Department of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 2017, Maart 28
|
|
- Stefanie van den Berg
- 5 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Department of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 07, Maart 8 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden. Het gebruik van een rekenmachine is toegestaan, maar geen programmeerbare/grafische rekenmachine, mobiele telefoon of laptop. Succes! Normering: a) 3, b) 3, c) 3, d), a) 3, b) 3, 3a) 3, 3b) 3, 3c) 3. Vraag (Markov modellen) Dagelijks wordt de fijnstof-concentratie in Amsterdam gemeten. Deze concentratie, geclassificeerd als laag, gemiddeld of hoog, kan m.b.v. een ste orde Markov keten gemodelleerd worden. Op reguliere dagen staat er een zachte danwel stevige bries, maar af en toe is het windstil danwel stormachtig. Bij een zachte bries daalt de concentratie niet en stijgt (met kans α) één niveau. Staat er daarentegen een stevige bries, dan stijgt de concentratie niet maar daalt (met kans β) één niveau. Eens in de honderd dagen trekt een storm over de stad en veegt de lucht volledig schoon van fijnstof. Evenzo is het eens in de honderd dagen windstil en stijgt de fijnstof-concentratie naar het hoogste niveau. Natuurlijk kan (bijv. bij aanhoudendend stormachtig weer) de fijnstofconcentratie gelijk blijven. Vraag a) Geef de toestandsruimte en transitie-matrix van het boven beschreven Markov proces met daarbij de parameter restricties. Teken ook het state diagram met daarin bijhorende overgangskansen. Ga bij de resterende onderdelen van deze vraag uit van de volgende transitie-matrix : γ P = γ γ δ +δ γ, δ δ waarbij rijen- en kolommen-volgorde correspondeert met fijnstof-concentraties laag, gemiddeld en hoog. Merk op: deze transitie-matrix kent een andere parameterizatie (wat de betekenis van de elementen niet verandert). Vraag b) Heeft dit ste orde Markov proces een stationaire verdeling? Zo ja, geef deze (veronderstel hierbij enkel voor deze deelvraag dat γ = and δ = ). Vraag c) Neem aan dat het antwoord op b een uniforme verdeling is. Is het ste orde Markov proces dan reversibel? Motiveer je antwoord. Belicht tevens of je reversibiliteit noodzakelijk vindt voor een zinvolle beschrijving van het voornoemde fijnstof-verloop. Vraag d) Over een periode van tien dagen is de volgende fijnstof-concentratie gemeten: laag, laag, gemiddeld, laag, gemiddeld, laag, hoog, gemiddeld, gemiddeld, laag. Gebruik de maximum likelihood methode om de parameters α en β op basis van dit verloop te schatten. Veronderstel hierbij de kans om op dag één een lage concentratie aan te treffen gelijk aan.
2 Vraag (Hidden Markov model) Het menselijk DNA van een baarmoederhalskankercel bevat viraal DNA maar kent ook veel mutaties. Het DNA van zo n cel is opgedeeld in opeenvolgende stukken en van elk stuk is de overeenkomst met het humane referentie-genoom bepaald. De mate van overeenkomst duidt op de DNA origine. De geobserveerde overeenkomst-sequentie {Y t } T t= kan worden verklaard vanuit de origine van het corresponderende stuk DNA m.b.v. een hidden Markov model (HMM), waarbij de verschillende origines de toestanden van de onderliggende ste order Markov keten representeren. De parameters (π, P, B) (resp. de startverdeling, de transitie- en emissie-matrix) van het HMM worden gegeven door π = (,0) (de kans op humaan danwel viraal, resp.), P = ( ), en B = ( De rijen van de matrices P en B representeren de origines(humaan/viraal, resp.) en de kolommen van B corresponderen met een lage/gemiddelde/hoge (resp.) overeenkomst. Vraag a Bereken P((Y,Y,Y 3 ) = (hoog,middel,laag)). Vraag b Wat is de meest aannemelijk toestandssequentie die ten grondslag ligt aan de geobserveerde overeenkomst-sequentie (Y,Y,Y 3 ) = (hoog,laag,middel)? ) Vraag 3 Beschouw een pathway van 3 genen. De expressie-niveau s van de drie genen worden gerepresenteerd door de random variabelen Y, Y en Y 3. Vraag 3a) Zij Y = Y + ε, Y 3 = Y Y + ε 3 met Y, ε en ε 3 onderling onafhankelijk en elk standaard normaal verdeeld. Bereken de correlatie tussen Y en Y 3. Vraag 3b) Neem nu aan dat (Y,Y,Y 3 ) N(µ,Σ) met µ = (0,0,0) en: Σ = 4 3 3, 3 3 Reken de partiële correlatie tussen Y en Y gegeven Y 3 uit. Vraag 3c) Neem aan dat de bij 3b gevraagde partiele correlatie gelijk aan nul is. Data van de expressieniveau s zijn beschikbaar. Een regressie-model, dat de expressie-niveaus s van Y in termen van Y 3 verklaart, wordt m.b.v. deze data gefit, nl.: Y = β Y 3 +ε. De R-output voor deze regressie fit is: Estimate Std. Error t value Pr(> t ) Y <e-6 Kan uit bovenstaande R-output geconcludeerd worden dat Y conditioneel afhankelijk is van Y 3?
