Schattingsmethodieken
|
|
- Jacobus Samuël Jonker
- 5 jaren geleden
- Aantal bezoeken:
Transcriptie
1 1/38 Schattingsmethodieken VU Numeriek Programmeren 2.5 Charles Bos Vrije Universiteit Amsterdam 1A40 6 mei 2013
2 2/38 Overzicht W4: NR en co W4: Conditionering optimum, scaling Basis-intro maximum likelihood Precisie optimum Delta methode
3 3/38 Methoden voor optimalisatie II Startpunt k = 0, x (k). Kies telkens richting s en afstand u, en itereer: x (k+1) = x (k) + h h = us 1. Steepest Descent: s = g. Pro: Simpel, direct; Con: Langzaam, lokaal alleen eerste afgeleide 2. Newton Raphson: Hs = g s = H 1 g. Pro: Sneller, vorm H telt mee; Con: Tweede afgeleide nodig, H pos. def.? 3. Andere opties?
4 4/38 SD & Newton-Raphson h NR = -H -1 g h SD = -g Zie verschil. Zoek optimale u?
5 Alternatieven: Levenberg-Marquardt { (H + νi )s = g, s = (H + νi ) 1 snr ν 0 g = ν 1 ν h SD h NR = -H -1 g h LM (ν) h SD = -g Optimale u, ν? Lastige zoektocht (H + νi ) /38
6 6/38 Alternatieven: Powell h(ν, µ) = νµh SD + (1 ν)h NR h P (ν, µ) h P (ν=1, µ) h NR = -H -1 g= h P (ν=0, µ) -2.5 h SD = -g Optimale u, ν, µ?
7 7/38 Alternatieven: DFP/BFGS Bovenstaande algoritmen hebben H (k) = f (x (k) ) nodig. Problematisch: Afgeleide nemen niet stabiel Veel functie-evaluaties nodig H niet gegarandeerd positief definiet Probleem zit m in stap s = H 1 g Vervang H (k) 1 door M k, positief definiet per definitie?
8 BFGS/DFP II Broyden, Fletcher, Goldfarb en Shanno (BFGS, zet θ = 1), maar ook Davison, Fletcher en Powell (DFP, θ = 0) verzonnen truc: 1. Start met k = 0 en positief definiete M k, e.g. M = I 2. Bereken s k = M k g k, met g k = f (x (k) ) 3. Vind nieuwe x (k+1) = x (k) + h k, h k = us k 4. Bereken, met q k = g k+1 g k ( M k+1 = M k θ q k M ) kq k hk h k h k q k h k q 1 θ k q k M M k q k q k kq M k k θ ( h k q hk q k M k + M k q k h k) k Opm: Monahan (2011, 8.7) vindt update voor H, niet H 1. Secant-update, theorie niet behandeld. 8/38
9 BFGS/DFP III M k+1 = F(M k, x (k), x (k+1), f (x (k) ), f (x (k+1) ), θ) Resultaat van moeilijke formule: Geen Hessiaan meer nodig, alleen gradient Nog steeds goede convergentie (M k H (k) na veel stappen, vergelijkbaar gedrag) Geen problemen met niet positief-definiete matrices (Liefst natuurlijk analytische gradient, niet numeriek) MaxBFGS in Ox, vergelijkbare functies in Matlab. Waarschuwing: M k H (k) 1, maar gebruik NOOIT M k in plaats van H 1 voor berekening Σ... (ook al beweert Monahan (2011) het tegenovergestelde) 9/38
10 10/38 Conditionering Theorem (T8.6) Als f (x), f (x) en f (x) continu zijn op een gebied S, dan is er een t = αx + (1 α)y, 0 α 1, z.d.d. f (x) = f (y) + (x y) T f (y) (x y)f (t)(x y) Kies x = argmin x f (x), f (x ) = 0, en neem x = x + h = x + u d, d = 1, voor kleine u, dan geldt f (x + h) f (x ) 1 2 ht Hh H = f (x ) Wanneer is x minimum? Als f (x +h) f (x ) > h Hh > 0 H positief definiet
11 11/38 Hessiaan Blijkbaar bepaalt H of een stationair punt een minimum, maximum of zadelpunt is hoe duidelijk het optimum is (hoe groot is f (x + h) f (x ) voor kleine h?) En die duidelijkheid hangt af van de richting: 1 2 ht Hh = 1 2 u2 d T H d. H symmetrisch, is positief definiet als 1. x Hx > 0, x 0 2. Alle eigenwaarden van H positief 3. (Alle hoofdminoren van H positief) 4. Alle pivots bij Gauss-eliminatie (zonder rijverwisseling) zijn positief 5. H = CC, met C de Cholesky decompositie, en c ii > 0
12 12/38 Hessiaan: Rosenbrock f (x) = 100 (x 2 x1 2 ) 2 + (1 x 1 ) 2 ( f 400x1 (x (x) = 2 x1 2) 2(1 x ) 1) 200(x 2 x1 2 ( ) ) f 1200x 2 (x) = 1 400x x 1 400x ( ) f (x 1 ) = f = 0 1 ( ) f (x 0 ) = 0 ( ) f (x ) = c= f(x+h)-f(x)= 0.5 h T H h f (x + h) f (x) + h f (x) h f (x)h 1.5 f (x + h) f (x ) 1 2 h Hh eig(h) = {1001.6, } eig(h H) = { , } κ 2 (H) = λ n,h H λ n,h H 1 = λ n,h H / λ 1,H H =
13 13/38 Hessiaan en schaling Als H deficient (eigenwaarde=0), dan geen oplossing Als H bijna deficient, dan weinig precisie in de richting van de betreffende eigenvector Soms werkt herschalen: y = Cx = argmin f y (y) = C argmin f x (C 1 Cx), Hessiaan H y = C 1 H x C 1 Vaker werkt reparametriseren, y = g(x), optimaliseer y. E.g.: Bedenk of je σ of σ 2 optimaliseert. f (x) f (x + h) moet niet te dicht bij de machine-precisie komen. Zorg dat f (x) redelijk van niveau is (optimaliseer log L(x + h; θ) ipv log L(x + h; θ)).
