregels) (a) Zijn de volgende beweringen juist of fout? Geef een korte verklaring voor alle juiste beweringen en een tegenvoorbeeld voor alle foute be-weringen:
Nadere informatieDierenwelzijn : Circussen
Directoraat-generaal Dier, Plant en Voeding Dienst Dierenwelzijn Contactpersoon : E-mail : Tel. : Els Vanautryve Els.Vanautryve@health.fgov.be 02/524.74.19 Dierenwelzijn : Circussen Beoordeling van de
Nadere informatie1. Reductie van error variantie en dus verhogen van power op F-test
Werkboek 2013-2014 ANCOVA Covariantie analyse bestaat uit regressieanalyse en variantieanalyse. Er wordt een afhankelijke variabele (intervalniveau) voorspeld uit meerdere onafhankelijke variabelen. De
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 informatiemlw stroom 2.1: Statistisch modelleren
mlw stroom 2.1: Statistisch modelleren College 5: Regressie en correlatie (2) Rosner 11.5-11.8 Arnold Kester Capaciteitsgroep Methodologie en Statistiek Universiteit Maastricht Postbus 616, 6200 MD Maastricht
Nadere informatieUitwerking Tentamen Datamining (2II15) 26/06/09
Uitwerking Tentamen Datamining (2II15) 26/06/09 1. (3p) (Clustering) Welke van de volgende uitspraken zijn correct? Voor de correcte uitspraken: leg uit, voor de incorrecte: geef een tegenvoorbeeld. (a)
Nadere informatieData Mining: Clustering
Data Mining: Clustering docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Wat is clustering? Het onderverdelen van de objecten in een database in homogene
Nadere informatieNaam:...
Naam:... Zijn dit huisdieren of wilde dieren? Zet ze in de goede rij. Kies uit: Hond olifant kat konijn leeuw krokodil hamster aap cavia kanarie pinguin tijger parkiet - giraffe..........................................
Nadere informatie1 Vlaamse Wiskunde Olympiade : Eerste Ronde.
Vlaamse Wiskunde Olympiade 986 987: Eerste Ronde De eerste ronde bestaat uit 0 meerkeuzevragen Het quoteringssysteem werkt als volgt : een deelnemer start met 0 punten Per goed antwoord krijgt hij of zij
Nadere informatieThema dieren. Deze werkbundel is van:
Deze werkbunl is van: DIEREN TELLEN Tel hoeveel je er ziet van elk dier. Noteer het aantal achter juiste benaming. hond: kat: het paard: hamster: slak: DIEREN TELLEN Oplossing Tel hoeveel je er ziet van
Nadere informatieHERTENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN
HERTENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN Vakcode: 8D. Datum: Vrijdag juli 3. Tijd: 9.. uur. Plaats: AUD 5. Lees dit vóórdat je begint! Maak iedere opgave op een apart vel. Schrijf je naam en studentnummer
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 informatieBioinformatica tentamen D1 voor 2MNW, 3I, 3PHAR op vrijdag 31 maart 2006 van uur in zaal Q105
Bioinformatica tentamen D1 voor 2MNW, 3I, 3PHAR op vrijdag 31 maart 2006 van 8.45-10.45 uur in zaal Q105 NB: er zijn extra vellen achteraan bijgevoegd die je kunt gebruiken om antwoorden verder uit te
Nadere informatieTECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Tentamen Statistiek 2 voor TeMa (2S195) op dinsdag , uur.
TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Statistiek voor TeMa (S95) op dinsdag 3-03-00, 9- uur. Bij het tentamen mag gebruik worden gemaakt van een zakrekenmachine en
Nadere informatieEnkelvoudige ANOVA Onderzoeksvraag Voorwaarden
Er is onderzoek gedaan naar rouw na het overlijden van een huisdier (contactpersoon: Karolijne van der Houwen (Klinische Psychologie)). Mensen konden op internet een vragenlijst invullen. Daarin werd gevraagd
Nadere informatieSummary in Dutch (Samenvatting)
Summary in Dutch (Samenvatting) Feature Netwerk Modellen (FNM) zijn grafische modellen die nabijheidsdata met behulp van features weergeven in een discrete ruimte. Nabijheidsdata ontstaan wanneer respondenten
Nadere informatieAntwoorden op de theoretische vragen in de examen voorbereiding
Antwoorden op de theoretische vragen in de examen voorbereiding Theorie vraag Zij A een m n-matrix. Geef het verband tussen de formule voor de dimensie d van een niet-strijdig stelsel, d = n rang (A) (zie
Nadere informatieExamenvragen Hogere Wiskunde I
1 Examenvragen Hogere Wiskunde I Vraag 1. Zij a R willekeurig. Gegeven is dat voor alle r, s Q geldt dat a r+s = a r a s. Bewijs dat voor alle x, y R geldt dat a x+y = a x a y. Vraag 2. Gegeven 2 functies
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 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 informatieFlying Sensor Rapport
Flying Sensor Rapport Locatie: Dintelse Gorzen Noord-Brabant Nederland Vluchtdatum: 21-mei-2014 Flying Sensor: Pelican Client: Natuurmonumenten HiView Costerweg 1V 6702AA Wageningen www.hiview.nl info@hiview.nl
Nadere informatieAanpassingen takenboek! Statistische toetsen. Deze persoon in een verdeling. Iedereen in een verdeling
Kwantitatieve Data Analyse (KDA) Onderzoekspracticum Sessie 2 11 Aanpassingen takenboek! Check studienet om eventuele verbeteringen te downloaden! Huidige versie takenboek: 09 Gjalt-Jorn Peters gjp@ou.nl
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 informatieDiscrete Wiskunde, College 12. Han Hoogeveen, Utrecht University
Discrete Wiskunde, College 12 Han Hoogeveen, Utrecht University Dynamische programmering Het basisidee is dat je het probleem stap voor stap oplost Het probleem moet voldoen aan het optimaliteitsprincipe
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 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 informatieOmtrent het begrip cluster is er geen eenduidige consistente definitie beschikbaar.
Clusteranalyse - E. Omey - AJ 2006-2007 1 Clusteranalyse E. Omey 1. Inleiding In verschillende sociale, politieke en ecnomische systemen zoals onderwijs en overheid en bedrijfswereld kunnen we structuren
Nadere informatie15 min. 1-4. NL Spelregels. 17998_ikleer_naar groep1_guide.indd 1 25-09-15 08:39
15 min. 1-4 NL Spelregels 17998_ikleer_naar groep1_guide.indd 1 25-09-15 08:39 Voor de ouders Ik leer Op weg naar groep 1 is een compleet spel met duidelijke doelen: 1 Kleuren en vormen leren 2 Letters
Nadere informatieT.A. Horsmeier. Hoeken en kromming. In genormeerde ruimten zonder inprodukt. Bachelorscriptie, 25 augustus 2009
T.A. Horsmeier Hoeken en kromming In genormeerde ruimten zonder inprodukt Bachelorscriptie, 25 augustus 2009 Scriptiebegeleider: Dr. O.W. van Gaans Mathematisch Instituut, Universiteit Leiden Inhoudsopgave
Nadere informatieOpgaven Inleiding Analyse
Opgaven Inleiding Analyse E.P. van den Ban Limieten en continuïteit Opgave. (a) Bewijs direct uit de definitie van iet dat y 0 y = 0. (b) Bewijs y 0 y 3 = 0 uit de definitie van iet. (c) Bewijs y 0 y 3
Nadere informatieAanvraagformulier speelvergunning circus
Aanvraagformulier speelvergunning circus Ondergetekende verzoekt op grond van de Algemene Plaatselijke Verordening Teylingen en eventuele andere wetgeving vergunning om een circus te mogen organiseren