3 FORMULE BLAD Bij het tentamen kunnen de volgende formules handig zijn. De inverse van een matrix A met elementen a j,j = (A) j,j is: A = ( ) ( ) a a = [det(a)] a a a a a a met det(a) = a a a a. De inverse van een 3 3 matrix A met elementen a j,j = (A) j,j is: A = [det(a)] a 33 a a 3 a 3 (a 33 a a 3 a 3 ) a 3 a a a 3 (a 33 a a 3 a 3 ) a 33 a a 3 a 3 (a 3 a a a 3 ) a 3 a a 3 a (a 3 a a 3 a ) a a a a met det(a) = a (a 33 a a 3 a 3 ) a (a 33 a a 3 a 3 )+a 3 (a 3 a a a 3 ). De dichtsheidsfunctie van de multivariaat normale verdeling van random variable Y is f(y;µ,σ) = (π) p/ Σ / exp[ (Y µ) Σ (Y µ)/], met µ en Σ de verwachting en covariantie parameters, respectievelijk. Indien een p-variate normaal verdeelde random variabele Z als volgt gepartitioneerd kan worden: Z = ( X Y ) N (( µx dan wordt de conditionele verdeling van Y X gegeven door: ) ( )) ΣXX Σ, XY, µ Y Σ YX Σ YY Y X N(µ Y +Σ Y X Σ XX (X µ X),Σ YY Σ YX Σ XX Σ XY). Zij A en B twee gebeurtenissen. De regel van Bayes zegt dan: P(A B) = P(B A) P(A)/P(B). Zij A en B,...,B n gebeurtenissen z.d.d. n i= P(B i) =. De total probability law zegt dan: P(A) = n P(A,B i ). i= Zij W, X, Y en Z random vectoren, A en B non-random matrices van geschikte dimensies, en c een constante. Dan geldt: Cov(c,Y) = 0, Cov(Y,Y) = Var(Y), Cov(Y,Z) = 0 als Y en Z onafhankelijk zijn, Cov(AX,BY) = ACov(X,Y)B, en Cov(W+X,Y +Z) = Cov(W,Y)+Cov(W,Z)+Cov(X,Y)+Cov(X,Z). 3
4 Antwoorden Antwoord op vraag Vraag a De toestandsruimte S bestaat uit toestanden {laag, middel, hoog}. De kans op storm danwel windstil is, dus de kans op een reguliere dag is. Oftewel: P(stevige bries) + P(zachte bries) =. Als P(stevige bries) = p sb dan P(zachte bries) = p bz. Merk op: de interpretatie P(stevige bries) = 49 = P(zachte bries) wordt goed gerekend. Dan, mbv de total probability law : P(X t+ = laag X t = laag) = P(X t+ = laag,windstil X t = laag) Evenzo, of gelijke wijze: +P(X t+ = laag,zachte bries X t = laag) +P(X t+ = laag,stevige bries X t = laag) +P(X t+ = laag,storm X t = laag) = 0 +( α) ( p sb)+ p sb + = ( α)+αp sb +. P(X t+ = middel X t = laag) = 0 +α ( p sb)+0 p sb +0 P(X t+ = hoog X t = laag) = P(X t+ = laag X t = middel) = 0 P(X t+ = middel X t = middel) = 0 P(X t+ = hoog X t = middel) = P(X t+ = laag X t = hoog) = 0 P(X t+ = middel X t = hoog) = 0 P(X t+ = hoog X t = hoog) =, p sb)+0 p sb +0 = p sb)+β p sb +,, +( α) ( p sb)+( β) p sb +0 +α ( p sb)+0 p sb +0, p sb)+0 p sb +, p sb)+β p sb +0, + ( p sb)+( β) p sb +0, Samengevoegd: P = ( α)+αp sb + α( βp sb + ( α)( p sb)+( β)p sb βp sb, p sb) +α( p sb) +( p sb)+( β)p sb De rijen sommeren inderdaad tot een. Verder, uit het feit dat elk element van P in het interval [0, ] moet liggen, volgen de parameter-restricties. Direct volgt 0 α, β. Specifieker, middels expliciet uitrekenen geeft: α min{, 99 ( p sb) } en β min{, 99 p sb }. Includeer ook het state diagram. Vraag b De transitie matrix wordt dus: P = 3 Ja, heeft stationaire verdeling: irreducibel en aperiodiek. Gebruik dan: ϕ P = ϕ en ϕ L +ϕ M + ϕ H =. Dit geeft het volgende stelsel van vergelijkingen:, 3ϕ L +ϕ M +ϕ H = ϕ L, ϕ L +ϕ M +ϕ H = ϕ M, ϕ L +ϕ M +ϕ H = ϕ H.. 4
