Grundläggande bildteori. EXTG01 Medicinska bildgivande system Michael Ljungberg
|
|
- Carina Svensson
- för 5 år sedan
- Visningar:
Transkript
1 Grundläggande bildteori EXTG01 Medicinska bildgivande system Michael Ljungberg
2 Olika modaliteter inom sjukhusfysik 2
3 Exempel på digitala bilder 3
4 Vad är en (digital) bild? Fysiska världen: Begrepp Ett objekt som avbildas Bilden = Informationsbärare Michael.Ljungberg@med.lu.se 4
5 Vad är en digital bild? Michael.Ljungberg@med.lu.se 5
6 Vad är en digital bild? H Grå/Färg-skala Look-up-tabell Pixel = Picture Element Michael.Ljungberg@med.lu.se 6
7 2D digital signal: representation x- och y-axlarna delas i lika intervall, samplings-intervallen Δx och Δy. ger matris med bildelement, pixels. I varje ruta ett tal som anger intensiteten i den positionen. y x Michael.Ljungberg@med.lu.se 7
8 Vad är en (digital) bild? Grå/Färg-skala Look-up-tabell Fågel 8
9 2D digital signal: representation 9
10 3D digital signal: representation x-, y-, z-axlarna delas i lika intervall, samplings-intervallen Δx, Δy och Δz. ger 3D matris med bildelement, voxels. Z Y X Michael.Ljungberg@med.lu.se 10
11 Digital bild Detektorsystemets synfält delas in i likformiga rutor, bildelement Informationen (detektorsignalen) inom varje bildelement digitaliseras (ofta används medelvärdet) och tilldelas ett diskret talvärde Varje talvärde tilldelas en gråskale- eller färgnivå Michael.Ljungberg@med.lu.se 11
12 Detektorupplösning Ett detektorsystems förmåga att återge detaljer karakteriseras av den spatiella upplösningen S( x) = I( x) Ä D( x) D(x) S(x) = Resulterande signal I(x) = Insignalen = Detektorsystemets upplösning Michael.Ljungberg@med.lu.se 12
13 Detektorupplösning Låt två punktformade objekt närma sig varandra Mät avståndet mellen dem när de inte längre kan särskiljas Detta avstånd r är approximativt lika med FWHM (Full Width at Half Maximum) Michael.Ljungberg@med.lu.se 13
14 Upplösning FWHM därför vanligt mått på upplösning Mätning av 2D punkt (ex radioaktiv punktkälla) Anpassning av Gaussisk funktion! Svårighet att definiera mitten för PSF. Enklare med linjespridningsfunktionen (LSF) 14
15 Bildupplösning Systemupplösning beror på detektorupplösning och bildupplösning Grovt rutmönster -> Bildupplösningen sämre än detektorupplösningen. Fint rutmönster ->Bildupplösningen närmar sig detektorupplösningen. Stor bildmatris -> Stora datamängder men ingen vinst i upplösningen 64x64 = 4096 bytes 512x512= bytes Michael.Ljungberg@med.lu.se 15
16 Samma bild med olika matrisstorlekar 8x8 16x16 32x32 64x64 128x x256 16
17 Olika pixelstorlek 12.8 mm 6.4 mm 3.2 mm 0.6 mm 17
18 Brus oönskad signal som kan störa tolkningen av bilden 18
19 Brus: Skelett-Rtg-bild 3 olika brus-nivåer Michael.Ljungberg@med.lu.se 19
20 Mammografi-bild: utbredning av mikroförkalkningar 20
21 Brus Mättid <-> brus... Dos <-> brus Hur osäkert blir svaret pga brus? Beror på frågeställning: Detektion av små signalförändringar, letar efter liten kontrastskillnad med liten utbredning, kanske t.o.m. signalvariationer på pixelnivå. Signalmedelvärdet inom ett organ 21
22 Brus Brus kan vara slumpmässigt eller systematiskt Systematiskt brus En bakgrundsfördelning pga t.ex. en organstruktur som överlagrar objektet Spridd strålning Artefakter som uppkommer p.g.a. rekonstruktion Slumpmässigt brus Fotonfluensfördelningen: kärnsönderfall, växelverkan Statistiska variationer i detektorn Elektroniskt brus - slumpmässighet i förstärkning Michael.Ljungberg@med.lu.se 22
