Sterrenkunde Praktikum 1 Fouten en fitten

Save this PDF as:
 WORD  PNG  TXT  JPG

Maat: px
Weergave met pagina beginnen:

Download "Sterrenkunde Praktikum 1 Fouten en fitten"

Transcriptie

1 Sterrenkunde Praktikum 1 Fouten en fitten Paul van der Werf 12 februari Inleiding In de sterrenkunde werken we vaak met zwakke signalen, of met grote hoeveelheden metingen van verschillende nauwkeurigheid. Daarom speelt een goede behandeling van de onzekerheden van een resultaat een belangrijke rol. Daarom zal hier worden ingegaan op de behandeling van onzekerheden. Ook het passen ( fitten ) van een functie aan verkregen resultaten en het vervolgens beoordelen van de (on)nauwkeurigheid van die fit is een belangrijke sterrenkundig techniek, die hier aan de orde komt. 2 Onzekerheden Elk resultaat dat je met een experiment verkrijgt heeft een bepaalde eindige nauwkeurigheid, en dus ook een bepaalde onzekerheid of foutmarge. Als je bijvoorbeeld de positie van een object op een CCD wilt bepalen heb je altijd te maken met een kleinste meet-eenheid (1 foton), en met de pixelgrootte van een CCD. Wanneer je één foton hebt geregistreerd van een ster, kun je de positie niet preciezer aangeven dan tot op een pixel nauwkeurig. Registreer je meerdere fotonen dan kun je, in principe, de positie van de ster bepalen tot op een fractie van een pixel. Hoe goed dat lukt hangt af van de verdeling van de fotonen over de pixels. Uit de verdeling van de fotonen schat je de positie van het object door de gemiddelde waarde van de posities van alle fotonen te bepalen. Die schatting van de positie wordt preciezer naarmate je meer fotonen hebt geregistreerd, en naarmate de verdeling van die fotonen nauwer is. De breedte van de verdeling hangt vaak af van de opzet van het experiment (bv. het diffractiebegrensd oplossend vermogen van het instrument bij de waarneemgolflengte), maar is soms ook afhankelijk van, of gegeven door de natuur. Op aarde heb je altijd last van de onrust van de atmosfeer ( seeing ) die alle afbeeldingen versmeert met een functie met een typische afmeting van de orde van een boogseconde (in het visuele golflengtegebied). Opnamen gemaakt met de Hubble Space Telescope hebben daarvan geen last, en hun scherpte wordt dan ook bepaald door de grootte van de pixels en de diffractiegrens van de optiek. 3 Toevallige fouten Om uit een verdeling van fotonen een positie af te leiden gaan we er van uit dat alle fotonen uit dezelfde richting ( de exacte positie van het object) komen, en dat het proces dat ervoor verantwoordelijk is dat we ze niet allemaal als komend uit die richting waarnemen, geen systematische verplaatsing veroorzaakt. Met andere woorden, we nemen aan (of vergewissen ons ervan) dat we met toevallige fouten te maken hebben, waarbij de afwijkingen ten opzichte van het exacti resultaat willekeurig verdeeld zijn. Wiskundig gesproken gedragen de metingen zich dan als zg. toevalsvariabelen. Dit zijn variabelen waarvan de waarde niet precies vast ligt, maar waarvan wel bekend is dat die waarden verdeeld zijn volgens een bepaalde verdelingsfunctie P (x), waarbij P (x 0 )dx de kans is, om dat de variable een waarde tussen x 0 en x 0 + dx heeft. Omdat de totale kans 1 moet zijn, is de verdelingsfunctie genormaliseerd via de normalisatievoorwaarde P (x)dx = 1. (1) We definiëren de momenten van P als volgt: het n-de moment van P wordt gegeven door x n = 1 x n P (x)dx. (2)

2 De momenten zijn belang omdat deze vaak relatief gemakkelijk uit de gegevens zijn af te leiden, ook als de precieze verdelingsfunctie onbekend is. Er kan worden bewezen dat een willekeurige verdelingsfunctie volledig kan worden gespecifiveerd door al zijn momenten te specificeren. De laagste orde momenten hebben een simpele betekenis. Het eerste orde moment is de verwachtingswaarde of het gemiddelde van x: x = xp (x)dx = x, (3) waarbij x het gemiddelde aangeeft. Het 2de orde moment wordt gegeven door x 2 = x 2 P (x)dx. (4) Dit wordt nuttiger als we het 2de orde nemen rond het gemiddelde, dus eerst het gemiddelde er af trekken. Dit noemen we de variantie σ 2. σ 2 = (x x ) 2. (5) Dus zodat σ 2 = σ 2 = σ 2 = x 2 2 x (x x ) 2 P (x)dx, (6) ( x 2 2x x + x 2) P (x)dx, (7) xp (x)dx + x 2 P (x)dx, (8) σ 2 = x 2 2 x 2 + x 2, (9) σ 2 = x 2 x 2. (10) De wortel uit de variantie noemen we dispersie σ. Deze is van belang omdat hij een maat geeft voor de breedte van de verdelingsfunctie P. Een resultaat kan nu met zijn nauwkeurigheid gespecificeerd worden door x en σ te vermelden, in de notatie x ± σ. 3.1 Optellen van grootheden met onzekerheden In de praktijk moeten we vaak grootheden optellen om tot een resultaat te komen. Maar wat is dan de onzekerheid in de som? Wiskundig ziet dit er als volgt uit: laat x 1 en x 2 twee onafhankelijke toevalsvariabelen zijn met verdelingsfuncties P 1 (x 1 ) en P 2 (x 2 ), gemiddelden m 1 en m 2 en dispersies σ 1 en σ 2. Wat is dan het gemiddelde m z en de dispersie σ z van z = x 1 + x 2? Er kan worden aangetoond dat geldt en m z = m 1 + m 2 (11) σ 2 z = σ σ 2 2. (12) Dit resultaat heeft een belangrijke toepassing, nl. bij het berekenen van de standaarddeviatie van het gemiddelde. Dit is een vaak voorkomend geval: bij een aantal metingen van dezelfde grootheid nemen we de gemiddelde waarde als meest waarschijnlijke uitkomst. Maar wat is de onzekerheid op die uitkomst? De gemiddelde waarde wordt gegeven door z = 1 N x i (13) waarbij x i de uitkomst van meting i is en er in totaal N metingen zijn. Met behulp van het hierboven afgeleide volgt voor de dispersie van z nu de uitdrukking σ 2 z = ( σi ) 2 (14) N 2