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren
Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Cursusjaar 2014-2015 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 17 juni
Nadere informatieSamenvatting De belangrijkste onderzoeksvraag waarop het werk in dit proefschrift een antwoord probeert te vinden, is welke typen taalkundige informatie het nuttigst zijn voor de lexicale desambiguatie
Nadere informatied(w j, x i ) d(w l, x i ) Voorbeeld
Transparanten bij het vak Inleiding Adaptieve Systemen: Unsupervised Leren/ Self organizing networks. M. Wiering Unsupervised Learning en Self Organizing Networks Leerdoelen: Weten wat unsupervised learning
Nadere informatieTentamen Biostatistiek 2 voor BMT (2DM50), op dinsdag 5 april 2011 9.00-12.00 uur
Faculteit der Wiskunde en Informatica Tentamen Biostatistiek 2 voor BMT (2DM50), op dinsdag 5 april 2011 9.00-12.00 uur Bij het tentamen mag alleen gebruik worden gemaakt van een zakrekenmachine. Het gebruik
Nadere informatieAntwoordvel Versie A
Antwoordvel Versie A Interimtoets Toegepaste Biostatistiek 13 december 013 Naam:... Studentnummer:...... Antwoorden: Vraag Antwoord Antwoord Antwoord Vraag Vraag A B C D A B C D A B C D 1 10 19 11 0 3
Nadere informatieFACULTEIT ECONOMIE EN BEDRIJFSKUNDE Afdeling Kwantitatieve Economie
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE Afdeling Kwantitatieve Economie Lineaire Algebra, tentamen Uitwerkingen vrijdag 4 januari 0, 9 uur Gebruik van een formuleblad of rekenmachine is niet toegestaan. De
Nadere informatieKazhdan-Lusztig-Vogan polynomen voor gespleten E 8, een uitzonderlijke berekening voor een exceptionele groep
Kazhdan-Lusztig-Vogan polynomen voor gespleten E 8, een uitzonderlijke berekening voor een exceptionele groep Marc van Leeuwen Laboratoire de Mathématiques et Applications Université de Poitiers 28 november
Nadere informatieTentamen Biostatistiek 1 voor BMT (2DM40) woensdag 2 november 2011, uur
Faculteit der Wiskunde en Informatica Tentamen Biostatistiek 1 voor BMT (2DM40) woensdag 2 november 2011, 9.00-12.00 uur Bij het tentamen mag gebruik worden gemaakt van een zakrekenmachine en van een onbeschreven
Nadere informatieGegevensverwerving en verwerking
Gegevensverwerving en verwerking Staalname Bibliotheek - aantal stalen/replicaten - grootte staal - apparatuur - beschrijvend - variantie-analyse Experimentele setup Statistiek - correlatie - regressie
Nadere informatievandaag is Annie twee jaar jonger dan Ben en Cees samen
Hoofdstuk I Lineaire Algebra Les 1 Stelsels lineaire vergelijkingen Om te beginnen is hier een puzzeltje: vandaag is Annie twee jaar jonger dan Ben en Cees samen over vijf jaar is Annie twee keer zo oud
Nadere informatieGrafen. Indien de uitgraad van ieder punt 1 is, dan bevat de graaf een cykel. Indien de ingraad van ieder punt 1 is, dan bevat de graaf een cykel.
Grafen Grafen Een graaf bestaat uit een verzameling punten (ook wel knopen, of in het engels vertices genoemd) en een verzameling kanten (edges) of pijlen (arcs), waarbij de kanten en pijlen tussen twee
Nadere informatieOpdracht 1 Topics on Parsing and Formal Languages - fall 2010
Opdracht 1 Topics on Parsing and Formal Languages - fall 2010 Rick van der Zwet 8 december 2010 Samenvatting Dit schrijven zal uitwerkingen van opgaven behandelen uit het boek [JS2009]
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 informatieMore points, lines, and planes
More points, lines, and planes Make your own pictures! 1. Lengtes en hoeken In het vorige college hebben we het inwendig product (inproduct) gedefinieerd. Aan de hand daarvan hebben we ook de norm (lengte)