23 Modell av bildgivande system Förutsätter att bruset är additivt - vilket det ofta är. n(x,y) f(x,y) H + g(x,y) objekt upplösning brus utbild Michael.Ljungberg@med.lu.se 23
24 Brus Bildgenereringen kan beskrivas i statistiska termer som en realisering av en stokastisk (= slumpmässig) process. T.ex. tag 10 bilder i direkt följd - de blir aldrig exakt likadana p.g.a. brus. Michael.Ljungberg@med.lu.se 24
25 Brus Insamling av en bild av en uniform källa och en ideal gammakamera -> antalet impulser i varje pixel är inte detsamma. 1 SD Sannolikheten att få ett visst värde är detsamma för alla pixlar d.v.s. värdet i alla pixlar följer samma sannolikhetsfördelning. Kan skatta den slumpmässiga variationen ur en enda bild. Michael.Ljungberg@med.lu.se 25
26 Poisson-statistik Poissonfördelning Antal f(x) pixlar medelvärde x Kommer ur binomialfördelning antingen sönderfall eller inte -> 1 eller 0. Kan ej få negativa counts. Counts / pixel Michael.Ljungberg@med.lu.se 26
27 Poisson-statistik För Poisson-fördelningengäller att: Variansen i impulsantalet = medelvärdet ( i en homogen region): Standardavvikelsen, σn: s 2 (, xy) = gxy (, ) n σ n (x, y) = g(x, y) %bildbrus = standardavvikelse / medelvärde: s n( xy, ) gxy (, ) % = 100% = % gxy (, ) gxy (, ) gxy (, ) Fler registrerade impulser > % mindre slumpmässig variation kring medelvärde, dvs mindre brus. Michael.Ljungberg@med.lu.se 27
28 Brus Vitt brus: Brus som har ett konstant frekvensspektrum, dvs förekommer lika mycket över alla frekvenser. F(u) F H+N F H För rekonstruerade bilder gäller ej enkel poissonstatistik. N u Michael.Ljungberg@med.lu.se 28
29 Kontrast Mått på skillnanden i ljusstyrka, impulstäthet eller optisk täthet mellan olika regioner i en bild: C = (D1 - D2) / D2 ( Hot area) C = (D2 - D1) / D1 ( Cold area) Objektskontrast Egenskap hos avbildat föremål, oberoende av bild-representation. Michael.Ljungberg@med.lu.se 29
30 Kontrast Bildkontrast Varierar med system Eftersträvar linearitet Lineärt system: Bildkontrast bild(x,y) = K(objekt(x,y)) där K = psf*objekt(x,y) +brus Objektskontrast Samverkan: För små defekter kan rumsupplösningen påverka bildkontrasten. Michael.Ljungberg@med.lu.se 30
31 Signal-till-Brus förhållande Signal-till-brus förhållande (SNR) mått på hur väl ett upptag framträder över (eller under) bakgrunden. Begrepp som beskriver samverkan mellan kontrast och brus 31
32 Signal-till-Brus förhållande SNR = Signal / brus i bakgrund = = Signalmedelvärde / standardavvikelse i bakgrund = (S - B) / SQRT(B) eller SNR = kontrast / %brus = { (S-B)/B } / { SQRT(B)/B} Michael.Ljungberg@med.lu.se 32
33 Signal-till-Brus förhållande Ex ett upptag i gammakamerabild: SNR=1: Brusets standardavvikelse lika stor som signalmedelvärdet i regionen. Svårt att särskilja regionen från bruset. SNR=2: är standardavvikelsen hälften av signal-medelvärdet, defekten precis detekterbar. Högre SNR allt bättre detekterbarhet. Ögat medelvärdesbildar => Små defekter kräver högre SNR än stora för att vara detekterbara. Michael.Ljungberg@med.lu.se 33
34 Modell av system med observatör n(x,y) f(x,y) H g(x,y) T F observatör Fysiker / läkare Enbart fysikaliska parametrar kan inte beskriva den bilddiagnostiska kvaliteten Michael.Ljungberg@med.lu.se 34
35 Färgskala. Varje värde i bilden motsvarar en position i en gråskala Ex: Pixel värdet 4 -> CT(4). Värdet av CT bestämmer sedan grå/färgskalan. Michael.Ljungberg@med.lu.se 35
36 Samma data! 36