14 14/38 Conditionering van optimum Startpunt: Algemene kwadratische functie f (x) = f (x ) + (x x ) f (x ) (x x ) 2 f (x )(x x ) of, zbda optimum x 0, f (x ) 0: f (x) = 1 2 x 2 f (x )x = 1 2 x Hx
15 Kwantificering convergentie (steilste afdaling) Stelling: 1. Voor f (x) een kwadratische functie, met uniek minimum x, convergeert de afdalingsmethode, onafhankelijk van het startpunt. 2. Er geldt: ( ) f (x (k+1) λ1 λ 2 n ) f (x (k) ), λ i = eigen λ 1 + λ i (H) n 3. De convergentiefactor ( x (k+1) x ρ = lim k x (k) x min 1, ( ) 1 λ1 λ n ( ) ) 2 λ 1 λ n λ 1 + λ n Merk op: Convergentie-factor conditie-getal! 15/38
16 16/38 SD, stelling 2 x = a i v i v i v i = 1 v i v j = 0 x (k+1) sd = x (k) u (k) f (x (k) ) Orthonormale e.v., H pos. def. f (x) Hx = x (k) u (k) Hx (k) = (I u (k) H)x (k) = a i (1 u (k) λ i )v i ( f (x (k+1) ) = f (I u (k) H)x (k)) f ((I uh) x (k) ) Dus ( ) f (x (k+1) ) f ai (1 uλ i )v i = 1 a i a j (1 uλ i )(1 uλ j )v i Hv j 2 i j
17 17/38 Merk op, wegens orthonormaliteit van v i, v j : Dus { v i Hv j = v i λi i = j λ j v j = 0 anders f (x (k+1) ) 1 ai 2 (1 uλ i ) 2 λ i, f (x (k) ) = 1 ai 2 λ i 2 2 i ( ) 2 Neem u = 2 λ 1 +λ n (1 uλ i ) 2 µ 2 = λ1 λ n λ 1 +λ n < 1, dan i ( ) f (x (k+1) λ1 λ 2 n ) f (x (k) ). λ 1 + λ n (= deel 2 van de stelling)
18 18/38 Terug naar praktijk Werkcollege/opgave: Gezocht: θ = argmax θ f (y; θ) waarbij Wat deden we hier? y = y 1,..., y n θ = (φ, ϑ, σ)
19 19/38 Data 15 y 1 ACF y Vergelijk e.g. maandelijkse inflatie Huidige maand heeft sterk te maken met vorige maand, er zit systeem in Hoe kunnen we dat systeem beschrijven? Model schatten
20 20/38 Functie GenrData GenrData ( const avy, const vp, const in, const iseed ) { decl dphi, dtheta, ds, ve, i; } GetPars (& dphi, &dtheta, &ds, vp ); ranseed ( iseed ); avy [0]= ve= ds* rann (1, in ); for (i= 1; i < in; ++i) avy [0][ i]= dphi * avy [0][i -1] + ve[i] + dtheta * ve[i -1]; return! ismissing (avy [0]); Wat staat hier? ɛ i N (0, σ 2 ), i = 0,..., n 1, y 0 = ɛ 0, y i = φy i 1 + ɛ i + ϑɛ i 1, i = 1,..., n 1 of: y ARMA(1, 1) met parameters θ = (φ, ϑ, σ).
21 21/38 Input/Output Input: y i, i = 0,..., n 1, 100 data punten/waarnemingen/inflatie-cijfers Model-specificatie: Wat zou de relatie kunnen zijn? y ARMA(1, 1)
22 21/38 Input/Output Input: y i, i = 0,..., n 1, 100 data punten/waarnemingen/inflatie-cijfers Model-specificatie: Wat zou de relatie kunnen zijn? Output: y ARMA(1, 1) Schatting van parameters θ = (φ, ϑ, σ), wat past het beste bij de data Onzekerheid van parameters Σ(θ) (e.g: Als n groot, meer duidelijkheid over parameters?) Andere test grootheden? (e.g: Past het veronderstelde model wel echt bij de data?)
23 21/38 Input/Output Input: y i, i = 0,..., n 1, 100 data punten/waarnemingen/inflatie-cijfers Model-specificatie: Wat zou de relatie kunnen zijn? Output: y ARMA(1, 1) Schatting van parameters θ = (φ, ϑ, σ), wat past het beste bij de data Onzekerheid van parameters Σ(θ) (e.g: Als n groot, meer duidelijkheid over parameters?) Andere test grootheden? (e.g: Past het veronderstelde model wel echt bij de data?) Econometrie!
