Samenvattingen · InformaticaNL · VWO

Keuze R: Computational science

Computational science gebruikt de computer als gereedschap om wetenschappelijke en maatschappelijke vraagstukken te onderzoeken: door verschijnselen te modelleren en te simuleren, numerieke methoden toe te passen op problemen die niet exact oplosbaar zijn, met kansmethoden (Monte Carlo) te rekenen, en grote hoeveelheden data te analyseren en te visualiseren (data science). Verdieping binnen het schoolexamen; het brengt de informatica samen met de andere wetenschappen en steunt op modelleren (domein A) en complexiteit (keuze G).

4 Onderdelen~14 min leestijd4 VaardighedenNiveau Standaard 2 · Verdieping 2

T·181818 / 18

Examenprofiel

R · Verschijnselen modelleren en simuleren en de resultaten validerenR · Numerieke methoden toepassen om benaderende oplossingen te berekenenR · Monte-Carlosimulatie gebruiken om met toeval te schattenR · Data verwerken, analyseren en visualiseren (data science)

Operatoren:modelleersimuleerbenaderberekenanalyseervisualiseer

basisniveau

Het idee van modelleren en simuleren en het lezen van een datavisualisatie vormen de kern.

verhoogd niveau

Numerieke benaderingen, Monte-Carlosimulatie en het valideren van modellen horen bij de verdieping.

Diepte

Tekst

Inhoud · 4 onderdelen

Keuze R: Computational science

Modelleren en simuleren#

Standaardexamenblad-informatica-R

Computational science onderzoekt de wereld met de computer als derde pijler naast theorie en experiment. Het hart ervan is simuleren: een model van een verschijnsel (domein A) in de computer laten ‘draaien’ om te zien hoe het zich in de tijd gedraagt. Zo bestudeer je zaken die te groot, te klein, te traag, te snel, te duur of te gevaarlijk zijn voor een echt experiment: het klimaat, de verspreiding van een epidemie, het gedrag van een brug onder belasting, botsende sterrenstelsels. De simulatie is een virtueel laboratorium waarin je met het model kunt experimenteren.

Simuleren volgt een vaste cyclus, getoond in Afb. 1: je stelt een model op (welke grootheden, welke regels of vergelijkingen sturen het verschijnsel?), je laat de computer het simuleren (bereken stap voor stap hoe de toestand verandert), je valideert de uitkomst (klopt ze met echte metingen?), en je verfijnt het model waar het afwijkt — waarna je opnieuw simuleert. Dit is de ontwerp- en onderzoekscyclus uit domein A, hier gericht op begrijpen en voorspellen. Een simulatie is nooit ‘af’; ze wordt beter naarmate ze beter met de werkelijkheid overeenkomt.

De simulatiecyclus

Afb. 1Afb. 1 — Simuleren is een cyclus: opstellen, simuleren, valideren tegen de werkelijkheid, verfijnen.

Veel simulaties werken stapsgewijs in de tijd: je begint met een begintoestand en berekent herhaald de volgende toestand uit de huidige, met kleine tijdstapjes. Een epidemiemodel berekent bijvoorbeeld dag voor dag hoeveel mensen ziek worden op grond van hoeveel er nu ziek zijn en hoe besmettelijk de ziekte is. Hoe kleiner de tijdstap, hoe nauwkeuriger maar hoe meer rekenwerk — een afweging tussen precisie en rekentijd (keuze G) die overal in computational science terugkeert. De computer maakt het mogelijk deze berekening miljarden keren uit te voeren, wat met de hand ondenkbaar is.

Cruciaal — en eerlijk te benoemen — is dat een simulatie zo goed is als haar model en aannames. ‘Rommel erin, rommel eruit’ (garbage in, garbage out): een verkeerd model of foute invoer geeft betrouwbaar ogende maar waardeloze uitkomsten. Daarom is validatie onmisbaar: vergelijk de simulatie met echte data, en wees expliciet over de aannames en de grenzen waarbinnen het model geldig is (domein A). Een simulatie levert geen zekerheid maar een onderbouwde verwachting; wie haar uitkomsten als absolute waarheid presenteert, misleidt. Deze wetenschappelijke eerlijkheid — de kracht én de grenzen van een model kennen — is de kern van verantwoorde computational science.