37 Exempel på färgskala för alla pixlar med värden index: 50 röd: 14 grön: 0 blå: 250 index: 51 röd: 19 grön: 0 blå: 245 index: 52 röd: 23 grön: 0 blå: 239 index: 53 röd: 28 grön: 0 blå: 234 index: 54 röd: 33 grön: 0 blå: 228 index: 55 röd: 38 grön: 0 blå: 223 index: 56 röd: 42 grön: 0 blå: 218 index: 57 röd: 47 grön: 0 blå: 212 index: 58 röd: 52 grön: 0 blå: 207 index: 59 röd: 57 grön: 0 blå: 201 index: 60 röd: 61 grön: 0 blå: 196 Michael.Ljungberg@med.lu.se 37
38 Additiv och subtraktiv färgblandning Additivt - utgår från svart till vilken man adderar de olika grundfärgerna Subtraktiv utgår från ett vitt ljuskälla från vilket man filtrerar bort färger Exempel på additiv är RGB Exempel på subtraktiv är CMYK Michael.Ljungberg@med.lu.se 38
39 1 bits 4 bits 8 bits 24 bits (true color) Michael.Ljungberg@med.lu.se 39
40 True color färgschema Varje pixel representeras av tre bytes (24) Detta ger för varje kanal 256 intensiteter eller färgnivåer. Ögat beräknas kunna särskilja upp till färger. En fjärde kanal (alpha channel) medför möjligheter till transparens 40
41 Tröskling av färgskala Färgskalan ofta från min -> max Tröskling innebär Fördelning av färgskalan i andra intervaller. Diskriminering av heta ointressanta område Nya detaljer visualiseras Exempel LT20% nedre gräns vid 20% av maximum UT75% övre gräns vid 75% av maximum Michael.Ljungberg@med.lu.se 41
42 Tröskling 0 svart 255 vit Michael.Ljungberg@med.lu.se 42
43 Exempel på tröskling Endast presentationen av bilden förändras inte själva bilden 43
44 Gamma-korrektion Ökar kontrasten inom vissa områden i den ( ) g V = V där V, V Î out in out in γ < 1 kallas gamma kompression och γ > 1 kallas gamma expansion Michael.Ljungberg@med.lu.se 44
45 Gamma-korrektion Gamma=1 Gamma=0.3 Gamma=2 45
Digitala bilder. Matris, pixel, pixeldjup, signal, brus, kontrast
Digitala bilder Matris, pixel, pixeldjup, signal, brus, kontrast Den nukleärmedicinska bilden Historik Analoga bilder. Film exponerades för ljusblixtar som producerades när strålning detekterades. oändligt
Läs merCT bilddata, bildbearbetning och bildkvalitet Brus & Upplösning
CT bilddata, bildbearbetning och bildkvalitet Brus & Upplösning Strålning & Teknik I 2013-09-12 Mikael Gunnarsson Sjukhusfysiker Strålningsfysik, SuS Malmö Vad är bildkvalitet? Bildkvalitet Högkontrast
Läs merFöreläsning 2 (kap 3): Diskreta stokastiska variabler
Föreläsning 2 (kap 3): Diskreta stokastiska variabler Marina Axelson-Fisk 20 april, 2016 Idag: Diskreta stokastiska (random) variabler Frekvensfunktion och fördelningsfunktion Väntevärde Varians Några
Läs merBildbehandling, del 1
Bildbehandling, del Andreas Fhager Kapitelhänvisningar till: Image Processing, Analysis and Machine Vision, 3rd ed. by Sonka, Hlavac and Boyle Representation av en bild Så här kan vi plotta en bild tex
Läs merTMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merSPECT Fysik. Sigrid Leide-Svegborn Strålningsfysik Skånes universitetssjukhus SVENSK FÖRENING FÖR NUKLEARMEDICIN SWEDISH SOCIETY OF NUCLEAR MEDICINE
SVENSK FÖRENING FÖR NUKLEARMEDICIN SWEDISH SOCIETY OF NUCLEAR MEDICINE Skåne university hospital Malmö Sweden SPECT Fysik Sigrid Leide-Svegborn Strålningsfysik Skånes universitetssjukhus Grundkurs i Hybrid
Läs merDen nuklearmedicinska bilden
Den nuklearmedicinska bilden Charles Widström Sjukhusfysik Akademiska sjukhuset Uppsala 2014-05-14 SFNM Vårmöte 2014, Uppsala 1 Hal Anger 1958 gjordes den första prototypen för en gammakamera NaI(Tl) kristall
Läs merFinns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?