3 waarbij σ i de dispersie van meting i is. Als we dezelfde meting een aantal keren herhalen, zullen we steeds dezelfde dispersie hebben, dus σ i = σ en dus σ 2 z = N N 2 σ2, (15) zodat σ z = 1 N σ. (16) Dit is een belangrijk resultaat, dat aangeeft dat de meetnauwkeurigheid beter wordt met de wortel uit het aantal metingen. 3.2 De normaalverdeling Er kan worden aangetoond, dat als er alleen toevallige fouten in het spel zijn, voor grote aantallen metingen de verdelingsfunctie van de resultaten in de buurt van het gemiddelde altijd nadert tot een bepaalde verdeling, die de Gaussische of normaal -verdeling wordt genoemd. Het wiskundige beeld is dan als volgt. We zoeken een bepaalde grootheid X, en we hebben N metingen die de resultaten x i (i = 1, 2,..., N) opleveren. De metingen x i zijn dan verdeeld volgens de volgende kansverdeling: 1 P (x i ) = (x 2πσ 2 e i X) 2 2σ 2. (17) Wat betekent dit nu in de praktijk? In de praktijk krijgen we met N onafhankelijke metingen x i een verdeling n(x i ). Let op: die is niet precies gelijk aan P (x i ), maar (als er geen systematische fouten in het spel zijn) zal n(x i ) wel steeds meer P (x i ) gaan benaderen naarmate N groter wordt. Het gevolg daarvan is dat x, de gemiddelde waarde van x i, weliswaar de beste schatting van X is, maar hij is daaraan niet exact gelijk. Maar als je weet wat de waarde van σ is, kun je schatten hoe groot de onzekerheid in het resultaat is, nl. σ/ N. Maar let op: ook σ weten we doorgaans niet a priori en meestal gebruiken we dus een schatting: σ est = N (x i x) 2. (18) N 1 Er kan bewezen worden dat deze uitdrukking σ (zoals gedefinieerd door Eq. (10)) benadert voor grote waarden van N. In de praktijk gebruiken we dus N waarden van x i en leiden daaruit x en σ est af; we gebruiken deze als schattingen van X en σ, met andere woorden, we doen alsof we hiermee een kansverdeling van X bepaald hebben (formeel alleen waar voor oneindig grote N), met gemiddelde x en dispersie σ est, zodat de onzekerheid σ est / N wordt. Let op: de dispersie σ is een eigenschap van de uitkomsten van het experiment. Met andere woorden, zowel de beperkingen van een instrument als ook de eigenschappen van het bestudeerde object kunnen daaraan bijdragen. De dispersie hangt dus niet af van N, het aantal metingen. Wel wordt het verschil tussen σ en de schatting daarvan (σ est ) kleiner naarmate N groter is. Opgave 1: In de praktijk wordt een bepaling x van een grootheid x altijd vermeld met zijn foutmarge, waarvoor σ gebruikt wordt. Beantwoord, om te begrijpen wat dit betekent in termen van waarschijnlijkheden, de volgende vragen, met behulp van bijgevoegde tabel (waarin z gedefineerd is als z = x/σ). 1. Wat is de kans dat x een waarde heeft tussen x σ en x + σ? 2. Wat is de kans dat x een waarde heeft tussen x 2σ en x + 2σ? 3. Wat is de kans dat x een waarde heeft tussen x 3σ en x + 3σ? Op grond hiervan wordt een resultaat pas betrouwbaar geacht als het groter is dan 3σ. 3

4 3.3 Het kombineren van toevallige fouten Vaak is de grootheid die je zoekt niet direkt meetbaar, maar volgt hij uit een kombinatie van grootheden die je wel kunt meten. Wiskundig hebben we het dan over een grootheid A afgeleid uit waargenomen grootheden x 1, x 2,..., x N met behulp van A = f(x 1, x 2,..., x N ). Laat de onzekerheid in elk van de x i bekend zijn en gelijk aan x i. Wat is dan de onzekerheid in de afgeleide grootheid A, oftewel A? Als de grootheid A van maar één enkele x i zou afhangen, d.w.z. als A = f(x), dan is gemakkelijk in te zien dat de fout in A, dat wil zeggen A, evenredig is aan de fout in x, x. De evenredigheidsfactor is gelijk aan de mate waarin A van x afhangt, met andere woorden A/ x, zodat we krijgen A = A/ x x. Als A niet van één enkele x, maar van meerdere x i afhangt, wordt de totale fout in A gevonden uit een kombinatie van de N fouten in A ten gevolge van de fouten in de N x i -waarden. De bijdrage van elk van de x i aan A hangt weer af van de mate waarin A afhangt van x i. Bovendien moeten, zoals hierboven aangetoond, de bijdragen van de verschillende x i kwadratisch bij elkaar worden opgeteld. Daarom geldt A = N ( A x i ) x 2. (19) i Opgave 2: Laat z = xy, waarbij x en y de gemiddelde waarden van de toevalsvariabelen x en y zijn, en σ x en σ y hun dispersies. Laat zien dat voor de gemiddelde waarde z en dispersie σ z van z geldt: ( σz z ) 2 = ( σx x ) ( ) 2 2 σy +. (20) y Gebruik hiervoor Eq. (19). Dit resultaat laat zien, dat bij vermenigvuldigen de relatieve fouten kwadratisch opgeteld moeten worden. Bij optellen en aftrekken waren dat de absolute fouten. Let op: de uitdrukking voor de gecombineerde fout van twee grootheden die je op elkaar deelt is complexer. Opgave 3: Stel we hebben voor de bepaling van een grootheid twee metingen x 1 en x 2 met dispersies σ 1 en σ 2, die niet per se gelijk zijn. Bij het bepalen van de gemiddelde waarde x zouden nu het liefst meer gewicht toekennen aan de meting met de kleinste dispersie. Hoe doen we dit optimaal? We definiëren een gewogen gemiddelde met de uitdrukking x = w 1x 1 + w 2 x 2 = x 1 + wx 2 w 1 + w w (21) waarin w = w 2 /w 1. Het blijkt dat de optimale gewichten worden gegeven door w i = 1 σ 2 i (22) Laat zien dat dit het geval is, door eerst σ x te bepalen en deze vervolgens te minimaliseren als functie van w. Wat is de dispersie van het gewogen gemiddelde dat je op deze manier bepaald hebt? 4 Systematische fouten Zijn er alleen maar toevallige fouten in het spel, dan geldt dat X = x ± σ est / N. Zijn er echter ook systematische fouten aanwezig, dan geldt deze gelijkheid niet. Systematische fouten zijn vrijwel altijd een gevolg van een onvoldoende nauwkeurige beschrijving/analyse van het experiment of de waarneming. Bijvoorbeeld, als bij een goed scherpgestelde (gefocusseerde) telescoop de temperatuur verandert, zal de lengte van de buis veranderen. Daardoor zal de telescoop niet meer precies in focus zijn. De afmetingen van objecten zullen overschat worden. Bij systematische fouten gaat de afwijking dus een bepaalde kant op, en niet een willekeurige kant zoals bij toevallige fouten. 4