24 22/38 Schatten: Methoden Basis-methoden voor schatten: 1. Maximum likelihood (Monahan 2011, Ch 9) 1.1 Full likelihood 1.2 Concentrated likelihood 1.3 Expectation-Maximization 1.4 (Generalized/simulated) method of moments 1.5 Simulated/Importance sampling Maximum Likelihood Bayesiaanse schattingsmethodiek via Markov chain Monte Carlo (Monahan 2011, Ch 13) 2.1 Gibbs sampling 2.2 Metropolis-Hastings
25 23/38 Schatten: Methoden (vandaag) Vandaag basis-elementen van: 1. Maximum likelihood (Monahan 2011, Ch 9) 1.1 Full likelihood 1.2 Concentrated likelihood 1.3 Expectation-Maximization 1.4 (Generalized/simulated) method of moments 1.5 Simulated/Importance sampling Maximum Likelihood Bayesiaanse schattingsmethodiek via Markov chain Monte Carlo (Monahan 2011, Ch 13) 2.1 Gibbs sampling (?) 2.2 Metropolis-Hastings
26 24/38 ML: Simpel model + notatie Model (specifiek): y N (µ, σ 2 ) ( ) 1 f (y θ) = exp (y µ)2 2πσ 2 2σ 2 DGP Dichtheid Notatie (algemeen): n L n (θ) = f (Y i θ) i=1 l n (θ) = log L n (θ) = log f (Y i θ) E θ log f (Y θ) l (θ) ˆθ n = argmax θ l n (θ) Likelihood Log-likelihood Verwachte loglikelihood ML schatter
27 25/38 ML: Waarom werkt dit? f log f log g Lemma (L9.1) E f (log g(y)) = (log g)f (y)dy (log f )f (y)dy = E f (log f (y)) (log f is hoog daar waar f (y) hoog, dus hoogste verwachting)
28 26/38 ML: Waarom II Gevolg lemma: l (θ) l (θ ) of: Willekeurige θ geeft nooit een betere loglikelihood dan echte parameters θ, naar verwachting Wet van de grote aantallen: 1 n l n(θ) LLN E θ (log f (Y θ)) l (θ) = log f (y θ)f (y θ )dy Dus: maximale waarde voor l n (θ) zou overeen moeten komen, voor grote n, met n l (θ ), dus ˆθ θ.
29 27/38 ML: Ex 9.1 Stel y N (µ, σ 2 ). 1. Wat is l (θ) = l (µ, σ 2 )? 2. Wanneer is l (θ) maximaal?
30 27/38 ML: Ex 9.1 Stel y N (µ, σ 2 ). 1. Wat is l (θ) = l (µ, σ 2 )? 2. Wanneer is l (θ) maximaal? Ad 1. Ad 2. l (θ) = E ( 12 log 2π 12 log σ2 ) (y µ)2 2σ 2 = 1 2 log 2π 1 2 log σ2 σ 2 + (µ µ ) 2 2σ 2 l (θ) = 0 θ = (µ, σ 2 )
31 28/38 ML: Condities (versimpeld...) A.0 Y i zijn onafhankelijk en gelijkverdeeld A.1 Y volgt een continue of discrete verdeling (geen mix) A.2 Θ R p is gesloten/begrensd (geen rare verdeling van het gebied met toegelaten parameterwaarden) A.3 θ is geidentificeerd (dwz, er moet een set waarnemingen kunnen zijn waarbij de likelihood verschilt tussen θ 1 en θ 2 ) A.4 E( log f (Y θ ) ) < en E((log f (Y θ) + ) <, verwachting van de (absolute, of positieve) loglikelihood bestaat. A.5 Likelihood is continu in θ: lim θj θ f (y θ j ) = f (y θ)
32 28/38 ML: Condities (versimpeld...) A.0 Y i zijn onafhankelijk en gelijkverdeeld A.1 Y volgt een continue of discrete verdeling (geen mix) A.2 Θ R p is gesloten/begrensd (geen rare verdeling van het gebied met toegelaten parameterwaarden) A.3 θ is geidentificeerd (dwz, er moet een set waarnemingen kunnen zijn waarbij de likelihood verschilt tussen θ 1 en θ 2 ) A.4 E( log f (Y θ ) ) < en E((log f (Y θ) + ) <, verwachting van de (absolute, of positieve) loglikelihood bestaat. A.5 Likelihood is continu in θ: lim θj θ f (y θ j ) = f (y θ) In enigszins normale situaties geen probleem...
33 29/38 ML: Verdeling Theorem (T9.2) Als aan A.1-A.5 voldaan wordt, dan geldt asymptotisch dat n(ˆθ n θ ) a N ( 0, J(θ ) 1) J(θ) = var θ ( log f (Y θ)) H n (θ) = 2 l n (θ) 1 n H n(θ) as H(θ) J(θ) Information matrix (Sample) Hessian Inf. matrix equality In de praktijk (sloppy notatie): ˆθ n a N ( θ, H n (ˆθ n ) 1)
34 30/38 ML: Wat kan er fout gaan? Afhankelijkheid tussen de Y i : Kijk naar conditionele likelihoods, f (y i y i 1, θ), die zijn vaak wel onafhankelijk Geen gladde afgeleides: Gebruik geen Newton-Raphson Compactheid van parameter-gebied: Vaak geen echt probleem, of transformeer. Schaling: Theorie gaat over l n (θ), H n (θ), en die kunnen groot/klein worden als n groot. Optimaliseer 1 n l n(θ), herschaal H n (θ) Andere pitfalls bij optimalisatie?
35 31/38 Precisie van optimum 0 LL, n=10 x σ 0 LL, n=100 x σ Precisie van optimum: Hangt niet af van gradient Hangt af van tweede afgeleide Hessiaan: H(θ) = d 2 log L(y; θ) dθ Welke waarde van H(θ) geeft exact optimum? (+/-, groot/klein?)