När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns
Läs merVåra vanligaste fördelningar
Sida Våra vanligaste fördelningar Matematisk statistik för D3, VT Geometrisk fördelning X är geometriskt fördelad med parameter p, X Geo(p), om P (X = k) = ( p) k p P (X k) = ( p) k för k =,,... Beskriver
Läs merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
Läs merFöreläsning 7 FK2002
Föreläsning 7 FK2002 Föreläsning 7 Binomialfördelning Poissonfördelning Att testa en hypotes Binomialfördelningen Betrakta ett experiment som består av n försök varav ν är lyckade försök. Mätningar har
Läs merLösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling
Lösning till tentamen i Medicinska Bilder, TSBB3, 08-0-4 Maria Magnusson (maria.magnusson@liu.se) DEL : Grundläggande D signalbehandling Uppgift (6p) a och E: E LP-filtrerar mycket och ger en mycket suddig
Läs merTentamentsskrivning: Matematisk Statistik med Metoder MVE490 1
Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning i Matematisk Statistik med Metoder MVE490 Tid: den 29 oktober, 2016 Examinatorer: Kerstin Wiklander och Erik Broman. Jour:
Läs merLösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling
Lösning till tentamen i Medicinska Bilder, TSBB31, 2017-10-19 Maria Magnusson (maria.magnusson@liu.se), Anders Eklund DEL 1: Grundläggande 2D signalbehandling Uppgift 1 (4p) a) f(x, y) = 30 Π(x/40, y/20)
Läs merLUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg
LUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg Simulering i MINITAB Det finns goda möjligheter att utföra olika typer av simuleringar i Minitab. Gemensamt för dessa är att man börjar
Läs merFöreläsning 3. Sannolikhetsfördelningar
Föreläsning 3. Sannolikhetsfördelningar Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Slumpvariabel? Resultatet av ett slumpmässigt försök utgörs
Läs merStokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012
Föreläsning 7 Stokastiska Processer och ARIMA Patrik Zetterberg 19 december 2012 1 / 22 Stokastiska processer Stokastiska processer är ett samlingsnamn för Sannolikhetsmodeller för olika tidsförlopp. Stokastisk=slumpmässig
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merGeometrisk optik. Laboration
... Laboration Innehåll 1 Förberedelseuppgifter 2 Laborationsuppgifter Geometrisk optik Linser och optiska instrument Avsikten med laborationen är att du ska få träning i att bygga upp avbildande optiska
Läs merStokastiska signaler. Mediesignaler
Stokastiska signaler Mediesignaler Stokastiska variabler En slumpvariabel är en funktion eller en regel som tilldelar ett nummer till varje resultatet av ett experiment Symbol som representerar resultatet
Läs merTentamen. Medicinska bilder/bildsystem kl KAROLINSKA INSTITUTET INSTITUTIONEN FÖR LABORATORIEMEDICIN AVDELNINGEN FÖR MEDICINSK TEKNIK
KAROLINSKA INSTITUTET INSTITUTIONEN FÖR LABORATORIEMEDICIN AVDELNINGEN FÖR MEDICINSK TEKNIK Tentamen Medicinska bilder/bildsystem 2005-10-28 kl 13-17 Textat efternamn... Textat förnamn... Personnummer...