5 5 Fitten Een subtieler geval van fouten-analyse komen we tegen als we waarneemgegevens gaan vergelijken met een model-beschrijving. Het model bevat meestal één of meerdere parameters die je zo goed mogelijk met behulp van de data wilt bepalen. Maar wat betekent: zo goed mogelijk bepalen? Daarvoor moet je de intuïtieve betekenis van zo goed mogelijk in een wiskundig kriterium omzetten. 5.1 Ongewogen fits We nemen eerst het eenvoudige geval van een grootheid die afhangt van één enkele parameter, dus y = f(x). We hebben N gemeten paren (x j, y j ). Neem bovendien aan dat de x j s met oneindige precisie bekend zijn en dat alle y j s dezelfde onzekerheid hebben. Zodra de vorm van f(x) gespecificeerd is, kun je nu de beste waarden van de parameters in de formule voor f(x) uit de waarnemingen afleiden. De meest gangbare manier om die beste waarden te definiëren is te zeggen dat dit de waarden zijn die de som van de gekwadrateerde afwijkingen minimaliseert. Dit kriterium wordt de kleinste kwadraten (Least Squares, LSQ) methode genoemd. Wiskundig komt dit neer op het minimaliseren van de som N j=1 (f(x j) y j ) 2. Stel dat het gebruikte model een polynoom is, d.w.z. y = n i=0 a ix i. De beste waarden voor de a i s, dat wil zeggen de koëfficienten van het polynoom, kunnen worden bepaald met behulp van een LSQ-fit. De eis dat S = N j=1 (f(x j) y j ) 2 minimaal moet zijn wordt dan dat N j=1 ( n i=0 a ix i j y j) 2 minimaal moet zijn. De beste waarden van de koëfficienten a i, dat wil zeggen die waarvoor S minimaal is, worden nu gevonden door te eisen: S/ a i = 0, met i = 1,..., n. 5.2 Gewogen fits Tot nu toe hebben we aangenomen dat alle waarden van y i dezelfde onzekerheid hebben. Dat betekent dat je N j=1 δ2 j, met δ j = (f(x j ) y j ), kon minimaliseren. Het komt echter ook heel vaak voor dat de verschillende waarden van y j niet dezelfde onzekerheid hebben. In dat geval moeten de waarden van δ j gewogen worden met de onzekerheid in y j, in een zg. gewogen LSQ-fit, of χ 2 -fit. Deze methode komt er op neer dat voor N data punten (x j,y j ) (j = 1,..., N) en M model parameters a i (i = 1,..., M) de χ 2, gedefinieerd door ( ) 2 χ 2 yj f(x j ; a 1...a M ), (23) j=1 waarin ε j de onzekerheid in y j is, geminimaliseerd wordt. Net zoals eerder nemen we de afgeleiden naar de modelparameters a i en stellen die nul, dat wil zeggen ( ) ( f(xj ) y j f(x j ) ;...a k...) ε 2 = 0, (24) j a k waarin k = 1,..., M. Voor het geval van een rechte lijn y j = f(x j ; a, b) = ax + b met fouten ε j voor de y j -waarden, vinden we a = (SS xy S x S y )/A, b = (S xx S y S x S xy )/A waarin A SS xx Sx 2 en waarin we definieerden: S N j=1 ε 2 j, S x N j=1 x j/ε 2 j, S y N j=1 y j/ε 2 j, S xx N j=1 x2 j /ε2 j en S xy N j=1 x jy j /ε 2 j. Opgave 4: Leid bovenstaande vergelijkingen voor de parameters a en b zelf af. ε j 5

Sterrenkunde Praktikum 1 Fouten en fitten

Sterrenkunde Praktikum 1 Fouten en fitten Sterrenkunde Praktikum 1 Fouten en fitten Ignas Snellen - Paul van der Werf februari 2013 1 Inleiding In de sterrenkunde, maar eigenlijk in elke tak van de exacte wetenschappen, willen we met een meting

Nadere informatie

Meten en experimenteren

Meten 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 informatie

Meten en experimenteren

Meten en experimenteren Meten en experimenteren Statistische verwerking van gegevens Een korte inleiding 5 oktober 007 Catherine De Clercq Statistische verwerking van gegevens Kursus statistiek voor fysici door Jorgen D Hondt

Nadere informatie

Data analyse Inleiding statistiek

Data 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

Meten en experimenteren

Meten en experimenteren Meten en experimenteren Statistische verwerking van gegevens Een korte inleiding 6 oktober 009 Catherine De Clercq Statistische verwerking van gegevens Kursus statistiek voor fysici door Jorgen D Hondt

Nadere informatie

Wiskundige vaardigheden

Wiskundige vaardigheden Inleiding Bij het vak natuurkunde ga je veel rekenstappen zetten. Het is noodzakelijk dat je deze rekenstappen goed en snel kunt uitvoeren. In deze presentatie behandelen we de belangrijkste wiskundige

Nadere informatie

Cursus 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. 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 informatie

Vectorruimten met inproduct

Vectorruimten 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 informatie

HOOFDSTUK I - INLEIDENDE BEGRIPPEN

HOOFDSTUK 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 informatie

1 Rekenen in eindige precisie

1 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 informatie

In het internationale eenhedenstelsel, ook wel SI, staan er negen basisgrootheden met bijbehorende grondeenheden. Dit is BINAS tabel 3A.

