Om de fout op metingen te verkleinen, herhaalt men typisch een zelfde experiment, en bepaalt men dan de gemiddelde waarde over alle experimenten heen van de parameter die men experimenteel wenst te bepalen. Bij het verwerken van dergelijke meetgegevens komt het al eens voor dat (sterk) afwijkende waarden worden vastgesteld, m.a.w. waarden die uit de toon vallen. Dergelijke afwijkende waarden kunnen het gevolg zijn van een occasionele meetfout, en deze waarden worden dan ook beter uit de meetgegevens verwijderd.

Om na te gaan of er afwijkende meetgegevens in een rij getallen steken, bepalen we het gemiddelde van de meetgegevens, twee maal, namelijk:

• het gemiddelde zonder de hoogste meetwaarde mee te rekenenen
• het gemiddelde zonder de kleinste meetwaarde mee te rekenenen

Indien 1 (of beide) resultaten sterk afwijkt van het "normale" gemiddelde, hebben we wellicht met een meetfout te maken.

Schrijf een functie gemiddeldeZonderExtremen() met als argument een NumPy-rij. De functie levert als resultaat een tuple, dat bestaat uit 2 elementen, namelijk de gemiddelden zoals hierboven gedefinieerd, in deze volgorde. MERK OP: indien eenzelfde maximale waarde meerdere keren voorkomt in de meetgegevens, wordt ze toch maar 1 keer uit de berekening van het aangepast gemiddelde verwijderd (en idem voor het mimimum).

Argumenten

Een NumPy-rij die gehele getallen bevat, de rij bevat minstens 2 elementen.

Resultaat

Een tuple, bestaande uit de 2 waarden zoals hierboven gedefinieerd.

Voorbeeld

gemiddeldeZonderExtremen(np.array([-2.0, -1.0, 0.0, 1.0, 2.0])) = (-0.5, 0.5)