36 Precisie van optimum II (Enkel voor log-likelihood functie) H(θ) = d 2 log L(y; θ) dθ 2 Hessiaan I (θ) = H(θ) Informatie matrix Σ(θ) [I (θ)] 1 Covariantie matrix Log likelihood Hessiaan Informatie matrix cov. matrix 0 Gemiddelde LL x σ 0 LL, n=100 x σ (In praktijk: Optimaliseer f (θ) = 1 N log L(y; θ); maar bepaal H(θ) = d 2 log L(y; θ)/dθ 2 = Nd 2 f (θ)/dθ 2 ) 32/38
37 Precisie van optimum III Wat gebeurt er met een transformatie? Voordeel: γ = log σ exp(γ) = σ g(γ) < γ < 0 < σ < n log Likl(y; β, σ) = 1 2 log(2π) log σ (y i β) 2 2σ 2 log Likl(y; β, γ) = i=1 n i=1 1 2 log(2π) γ (y i β) 2 2 exp(2γ) Kunt rustig optimaliseren, geen grenzen aan gebied Soms meer parabolisch? Nadeel: Wat betekent Σ(γ)? 33/38
38 Precisie IV: Delta-methode Taylor-expansie: var(ˆθ ) ( NH f (ˆθ )) 1 = ( H ln (ˆθ )) 1 θ = g(θ ) g(θ 0 ) + g (θ 0 )(θ θ 0 ) = g(θ 0 ) + D(θ 0 )(θ θ 0 ) var(ˆθ) D(ˆθ ) var(ˆθ )D T (ˆθ ) In tekst: Bepaal variantie van θ, getransformeerde parameters Bepaal Jacobiaan D(θ ) van (terug!-)transformatie, D(ˆθ ) = g (ˆθ ) = g(θ ) (θ ) T θ =ˆθ Bepaal variantie van ˆθ, door var(ˆθ ) voor en na te vermenigvuldigen met J(ˆθ ) en J T (ˆθ ) 34/38
39 35/38 Precisie IV: Ex Delta-methode E.g. limiteer µ (0, 1), σ > 0, bij normale model: θ = ( ) µ (0, 1) (0, ) θ = σ ) θ = g(θ ) = D(θ ) = g (θ ) = ( exp(µ ) 1+exp(µ ) exp(σ ) ( exp(µ ) 0 (1+exp(µ )) 2 0 exp(σ ) Twee keuzes voor optimalisaties... ) ( ) ( µ log µ σ = 1 µ log σ ) R 2
40 36/38 Twee keuzes: Parameter θ θ Init θ 0 Optim ˆθ = argmaxθ f (θ) θ 0 = g 1 (θ 0 ) = argmax θ f (θ ) Restr θ (0, 1) (0, ) θ (, ) ( infty, ) Post-estim - ˆθ = g(ˆθ ) Σ(ˆθ) H 1 l (ˆθ) D(ˆθ ) [ H 1 l (ˆθ ) ] D T (ˆθ ) σ µ σ µ +
41 Terugblik Wat hebben we gedaan? W4: NR en co W4: Conditionering optimum, scaling Basis-intro maximum likelihood Precisie optimum Delta methode Huiswerk & practicum: Bouw een TransParBack(const avp, const vptr) en TransPar(const avptr, const vp) functie, om restricties van W4 te implementeren. Controleer de restricties. Optimaliseer met je eigen OptimNR de functie, nu ook met getransformeerde parameters. Lukt het? Bereken de covariantie-matrix van de parameters Σ(ˆθ). Denk na over BFGS: Kun je de BFGS update op gang krijgen? Werkt dit inderdaad beter? 37/38
42 38/38 Bibliography Monahan, J. F. (2011). Numerical Methods of Statistics (2 ed.). Cambridge series on statistical and probabilistic mathematics. Cambridge: Cambridge University Press.
Overzicht. Optimalisatie in meerdere veranderlijken. Waarom? Neem de wisselkoers EUR/USD d.d. 22/9/2000:
Overzicht Optimalisatie in meerdere veranderlijken VU Numeriek Programmeren.5 Charles Bos Vrije Universiteit Amsterdam c.s.bos@vu.nl, A4 4 mei Waarom? Lastige functie Idee van algoritmen Afdalingsmethoden
Nadere informatieOptimalisatie in meerdere veranderlijken
1/38 Optimalisatie in meerdere veranderlijken VU Numeriek Programmeren 2.5 Charles Bos Vrije Universiteit Amsterdam c.s.bos@vu.nl, 1A40 29 april 2013 2/38 Overzicht Waarom? Lastige functie Idee van algoritmen
Nadere informatieLineaire vergelijkingen II: Pivotering
1/25 Lineaire vergelijkingen II: Pivotering VU Numeriek Programmeren 2.5 Charles Bos Vrije Universiteit Amsterdam c.s.bos@vu.nl, 1A40 15 april 2013 2/25 Overzicht Pivotering: Methodes Norm en conditionering
Nadere informatieNP2.5w3 Eigenwaarden. Eigenwaarden. VU Numeriek Programmeren 2.5. Charles Bos. Vrije Universiteit Amsterdam 1A april /26
1/26 Eigenwaarden VU Numeriek Programmeren 2.5 Charles Bos Vrije Universiteit Amsterdam c.s.bos@vu.nl, 1A40 22 april 2013 2/26 Overzicht Waarom? Voorbeelden Eigenwaarden/eigenvectoren Hoe vind ik ze? Polynoom
Nadere informatieLineaire vergelijkingen
1/24 VU Numeriek Programmeren 2.5 Charles Bos Vrije Universiteit Amsterdam c.s.bos@vu.nl, 1A40 8 april 2013 2/24 Overzicht Overzicht Onderwerpen & Planning Practicum Literatuur Taal Terugblik & Huiswerk
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 informatieOverzicht. Eigenwaarden. Beurzen en afhankelijkheid. Eigenwaarden: Intro
Overzicht Eigenwaarden VU Numeriek Programmeren. Charles Bos Vrije Universiteit Amsterdam c.s.bos@vu.nl, A april Waarom? Voorbeelden Eigenwaarden/eigenvectoren Hoe vind ik ze? Polynoom Powermethode Andere
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 informatiePracticum Ox intro. Practicum Ox intro. VU Numeriek Programmeren 2.5. Charles Bos. Vrije Universiteit Amsterdam. 3 april /18
1/18 VU Numeriek Programmeren 2.5 Charles Bos Vrije Universiteit Amsterdam 3 april 2013 2/18 Overzicht Vlotte intro in Ox Hands on 3/18 Minimale elementen Minimale elementen Ox-programma: voeg de standaard
Nadere informatieBayesiaans leren. Les 2: Markov Chain Monte Carlo. Joris Bierkens. augustus Vakantiecursus 1/15
Bayesiaans leren Les 2: Markov Chain Monte Carlo Joris Bierkens Vakantiecursus augustus 209 /5 Samenvatting en vooruitblik Veel statistische problemen kunnen we opvatten in een Bayesiaanse context n π(θ)