In het internationale eenhedenstelsel, ook wel SI, staan er negen basisgrootheden met bijbehorende grondeenheden. Dit is BINAS tabel 3A. Grootheden en eenheden Kwalitatieve en kwantitatieve waarnemingen Een kwalitatieve waarneming is wanneer je meet zonder bijvoorbeeld een meetlat. Je ziet dat een paard hoger is dan een muis. Een kwantitatieve

Nadere informatie

Rekenen aan wortels Werkblad =

Rekenen aan wortels Werkblad = Rekenen aan wortels Werkblad 546121 = Vooraf De vragen en opdrachten in dit werkblad die vooraf gegaan worden door, moeten schriftelijk worden beantwoord. Daarbij moet altijd duidelijk zijn hoe de antwoorden

Nadere informatie

Foutenleer 1. dr. P.S. Peijzel

Foutenleer 1. dr. P.S. Peijzel Foutenleer 1 dr. P.S. Peijzel In dit hoofdstuk zal een inleiding in de foutenleer gegeven worden. Foutenleer is een onderdeel van statistiek dat gebruikt wordt om een uitspraak te kunnen doen over fouten

Nadere informatie

Gaap, ja, nog een keer. In één variabele hebben we deze formule nu al een paar keer gezien:

Gaap, 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 informatie

Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening

Statistiek 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 informatie

Deze week: Steekproefverdelingen. Statistiek voor Informatica Hoofdstuk 7: Steekproefverdelingen. Kwaliteit van schatter. Overzicht Schatten

Deze 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 informatie

Toegepaste Statistiek, Dag 7 1

Toegepaste 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 informatie

Significante cijfers en meetonzekerheid

Significante cijfers en meetonzekerheid Inhoud Significante cijfers en meetonzekerheid... 2 Significante cijfers... 2 Wetenschappelijke notatie... 3 Meetonzekerheid... 3 Significante cijfers en meetonzekerheid... 4 Opgaven... 5 Opgave 1... 5

Nadere informatie

Verwachtingswaarde, Variantie en Standaarddeviatie

Verwachtingswaarde, 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 informatie

Feedback proefexamen Statistiek I 2009 2010

Feedback proefexamen Statistiek I 2009 2010 Feedback proefexamen Statistiek I 2009 2010 Het correcte antwoord wordt aangeduid door een sterretje. 1 Een steekproef van 400 personen bestaat uit 270 mannen en 130 vrouwen. Een derde van de mannen is

Nadere informatie

Medische Statistiek Kansrekening

Medische Statistiek Kansrekening Medische Statistiek Kansrekening Medisch statistiek- kansrekening Hoorcollege 1 Uitkomstenruimte vaststellen Ook wel S of E. Bij dobbelsteen: E= {1,2,3,4,5,6} Een eindige uitkomstenreeks Bij het gooien

Nadere informatie

Statistiek: Spreiding en dispersie 6/12/2013. dr. Brenda Casteleyn

Statistiek: 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 informatie

Tentamen Inleiding Statistiek (WI2615) 10 april 2013, 9:00-12:00u

Tentamen 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 informatie

HOOFDSTUK VII REGRESSIE ANALYSE

HOOFDSTUK 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 informatie

Moleculaire Dynamica en Monte Carlo Simulaties Case Study 17 Solid-Liquid Equilibrium of Hard Spheres. Joost van Bruggen 0123226 6 juli 2004

Moleculaire Dynamica en Monte Carlo Simulaties Case Study 17 Solid-Liquid Equilibrium of Hard Spheres. Joost van Bruggen 0123226 6 juli 2004 Moleculaire Dynamica en Monte Carlo Simulaties Case Study 17 Solid-Liquid Equilibrium of Hard Spheres Joost van Bruggen 0123226 6 juli 2004 1 Inhoudsopgave 1 Thermaliseren 2 2 Waarde van λ max 2 3 Integreren

Nadere informatie

en-splitsingen: een aantal alternatieven worden parallel toegepast, of-splitsingen: van een aantal alternatieven wordt er één toegepast,

en-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 informatie

Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid

Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid Dr.ir. P.W. Heijnen Faculteit Techniek, Bestuur en Management Technische Universiteit Delft 22 april 2010 1 1 Introductie De

Nadere informatie

Kansrekening en Statistiek

Kansrekening 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 informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN. Tentamen OGO Fysisch Experimenteren voor minor AP (3MN10)

TECHNISCHE UNIVERSITEIT EINDHOVEN. Tentamen OGO Fysisch Experimenteren voor minor AP (3MN10) TECHNISCHE UNIVERSITEIT EINDHOVEN Tentamen OGO Fysisch Experimenteren voor minor AP (3MN10) en Tentamen Inleiding Experimentele Fysica voor Combi s (3NA10) d.d. 31 oktober 2011 van 9:00 12:00 uur Vul de

Nadere informatie

Toegepaste Wiskunde 2: Het Kalman-filter

Toegepaste 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 informatie

Je kunt al: -de centrummaten en spreidingsmaten gebruiken -een spreidingsdiagram gebruiken als grafische weergave van twee variabelen

Je kunt al: -de centrummaten en spreidingsmaten gebruiken -een spreidingsdiagram gebruiken als grafische weergave van twee variabelen Lesbrief: Correlatie en Regressie Leerlingmateriaal Je leert nu: -een correlatiecoëfficient gebruiken als maat voor het statistische verband tussen beide variabelen -een regressielijn te tekenen die een

Nadere informatie

+ ( 1 4 )2 σ 2 X σ2. 36 σ2 terwijl V ar[x] = 11. Aangezien V ar[x] het kleinst is, is dit rekenkundig gemiddelde de meest efficiënte schatter.