5 Laat de laatste formule vervallen en herschrijf de eerste twee: (ϕ M ϕ L )+(ϕ H ϕ L ) = 0 (ϕ L ϕ M )+(ϕ H ϕ M ) = 0, ϕ L +ϕ M +ϕ H =. De laatste vergelijking levert ϕ H = ϕ L ϕ M. Substitueer dit in de eerste twee vergelijkingen: (ϕ M ϕ L )+( ϕ L ϕ M ) = 3ϕ L = 0 (ϕ L ϕ M )+( ϕ L ϕ M ) = ϕ L ϕ M = 0. Dus: (ϕ L,ϕ M,ϕ H ) = (,,)/3. Deze kansen liggen in het interval (0,) en sommeren tot een. Merk op: dit had ook direct uit de symmetrie van P geconcludeerd kunnen worden: een irreducibele, aperiodieke Markov keten met een symmetrische transitie matrix heeft een uniforme stationaire verdeling. Vraag c Reversibiliteit toetst men met behulp van de detailed balance equations: ϕ L (P) L,M = 3 3 γ = ϕ s(p) M,L. Het model is derhalve niet reversibel voor alle keuze vd parameters. Dit is ook nietnoodzakelijk daar de actuele staat van het weer en de fijnstof-concentratie direct geobserveerd kunnen worden. Vraag d De likelihood van deze sequentie wordt gegeven door: P(X = ) 0 t= P(X t X t ). Ofwel: ( γ ) γ γ γ δ ( δ) γ = δγ 4 ( γ)( δ). Neem de logaritme, deze is proportioneel aan: log(δ)+4log(γ)+log( γ)+log( δ). Stel eerste orde afgeleiden (naar γ en δ) gelijk aan nul: /δ /( δ) = 0 en 4/γ /( γ) = 0. Oplossen levert: ˆδ = / en ˆγ = 6/. Antwoord op vraag Vraag a Slechts twee onderliggende toestandssequenties kunnen de geobserveerde data verklaren: {X = Humaan,X = Humaan,X 3 = Viraal} en {X = Humaan,X = Viraal,X 3 = Viraal}. Om de gevraagde kans uit te rekenen gebruik de total probability law: P(Y = H,Y = M,Y 3 = L) = P(Y = H,Y = M,Y 3 = L X = Humaan,X = Humaan,X 3 = Viraal) P(X = Humaan,X = Humaan,X 3 = Viraal) +P(Y = H,Y = M,Y 3 = L X = Humaan,X = Viraal,X 3 = Viraal) P(X = Humaan,X = Viraal,X 3 = Viraal) = P(Y = H X = Humaan)P(Y = M X = Humaan)P(Y 3 = L X 3 = Viraal) P(X = Humaan)P(X = Humaan X = Humaan)P(X 3 = Viraal X = Humaan) +P(Y = H X = Humaan)P(Y = M X = Viraal)P(Y 3 = L X 3 = Viraal) P(X = Humaan)P(X = Viraal X = Humaan)P(X 3 = Viraal X = Viraal) = ( ) ( )+( ) ( ) =
6 In het bovenstaande is de Markov eigenschap van de onderliggende keten gebruikt alsook de conditionele onafhankelijkheid van de observaties gegeven de onderliggende toestanden. Vraag b Gebruik de regel van Bayes danwel definitie van conditionele kans om het gevraagde te herschrijven: arg max X,X,X 3 P(X,X,X 3 Y = H,Y = L,Y 3 = M) X,X,X 3 P(X,X,X 3,Y = H,Y = L,Y 3 = M) P(Y = H,Y = L,Y 3 = M) X,X,X 3 P(X,X,X 3,Y = H,Y = L,Y 3 = M) X,X,X 3 P(Y = H,Y = L,Y 3 = M X,X,X 3 )P(X,X,X 3 ) X,X,X 3 P(Y = H X )P(Y = L X )P(Y 3 = M X 3 )P(X )P(X X )P(X 3 X ). Merk nu op dat wederom slechts twee toestandssequenties de observaties kunnen genereren: {X = Humaan,X = Viraal,X 3 = Humaan} en {X = Humaan,X = Viraal,X 3 = Viraal}. Evalueer voor beide toestandssequenties de bovenstaande kans. De eerst levert: ( ) ( 0. 0.), terwijl de tweede ( ) ( 0. 0.) geeft. De tweede sequentie is dus meer aannemelijk. Antwoord op vraag 3 Vraag 3a De definitie van correlatie geeft: ρ(y,y 3 ) = Cov(Y,Y 3 ) Var(Y ) Var(Y 3 ). Reken de individuele termen uit: Var(Y ) = Var(Y 3 ) = Cov(Y 3,Y 3 ) = Cov(Y Y +ε 3,Y Y +ε 3 ) = Cov(Y Y ε +ε 3,Y Y ε +ε 3 ) = Cov( ε +ε 3, ε +ε 3 ) = Cov(Y Y ε +ε 3,Y Y ε +ε 3 ) = Cov( ε +ε 3, ε +ε 3 ) = Cov( ε, ε )+Cov( ε,ε 3 )+Cov(ε 3, ε )+Cov(ε 3,ε 3 ) = Var(ε )+Var(ε 3 ) = Cov(Y,Y 3 ) = Cov(Y,Y Y +ε 3 ) = Cov(Y +ε 3,Y Y ε +ε 3 ) = Cov(Y +ε 3, ε +ε 3 ) = 0. De gevraagde correlatie is dus 0. Vraag 3b Voor de partiële correlatie matrix, neem eerst de inverse: Σ =
7 Standardizeer deze matrix tot: 3/ 7/ 3/ / 33 7/ / 33 Rest nog de off-diagonal elementen met te vermenigvuldigen en de gevraagde partiële correlatie af te lezen: ρ(y,y Y 3 ) = 3/. Vraag 3c Gegeven: ρ(y,y Y 3 ) = 0. Daar partiele correlaties- gerelateerdzijn aan regressie-coefficienten weten we dat (bijv.) β = 0 in Y = β Y +β 3 Y 3 +ε, i.e. de variable Y voegt niets toe aan het verklaren van de variatie in Y. Kortom, om nu vast te stellen dat Y en Y 3 gegeven Y onhankelijk zijn volstaat om vast te stellen dat β 3 in Y = β 3 Y 3 +ε. Dit blijkt uit de regressie output.. 7