Nadere informatieOverzicht. Lineaire vergelijkingen. Onderwerpen & Planning. Doel. VU Numeriek Programmeren 2.5
VU Numeriek Programmeren 25 Charles Bos Vrije Universiteit Amsterdam Tinbergen Institute csbos@vunl, A40 Onderwerpen & Planning Practicum Literatuur Taal Terugblik & Huiswerk 2 april 202 /26 2/26 Onderwerpen
Nadere informatieBayesiaans leren. Les 2: Markov Chain Monte Carlo. Joris Bierkens. augustus Vakantiecursus 1/15
Bayesiaans leren Les 2: Markov Chain Monte Carlo Joris Bierkens Vakantiecursus augustus 2019 1/15 Samenvatting en vooruitblik Veel statistische problemen kunnen we opvatten in een Bayesiaanse context n
Nadere informatieConvexe Analyse en Optimalisering
Convexe Analyse en Optimalisering Bernd Heidergott Vrije Universiteit Amsterdam en Tinbergen Institute WEB: http://staff.feweb.vu.nl/bheidergott college conopt docent week 6 6 De Lagrange Methode 6.1 Interpretatie
Nadere informatieInsertie van etheen in BH 3 en NH 3. Doorrekenen van een reactiepad
Insertie van etheen in B 3 en N 3 Doorrekenen van een reactiepad reactant transition state Rekenen aan reactiepaden: E a E rxn het simpele plaatje k k 0 e product "reactiecoordinaat" RT E a 1-Dimensionaal
Nadere informatieOverzicht. Random nummer generatie. Waarom? Waarom? VU Numeriek Programmeren 2.5
Overzicht Random nummer generatie VU Numeriek Programmeren 2. Charles Bos Vrije Universiteit Amsterdam c.s.bos@vu.nl, A4 Waarom? U[, ]: LCG Test verdeling Transformeer naar andere verdelingen 23 april
Nadere informatieStochastiek 2. Inleiding in de Mathematische Statistiek 1 / 17
Stochastiek 2 Inleiding in de Mathematische Statistiek 1 / 17 Betrouwbaarheidsgebieden 2 / 17 Idee Een schatter T voor een parameter θ geeft één punt in de parameterruimte Θ. I.h.a. zal T θ onder P θ,
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 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 informatieVrije Universiteit 28 mei Gebruik van een (niet-grafische) rekenmachine is toegestaan.
Afdeling Wiskunde Volledig tentamen Statistics Deeltentamen 2 Statistics Vrije Universiteit 28 mei 2015 Gebruik van een (niet-grafische) rekenmachine is toegestaan. Geheel tentamen: opgaven 1,2,3,4. Cijfer=
Nadere informatieVrije 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 informatieStochastiek 2. Inleiding in de Mathematische Statistiek 1 / 18
Stochastiek 2 Inleiding in de Mathematische Statistiek 1 / 18 t-toetsen 2 / 18 Steekproefgemiddelde en -variantie van normale observaties Stelling. Laat X 1,..., X n o.o. zijn en N(µ, σ 2 )-verdeeld. Dan:
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 informatieAfdeling Kwantitatieve Economie
Afdeling Kwantitatieve Economie Wiskunde AEO V Uitwerking tentamen 1 november 2005 1. De tekenschema s in opgave 1a 1e zijn de voortekens van vermenigvuldigers en de laatste leidende hoofdminoren in een
Nadere informatieSingle and Multi-Population Mortality Models for Dutch Data
Single and Multi-Population Mortality Models for Dutch Data Wilbert Ouburg Universiteit van Amsterdam 7 Juni 2013 Eerste begeleider: dr. K. Antonio Tweede begeleider: prof. dr. M. Vellekoop Wilbert Ouburg
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 informatieextra sommen bij Numerieke lineaire algebra
extra sommen bij Numerieke lineaire algebra 31 oktober 2012 1. Stel, we willen met een rekenapparaat (dat arithmetische bewerkingen uitvoert met een relatieve nauwkeurigheid ξ, ξ ξ) voor twee getallen
Nadere informatieZeldzame en extreme gebeurtenissen
24 March 215 Outline 1 Inleiding 2 Extreme gebeurtenissen 3 4 Staarten 5 Het maximum 6 Kwantielen 23 maart 215 Het Financieele Dagblad Vijf grootste rampen (verzekerd kapitaal) 1 Orkaan Katrina (25, MU$
Nadere informatiex a k of.x 1 a 1 / 2 + ::+.x n a n / 2 k 2 bol om a, straal k
Punten, Vectoren in de R n Punten: a =.a 1 ; a 2 ; : : : ; a n / ; b =.b 1 ; b 2 ; : : : ; b n / Vectoren: a = a 1 ; a 2 ; : : : ; a n ; b = b 1 ; b 2 ; : : : ; b n lengte van a : a = a 2 1 + : : : + a2
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 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 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 informatieBeeldverwerking. Scientific Computing. sleij101/ Program. WISB356, Utrecht, najaar WISB356, Utrecht, najaar 2010
WISB36, Utrecht, najaar Scientific Computing WISB36, Utrecht, najaar Beeldverwerking Gerard Sleijpen Rob Bisseling Department of Mathematics Gerard Sleijpen Rob Bisseling Department of Mathematics http://wwwstaffscienceuunl/
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 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 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 informatieModellen en Simulatie Recursies
Utrecht, 3 mei 3 Modellen en Simulatie Recursies Program Management voorbeeld (affien) Economisch voorbeeld (affien) Rupsen-wespen (niet lineair) Niet-lineaire modellen, evenwicht, stabiliteit Gerard Sleijpen