+ ( 1 4 )2 σ 2 X σ2. 36 σ2 terwijl V ar[x] = 11. Aangezien V ar[x] het kleinst is, is dit rekenkundig gemiddelde de meest efficiënte schatter. STATISTIEK OPLOSSINGEN OEFENZITTINGEN 5 en 6 c D. Keppens 2004 5 1 (a) Zij µ de verwachtingswaarde van X. We moeten aantonen dat E[M i ] = µ voor i = 1, 2, 3 om te kunnen spreken van zuivere schatters.

Nadere informatie

Opgaven bij Numerieke Wiskunde I

Opgaven 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 informatie

We zullen in deze les kijken hoe we netwerken kunnen analyseren, om bijvoorbeeld de volgende vragen te kunnen beantwoorden:

We 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 informatie

Deze week: Schatten. Statistiek voor Informatica Hoofdstuk 6: Schatten. Voorbeeld Medicijnentest. Statistische inferentie

Deze 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 informatie

2 Spreidingsvoortplanting

2 Spreidingsvoortplanting Spreidingsvoortplanting Spreidingsvoortplanting In het vorige hoofdstuk hebben we ons beiggehouden met eenvoudige analyses achteraf van meetgegeven. Naast analyse achteraf van data is het ook belangrijk

Nadere informatie

Hiermee rekenen we de testwaarde van t uit: n. 10 ( x ) ,16

Hiermee rekenen we de testwaarde van t uit: n. 10 ( x ) ,16 modulus strepen: uitkomst > 0 Hiermee rekenen we de testwaarde van t uit: n 10 ttest ( x ) 105 101 3,16 n-1 4 t test > t kritisch want 3,16 >,6, dus 105 valt buiten het BI. De cola bevat niet significant

Nadere informatie

META-kaart vwo5 wiskunde A - domein Afgeleide functies

META-kaart vwo5 wiskunde A - domein Afgeleide functies META-kaart vwo5 wiskunde A - domein Afgeleide functies Wat heb ik nodig: GR of afgeleide? Hoe ziet de grafiek eruit? Moet ik de afgeleide berekenen? Kan ik bij deze functie de afgeleide berekenen? Welke

Nadere informatie

Toegepaste Statistiek, Week 6 1

Toegepaste Statistiek, Week 6 1 Toegepaste Statistiek, Week 6 1 Eén ordinale en één nominale variabele Nominale variabele met TWEE categorieën, 1 en 2 Ordinale variabele normaal verdeeld binnen iedere categorie? Variantie in beide categorieën

Nadere informatie

1BA PSYCH Statistiek 1 Oefeningenreeks 3 1

1BA PSYCH Statistiek 1 Oefeningenreeks 3 1 Juno KOEKELKOREN D.1.3. OEFENINGENREEKS 3 OEFENING 1 In onderstaande tabel vind je zes waarnemingen van twee variabelen (ratio meetniveau). Eén van de waarden van y is onbekend. Waarde x y 1 1 2 2 9 2

Nadere informatie

bijspijkercursus wiskunde voor psychologiestudenten bijeenkomst 6 statistiek/gegevensverwerking los materiaal, niet uit boek [PW]

bijspijkercursus wiskunde voor psychologiestudenten bijeenkomst 6 statistiek/gegevensverwerking los materiaal, niet uit boek [PW] bijspijkercursus wiskunde voor psychologiestudenten bijeenkomst statistiek/gegevensverwerking los materiaal, niet uit boek [PW] procenten percentage: bv: van de 0 kinderen hadden er 7: hoeveel procent

Nadere informatie

Inleiding Astrofysica College 3 10 oktober Ignas Snellen

Inleiding Astrofysica College 3 10 oktober Ignas Snellen Inleiding Astrofysica College 3 10 oktober 2016 15.45 17.30 Ignas Snellen Straling, energie en flux Astrofysica: licht, atomen en energie Zwartlichaamstralers (black body) Stralingswetten Een object dat

Nadere informatie

Data analyse Inleiding statistiek

Data 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 informatie

III.2 De ordening op R en ongelijkheden

III.2 De ordening op R en ongelijkheden III.2 De ordening op R en ongelijkheden In de vorige paragraaf hebben we axioma s gegeven voor de optelling en vermenigvuldiging in R, maar om R vast te leggen moeten we ook ongelijkheden in R beschouwen.

Nadere informatie

HOVO statistiek November 2011 1

HOVO statistiek November 2011 1 Principale Componentenanalyse en hockeystick-short centring Principale Componentenanalyse bedacht door Karl Pearson in 1901 Peter Grünwald HOVO 31-10 2011 Stel we hebben een grote hoeveelheid data. Elk

Nadere informatie

Hoofdstuk 12 : Regressie en correlatie. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent.

Hoofdstuk 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 informatie

Hoofdstuk 3 : Numerieke beschrijving van data. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent

Hoofdstuk 3 : Numerieke beschrijving van data. Marnix Van Daele. Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Hoofdstuk 3 : Numerieke beschrijving van data Marnix Van Daele MarnixVanDaele@UGentbe Vakgroep Toegepaste Wiskunde en Informatica Universiteit Gent Numerieke beschrijving van data p 1/31 Beschrijvende

Nadere informatie

1 Delers 1. 3 Grootste gemene deler en kleinste gemene veelvoud 12

1 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 informatie

6.1 Kwadraten [1] HERHALING: Volgorde bij berekeningen:

6.1 Kwadraten [1] HERHALING: Volgorde bij berekeningen: 6.1 Kwadraten [1] HERHALING: Volgorde bij berekeningen: 1) Haakjes wegwerken 2) Vermenigvuldigen en delen van links naar rechts 3) Optellen en aftrekken van links naar rechts Schrijf ALLE stappen ONDER

Nadere informatie

College 2 Enkelvoudige Lineaire Regressie

College 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 informatie

Inleiding tot de meettheorie

Inleiding tot de meettheorie Inleiding tot de meettheorie Meten is het toekennen van cijfers aan voorwerpen. Koeien Koeien in een kudde, studenten in een auditorium, mensen met een bepaalde stoornis, leerlingen met meer dan 15 in

Nadere informatie

Foutenberekeningen Allround-laboranten

Foutenberekeningen Allround-laboranten Allround-laboranten Inhoudsopgave INHOUDSOPGAVE... 2 LEERDOELEN :... 3 1. INLEIDING.... 4 2. DE ABSOLUTE FOUT... 5 3. DE KOW-METHODE... 6 4. DE RELATIEVE FOUT... 6 5. GROOTHEDEN VERMENIGVULDIGEN EN DELEN....