Department 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 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 informatieVU University Amsterdam 2018, Maart 27
Department of Mathematics Exam: Voortgezette biostatistiek VU University Amsterdam 2018, Maart 27 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieHertentamen Biostatistiek 3 / Biomedische wiskunde
Hertentamen Biostatistiek 3 / Biomedische wiskunde 2 juni 2014; 18:30-20:30 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieVU University Amsterdam 2019, maart 28.
Department of Mathematics Examen: Voortgezette biostatistiek (MNW) VU University Amsterdam 2019, maart 28. Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieHertentamen Voortgezette biostatistiek / Biomedische wiskunde
Hertentamen Voortgezette biostatistiek / Biomedische wiskunde 1 juni 2016; 18:30-20:30 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieTentamen Voortgezette biostatistiek / Biomedische wiskunde
Tentamen Voortgezette biostatistiek / Biomedische wiskunde 22 maart 2016; 08:45-10:45 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieHertentamen Voortgezette biostatistiek / Biomedische wiskunde
Hertentamen Voortgezette biostatistiek / Biomedische wiskunde 3 juni 5; 8:3-:3 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieVU University Amsterdam 2019, maart 28.
Department of Mathematics Examen: Biomedische wiskunde VU University Amsterdam 2019, maart 28. Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden. Het gebruik
Nadere informatieTentamen Voortgezette biostatistiek / Biomedische wiskunde
Tentamen Voortgezette biostatistiek / Biomedische wiskunde 27 maart 2015; 15:15-17:15 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieTentamen Biostatistiek 3 / Biomedische wiskunde
Tentamen Biostatistiek 3 / Biomedische wiskunde 25 maart 2014; 12:00-14:00 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieOude tentamenopgaven
Oude tentamenopgaven (met enkele uitwerkingen Vraag De omvang (n van een celpopulatie over de tijd (t, 2, 3,... laat zich beschrijven middels een eerste orde Markov proces. Voor elke tijdstap, is het mogelijk
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 informatieHertentamen Inleiding Kansrekening 5 juli 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Hertentamen Inleiding Kansrekening 5 juli 07, 4:00 7:00 Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan, wel het gebruik van rekenmachine. Er
Nadere informatieb) Uit Bayes volgt, gebruik makend van onderdeel a) P (T V )P (V ) P (T ) = (0.09)(0.07)
Uitwerkingen tentamen 6 juli 22. We stellen T de gebeurtenis test geeft positief resultaat, F de gebeurtenis, chauffeur heeft gefraudeerd, V de gebeurtenis, chauffeur heeft vergissing gemaakt C de gebeurtenis,
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+ = j X n = i, X n,...,
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 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 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 informatieToets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016:
Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: 11.00-13.00 Algemene aanwijzingen 1. Het is toegestaan een aan beide zijden beschreven A4 met aantekeningen te raadplegen. 2. Het is toegestaan
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+1 = j X n = i, X n 1,...,
Nadere informatieTentamen Inleiding Intelligente Data Analyse Datum: Tijd: , BBL 420 Dit is geen open boek tentamen.
Tentamen Inleiding Intelligente Data Analyse Datum: 19-12-2002 Tijd: 9.00-12.00, BBL 420 Dit is geen open boek tentamen. Algemene aanwijzingen 1. U mag ten hoogste één A4 met aantekeningen raadplegen.