Uitgewerkt voorbeeld

Stapsgewijs simuleren

Een simpel groeimodel: een populatie van 100 groeit elke stap met 10%. Bereken de eerste drie stappen en leg de stapsgewijze aanpak uit.

Begintoestand
Stap 0: 100 individuen.
Bereken de volgende toestand
Elke stap: nieuw = huidig × 1,10. Stap 1: 100 × 1,10 = 110.
$N_{t+1} = N_t \times 1{,}10$
Herhaal
Stap 2: 110 × 1,10 = 121; stap 3: 121 × 1,10 ≈ 133.

Resultaat: De simulatie berekent elke toestand uit de vorige (100 → 110 → 121 → 133): stapsgewijs rekenen laat het model zich in de tijd ontvouwen.

Veelgemaakte fouten

De uitkomst van een simulatie als zekere werkelijkheid presenteren; ze is een voorspelling op grond van een model met aannames, die tegen data gevalideerd moet worden.
Denken dat een fijnere tijdstap altijd beter is zonder de kosten te wegen; kleinere stappen geven meer nauwkeurigheid maar ook veel meer rekenwerk.

Actieve herhaling

Je wilt de verspreiding van een griepgolf op school simuleren. Beschrijf de simulatiecyclus: welke grootheden neem je in je model op, hoe simuleer je stapsgewijs, en hoe valideer je het model?

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica vwo — keuze R (modelleren en simuleren) (CvTE / Examenblad)

Numerieke methoden#

Verdiepingexamenblad-informatica-R

Een nulpunt numeriek benaderen

Afb. 2Afb. 1 — Het nulpunt van f(x) = x² − 2 is √2 ≈ 1,41; bisectie benadert het door het interval telkens te halveren.

Veel wiskundige problemen zijn niet exact op te lossen met een formule — denk aan een ingewikkelde vergelijking of integraal. Numerieke methoden lossen ze benaderend op met een reeks berekeningen die de computer snel herhaalt, tot het antwoord nauwkeurig genoeg is. Het idee is: ruil exactheid in voor een benadering die je zo dicht als gewenst kunt maken. Afb. 1 illustreert dit voor het vinden van een nulpunt: waar snijdt de kromme

f(x) = x^2 - 2

x

-as? Dat nulpunt is

\sqrt{2}

— een getal zonder eindige decimale schrijfwijze, dat je alleen numeriek kunt benaderen.

Een elegante methode om zo’n nulpunt te vinden is de bisectie (halveringsmethode). Je begint met een interval waarvan je weet dat het nulpunt erin ligt (bij

f(x)=x^2-2

ligt het tussen 1 en 2, want

f(1)=-1<0

f(2)=2>0

). Je kijkt naar het midden: is

f

daar negatief of positief? Zo bepaal je in welke helft het nulpunt zit, en herhaal je met die helft. Elke stap halveert de onzekerheid — precies het principe van binair zoeken (domein B), nu op een continu bereik. Na tien stappen is het interval al ruim duizend keer kleiner.

Numerieke methoden zijn iteratief, en dat vraagt een stopcriterium: wanneer is de benadering goed genoeg? Je stopt als het interval (of de verandering tussen twee stappen) kleiner is dan een vooraf gekozen nauwkeurigheid, bijvoorbeeld 0,001. Hier zie je de kernafweging van het vak: meer stappen geven meer nauwkeurigheid maar kosten meer rekentijd (keuze G). Je kiest de nauwkeurigheid die het probleem vraagt — voor een brug anders dan voor een schatting — en niet meer, want oneindig doorrekenen is onmogelijk en zinloos.