Läs merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler Jörgen Säve-Söderbergh Stokastisk variabel Singla en slant två gånger. Ω = {Kr Kr, Kr Kl, Kl Kr, Kl Kl}
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 4, 28-3-27 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
Läs merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
Läs merFöreläsning 4: Konfidensintervall (forts.)
Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs mer1.1 Diskret (Sannolikhets-)fördelning
Föreläsning III. Diskret (Sannolikhets-)fördelning Med diskret menas i matematik, att något antar ett ändligt antal värden eller uppräkneligt oändligt med värden e.vis {, 2, 3,...}. Med fördelning menas
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merKapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar
Sannolikhetslära och inferens II Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar 1 Diskreta slumpvariabler En slumpvariabel tilldelar tal till samtliga utfall i ett slumpförsök. Vi
Läs merDigital bild enligt Nationalencyklopedin, band 4. Digitala röntgenbilder. Vad menas med digital radiologi?
Digitala röntgenbilder Charlotta Lundh Sjukhusfysiker, MFT Digital bild enligt Nationalencyklopedin, band 4.. bild som endast är definierad i ett bestämt antal punkter i vilka den endast kan anta ett begränsat
Läs merKort introduktion till POV-Ray, del 1
Kort introduktion till POV-Ray, del 1 Kjell Y Svensson, 2004-02-02,2007-03-13 Denna serie av artiklar ger en grundläggande introduktion och förhoppningsvis en förståelse för hur man skapar realistiska
Läs mer4.1 Grundläggande sannolikhetslära
4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan
Läs merDatortomografi (CT) Teknik, Indikationer. Roger Siemund, BFC Neuroröntgen, Skånes Universitetssjukhus Lund
Datortomografi (CT) Teknik, Indikationer Roger Siemund, BFC Neuroröntgen, Skånes Universitetssjukhus Lund Historik: 1971 Första CT (EMI MARK I) 1976 Första CT i Lund (EMI CT 1010) 1979 Nobelpris till Godfrey
Läs mer4.2.1 Binomialfördelning
Ex. Kasta en tärning. 1. Vad är sannolikheten att få en 6:a? 2. Vad är sannolikheten att inte få en 6:a? 3. Vad är sannolikheten att få en 5:a eller 6:a? 4. Om vi kastar två gånger, vad är då sannolikheten
Läs merMedicinska bilder. Programkurs 6 hp Medical Images TSBB31 Gäller från: 2018 VT. Fastställd av. Fastställandedatum
1(6) Medicinska bilder Programkurs 6 hp Medical Images TSBB31 Gäller från: 2018 VT Fastställd av Programnämnden för elektroteknik, fysik och matematik, EF Fastställandedatum LINKÖPINGS UNIVERSITET 2(6)
Läs merFöreläsning 12: Repetition
Föreläsning 12: Repetition Marina Axelson-Fisk 25 maj, 2016 GRUNDLÄGGANDE SANNOLIKHETSTEORI Grundläggande sannolikhetsteori Utfall = resultatet av ett försök Utfallsrum S = mängden av alla utfall Händelse
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs merBildanalys. Segmentering. Föreläsning 7. Split and Merge. Region Growing
Föreläsning 7 1 Föreläsning 7 2 Bildanalys Rikard Berthilsson Kalle Åström Matematikcentrum Lund 27 september 2005 Segmentering Mål: Dela upp bilden i segment, d.v.s. områden som hör till samma objekt
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs merMVE051/MSG Föreläsning 7
MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärd funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs mermodell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt
Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F5 Diskreta variabler Kursens mål beskriva/analysera data formellt verktyg strukturera omvärlden innehåll osäkerhet
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala
Läs merBlandade problem från elektro- och datateknik
Blandade problem från elektro- och datateknik Sannolikhetsteori (Kapitel 1-10) E1. En viss typ av elektroniska komponenter anses ha exponentialfördelade livslängder. Efter 3000 timmar brukar 90 % av komponenterna
Läs merGrafisk Teknik. Rastrering. Övningar med lösningar/svar. Sasan Gooran (HT 2013)
Grafisk Teknik Rastrering Övningar med lösningar/svar Det här lilla häftet innehåller ett antal räkneuppgifter med svar och i vissa fall med fullständiga lösningar. Uppgifterna är för det mesta hämtade
Läs mer1 Mätdata och statistik
Matematikcentrum Matematik NF Mätdata och statistik Betrakta frågeställningen Hur mycket väger en nyfödd bebis?. Frågan verkar naturlig, men samtidigt mycket svår att besvara. För att ge ett fullständigt
Läs merMatematisk statistik 9hp Föreläsning 2: Slumpvariabel
Matematisk statistik 9hp Föreläsning 2: Slumpvariabel Anna Lindgren 6+7 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp Utfall
Läs merHur måttsätta osäkerheter?