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 informatieFormuleblad. Hoofdstuk 1: Gemiddelde berekenen: = x 1 + x 2 + x 3 + +x n / n Of: = 1/n Σ x i
Formuleblad Hoofdstuk 1: Gemiddelde berekenen: = x 1 + x 2 + x 3 + +x n / n Of: = 1/n Σ x i Plaats van de median berekenen: Oneven aantal observaties: (n+1)/2 Even aantal observaties: gemiddelde van de
Nadere informatieGreedy algoritmes. Algoritmiek
Greedy algoritmes Algoritmiek Algoritmische technieken Trucs, methoden, paradigma s voor het ontwerpen van algoritmen Dynamisch Programmeren Divide & Conquer Greedy 2 Greedy algoritme Bouwt de oplossing
Nadere informatie11. Multipele Regressie en Correlatie
11. Multipele Regressie en Correlatie Meervoudig regressie model Nu gaan we kijken naar een relatie tussen een responsvariabele en meerdere verklarende variabelen. Een bivariate regressielijn ziet er in
Nadere informatieHoofdstuk 12: Eenweg ANOVA
Hoofdstuk 12: Eenweg ANOVA 12.1 Eenweg analyse van variantie Eenweg en tweeweg ANOVA Wanneer we verschillende populaties of behandelingen met elkaar vergelijken, dan zal er binnen de data altijd sprake
Nadere informatieExamen Lineaire Algebra en Meetkunde Tweede zit (13:30-17:30)
Examen Lineaire Algebra en Meetkunde Tweede zit 2016-2017 (13:30-17:30) 1 Deel gesloten boek (theorie) (5.5pt) - indienen voor 14u30 (0.5pt) Geef de kleinste kwadratenoplossing van het stelsel AX = d,
Nadere informatie1 Eigenwaarden en eigenvectoren
Eigenwaarden en eigenvectoren Invoeren van de begrippen eigenwaarde en eigenvector DEFINITIE Een complex (of reëel getal λ heet een eigenwaarde van de n n matrix A als er een vector x is met Ax = λx Dan
Nadere informatieStatica(WB/MT) college 4 Moment, uitprodukt. Guido Janssen
Statica(WB/MT) college 4 Moment, uitprodukt Guido Janssen G.c.a.m.janssen@tudelft.nl Toets 3, vraag 9 Toets 3 vraag 9 F AC max =1500N F AB max =1250N + å F = 0 x + åf y = 0 æ 3 F AB cos45 - F AC ç ö è
Nadere informatie1 Introductie. 2 Oppervlakteformules
Introductie We werken hier met ongeoriënteerde lengtes en voor het gemak laten we de absoluutstrepen weg. De lengte van een lijnstuk XY wordt dus ook weergegeven met XY. Verder zullen we de volgende notatie
Nadere informatiePrincipe Maken van een Monte Carlo data-set populatie-parameters en standaarddeviaties standaarddeviatie van de bepaling statistische verdeling
Monte Carlo simulatie In MW\Pharm versie 3.30 is een Monte Carlo simulatie-module toegevoegd. Met behulp van deze Monte Carlo procedure kan onder meer de betrouwbaarheid van de berekeningen van KinPop
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 informatieResultaten IJkingstoets Bio-ingenieur 2 juli Nummer vragenreeks: 1
Resultaten IJkingstoets Bio-ingenieur juli 8 Nummer vragenreeks: Resultaten IJkingstoets Bio-ingenieur juli 8 - p. / Aan de KU Leuven, Universiteit Antwerpen en Universiteit Gent namen in totaal 4 aspirant-studenten
Nadere informatieProject Dynamica: oefenopgaven met R
Project Dynamica: oefenopgaven met R De onderstaande opgaven dienen in R gemaakt te worden; uitwerkingen hoeven niet ingeleverd te worden. Zie de website http://www.r-project.org/ voor R manuals. Start
Nadere informatieVector-en matrixvergelijkingen. Figuur: Vectoren, optellen
Vector-en matrixvergelijkingen (a) Parallellogramconstructie (b) Kop aan staartmethode Figuur: Vectoren, optellen (a) Kop aan staartmethode, optellen (b) Kop aan staart methode, aftrekken Figuur: Het optellen
Nadere informatiecompact weer te geven (ken ook een waarde toe aan n).
1 HOVO: Gravitatie en kosmologie OPGAVEN WEEK 2 - Oplossingen Opgave 1: Er geldt n 3 en we hebben de compacte uitdrukking y i a r i x r, waarbij we gebruik maken van de Einsteinsommatieconventie. a Schrijf
Nadere informatieHoofdstuk 12 : Regressie en correlatie. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent.