Dezelfde gedachte — een moeilijk exact probleem vervangen door veel eenvoudige, herhaalde berekeningen — is de motor achter vrijwel alle wetenschappelijke rekenwerk. Een integraal (oppervlakte onder een kromme) benader je door hem in vele dunne strookjes op te delen en die op te tellen; een bewegingsvergelijking los je op door in kleine tijdstapjes vooruit te rekenen (zoals bij de simulatie in sectie 1). Numerieke methoden maken zo problemen aanpakbaar die analytisch onmogelijk zijn — het is de reden dat de computer de wetenschap zo diep heeft veranderd. Wel blijft het altijd een benadering met een bekende foutmarge, geen exact antwoord: die eerlijkheid over de nauwkeurigheid hoort onlosmakelijk bij het resultaat.

Uitgewerkt voorbeeld

Bisectie op √2

Benader met bisectie het nulpunt van f(x) = x² − 2 op [1, 2] met twee stappen.

Controleer de tekenwisseling
f(1) = 1 − 2 = −1 (negatief), f(2) = 4 − 2 = 2 (positief): er ligt een nulpunt tussen 1 en 2.
Stap 1 — midden 1,5
f(1,5) = 2,25 − 2 = 0,25 (positief). Het nulpunt ligt links van 1,5 → nieuw interval [1; 1,5].
Stap 2 — midden 1,25
f(1,25) = 1,5625 − 2 = −0,4375 (negatief). Het nulpunt ligt rechts van 1,25 → nieuw interval [1,25; 1,5].

Resultaat: Na twee stappen ligt √2 in [1,25; 1,5]; elke halvering versmalt het interval, zodat de benadering (werkelijk ≈ 1,414) snel nauwkeuriger wordt.

Veelgemaakte fouten

Een numerieke benadering voor een exact antwoord aanzien; het resultaat heeft altijd een foutmarge die van het aantal stappen afhangt.
Bisectie starten op een interval waar de functie aan beide kanten hetzelfde teken heeft; je hebt een tekenwisseling nodig om zeker te zijn dat er een nulpunt in ligt.

Actieve herhaling

Benader met bisectie het nulpunt van $f(x) = x^2 - 2$ (dat is $\sqrt{2}$ ) op het interval [1, 2]. Voer twee halveringsstappen uit en geef na elke stap het nieuwe interval.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica vwo — keuze R (numerieke methoden) (CvTE / Examenblad)

Monte-Carlosimulatie#

Verdiepingexamenblad-informatica-R

Convergentie van een Monte-Carloschatting van π

Afb. 3Afb. 1 — Meer willekeurige punten geven een stabielere schatting van π: π ≈ 4 × (binnen / totaal).

Een Monte-Carlosimulatie gebruikt toeval om een antwoord te schatten: je voert een experiment met willekeurige invoer heel vaak uit en middelt de uitkomsten. Verrassend genoeg los je zo problemen op die met toeval niets te maken lijken te hebben. Het klassieke voorbeeld is het schatten van

\pi

. Denk aan een kwartcirkel binnen een vierkant: gooi je willekeurige punten in het vierkant, dan is de fractie die binnen de kwartcirkel valt gelijk aan de verhouding van de oppervlakten, en die verhouding is

\pi/4

. Uit ‘aantal binnen gedeeld door totaal’ volgt zo een schatting van

\pi

— puur uit willekeurige punten tellen.

Afb. 1 laat zien hoe die schatting convergeert. Met weinig punten is ze grof en wisselvallig; met steeds meer punten wordt ze gestaag nauwkeuriger en stabieler. Dit is de wet van de grote getallen in actie: hoe vaker je het toevalsexperiment herhaalt, hoe dichter het gemiddelde bij de echte waarde komt. Kenmerkend — en eerlijk te benoemen — is dat de nauwkeurigheid langzaam toeneemt: voor tien keer zoveel nauwkeurigheid heb je ongeveer honderd keer zoveel punten nodig. Monte Carlo is dus robuust en eenvoudig, maar niet altijd zuinig.