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 informatieVrije 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 informatieConvexe Analyse en Optimalisering
Convexe Analyse en Optimalisering Bernd Heidergott Vrije Universiteit Amsterdam and Tinbergen Institute WEB: http://staff.feweb.vu.nl/bheidergott.htm Overzicht Boek: Optimization: Insights and Applications,
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 informatieWiskunde voor informatici 2 Oefeningen
Wiskunde voor informatici Oefeningen Reinout Stevens resteven@vub.ac.be Prof: Ann Dooms Assistent: Arnout Van Messem 5 Juni 8 Gedachtenstroom In dit document staan de meeste oplossingen van de cursus Wiskunde
Nadere informatieHOOFDSTUK II BIJZONDERE THEORETISCHE VERDELINGEN
HOOFDSTUK II BIJZONDERE THEORETISCHE VERDELINGEN. Continue Verdelingen 1 A. De uniforme (of rechthoekige) verdeling Kansdichtheid en cumulatieve frequentiefunctie Voor x < a f(x) = 0 F(x) = 0 Voor a x
Nadere informatieOverzicht Fourier-theorie
B Overzicht Fourier-theorie In dit hoofdstuk geven we een overzicht van de belangrijkste resultaten van de Fourier-theorie. Dit kan als steun dienen ter voorbereiding op het tentamen. Fourier-reeksen van
Nadere informatieVrije 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 informatieVoorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal. Toets Kansrekenen I. 28 maart 2014
Voorbehouden voor de correctoren Vraag 1 Vraag 2 Vraag 3 Vraag 4 Vraag 5 Totaal Toets Kansrekenen I 28 maart 2014 Naam : Richting : Lees volgende aanwijzingen alvorens aan het examen te beginnen Wie de
Nadere informatietentamen Analyse (deel 3) wi TH 21 juni 2006, uur
Technische Universiteit Delft Technische Wiskunde Faculteit lektrotechniek, Wiskunde en Informatica Mekelweg 4, 68 CD DLFT tentamen Analyse (deel 3) wi 54 TH juni 6, 4. 7. uur Deelname aan dit tentamen
Nadere informatieCursus Statistiek Hoofdstuk 4. Statistiek voor Informatica Hoofdstuk 4: Verwachtingen. Definitie (Verwachting van discrete stochast) Voorbeeld (1)
Cursus Statistiek Hoofdstuk 4 Statistiek voor Informatica Hoofdstuk 4: Verwachtingen Cursusjaar 29 Peter de Waal Departement Informatica Inhoud Verwachtingen Variantie Momenten en Momentengenererende functie
Nadere 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 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 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 informatieOefenopgaven wi3097: Numerieke methoden voor differentiaalvergelijkingen
Oefenopgaven wi3097: Numerieke methoden voor differentiaalvergelijkingen 1 Introductie Taylor polynoom, floating point getal, afrondfout Orde symbool Landau 1. Laat f(x) = x 3. Bepaal het tweede orde Taylor
Nadere informatieTW2040: Complexe Functietheorie
TW2040: Complexe Functietheorie week 4.6, maandag K. P. Hart Faculteit EWI TU Delft Delft, 30 mei, 2016 K. P. Hart TW2040: Complexe Functietheorie 1 / 33 Outline 1 2 Algemeenheden Gedrag op de rand Machtreeksen
Nadere informatie34 HOOFDSTUK 1. EERSTE ORDE DIFFERENTIAALVERGELIJKINGEN
34 HOOFDSTUK 1. EERSTE ORDE DIFFERENTIAALVERGELIJKINGEN 1.11 Vraagstukken Vraagstuk 1.11.1 Beschouw het beginwaardeprobleem = 2x (y 1), y(0) = y 0. Los dit beginwaardeprobleem op voor y 0 R en maak een
Nadere informatieTW2040: Complexe Functietheorie
TW2040: Complexe Functietheorie week 4.9, maandag K. P. Hart Faculteit EWI TU Delft Delft, 13 juni, 2016 K. P. Hart TW2040: Complexe Functietheorie 1 / 41 Outline III.6 The Residue Theorem 1 III.6 The
Nadere informatieComplexe eigenwaarden
Complexe eigenwaarden Tot nu toe hebben we alleen reële getallen toegelaten als eigenwaarden van een matrix Het is echter vrij eenvoudig om de definitie uit te breiden tot de complexe getallen Een consequentie
Nadere informatieGaap, ja, nog een keer. In één variabele hebben we deze formule nu al een paar keer gezien:
Van de opgaven met een letter en dus zonder nummer staat het antwoord achterin. De vragen met een nummer behoren tot het huiswerk. Spieken achterin helpt je niets in het beter snappen... 1 Stelling van
Nadere informatieModerne Bayesiaanse statistiek:
Evolutionary Ecology Group Stefan Van Dongen /46 Mezelf even voorstellen Biologie UA: 988-99 Biostatistiek UHasselt: 99-993 Pre-post doc UA Lund-Zweden: 993 00 Janssen Farmaceutica 00-003 Moderne Bayesiaanse
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 8 Donderdag 13 Oktober 1 / 23 2 Statistiek Vandaag: Stochast en populatie Experimenten herhalen Wet van de Grote Getallen Centrale Limietstelling 2 / 23 Stochast en populatie
Nadere informatieTentamen Mathematische Statistiek (2WS05), dinsdag 3 november 2009, van uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Mathematische Statistiek (2WS05), dinsdag 3 november 2009, van 4.00 7.00 uur. Dit is een tentamen met gesloten boek. De uitwerkingen
Nadere informatieUitwerking opgaven 17 december. Spoilers!!