Nadere informatieTentamen Inleiding Kansrekening 25 juni 2009, uur Docent: F. den Hollander
Universiteit Leiden Niels Bohrweg Tentamen Inleiding Kansrekening 25 juni 2009, 0.00 3.00 uur Docent: F. den Hollander Mathematisch Instituut 2333 CA Leiden Bij dit tentamen is het gebruik van een (grafische)
Nadere 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 Inleiding Kansrekening 16 juni 2017, 14:00 17:00 Docent: Prof. dr. F. den Hollander
Tentamen Inleiding Kansrekening 6 juni 7, : 7: Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebruik van boek en aantekeningen niet toegestaan. Er zijn 8 vragen, elk met twee of drie onderdelen.
Nadere informatieTentamen Inleiding Kansrekening wi juni 2010, uur
Technische Universiteit Delft Mekelweg Faculteit Electrotechniek, Wiskunde en Informatica 8 CD Delft Tentamen Inleiding Kansrekening wi juni, 9.. uur Bij dit examen is het gebruik van een (evt. grafische
Nadere informatieBasiskennis lineaire algebra
Basiskennis lineaire algebra Lineaire algebra is belangrijk als achtergrond voor lineaire programmering, omdat we het probleem kunnen tekenen in de n-dimensionale ruimte, waarbij n gelijk is aan het aantal
Nadere informatieExamen Statistiek I Feedback
Examen Statistiek I Feedback Bij elke vraag is alternatief A correct. Bij de trekking van een persoon uit een populatie beschouwt men de gebeurtenissen A (met bril), B (hooggeschoold) en C (mannelijk).
Nadere 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 informatieTentamen Kansrekening (NB004B)
NB4B: Kansrekening Dinsdag november 2 Tentamen Kansrekening (NB4B) Het is een open boek tentamen. Gebruik van een rekenmachine of andere hulpmiddelen is niet toegestaan. Vermeld op ieder blad je naam en
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 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 informatieTENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN
TENTAMEN WISKUNDIGE BEELDVERWERKINGSTECHNIEKEN Vakcode: 8D2. Datum: dinsdag 29 april 28. Tijd: 14: 17:. Lees dit vóórdat je begint! Maak iedere opgave op een apart vel. Schrijf je naam en studentnummer
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 informatie13 Hidden Markov Modellen.
3 Hidden Markov Modellen. 3. Inleiding. In dit Hoofdstuk bekijken we Markov modellen waarvan we de toestanden niet met zekerheid kunnen waarnemen. In plaats daarvan gaan we ervan uit dat toestand i met
Nadere informatieUitwerking Hertentamen Inleiding Kansrekening 6 juli 2015, uur Docent: Prof. dr. F. den Hollander
Uitwerking Hertentamen Inleiding Kansrekening 6 jli 5, 4. 7. r Docent: Prof. dr. F. den Hollander Bij dit tentamen is het gebrik van boek en aantekeningen niet toegestaan. Er zijn vragen. Elke vraag is
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 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 informatiePopulatie: 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 informatieTentamen Kansrekening en Statistiek MST 14 januari 2016, uur
Tentamen Kansrekening en Statistiek MST 14 januari 2016, 14.00 17.00 uur Het tentamen bestaat uit 15 meerkeuzevragen 2 open vragen. Een formuleblad wordt uitgedeeld. Normering: 0.4 punt per MC antwoord
Nadere informatieBekijk nog een keer het stelsel van twee vergelijkingen met twee onbekenden x en y: { De tweede vergelijking van de eerste aftrekken geeft:
Determinanten Invoeren van het begrip determinant Bekijk nog een keer het stelsel van twee vergelijkingen met twee onbekenden x en y: { a x + b y = c a 2 a 2 x + b 2 y = c 2 a Dit levert op: { a a 2 x
Nadere informatiecompact weer te geven (ken ook een waarde toe aan n).
1 HOVO: Gravitatie en kosmologie OPGAVEN WEEK 2 - Oplossingen Opgave 1: Er geldt n 3 en we hebben de compacte uitdrukking y i a r i x r, waarbij we gebruik maken van de Einsteinsommatieconventie. a Schrijf
Nadere informatieToegepaste Statistiek, Dag 7 1
Toegepaste Statistiek, Dag 7 1 Statistiek: Afkomstig uit het Duits: De studie van politieke feiten en cijfers. Afgeleid uit het latijn: status, staat, toestand Belangrijkste associatie: beschrijvende statistiek
Nadere informatieTentamen Kansrekening en statistiek wi2105in 25 juni 2007, uur
Tentamen Kansrekening en statistiek wi205in 25 juni 2007, 4.00 7.00 uur Bij dit examen is het gebruik van een (evt. grafische rekenmachine toegestaan. Tevens krijgt u een formuleblad uitgereikt na afloop
Nadere informatieMARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN?
MARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN? KARMA DAJANI In deze lezing gaan we over een bijzonder model in kansrekening spreken Maar eerst een paar woorden vooraf Wat doen we
Nadere informatieData analyse Inleiding statistiek
Data analyse Inleiding statistiek Terugblik - Inductieve statistiek Afleiden van eigenschappen van een populatie op basis van een beperkt aantal metingen (steekproef) Kennis gemaakt met kans & kansverdelingen
Nadere informatieFACULTEIT ECONOMIE EN BEDRIJFSKUNDE Afdeling Kwantitatieve Economie
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE Afdeling Kwantitatieve Economie Lineaire Algebra, tentamen Uitwerkingen vrijdag 4 januari 0, 9 uur Gebruik van een formuleblad of rekenmachine is niet toegestaan. De
Nadere informatieZo geldt voor o.o. continue s.v.-en en X en Y dat de kansdichtheid van X + Y gegeven wordt door
APP.1 Appendix A.1 Erlang verdeling verdeling met parameters n en λ Voor o.o. discrete s.v.-en X en Y geldt P (X + Y = z) =P (X = x 1 en Y = z x 1 )+P(X = x en Y = z x )+... = P (X = x 1 )P (Y = z x 1
Nadere informatieHOOFDSTUK VII REGRESSIE ANALYSE
HOOFDSTUK VII REGRESSIE ANALYSE 1 DOEL VAN REGRESSIE ANALYSE De relatie te bestuderen tussen een response variabele en een verzameling verklarende variabelen 1. LINEAIRE REGRESSIE Veronderstel dat gegevens
Nadere 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 informatieExamen Statistische Modellen en Data-analyse. Derde Bachelor Wiskunde. 14 januari 2008
Examen Statistische Modellen en Data-analyse Derde Bachelor Wiskunde 14 januari 2008 Vraag 1 1. Stel dat ɛ N 3 (0, σ 2 I 3 ) en dat Y 0 N(0, σ 2 0) onafhankelijk is van ɛ = (ɛ 1, ɛ 2, ɛ 3 ). Definieer
Nadere informatieTentamen Inleiding Kansrekening 12 augustus 2010, 10.00 13.00 uur Docent: F. den Hollander
Universiteit Leiden Niels Bohrweg Mathematisch Instituut 333 CA Leiden Tentamen Inleiding Kansrekening augustus,. 3. uur Docent: F. den Hollander Bij dit tentamen is het gebruik van een (grafische) rekenmachine
Nadere informatieHoofdstuk 4 Kansen. 4.1 Randomheid
Hoofdstuk 4 Kansen 4.1 Randomheid Herhalingen en kansen Als je een munt opgooit (of zelfs als je een SRS trekt) kunnen de resultaten van tevoren voorspeld worden, omdat de uitkomsten zullen variëren wanneer
Nadere informatieHoofdstuk 10: Regressie
Hoofdstuk 10: Regressie Inleiding In dit deel zal uitgelegd worden hoe we statistische berekeningen kunnen maken als sprake is van één kwantitatieve responsvariabele en één kwantitatieve verklarende variabele.
Nadere 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 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 informatieHet oplossen van stelsels lineaire vergelijkingen Wiskunde 2, 2DM60 College 2b
Het oplossen van stelsels lineaire vergelijkingen Wiskunde 2, 2DM60 College 2b Ruud Pellikaan g.r.pellikaan@tue.nl /k 2014-2015 Lineaire vergelijking 2/64 DEFINITIE: Een lineaire vergelijking in de variabelen
Nadere informatieHet gebruik van een grafische rekenmachine is toegestaan tijdens dit tentamen, alsmede één A4-tje met aantekeningen.
Het gebruik van een grafische rekenmachine is toegestaan tijdens dit tentamen, alsmede één A4-tje met aantekeningen. 1. (a) In de appendix van deze vraag, is een dataset gegeven met de corresponderende
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 informatie(c) Bepaal de kans dat de linker bedelaar van 10 voorbijgangers in totaal exact 420 ct ontvangt.