Hoofdstuk 12 : Regressie en correlatie Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Regressie en correlatie p 1/26 Regressielijn Vraag : vind het
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren
Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Cursusjaar 2017-2018 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 21 maart
Nadere informatieAlgoritmen abstract bezien
Algoritmen abstract bezien Jaap van Oosten Department Wiskunde, Universiteit Utrecht Gastcollege bij Programmeren in de Wiskunde, 6 april 2017 Een algoritme is een rekenvoorschrift dat op elk moment van
Nadere informatieLineaire algebra I (wiskundigen)
Lineaire algebra I (wiskundigen) Voorbeelden van toetsopgaven, 011 en (1) (a) Bepaal de afstand van het punt Q = (1,, ) R 3 tot het vlak gegeven door x + y z = 1. (b) Bepaal de hoek tussen de vectoren
Nadere informatieVectoranalyse voor TG
college 6 collegejaar : 8-9 college : 6 build : 2 oktober 28 slides : 38 Vandaag Minecraft globe van remi993 2 erhaalde 3 4 intro VA Drievoudige integralen Section 5.5 Definitie Een rechthoekig blok is
Nadere informatieTransport-, Routing- en Schedulingproblemen. Wi4062TU / Wi487TU / a86g. Uitwerkingen
Transport-, Routing- en Schedulingproblemen Wi4062TU / Wi487TU / a86g Uitwerkingen 28-03-2003 1 Docenten Onderdeel a Er zijn 6 vakken V 1, V 2,..., V 6. Vak V j heeft een vraag b j = 1, voor j = 1, 2,...,
Nadere informatieScherm 2: Uitleg Na deze uitleg begint de oefenronde.
Scherm 1: Intro Welkom. Deze vragenlijst bestaat deels uit een experiment. Als u de instructies volgt, kunt u ongeveer 10 euro verdienen. Dit geld voegen we na het experiment toe aan uw tegoed (het kan
Nadere informatiewerkcollege 8 correlatie, regressie - D&P5: Summarizing Bivariate Data relatie tussen variabelen scattergram cursus Statistiek
cursus 23 mei 2012 werkcollege 8 correlatie, regressie - D&P5: Summarizing Bivariate Data relatie tussen variabelen onderzoek streeft naar inzicht in relatie tussen variabelen bv. tussen onafhankelijke
Nadere informatieHoofdstuk 3. Matrices en stelsels. 3.1 Matrices. [[1,7]],[[12,8] ] of [ 1, 7; 12,8 ] bepaalt de matrix
Hoofdstuk 3 Matrices en stelsels 3.1 Matrices Een matrix is in DERIVE gedefinieerd als een vector van vectoren. De rijen van de matrix zijn de elementen van de vector. Op de volgende manier kan je een
Nadere informatie(foto a) Inhoud van het koffertje 15 dierenkaarten Ollie de olifant. (foto b) (foto c)
00261 00261_dieren_HDL_NL.indd 1 17-01-2007 07:40:54 (foto a) Met Ik leer alles over dieren ontdekken kleuters leuke, grappige en verrassende dingen over hun favoriete dieren! Op de vrolijke kaarten staan
Nadere informatieTentamen Data Mining. Algemene Opmerkingen. Opgave L. Korte vragen (L6 punten) Tijd: 14:00-17:00. Datum: 4januai20l6
Tentamen Data Mining Datum: 4januai2l6 Tijd: 4: - 7: Algemene Opmerkingen e Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. o Laat bij het uitvoeren van berekeningen zien hoeje
Nadere informatieHoofdstuk 3 : Determinanten
(A5D) Hoofdstuk 3 : Determinanten Les : Determinanten Definitie 3. De determinant van de [2 x 2]-matrix A = ( a c det(a) = ad bc. b ) is een getal met waarde d a b Notatie : det(a) = = ad bc c d Voorbeeld
Nadere informatieDiscrete Wiskunde 2WC15, Lente Jan Draisma
Discrete Wiskunde 2WC15, Lente 2010 Jan Draisma HOOFDSTUK 2 Gröbnerbases 1. Vragen We hebben gezien dat de studie van stelsels polynoomvergelijkingen in meerdere variabelen op natuurlijke manier leidt
Nadere informatieInhoud - 5 lottokaarten - 30 lotto fi ches - 26 alfabet puzzels - 5 cijfer puzzels - 1 spelbord