Uitwerking opgaven 7 december Spoilers!! (duh... 8 januari 206 Inhoudsopgave Complex diagonaliseren matrix 2. Opgave................................................ 2.2 Oplossing...............................................
Nadere informatieBlokmatrices. , I 21 = ( 0 0 ) en I 22 = 1.
Blokmatrices Soms kan het handig zijn een matrix in zogenaamde blokken op te delen, vooral als sommige van deze blokken uit louter nullen bestaan Berekeningen kunnen hierdoor soms aanzienlijk worden vereenvoudigd
Nadere informatieModellen en Simulatie Lesliematrices Markovketens
Utrecht, 6 april 3 Modellen en Simulatie Lesliematrices Markovketens Program Meerdere leeftijdsklassen Leslie matrices Eigenwaarden en eigenvectoren Dominante eigenvector Irreducibele, a-periodieke matrices
Nadere informatieTW2040: Complexe Functietheorie
TW2040: Complexe Functietheorie week 4.6, donderdag K. P. Hart Faculteit EWI TU Delft Delft, 2 juni, 2016 K. P. Hart TW2040: Complexe Functietheorie 1 / 38 Outline 1 Rekenregels 2 K. P. Hart TW2040: Complexe
Nadere informatieUtrecht, 25 november Numerieke Wiskunde. Gerard Sleijpen Department of Mathematics.
Utrecht, 25 november 2014 Numerieke Wiskunde Gerard Sleijpen Department of Mathematics http://www.staff.science.uu.nl/ sleij101/ [a, b] R, : [a, b] R Benader f door eenvoudige functies Voorbeelden eenvoudige
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 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 informatieOverzicht. Voorspellen: Concepten. Organisatie. Concepten
Overzicht VU Inleiding Bedrijfseconometrie 2.2 Charles S. Bos VU University Amsterdam c.s.bos@vu.nl 29 oktober 22 Organisatie Typeringen van voorspelling Kwalitatieve voorspelling Onvoorspelbare voorspelling
Nadere informatieAnalyse I. 1ste Bachelor Ingenieurswetenschappen Academiejaar ste semester 12 januari 2010
ste Bachelor Ingenieurswetenschappen Academiejaar 9- ste semester januari Analyse I. Formuleer en bewijs de formule van Leibniz voor de n-de afgeleide van het product van twee functies f en g.. Onderstel
Nadere informatieConvexe Analyse en Optimalisering
Convexe Analyse en Optimalisering Bernd Heidergott Vrije Universiteit Amsterdam en Tinbergen Institute WEB: http://staff.feweb.vu.nl/bheidergott Overzicht Literatuur Calculus, a complete course, Robert
Nadere informatieVoorspellen: Concepten
IB2.2s1 1/20 VU Inleiding Bedrijfseconometrie 2.2 Charles S. Bos VU University Amsterdam c.s.bos@vu.nl 29 oktober 2012 IB2.2s1 2/20 Overzicht Organisatie Waarom Typeringen van voorspelling Kwantitatieve
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 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 informatieBayesiaans leren. Les 1: Bayesiaanse statistiek. Joris Bierkens. augustus Vakantiecursus 1/14
Bayesiaans leren Les 1: Bayesiaanse statistiek Joris Bierkens Vakantiecursus augustus 2019 1/14 Next Section 1 Bayesiaanse statistiek 2 Neurale netwerken 2/14 InBraak Alarm Wordt er ingebroken? Als er
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 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 informatieKansrekening 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 informatieExamen Kansrekening en Wiskundige Statistiek: oplossingen
Examen Kansrekening en Wiskundige Statistiek: oplossingen S. Vansteelandt Academiejaar 006-007 1. Een team van onderzoekers wil nagaan of een bepaald geneesmiddel Triptan meer effectief is dan aspirine
Nadere informatieUitwerking Tentamen Inleiding Kansrekening 11 juni 2015, uur Docent: Prof. dr. F. den Hollander
Uitwerking Tentamen Inleiding Kansrekening juni 25,. 3. uur Docent: Prof. dr. F. den Hollander () [6] Zij F een gebeurtenissenruimte. Laat zien dat voor elke B F de verzameling G {A B : A F} opnieuw een
Nadere informatieTentamen Voortgezette Kansrekening (WB006C)
WB6C: Voortgezette Kansrekening Donderdag 26 januari 212 Tentamen Voortgezette Kansrekening (WB6C) Het is een open boek tentamen. Gebruik van een rekenmachine of andere hulpmiddelen is niet toegestaan.