Nadere informatie

Populaties beschrijven met kansmodellen

Populaties beschrijven met kansmodellen Populaties beschrijven met kansmodellen Prof. dr. Herman Callaert Deze tekst probeert, met voorbeelden, inzicht te geven in de manier waarop je in de statistiek populaties bestudeert. Dat doe je met kansmodellen.

Nadere informatie

Kansrekening en Statistiek

Kansrekening 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 informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica

TECHNISCHE 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 informatie

EWMA Control Charts in Statistical Process Monitoring I.M. Zwetsloot

EWMA Control Charts in Statistical Process Monitoring I.M. Zwetsloot EWMA Control Charts in Statistical Process Monitoring I.M. Zwetsloot EWMA Control Charts in Statistical Process Monitoring Inez M. Zwetsloot Samenvatting EWMA Regelkaarten in Statistische Procesmonitoring

Nadere informatie

Examen Statistiek I Januari 2010 Feedback

Examen Statistiek I Januari 2010 Feedback Examen Statistiek I Januari 2010 Feedback Correcte alternatieven worden door een sterretje aangeduid. 1 Een steekproef van 400 personen bestaat uit 270 mannen en 130 vrouwen. Twee derden van de mannen

Nadere informatie

Figuur 1: Voorbeelden van 95%-betrouwbaarheidsmarges van gemeten percentages.

Figuur 1: Voorbeelden van 95%-betrouwbaarheidsmarges van gemeten percentages. MARGES EN SIGNIFICANTIE BIJ STEEKPROEFRESULTATEN. De marges van percentages Metingen via een steekproef leveren een schatting van de werkelijkheid. Het toevalskarakter van de steekproef heeft als consequentie,

Nadere informatie

Tentamen Kansrekening en Statistiek MST 14 januari 2016, uur

Tentamen 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 informatie

Kansrekening en stochastische processen 2S610

Kansrekening en stochastische processen 2S610 Kansrekening en stochastische processen 2S610 Docent : Jacques Resing E-mail: j.a.c.resing@tue.nl http://www.win.tue.nl/wsk/onderwijs/2s610 1/28 Schatten van de verwachting We hebben een stochast X en

Nadere informatie

vwo: Het maken van een natuurkunde-verslag vs 21062011

vwo: Het maken van een natuurkunde-verslag vs 21062011 Het maken van een verslag voor natuurkunde, vwo versie Deze tekst vind je op www.agtijmensen.nl: Een voorbeeld van een verslag Daar vind je ook een po of pws verslag dat wat uitgebreider is. Gebruik volledige

Nadere informatie

1.1 Rekenen met letters [1]

1.1 Rekenen met letters [1] 1.1 Rekenen met letters [1] Voorbeeld 1: Een kaars heeft een lengte van 30 centimeter. Per uur brand er 6 centimeter van de kaars op. Hieruit volgt de volgende woordformule: Lengte in cm = -6 aantal branduren

Nadere informatie

Sterrenkundig Practicum 2 3 maart Proef 3, deel1: De massa van het zwarte gat in M87

Sterrenkundig Practicum 2 3 maart Proef 3, deel1: De massa van het zwarte gat in M87 Proef 3, deel1: De massa van het zwarte gat in M87 Sterrenkundig Practicum 2 3 maart 2005 Vele sterrenstelsels vertonen zogenaamde nucleaire activiteit: grote hoeveelheden straling komen uit het centrum.

Nadere informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Tentamen Statistiek (2DD14) op vrijdag 17 maart 2006, 9.00-12.00 uur.

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Tentamen Statistiek (2DD14) op vrijdag 17 maart 2006, 9.00-12.00 uur. TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Statistiek DD14) op vrijdag 17 maart 006, 9.00-1.00 uur. UITWERKINGEN 1. Methoden om schatters te vinden a) De aannemelijkheidsfunctie

Nadere informatie

More points, lines, and planes

More 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 informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamenopgaven Statistiek 2DD71: UITWERKINGEN 1. Stroopwafels a De som S van de 12 gewichten is X 1 + X 2 + + X 12. Deze is normaal

Nadere informatie

Populatie: De gehele groep elementen waarover informatie wordt gewenst.

Populatie: De gehele groep elementen waarover informatie wordt gewenst. Statistiek I Werkcollege 1 Populatie: De gehele groep elementen waarover informatie wordt gewenst. Steekproef: Gedeelte van de populatie dat feitelijk wordt onderzocht om informatie te vergaren. Eenheden:

Nadere informatie

Foutenberekeningen. Inhoudsopgave

Foutenberekeningen. Inhoudsopgave Inhoudsopgave Leerdoelen :... 3 1. Inleiding.... 4 2. De absolute fout... 5 3. De KOW-methode... 7 4. Grootheden optellen of aftrekken.... 8 5. De relatieve fout...10 6. grootheden vermenigvuldigen en

Nadere informatie

Voorbehouden 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 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 informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN. Tentamen OGO Fysisch Experimenteren voor minor AP (3MN10) Tentamen Inleiding Experimentele Fysica (3AA10)

TECHNISCHE UNIVERSITEIT EINDHOVEN. Tentamen OGO Fysisch Experimenteren voor minor AP (3MN10) Tentamen Inleiding Experimentele Fysica (3AA10) TECHNISCHE UNIVERSITEIT EINDHOVEN Tentamen OGO Fysisch Experimenteren voor minor AP (3MN10) Tentamen Inleiding Experimentele Fysica (3AA10) d.d. 30 oktober 2009 van 9:00 12:00 uur Vul de presentiekaart