op weg naar groep 1 Met ik leer op weg naar groep 1 leren kinderen spelenderwijs tellen van 1 tot en met 5, het alfabet, kleuren benoemen en vormen & silhouetten herkennen. Als een kind 3 jaar oud is,
Nadere informatieData Mining: similariteit en visuele data exploratie
Data Mining: similariteit en visuele data exploratie docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Overzicht: wat zagen we vorige les? Data karakteristieken
Nadere informatieTentamen Biostatistiek 2 voor BMT (2DM50), op maandag 2 juli uur
Faculteit der Wiskunde en Informatica Tentamen Biostatistiek 2 voor BMT (2DM50), op maandag 2 juli 2012 9.00-12.00 uur Bij het tentamen mag alleen gebruik worden gemaakt van een zakrekenmachine. Het gebruik
Nadere informatieKwantummechanica Donderdag, 13 oktober 2016 OPGAVEN SET HOOFDSTUK 4. Bestudeer Appendix A, bladzijden van het dictaat.
1 Kwantummechanica Donderdag, 1 oktober 016 OPGAVEN SET HOOFDSTUK 4 VECTOREN OVER DE REËLE RUIMTE DUS DE ELEMENTEN ZIJN REËLE GETALLEN Bestudeer Appendix A, bladzijden 110-114 van het dictaat. Opgave 1:
Nadere informatieTW2020 Optimalisering
TW2020 Optimalisering Hoorcollege 7 Leo van Iersel Technische Universiteit Delft 21 oktober 2015 Leo van Iersel (TUD) TW2020 Optimalisering 21 oktober 2015 1 / 20 Deze week: algoritmes en complexiteit
Nadere informatieVectoranalyse voor TG
college 4 en raakvlakken collegejaar : 16-17 college : 4 build : 19 september 2016 slides : 30 Vandaag Snowdon Mountain Railway (Wales) 1 De richtingsafgeleide 2 aan een grafiek 3 Differentieerbaarheid
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 informatieData mining Van boodschappenmandjes tot bio-informatica
Data mining Van boodschappenmandjes tot bio-informatica Walter Kosters Informatica, Universiteit Leiden donderdag 6 april 2006 http://www.liacs.nl/home/kosters/ 1 Wat is Data mining? Data mining probeert
Nadere informatie1 Vlaamse Wiskunde Olympiade : tweede ronde
1 Vlaamse Wiskunde Olympiade 005-006: tweede ronde Volgende benaderingen kunnen nuttig zijn bij het oplossen van sommige vragen 1,1 3 1,731 5,361 π 3,116 1 Als a 1 3 a 1 3 a m = a met a R + \{0, 1}, dan
Nadere informatieUitgebreide uitwerking Tentamen Complexiteit, mei 2007
Uitgebreide uitwerking Tentamen Complexiteit, mei 007 Opgave. a. Een beslissingsboom beschrijft de werking van het betreffende algoritme (gebaseerd op arrayvergelijkingen) op elke mogelijke invoer. In
Nadere informatieElfde college algoritmiek. 16 mei Dijkstra, Gretige algoritmen en Branch & Bound
Algoritmiek 013/11 College 11 Elfde college algoritmiek 1 mei 013 Dijkstra, Gretige algoritmen en Branch & Bound 1 Algoritmiek 013/11 Voorbeeld -1- A B C D E F G H 9 7 5 A B C D E F G H 0 9 9 7 5 A B C
Nadere informatie7.4 Script en plaatjes les
7.4 Script en plaatjes les Ik wil een leuk spelletje met jullie doen. En het spelletje heeft te maken met woordjes. Het Nederlands bestaat uit twee verschillende groepen woorden. Je hebt woorden die samengaan
Nadere informatieConsultancy Karakteriseren isolaten Xanthomonas hortorum pv pelargonii van toen en nu November Hedwich Teunissen Jan Westerhof Daniël Deinum Menno Hoekstra Irma Lukassen Naktuinbouw Consultancy Karakteriseren
Nadere informatieIJkingstoets burgerlijk ingenieur juli 2013: algemene feedback
IJkingstoets burgerlijk ingenieur 1 juli 013 - reeks 1 - p. 1 IJkingstoets burgerlijk ingenieur juli 013: algemene feedback In totaal namen 61 studenten deel aan de ijkingstoets burgerlijk ingenieur die
Nadere informatie(c) Bepaal de kans dat de linker bedelaar van 10 voorbijgangers in totaal exact 420 ct ontvangt.
