Data analyse en statistiek

Data analysis and statistics

Eigenaar	Bachelor Natuur- en Sterrenkunde (joint degree)
Coördinator	dr. H.L. Snoek
Onderdeel van	Bachelor Natuur- en Sterrenkunde (joint degree), jaar 1Bachelor Bèta-gamma, major Natuurkunde, jaar 2

Studiewijzer 2021/2022

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

 

Studiemateriaal

Literatuur

• https://das.mprog.nl/

Software

• python

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

Onderwijsvormen

• Laptopcollege
• Hoorcollege

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.
• Ter uitbreiding van de bovenstaande regels geldt voor de vakken in het eerste semester van het eerste jaar dat een student bij minimaal 80% van de werkcolleges aanwezig dient te zijn. Bovendien moet worden deelgenomen aan eventuele tussentoetsen en verplicht gesteld huiswerk. Als niet aan deze verplichting is voldaan, wordt de student uitgesloten voor de herkansing van het bijbehorende vak. Studenten in het Dubbele Bachelor programma Wis- en Natuurkunde zijn vrijgesteld van deze plicht. In geval van persoonlijke omstandigheden, zoals in OER-A Artikel A-6.4 omschreven, wordt in overleg met de studieadviseur een afwijkend studieplan gemaakt.

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

Onderdeel en weging	Details	Opmerkingen
Eindcijfer		Minimum van 5.5 vereist voor beide onderdelen afzonderlijk.
2 (20%) Tussentoetsen
1 (33%) Tussentoets 1
1 (33%) Tussentoets 2
1 (33%) Tussentoets 3
8 (80%) Inleveropdrachten
1 (25%) Module 1
1 (25%) Module 2
1 (25%) Module 3
1 (25%) Module 4

Bij alle onderdelen die getoetst worden moet een resultaat behaald zijn, anders volgt er geen eindbeoordeling van deze cursus. De eindbeoordeling vindt plaats op grond van beoordeling van de inleveropdrachten en de tussentoetsen. Voor beide onderdelen moet minimaal een 5.5 worden behaald.
Voor elke week is er een module met inleveropdrachten. Er zijn 3 tussentoetsen die dit jaar online worden afgenomen.

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

Rooster

Het rooster van dit vak is in te zien op DataNose.

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

https://das.mprog.nl/https://das.mprog.nl/

Verwerking vakevaluaties

Hieronder vind je de aanpassingen in de opzet van het vak naar aanleiding van de vakevaluaties.

Contactinformatie

Coördinator

• dr. H.L. Snoek

Docenten

• dr. H.L. Snoek
• M.F.L. Schut MSc

Docenten

• Christiaan van Asperen BSc
• Maris Koopmans
• Muriël Louman
• Selah Melfor
• Sophie van Tilburg