Geotekniska osäkerheter och deras hantering Hur måttsätta osäkerheter? Lars Olsson Geostatistik AB 11-04-07 Hur måttsätta osäkerheter _LO 1 Sannolikheter Vi måste kunna sätta mått på osäkerheterna för
Läs merSF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde
Läs merProjekt 1 (P1) Problembeskrivning och uppdragsspecifikation
Projekt 1 (P1) Problembeskrivning och uppdragsspecifikation Etapp 1 Problem med mätsignalen m.a.p. sampling, vikning och spektraltäthet Problembeskrivning Uppdragsgivaren överväger att skaffa nya A/D-omvandlare
Läs merFärglära. Ljus är en blandning av färger som tillsammans upplevs som vitt. Färg är reflektion av ljus. I ett mörkt rum inga färger.
Ljus är en blandning av färger som tillsammans upplevs som vitt. Färg är reflektion av ljus. I ett mörkt rum inga färger. Människans öga är känsligt för rött, grönt och blått ljus och det är kombinationer
Läs merFöreläsning 9 10: Bildkvalitet (PSF och MTF)
1 Föreläsning 9 10: Bildkvalitet (PSF och MTF) Att mäta bildkvalitet Bildkvaliteten påverkas av både aberrationer och diffraktion, men hur ska vi mäta den? Enklast är att avbilda ett objekt beskriva hur
Läs merDIGITAL KOMMUNIKATION
EN KOR SAMMANFANING AV EORIN INOM DIGIAL KOMMUNIKAION Linjär kod En binär linjär kod kännetecknas av att summan av två kodord också är ett kodord. Ett specialfall är summan av ett kodord med sig själv
Läs merFöreläsning 8, Matematisk statistik Π + E
Repetition Binomial Poisson Stokastisk process Föreläsning 8, Matematisk statistik Π + E Sören Vang Andersen 9 december 214 Sören Vang Andersen - sva@maths.lth.se FMS12 F8 1/23 Repetition Binomial Poisson
Läs merFöreläsning 2, FMSF45 Slumpvariabel
Föreläsning 2, FMSF45 Slumpvariabel Stas Volkov 2017-09-05 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp och beteckningar Utfall resultatet
Läs merHur fungerar en radiografi- och genomlysningsapparat? Hur kan man minska patientstråldoserna inom projektionsradiologi?