Nadere informatie

Basisvaardigheden algebra. Willem van Ravenstein. 2012 Den Haag

Basisvaardigheden algebra. Willem van Ravenstein. 2012 Den Haag Basisvaardigheden algebra Willem van Ravenstein 2012 Den Haag 1. Variabelen Rekenenis het werken met getallen. Er zijn vier hoofdbewerkingen: optellen, aftrekken, vermenigvuldigen en delen. Verder ken

Nadere informatie

Uitwerkingen Mei Eindexamen VWO Wiskunde A. Nederlands Mathematisch Instituut Voor Onderwijs en Onderzoek

Uitwerkingen 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 informatie

Statistiek voor Natuurkunde Opgavenserie 4: Lineaire regressie

Statistiek 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 informatie

VOOR HET SECUNDAIR ONDERWIJS

VOOR 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 informatie

college 6: limieten en l Hôpital

college 6: limieten en l Hôpital 126 college 6: ieten en l Hôpital In dit college herhalen we enkele belangrijke definities van ieten, en geven we belangrijke technieken om ieten van functies (eigenlijk en oneigenlijk) te bepalen. In

Nadere informatie

Small Sample Emission Computer Tomography. G.P. Leendertse. ECN-Energie Engineering

Small Sample Emission Computer Tomography. G.P. Leendertse. ECN-Energie Engineering Small Sample Emission Computer Tomography G.P. Leendertse ECN-Energie Engineering Maart 1994 Chapter 1 Inleiding Bij de borium therapie is het van belang om vast te stellen hoe de concentratieverdeling

Nadere informatie

Inleiding tot de natuurkunde

Inleiding tot de natuurkunde OBC Inleiding tot de Natuurkunde 01-08-2010 W.Tomassen Pagina 1 Hoofdstuk 1 : Hoe haal ik hoge cijfers. 1. Maak van elke paragraaf een samenvatting. (Titels, vet/schuin gedrukte tekst, opsommingen en plaatsjes.)

Nadere informatie

Kansrekening en statistiek WI2211TI / WI2105IN deel 2 2 februari 2012, uur

Kansrekening en statistiek WI2211TI / WI2105IN deel 2 2 februari 2012, uur Kansrekening en statistiek WI22TI / WI25IN deel 2 2 februari 22, 4. 6. uur VOOR WI22TI: Bij dit examen is het gebruik van een (evt. grafische) rekenmachine toegestaan. Een formuleblad is niet toegestaan.

Nadere informatie

8.1 Herleiden [1] Herleiden bij vermenigvuldigen: -5 3a 6b 8c = -720abc 1) Vermenigvuldigen cijfers (let op teken) 2) Letters op alfabetische volgorde

8.1 Herleiden [1] Herleiden bij vermenigvuldigen: -5 3a 6b 8c = -720abc 1) Vermenigvuldigen cijfers (let op teken) 2) Letters op alfabetische volgorde 8.1 Herleiden [1] Herleiden bij vermenigvuldigen: -5 3a 6b 8c = -720abc 1) Vermenigvuldigen cijfers (let op teken) 2) Letters op alfabetische volgorde Optellen: 5a + 3b + 2a + 6b = 7a + 9b 1) Alleen gelijksoortige

Nadere informatie

Wiskunde klas 3. Vaardigheden. Inhoudsopgave. 1. Breuken 2. 2. Gelijksoortige termen samennemen 3. 3. Rekenen met machten 3. 4. Rekenen met wortels 4

Wiskunde klas 3. Vaardigheden. Inhoudsopgave. 1. Breuken 2. 2. Gelijksoortige termen samennemen 3. 3. Rekenen met machten 3. 4. Rekenen met wortels 4 Vaardigheden Wiskunde klas Inhoudsopgave. Breuken. Gelijksoortige termen samennemen. Rekenen met machten. Rekenen met wortels. Algebraïsche producten 6. Ontbinden in factoren 6 7. Eerstegraads vergelijkingen

Nadere informatie

Novum, wiskunde LTP leerjaar 1. Wiskunde, LTP leerjaar 1. Vak: Wiskunde Leerjaar: 1 Onderwerp: In de Ruimte H1 Kerndoel(en):

Novum, wiskunde LTP leerjaar 1. Wiskunde, LTP leerjaar 1. Vak: Wiskunde Leerjaar: 1 Onderwerp: In de Ruimte H1 Kerndoel(en): Wiskunde, LTP leerjaar 1 Onderwerp: In de Ruimte H1 26 De leerling leert te werken met platte en ruimtelijke vormen en structuren, leert daarvan afbeeldingen te maken en deze te interpreteren, en leert

Nadere informatie

Uitwerkingen Mei 2012. Eindexamen VWO Wiskunde C. Nederlands Mathematisch Instituut Voor Onderwijs en Onderzoek

Uitwerkingen Mei 2012. Eindexamen VWO Wiskunde C. Nederlands Mathematisch Instituut Voor Onderwijs en Onderzoek Uitwerkingen Mei 2012 Eindexamen VWO Wiskunde C Nederlands Mathematisch Instituut Voor Onderwijs en Onderzoek I Tjing Opgave 1. Het aantal hoofdstukken in de I Tjing correspondeert met het totale aantal

Nadere informatie

EXACT- Periode 1. Hoofdstuk Grootheden. 1.2 Eenheden.

EXACT- Periode 1. Hoofdstuk Grootheden. 1.2 Eenheden. EXACT- Periode 1 Hoofdstuk 1 1.1 Grootheden. Een grootheid is in de natuurkunde en in de chemie en in de biologie: iets wat je kunt meten. Voorbeelden van grootheden (met bijbehorende symbolen): 1.2 Eenheden.