Tentamen Statistiek van Proefopzetten wi244st 4 juni 2007, 4.00 7.00 uur Toelichting. Een antwoord alleen is niet voldoende: er dient een motivatie, toelichting of berekening aanwezig te zijn. Gebruik,
Nadere 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 Statistiek (WI2615) 10 april 2013, 9:00-12:00u
Technische Universiteit Delft Mekelweg 4 Faculteit Elektrotechniek, Wiskunde en Informatica 2628 CD Delft Tentamen Inleiding Statistiek (WI2615) 10 april 2013, 9:00-12:00u Formulebladen, rekenmachines,
Nadere informatieCursus Statistiek Hoofdstuk 4. Statistiek voor Informatica Hoofdstuk 4: Verwachtingen. Definitie (Verwachting van discrete stochast) Voorbeeld (1)
Cursus Statistiek Hoofdstuk 4 Statistiek voor Informatica Hoofdstuk 4: Verwachtingen Cursusjaar 29 Peter de Waal Departement Informatica Inhoud Verwachtingen Variantie Momenten en Momentengenererende functie
Nadere 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 informatieWiskunde B - Tentamen 2
Wiskunde B - Tentamen Tentamen van Wiskunde B voor CiT (57) Donderdag 4 april 005 van 900 tot 00 uur Dit tentamen bestaat uit 8 opgaven, 3 tabellen en formulebladen Vermeld ook je studentnummer op je werk
Nadere informatieOpgaves Hoofdstuk 3: Toevalsveranderlijken en Distributiefuncties
Opgaves Hoofdstuk 3: Toevalsveranderlijken en Distributiefuncties Discrete Distributiefuncties 3. Er zijn 3 studenten aan het begin van de dag aanwezig bij een symposium. De kans dat een student volhoudt
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 informatieOpgaven Functies en Reeksen. E.P. van den Ban
Opgaven Functies en Reeksen E.P. van den Ban c Mathematisch Instituut Universiteit Utrecht Augustus 2014 1 Opgaven bij Hoofdstuk 1 Opgave 1.1 Zij f : R n R partieel differentieerbaar naar iedere variabele
Nadere 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 informatieStelsels Vergelijkingen
Hoofdstuk 5 Stelsels Vergelijkingen Eén van de motiverende toepassingen van de lineaire algebra is het bepalen van oplossingen van stelsels lineaire vergelijkingen. De belangrijkste techniek bestaat uit
Nadere informatie9. Lineaire Regressie en Correlatie
9. Lineaire Regressie en Correlatie Lineaire verbanden In dit hoofdstuk worden methoden gepresenteerd waarmee je kwantitatieve respons variabelen (afhankelijk) en verklarende variabelen (onafhankelijk)
Nadere informatieSet 3 Inleveropgaven Kansrekening (2WS20) Opgaven met sterretjes zijn lastiger dan opgaven zonder sterretje.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Set 3 Inleveropgaven Kansrekening (2WS2) 23-24 Opgaven met sterretjes zijn lastiger dan opgaven zonder sterretje.. Voetbalplaatjes. Bij
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 informatieExamen G0N34 Statistiek
Naam: Richting: Examen G0N34 Statistiek 7 juni 2010 Enkele richtlijnen : Wie de vragen aanneemt en bekijkt, moet minstens 1 uur blijven zitten. Je mag gebruik maken van een rekenmachine, het formularium
Nadere informatie3 De duale vectorruimte
3 De duale vectorruimte We brengen de volgende definitie in de herinnering. Definitie 3.1 (hom K (V, W )) Gegeven twee vectorruimtes (V, K) en (W, K) over K noteren we de verzameling van alle lineaire
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 30 januari 2014 10:30-12:30 Vooraf Mobiele telefoons dienen uitgeschakeld te zijn. Het tentamen bestaat uit 7 opgaven; in totaal kunnen er 100 punten behaald
Nadere informatieONBETWIST ONderwijs verbeteren met WISkunde Toetsen Voorbeeldtoetsen Lineaire Algebra Deliverable 3.10 Henk van der Kooij ONBETWIST Deliverable 3.
ONBETWIST ONderwijs verbeteren met WISkunde Toetsen Voorbeeldtoetsen Lineaire Algebra Deliverable 3.10 Henk van der Kooij ONBETWIST Deliverable 3.8 ONBETWIST ONderwijs verbeteren met WISkunde Toetsen Inleiding
Nadere informatiePE Bijeenkomst Prognosetafel AG2016
PE Bijeenkomst Prognosetafel AG2016 1 Inhoud 1. Datasets en Databewerking 2. Modelstructuur en eigenschappen 3. Correlaties 4. Vergelijking met AG2014 5. Gebruik: als (best estimate) statische prognosetafel
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 informatieUitwerkingen Lineaire Algebra I (wiskundigen) 22 januari, 2015
Uitwerkingen Lineaire Algebra I (wiskundigen) januari, 5 In deze uitwerkingen is hier en daar een berekening weggelaten (bijvoorbeeld het bepalen van de kern van een matrix) die uiteraard op het tentamen
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 12 december 2014 8:30-10:30 Vooraf Mobiele telefoons en dergelijke dienen uitgeschakeld te zijn. Het eerste deel van het tentamen bestaat uit 8 multiple-choice
Nadere informatieUitwerkingen Mei Eindexamen VWO Wiskunde A. Nederlands Mathematisch Instituut Voor Onderwijs en Onderzoek
Uitwerkingen Mei 2012 Eindexamen VWO Wiskunde A Nederlands Mathematisch Instituut Voor Onderwijs en Onderzoek Schroefas Opgave 1. In de figuur trekken we een lijn tussen 2600 tpm op de linkerschaal en
Nadere informatie0 2λ µ 0
Example 6.7 Machine werkplaats met vier onafhankelijke machines 1, 2, 3 en 4. Bedrijfsduur machine i (i = 1, 2, 3, 4) is B i Exp(µ), reparatieduur wegens defect machine i is R i Exp(λ). Er zijn twee reparateurs
Nadere 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 informatieInleiding Applicatie Software - Statgraphics
Inleiding Applicatie Software - Statgraphics Beschrijvende Statistiek /k 1/35 OPDRACHT OVER BESCHRIJVENDE STATISTIEK Beleggen Door een erfenis heeft een vriend van u onverwacht de beschikking over een
Nadere informatieS n = tijdstip van de n-de gebeurtenis, T n = S n S n 1 = tijd tussen n-de en (n 1)-de gebeurtenis.