Tentamen Statistiek van Proefopzetten wi244st 4 juni 2007, 4.00 7.00 uur Toelichting. Een antwoord alleen is niet voldoende: er dient een motivatie, toelichting of berekening aanwezig te zijn. Gebruik,
Nadere informatieGrafieken van veeltermfuncties
(HOOFDSTUK 43, uit College Mathematics, door Frank Ayres, Jr. and Philip A. Schmidt, Schaum s Series, McGraw-Hill, New York; dit is de voorbereiding voor een uit te geven Nederlandse vertaling). Grafieken
Nadere informatieOverzicht. Inleiding. Modellering. Insertie heuristieken. Voorbeeld: CVV. Local Search. Meta heuristieken. Vehicle Routing Problem 1
Overzicht Inleiding Modellering Insertie heuristieken Voorbeeld: CVV Local Search Meta heuristieken Vehicle Routing Problem 1 Inleiding Gegeven Depot-knoop 0 Klant-knopen i met vraag q i, i = 1,..., n
Nadere informatieAan de slag met: eenvoudig zoeken en filteren van zoekresultaten
Aan de slag met: eenvoudig zoeken en filteren van zoekresultaten versie januari 0 Wilt u zoeken zoals u in Google zoekt, dan is de homepage uw startpunt. Tik uw zoekvraag in in het zoekveld. Rechts verschijnen
Nadere informatieIJkingstoets burgerlijk ingenieur juli 2013: algemene feedback
IJkingstoets burgerlijk ingenieur 1 juli 013 - reeks - p. 1 IJkingstoets burgerlijk ingenieur juli 013: algemene feedback In totaal namen 61 studenten deel aan de ijkingstoets burgerlijk ingenieur die
Nadere informatieIJkingstoets burgerlijk ingenieur juli 2013: algemene feedback
IJkingstoets burgerlijk ingenieur 1 juli 013 - reeks 3 - p. 1 IJkingstoets burgerlijk ingenieur juli 013: algemene feedback In totaal namen 61 studenten deel aan de ijkingstoets burgerlijk ingenieur die
Nadere informatieUitleg van de Hough transformatie
Uitleg van de Hough transformatie Maarten M. Fokkinga, Joeri van Ruth Database groep, Fac. EWI, Universiteit Twente Versie van 17 mei 2005, 10:59 De Hough transformatie is een wiskundige techniek om een
Nadere informatieHERTENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN
HERTENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN Vakcode: 8D2. Datum: woensdag 28 juni 26. Tijd: 4: 7:. Plaats: HG. C. Lees dit vóórdat je begint! Maak iedere opgave op een apart vel. Schrijf je naam
Nadere informatieOpgaven hoofdstuk 12 Enkelvoudige lineaire regressie
Opgaven hoofdstuk 12 Enkelvoudige lineaire regressie 12.1 Teken voor elk van de volgende gevallen de lijn die door de gegeven punten gaat. a. (1,1) en (5,5). b. (0,3) en (3,0) c. ( 1,1) en (4,2) d. ( 6,
Nadere informatieOpgaven Functies en Reeksen. E.P. van den Ban
Opgaven Functies en Reeksen E.P. van den Ban c Mathematisch Instituut Universiteit Utrecht Augustus 2014 1 Opgaven bij Hoofdstuk 1 Opgave 1.1 Zij f : R n R partieel differentieerbaar naar iedere variabele
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 informatie