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 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 informatieExamen Complexe Analyse (September 2008)
Examen Complexe Analyse (September 2008) De examenvragen vind je op het einde van dit documentje. Omdat het hier over weinig studenten gaat, heb ik geen puntenverdeling meegegeven. Vraag. Je had eerst
Nadere 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 informatieAnalyse I. 1ste Bachelor Ingenieurswetenschappen Academiejaar ste semester 10 januari 2008
ste Bachelor Ingenieurswetenschappen Academiejaar 007-008 ste semester 0 januari 008 Analyse I. Bewijs de stelling van Bolzano-Weierstrass: elke oneindige begrensde deelverzameling van R heeft minstens
Nadere informatieTECHNISCHE 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 informatieTechnische Universiteit Delft Tentamen Calculus TI1106M - Uitwerkingen. 2. Geef berekeningen en beargumenteer je antwoorden.
Technische Universiteit elft Tentamen Calculus TI06M - Uitwerkingen Opmerkingen:. Het gebruik van de rekenmachine is NIET toegestaan.. Geef berekeningen en beargumenteer je antwoorden. 3. Bij iedere vraag
Nadere informatieDefinities, stellingen en methoden uit David Poole s Linear Algebra A Modern Introduction - Second Edtion benodigd voor het tentamen Matrix Algebra 2
Definities, stellingen en methoden uit David Poole s Linear Algebra A Modern Introduction - Second Edtion benodigd voor het tentamen Matrix Algebra 2 Bob Jansen Inhoudsopgave 1 Vectoren 3 2 Stelsels Lineaire
Nadere informatieVrije 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: 611010 Datum:
Nadere informatie(x x 1 ) + y 1. x x 1 x k x x x k 1
Les Taylor reeksen We hebben in Wiskunde een aantal belangrijke reële functies gezien, bijvoorbeeld de exponentiële functie exp(x) of de trigonometrische functies sin(x) en cos(x) Toen hebben we wel eigenschappen
Nadere informatie2.0 Voorkennis. Herhaling merkwaardige producten: (A + B) 2 = A 2 + 2AB + B 2 (A B) 2 = A 2 2AB + B 2 (A + B)(A B) = A 2 B 2
.0 Voorkennis Herhaling merkwaardige producten: (A + B) = A + AB + B (A B) = A AB + B (A + B)(A B) = A B Voorbeeld 1: (5a) (a -3b) = 5a (4a 1ab + 9b ) = 5a 4a + 1ab 9b = 1a + 1ab 9b Voorbeeld : 4(x 7)
Nadere informatieOefeningentoets Differentiaalvergelijkingen, deel 1 dinsdag 6 november 2018 in lokaal 200M van 16:00 tot 18:00u
Oefeningentoets Differentiaalvergelijkingen, deel 1 dinsdag 6 november 2018 in lokaal 200M 00.07 van 16:00 tot 18:00u Beste student, Deze oefeningentoets bevat twee oefeningen betreffende het tweede deel
Nadere informatieToegepaste 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 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 informatieTentamen lineaire algebra 2 18 januari 2019, 10:00 13:00 Uitwerkingen (schets)
Tentamen lineaire algebra 8 januari 9, : : Uitwerkingen (schets) Opgave. ( + punten) Gegeven is de matrix ( ) A =. (a) Bepaal een diagonaliseerbare matrix D en een nilpotente matrix N zodanig dat A = N
Nadere informatieHints en uitwerkingen huiswerk 2013 Analyse 1 H18
Hints en uitwerkingen huiswerk 2013 Analyse 1 H18 Rocco van Vreumingen 29 augustus 2014 1 Inhoudsopgave 1 Hints 1 3 2 Hints 2 4 3 Hints 3 5 4 Hints 4 5 5 Hints 5 6 6 Hints 6 6 7 Hints 7 6 8 Antwoorden
Nadere informatieSamenvatting Lineaire Algebra, periode 4
Samenvatting Lineaire Algebra, periode 4 Hoofdstuk 5, Eigenwaarden en eigenvectoren 5.1; Eigenvectoren en eigenwaarden Definitie: Een eigenvector van een n x n matrix A is een niet nulvector x zodat Ax
Nadere informatieInhoud college 5 Basiswiskunde Taylorpolynomen
Inhoud college 5 Basiswiskunde 4.10 Taylorpolynomen 2 Basiswiskunde_College_5.nb 4.10 Inleiding Gegeven is een functie f met punt a in domein D f. Gezocht een eenvoudige functie, die rond punt a op f lijkt
Nadere informatieTW2040: Complexe Functietheorie
TW2040: Complexe Functietheorie week 4.10, donderdag K. P. Hart Faculteit EWI TU Delft Delft, 23 juni, 2016 K. P. Hart TW2040: Complexe Functietheorie 1 / 46 Outline 1 2 3 K. P. Hart TW2040: Complexe Functietheorie
Nadere informatie. Maak zelf een ruwe schets van f met A = 2, ω = 6π en ϕ = π 6. De som van twee trigonometrische polynomen is weer een trigonometrisch polynoom
8. Fouriertheorie Periodieke functies. Veel verschijnselen en processen hebben een periodiek karakter. Na een zekere tijd, de periode, komt hetzelfde patroon terug. Denk maar aan draaiende of heen en weer
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 informatie