De kracht van Monte Carlo is dat het werkt waar exacte en gewone numerieke methoden vastlopen: bij problemen met veel variabelen of veel onzekerheid. Het schatten van een ingewikkelde oppervlakte of integraal in vele dimensies, het doorrekenen van risico’s (financiën, verzekeringen), het modelleren van deeltjes in de natuurkunde, het inschatten van onzekere uitkomsten (weer, verkeer): overal waar je de gevolgen van toeval of van talloze mogelijkheden wilt kennen, is willekeurig steekproeven vaak de enige praktische weg. Je vervangt een onmogelijke exacte berekening door heel veel eenvoudige, willekeurige experimenten.

Monte Carlo steunt op toevalsgetallen, en juist die vragen zorg. Een computer is deterministisch (keuze G) en kan geen ‘echt’ toeval maken; hij gebruikt pseudo-toevalsgeneratoren: algoritmen die getallen produceren die willekeurig lijken maar volledig vastliggen door een seed (beginwaarde). Dat is meestal prima — en handig, want met dezelfde seed is je simulatie reproduceerbaar (een ander kan exact hetzelfde resultaat krijgen, belangrijk voor de controleerbaarheid uit domein A). Maar een generator van slechte kwaliteit kan patronen bevatten die het resultaat vertekenen, en voor beveiliging (keuze N) zijn gewone pseudo-toevalsgetallen ontoereikend. Weten waar je toeval vandaan komt, is dus onderdeel van een correcte Monte-Carlosimulatie.

Uitgewerkt voorbeeld

π schatten met Monte Carlo

Van 1000 willekeurige punten in het vierkant vallen er 785 binnen de kwartcirkel. Bereken de schatting van π.

Bepaal de fractie
Fractie binnen = 785 / 1000 = 0,785; die schat de verhouding π/4 van de oppervlakten.
Los π op
π ≈ 4 × fractie.
$\pi \approx 4 \times \frac{785}{1000} = 3{,}14$
Duid het resultaat
De schatting 3,14 ligt dicht bij de echte waarde 3,14159; met meer punten wordt ze nauwkeuriger.

Resultaat: De schatting is π ≈ 3,14 — verkregen door louter willekeurige punten te tellen en de fractie met 4 te vermenigvuldigen.

Veelgemaakte fouten

Denken dat weinig herhalingen al een nauwkeurige Monte-Carloschatting geven; de nauwkeurigheid neemt maar langzaam toe (ruwweg honderd keer zoveel punten voor tien keer zo nauwkeurig).
Aannemen dat een computer echt toeval maakt; het zijn pseudo-toevalsgetallen die met dezelfde seed exact herhaalbaar zijn.

Actieve herhaling

Leg uit hoe je met willekeurige punten in een vierkant met een kwartcirkel het getal π schat. Als van 1000 punten er 785 binnen de kwartcirkel vallen, bereken dan de schatting van π.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica vwo — keuze R (Monte-Carlosimulatie) (CvTE / Examenblad)

Data science en visualisatie#

Standaardexamenblad-informatica-R

Data in beeld: een staafdiagram

Afb. 4Afb. 1 — Voorbeeld: een staafdiagram maakt verschillen tussen categorieën direct zichtbaar, veel sneller dan een kolom getallen.

Data science haalt kennis uit grote hoeveelheden gegevens. De praktijk volgt een vaste keten: gegevens verzamelen, schoonmaken (opschonen van fouten, dubbelingen en ontbrekende waarden), analyseren (patronen en verbanden zoeken, vaak met statistiek of machine learning uit keuze I) en visualiseren (de bevindingen in beeld brengen). De onbetwiste tijdvreter is het schoonmaken: echte data zit vol fouten, en de bekende wet ‘rommel erin, rommel eruit’ geldt hier onverbiddelijk — een analyse op vervuilde data levert misleidende conclusies, hoe geavanceerd de methode ook is.