Hur fungerar en radiografi- och genomlysningsapparat? Hur kan man minska patientstråldoserna inom projektionsradiologi? 1 Jonas Söderberg Sjukhusfysiker 0340 64 69 35 0705 71 19 69 jonas.soderberg@regionhalland.se
Läs merFörsättsblad till skriftlig tentamen vid Linköpings universitet G35(18) TER4(12)
Försättsblad till skriftlig tentamen vid Linköpings universitet Datum för tentamen 218-1-24 Sal (2) G35(18) TER4(12) Tid 8-12 Kurskod TSBB31 Provkod TEN1 Kursnamn/benämning Provnamn/benämning Medicinska
Läs merKvantitativ forskning C2. Viktiga begrepp och univariat analys
+ Kvantitativ forskning C2 Viktiga begrepp och univariat analys + Delkursen mål n Ni har grundläggande kunskaper över statistiska analyser (univariat, bivariat) n Ni kan använda olika programvaror för
Läs merLösning till tentamen i Medicinska Bilder, TSBB31, DEL 1: Grundläggande 2D signalbehandling
Lösning till tentamen i Medicinska Bilder, TSBB3, 203-0-08 Maria Magnusson (maria.magnusson@liu.se), Hans Knutsson, Mats Andersson, Gustaf Johansson DEL : Grundläggande 2D signalbehandling Uppgift (2p)
Läs merNedan redovisas resultatet med hjälp av ett antal olika diagram (pkt 1-6):
EM-fotboll 2012 några grafer Sport är en verksamhet som genererar mängder av numerisk information som följs med stort intresse EM i fotboll är inget undantag och detta dokument visar några grafer med kommentarer
Läs merExperimentella metoder 2014, Räkneövning 1
Experimentella metoder 04, Räkneövning Problem : Tio mätningar av en resistans gav följande resultat: Mätning no. Resistans (Ω) Mätning no Resistans (Ω) 0.3 6 0.0 00.5 7 99.98 3 00.0 8 99.80 4 99.95 9
Läs merSamplingfördelningar 1
Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi
Läs merTentamen Bildanalys (TDBC30) 5p
Tentamen Bildanalys (TDBC30) 5p Skrivtid: 9-15 Hjälpmedel: kursboken Digital Image Processing Svara på alla frågor på nytt blad. Märk alla blad med namn och frågenummer. Disponera tiden mellan frågorna
Läs merFörsättsblad till skriftlig tentamen vid Linköpings universitet TER1(17) TERE(1)
Försättsblad till skriftlig tentamen vid Linköpings universitet Datum för tentamen 207-0-9 Sal (2) Tid 8-2 Kurskod TSBB3 Provkod TEN Kursnamn/benämning Provnamn/benämning Institution Antal uppgifter som
Läs merTentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.''
Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.'' Hjälpmedel:'Valfri'räknare,'egenhändigt'handskriven'formelsamling'(4''A4Esidor'på'2'blad)' och'till'skrivningen'medhörande'tabeller.''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
Läs merKap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen
Kap 6: Normalfördelningen Normalfördelningen Normalfördelningen som approximation till binomialfördelningen σ μ 1 Sats 6 A Om vi ändrar läge och/eller skala på en normalfördelning så har vi fortfarande
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data
Läs merTentamen i Sannolikhetslära och statistik Kurskod S0008M
Tentamen i Sannolikhetslära och statistik Kurskod S0008M Poäng totalt för del 1: 25 (9 uppgifter) Tentamensdatum 2011-06-04 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson,
Läs merSpektrala Transformer
Spektrala Transformer Tidsdiskreta signaler, kvantisering & sampling Tidsdiskreta signaler Tidskontinuerlig signal Ex: x(t) = sin(ωt) t är ett reellt tal ω har enheten rad/s Tidsdiskret signal Ex: x(n)
Läs merBILDBEHANDLINGSMETOD INNEFATTANDE BRUSREDUCERING I BILD MED LOKALT ADAPTIV FILTERKÄRNA
BILDBEHANDLINGSMETOD INNEFATTANDE BRUSREDUCERING I BILD MED LOKALT ADAPTIV FILTERKÄRNA Author: Stefan Olsson Published on IPQ website: April 10, 2015 Föreliggande uppfinning avser en metod för bildbehandling
Läs merIntroduktion till statistik för statsvetare
och enkäter "Det finns inget så praktiskt som en bra teori" September 2011 och enkäter Inledning Inledning Om vi vill mäta en egenskap hos en population individer (individer kan vara personer, företag
Läs merL A B R A P P O R T 1
L A B R A P P O R T 1 BILDTEKNIK Dan Englesson Emil Brissman 9 september 2011 17:04 1 Camera noise 1.1 Task 1 Ett antal svarta bilder togs genom att fota i totalt mörker för att beräkna kamerans svartnivå.