Nadere informatie

Kansrekening en Statistiek

Kansrekening en Statistiek Kansrekening en Statistiek College 9 Dinsdag 18 Oktober 1 / 1 2 Statistiek Vandaag: Centrale Limietstelling Correlatie Regressie 2 / 1 Centrale Limietstelling 3 / 1 Centrale Limietstelling St. (Centrale

Nadere informatie

Vergelijkingen met breuken

Vergelijkingen met breuken Vergelijkingen met breuken WISNET-HBO update juli 2013 De bedoeling van deze les is het doorwerken van begin tot einde met behulp van pen en papier. 1 Oplossen van gebroken vergelijkingen Kijk ook nog

Nadere informatie

Bestaat er dan toch een wortel uit 1?

Bestaat er dan toch een wortel uit 1? Bestaat er dan toch een wortel uit 1? Complexe getallen en complexe functies Jan van de Craats Universiteit van Amsterdam, Open Universiteit CWI Vacantiecursus 2007 Wat zijn complexe getallen? Wat zijn

Nadere informatie

Tentamen Wiskunde A. Het gebruik van een mobiele telefoon of andere telecommunicatieapparatuur tijdens het tentamen

Tentamen Wiskunde A. Het gebruik van een mobiele telefoon of andere telecommunicatieapparatuur tijdens het tentamen CENTRALE COMMISSIE VOORTENTAMEN WISKUNDE Tentamen Wiskunde A Datum: 11 juni 2012 Tijd: 19.00-22.00 uur Aantal opgaven: 8 Zet uw naam op alle in te leveren blaadjes. Laat bij elke opgave door middel van

Nadere informatie

TI83-werkblad. Vergelijkingen bij de normale verdeling

TI83-werkblad. Vergelijkingen bij de normale verdeling TI83-werkblad Vergelijkingen bij de normale verdeling 1. Inleiding Een normale verdeling wordt bepaald door de constanten µ en σ. Dit blijkt uit het voorschrift van de verdelingsfunctie van de normale

Nadere informatie

werkcollege 8 correlatie, regressie - D&P5: Summarizing Bivariate Data relatie tussen variabelen scattergram cursus Statistiek

werkcollege 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 informatie

mlw stroom 2.1: Statistisch modelleren

mlw 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 informatie

Stochastiek 2. Inleiding in the Mathematische Statistiek. staff.fnwi.uva.nl/j.h.vanzanten

Stochastiek 2. Inleiding in the Mathematische Statistiek. staff.fnwi.uva.nl/j.h.vanzanten Stochastiek 2 Inleiding in the Mathematische Statistiek staff.fnwi.uva.nl/j.h.vanzanten 1 / 12 H.1 Introductie 2 / 12 Wat is statistiek? - 2 Statistiek is de kunst van het (wiskundig) modelleren van situaties

Nadere informatie

Bijlage bij Eindverslag van de Nomenclatuurcommissie Wiskunde september 2007

Bijlage bij Eindverslag van de Nomenclatuurcommissie Wiskunde september 2007 Bijlage bij Eindverslag van de Nomenclatuurcommissie Wiskunde september 2007 zie havo vwo aantonen 1 aanzicht absolute waarde afgeleide (functie) notatie met accent: bijvoorbeeld f'(x), f' notatie met

Nadere informatie

5.1 Herleiden [1] Herhaling haakjes wegwerken: a(b + c) = ab + ac (a + b)(c + d) = ac + ad + bc + bd (ab) 2 = a 2 b 2

5.1 Herleiden [1] Herhaling haakjes wegwerken: a(b + c) = ab + ac (a + b)(c + d) = ac + ad + bc + bd (ab) 2 = a 2 b 2 Herhaling haakjes wegwerken: a(b + c) = ab + ac (a + b)(c + d) = ac + ad + bc + bd (ab) = a b 5.1 Herleiden [1] Voorbeeld 1: (a + 5)(a 6) (a + 5)(-a + 7) = a 6a + 5a 30 ( a + 14a 5a + 35) = a 6a + 5a 30

Nadere informatie

Netwerkdiagram voor een project. AON: Activities On Nodes - activiteiten op knooppunten

Netwerkdiagram voor een project. AON: Activities On Nodes - activiteiten op knooppunten Netwerkdiagram voor een project. AON: Activities On Nodes - activiteiten op knooppunten Opmerking vooraf. Een netwerk is een structuur die is opgebouwd met pijlen en knooppunten. Bij het opstellen van

Nadere informatie

N3 LINEAIRE INTERPOLATIE

N3 LINEAIRE INTERPOLATIE N3 LINEAIRE INTERPOLATIE 3.18 Inleiding Het komt vaak voor dat we slechts gedeeltelijke informatie hebben over het vloeiende verloop van een functie f en toch de waarde van de functie y = f(x) in een bepaald

Nadere informatie

Inleiding statistiek

Inleiding statistiek Inleiding Statistiek Pagina 1 uit 8 Inleiding statistiek 1. Inleiding In deze oefeningensessie is het de bedoeling jullie vertrouwd te maken met een aantal basisbegrippen van de statistiek, meer bepaald

Nadere informatie

Opdracht 1 Topics on Parsing and Formal Languages - fall 2010

Opdracht 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 informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica

TECHNISCHE UNIVERSITEIT EINDHOVEN. Faculteit Wiskunde en Informatica TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Tentamen Kansrekening (2WS2), Vrijdag 24 januari 24, om 9:-2:. Dit is een tentamen met gesloten boek. De uitwerkingen van de opgaven

Nadere informatie

kwadratische vergelijkingen

kwadratische vergelijkingen kwadratische vergelijkingen In deze paragraaf: 'exact berekenen van oplossingen', 'typen kwadratische vergelijkingen' en 'de abc-formule en de discriminant'. de abc-formule Voor een tweedegraads vergelijking

Nadere informatie

Vrije Universiteit Faculteit der Economische Wetenschappen en Bedrijfskunde Afdeling Econometrie

Vrije Universiteit Faculteit der Economische Wetenschappen en Bedrijfskunde Afdeling Econometrie Vrije Universiteit Faculteit der Economische Wetenschappen en Bedrijfskunde Afdeling Econometrie Tentamen: Convexe Analyse en Optimalisering Opleiding: Bacheloropleiding Econometrie Vakcode: 64200 Datum:

Nadere informatie