HET POISSON PROCES In veel praktische toepassingen kan het aaankomstproces van personen, orders,..., gemodelleerd worden door een zogenaamd Poisson proces. Definitie van een Poisson proces: Een Poisson
Nadere informatieDe dimensie van een deelruimte
De dimensie van een deelruimte Een deelruimte van R n is een deelverzameling die op zichzelf ook een vectorruimte is. Ter herinnering : Definitie. Een deelverzameling H van R n heet een deelruimte van
Nadere informatieTentamen lineaire algebra voor BWI maandag 15 december 2008, uur.
Vrije Universiteit Amsterdam Faculteit der Exacte Wetenschappen Afdeling Wiskunde Tentamen lineaire algebra voor BWI maandag 5 december 8, 5.5-8. uur. ELK ANTWOORD DIENT TE WORDEN BEARGUMENTEERD. Er mogen
Nadere informatie11. Multipele Regressie en Correlatie
11. Multipele Regressie en Correlatie Meervoudig regressie model Nu gaan we kijken naar een relatie tussen een responsvariabele en meerdere verklarende variabelen. Een bivariate regressielijn ziet er in
Nadere informatieStatistiek voor Natuurkunde Opgavenserie 1: Kansrekening
Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening Inleveren: 12 januari 2011, VOOR het college Afspraken Serie 1 mag gemaakt en ingeleverd worden in tweetallen. Schrijf duidelijk je naam, e-mail
Nadere informatieHoofdstuk 8: Multipele regressie Vragen
Hoofdstuk 8: Multipele regressie Vragen 1. Wat is het verschil tussen de pearson correlatie en de multipele correlatie R? 2. Voor twee modellen berekenen we de adjusted R2 : Model 1 heeft een adjusted
Nadere informatieEXAMEN INFORMATIETHEORIE I (5JJ40 / 5K020) 25 maart 2004, 9u00 12u00-1 -
EXAMEN INFORMATIETHEORIE I (5JJ40 / 5K020) 25 maart 2004, 9u00 12u00-1 - Zet de antwoorden in de daarvoor bestemde vakjes en lever alleen deze bladen in! LET OP: Dit werk bevat zowel de opgaven voor het
Nadere informatieKies voor i een willekeurige index tussen 1 en r. Neem het inproduct van v i met de relatie. We krijgen
Hoofdstuk 95 Orthogonaliteit 95. Orthonormale basis Definitie 95.. Een r-tal niet-triviale vectoren v,..., v r R n heet een orthogonaal stelsel als v i v j = 0 voor elk paar i, j met i j. Het stelsel heet
Nadere informatieInleiding Applicatie Software - Statgraphics. Beschrijvende Statistiek
Inleiding Applicatie Software - Statgraphics Beschrijvende Statistiek OPDRACHT OVER BESCHRIJVENDE STATISTIEK Beleggen Door een erfenis heeft een vriend van u onverwacht de beschikking over een klein kapitaaltje
Nadere informatieTentamen Kansrekening en Statistiek (2WS04), woensdag 30 juni 2010, van 9.00 12.00 uur.
Technische Universiteit Eindhoven Faculteit Wiskunde en Informatica Tentamen Kansrekening en Statistiek (WS4), woensdag 3 juni, van 9.. uur. Dit is een tentamen met gesloten boek. De uitwerkingen van de
Nadere informatieUitwerking Tweede Quiz Speltheorie,
Uitwerking Tweede Quiz Speltheorie, 28-11-2012 Attentie! Maak van de onderstaande drie opgaven er slechts twee naar eigen keuze! Opgave 1 [50 pt]. Van het tweepersoons nulsomspel met de 2 4-uitbetalingsmatrix
Nadere informatieKansrekening en statistiek wi2105in deel I 29 januari 2010, uur
Kansrekening en statistiek wi20in deel I 29 januari 200, 400 700 uur Bij dit examen is het gebruik van een (evt grafische rekenmachine toegestaan Tevens krijgt u een formuleblad uitgereikt na afloop inleveren
Nadere informatie= P(B) = 2P(C), P(A B) = 1 2 en P(A C) = 2 5. d. 31
Tentamen Statistische methoden 45STAMEY april, 9: : Studienummers: Vult u alstublieft op het MC formulier uw Delftse studienummer in; en op het open vragen formulier graag beide, naar volgend voorbeeld:
Nadere informatieINLEIDING. Definitie Stochastisch Proces:
Definitie Stochastisch Proces: INLEIDING Verzameling van stochastische variabelen die het gedrag in de tijd beschrijven van een systeem dat onderhevig is aan toeval. Tijdparameter: discreet: {X n, n 0};
Nadere informatiemlw stroom 2.1: Statistisch modelleren
mlw stroom 2.1: Statistisch modelleren College 5: Regressie en correlatie (2) Rosner 11.5-11.8 Arnold Kester Capaciteitsgroep Methodologie en Statistiek Universiteit Maastricht Postbus 616, 6200 MD Maastricht
Nadere informatie