Visualisatie is onmisbaar omdat het menselijk brein patronen veel sneller in een beeld dan in een kolom getallen ziet. Afb. 1 toont een eenvoudig staafdiagram: in één oogopslag zie je welke waarde het hoogst is en hoe de verdeling loopt — iets wat je uit de kale cijfers veel trager afleidt. Een goede grafiek maakt de boodschap van de data direct zichtbaar. De keuze van het grafiektype is daarbij inhoudelijk: een lijndiagram voor verloop in de tijd, een staafdiagram om categorieën te vergelijken, een spreidingsdiagram om samenhang tussen twee grootheden te tonen.

Met visualisatie komt verantwoordelijkheid, want dezelfde data kan eerlijk of misleidend in beeld worden gebracht. Een verticale as die niet bij nul begint, kan een klein verschil enorm laten lijken; een verkeerd grafiektype of een selectieve uitsnede kan een verkeerd beeld wekken. Een eerlijke visualisatie kiest passende assen en schalen, vermeldt de bron, en verdraait de verhoudingen niet. Kritisch een grafiek kunnen lezen — klopt de as, wat wordt weggelaten? — is even belangrijk als er zelf een kunnen maken, en sluit aan op het beoordelen van bronnen uit domein A.

Ook de conclusies uit data vragen zorgvuldigheid. Een gevonden correlatie (twee dingen bewegen samen) betekent niet automatisch een oorzaak — de klassieke valkuil ‘correlatie is geen causaliteit’. Dat het ijsjesverbruik en het aantal verdrinkingen samen stijgen, komt door een derde factor (de zomerhitte), niet doordat het één het ander veroorzaakt. Data science levert krachtige inzichten, maar de menselijke interpretatie — wat betekent dit patroon écht, en welke aannames zitten erachter? — blijft doorslaggevend. Zo sluit computational science aan bij de kern van dit hele vak: de computer rekent en toont, maar de mens moet kritisch, eerlijk en verantwoord oordelen over wat de uitkomsten betekenen.

Uitgewerkt voorbeeld

Correlatie of oorzaak?

Uit data blijkt dat in maanden met meer ijsverkoop ook meer verdrinkingen voorkomen. Mag je concluderen dat ijs eten gevaarlijk is bij het zwemmen?

Herken de correlatie
IJsverkoop en verdrinkingen stijgen en dalen samen: er is een correlatie.
Zoek een verklaring
Beide worden gedreven door een derde factor: warm zomerweer (meer ijs én meer zwemmers).
Trek de juiste conclusie
IJs veroorzaakt geen verdrinkingen; het verband is schijn — correlatie is geen causaliteit.

Resultaat: Nee: de correlatie komt door een gemeenschappelijke oorzaak (de zomerhitte); uit samen bewegen volgt geen oorzakelijk verband.

Veelgemaakte fouten

Uit een correlatie een oorzakelijk verband concluderen; samen bewegen kan door een derde factor komen (correlatie is geen causaliteit).
De datakwaliteit onderschatten; een analyse op ongeschoonde, foutieve data geeft betrouwbaar ogende maar misleidende uitkomsten.

Actieve herhaling

Je onderzoekt of meer studietijd samengaat met hogere cijfers. Beschrijf de data-scienceketen die je doorloopt, kies een passend grafiektype, en leg uit waarom een gevonden verband nog geen bewijs van oorzaak is.

Actief ophalen

Haal de kernpunten op — onthul ze daarna.

Bronnen: Examenprogramma informatica vwo — keuze R (data science en visualisatie) (CvTE / Examenblad)

Referenties en bronnen

Bronnen

CvTE / Examenblad

Examenprogramma informatica vwo — keuze R (modelleren en simuleren)

Keuze R: Computational science

Kernpunten

Stapsgewijs simuleren

Kernpunten

Bisectie op √2

Kernpunten

π schatten met Monte Carlo

Kernpunten

Correlatie of oorzaak?

Bronnen

Keuze R: Computational science

Kernpunten

Stapsgewijs simuleren

Kernpunten

Bisectie op √2

Kernpunten

π schatten met Monte Carlo

Kernpunten

Correlatie of oorzaak?

Bronnen