Data analyse en statistiek

Data analysis and statistics

Studiewijzer 2025/2026

Globale inhoud

In dit vak worden de basisvaardigheden aangeleerd om een data analyse uit te voeren en meetresultaten statistisch te interpreteren. Aan de hand van praktische voorbeelden en datasets worden opdrachten in python gemaakt.

Aanbevolen voorkennis: Inleiding Programmeren.

Voor het vak is basiskennis van python nodig die in het vak Inleiding Programmeren worden aangeboden.
De opdrachten worden geprogrammeerd in python en we gaan ervan uit dat je kennis hebt over
for loops, list operators en het gebruiken en definiëren van python functies.

In de deeltoets op 27 januari wordt voor de parameterschattingsopdrachten gebruik gemaakt van een GUI in RStudio.

Studiemateriaal

Literatuur

• https://das.proglab.nl/

Practicummateriaal

• DAS2026extra.zip op Canvas bevat Achtergrondinformatie over Modelleren en Parameterschatten voor het vak Data Analyse en Statistiek

Software

• python, RStudio

Leerdoelen

• De student kan meetgegevens en resultaten grafisch weergeven in histogrammen en histogrammen interpreteren.
• De student kan het gemiddelde, de variantie, en de variantie van het gemiddelde van een reeks (metingen) bepalen en interpreteren.
• De student kan begrippen als foutenpropagatie, statistische en systematische fouten uitleggen en toepassen in concrete problemen. Zowel numeriek als analytisch.
• De student kan kansen en kansdichtheidsverdelingen herkennen, interpreteren en eenvoudige statistische eigenschappen gebruiken in verschillende data-sets. Voorbeelden zijn de normale verdeling, de Poisson en de binomiale verdeling.
• De student kan de centrale limietstelling begrijpen en demonstreren.
• De student kan verschillende methoden van regressie toepassen en een uitspraak doen over de legitimiteit en kwaliteit van de uitgevoerde regressiecurve aan de hand van de chi-kwadraattoets.
• De student kan een p-waarde berekenen voor een dataset gegeven een kansdichtheids-distributie en deze interpreteren.
• De student kan kennis hebben van de standaard hypothese-test methode en deze kunnen toepassen in het analyseren van modellen met behulp van data.
• De student kan het model identificeren dat onbekende gesimuleerde data het best beschrijft, en de modelparameters schatten.

Onderwijsvormen

• Laptopcollege
• Hoorcollege
• Zelfstudie

Verdeling leeractiviteiten

Aanwezigheid

Aanwezigheidseisen opleiding (OER-B):

• Van elke student wordt actieve deelname verwacht aan het onderwijsonderdeel waarvoor hij staat ingeschreven. Een student die de eerste twee werkcolleges van een lesblok geen gebruik maakt van de werkcolleges, zal administratief uit de werkcollegegroep verwijderd worden. Een verzoek opnieuw ingeschreven te worden bij de werkcolleges kan ingediend worden bij de opleidingscoördinator.
• Als een student door overmacht niet aanwezig kan zijn bij een verplicht onderdeel van het onderdeel, dient hij dit zo snel mogelijk schriftelijk te melden bij de betreffende docent. De docent kan, eventueel na overleg met de studieadviseur, besluiten om de student een vervangende opdracht op te leggen.
• Het is niet toegestaan om verplichte onderdelen van een onderdeel te missen als er geen sprake is van overmacht.
• Bij kwalitatief of kwantitatief onvoldoende deelname, kan de examinator de student uitsluiten van verdere deelname aan het onderdeel of een gedeelte daarvan. Voorwaarden voor voldoende deelname worden van te voren vastgelegd in de studiewijzer.

Aanvullende eisen voor dit vak:

Het bijwonen en actief deelnemen bij de werkcolleges is verplicht. Een uitzondering kan worden gemaakt als werk dat wordt behandeld op het werkcollege al is ingeleverd.

Toetsing

De eindbeoordeling vindt plaats op grond van beoordeling van de drie inleveropdrachten (50%) en de deeltoets in de vierde week (50%). Voor de eerste drie weken is er een module met inleveropdrachten. 

Inzage toetsing

Inleveropdrachten en de tussentoetsen kunnen via ANS worden ingezien.

Opdrachten

De opdrachten staan op de website van het vak. De link wordt geadverteerd op canvas.

Fraude en plagiaat

Dit vak hanteert de algemene 'Fraude- en plagiaatregeling' van de UvA. Hier wordt nauwkeurig op gecontroleerd. Bij verdenking van fraude of plagiaat wordt de examencommissie van de opleiding ingeschakeld. Zie de Fraude- en plagiaatregeling van de UvA: http://student.uva.nl

Weekplanning

Aanvullende informatie

Voor het vak is basiskennis van python nodig die in het vak Inleiding Programmeren worden aangeboden.
De opdrachten worden geprogrammeerd in python en we gaan ervan uit dat je kennis hebt over
for loops, list operators en het gebruiken en definiëren van python functies

Contactinformatie

Coördinator

• dr. I.H.M. van Stokkum

Docenten

• dr. I.H.M. van Stokkum
• dr. H.L. Snoek

TAs

• Tobias Kleijn
• Gideon Kokosky Deforchaux
• Sameh Mikhail
• Noa Yasmine Roebersen BSc
• Amin Rouan Serik BSc
• Thijs de Zeeuw BSc