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid 1
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF5: Matematisk statistik för L och V OH-bilder på föreläsning 4, 27--8 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
Läs merDIGITAL FÄRGRASTRERING
DIGITAL FÄRGRASTRERING Sasan Gooran (HT 2003) 2006-08-18 Grafisk teknik 1 FÄRG Det mänskliga ögat kan uppfatta ljus, elektromagnetiska strålningar, med vågländer mellan 380 till 780 nm. Ett exempel: Spectral
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del I
MS-A Grundkurs i sannolikhetskalkyl och statistik Exempel, del I G Gripenberg Aalto-universitetet januari G Gripenberg (Aalto-universitetet) MS-A Grundkurs i sannolikhetskalkyl och statistikexempel, del
Läs merDIGITAL FÄRGRASTRERING FÄRG. SPD Exempel. Sasan Gooran (HT 2003) En blåaktig färg
DIGITAL FÄRGRASTRERING Sasan Gooran (HT 2003) 2006-08-18 Grafisk teknik 1 FÄRG Det mänskliga ögat kan uppfatta ljus, elektromagnetiska strålningar, med vågländer mellan 380 till 780 nm. Ett exempel: Spectral
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merBinomialfördelning, två stickprov
Diskreta data Binomialfördelning, två stickprov Hypotesprövning måste inte grunda sig på normalfördelning 1948 visste man inte om streptomycin var effektivt mot tuberkulos, men man misstänkte det. För
Läs merSpektrala Transformer
Spektrala Transformer Tidsdiskreta signaler, kvantisering & sampling Tidsdiskreta signaler Tidskontinuerlig signal Ex: x(t) = sin(ωt) t är ett reellt tal ω har enheten rad/s Tidsdiskret signal Ex: x(n)
Läs merSF1901: SANNOLIKHETSTEORI OCH FLERDIMENSIONELLA STOKASTISKA STATISTIK VARIABLER. Tatjana Pavlenko. 8 september 2017
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 5 FLERDIMENSIONELLA STOKASTISKA VARIABLER Tatjana Pavlenko 8 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition av de viktiga begreppen diskret/kontinuerlig
Läs merBildlagring och kommunikation
Bildlagring och kommunikation Struktur Digital bild Lagring av insamlad data Nödvändig information för att kunna återskapa en bild Nödvändig patientinformation Nödvändig information om studien Behovet
Läs merFormel- och tabellsamling i matematisk statistik
Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merFöreläsning 11. Slumpvandring och Brownsk Rörelse. Patrik Zetterberg. 11 januari 2013
Föreläsning 11 Slumpvandring och Brownsk Rörelse Patrik Zetterberg 11 januari 2013 1 / 1 Stokastiska Processer Vi har tidigare sett exempel på olika stokastiska processer: ARIMA - Kontinuerlig process
Läs merTentamen i Sannolikhetslära och statistik Kurskod S0008M
Tentamen i Sannolikhetslära och statistik Kurskod S0008M Poäng totalt för del 1: 25 (12 uppgifter) Tentamensdatum 2012-12-19 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson
Läs mer1 Stokastiska processer. 2 Poissonprocessen
1 Stokastiska processer En stokastisk process är en stokastisk variabel X(t), som beror på en parameter t, kallad tiden. Tiden kan vara kontinuerlig, eller diskret (i vilket fall man brukar beteckna processen
Läs merTENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN
TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF004, TEN 06-06-0 Hjälpmedel: Formler oh tabeller i statistik, räknedosa Fullständiga lösningar erfordras till samtliga uppgifter. Lösningarna skall vara
Läs merForskningsmetodik 2006 lektion 2
Forskningsmetodik 6 lektion Per Olof Hulth hulth@physto.se Slumpmässiga och systematiska mätfel Man skiljer på två typer av fel (osäkerheter) vid mätningar:.slumpmässiga fel Positiva fel lika vanliga som
Läs merFöreläsning 9-10: Bildkvalitet (PSF och MTF)
1 Föreläsning 9-10: Bildkvalitet (PSF och MTF) Att mäta bildkvalitet Bildkvaliteten påverkas av både aberrationer och diffraktion, men hur ska vi mäta den? Två vanliga mått är PSF (punktspridningsfunktionen)
Läs merFinansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
Läs merGrafiska system. Färgblandning. Samspel mellan ytor. Ögats. fysionomi. Ljusenergi. Signalbehandling och aliasing
Grafiska system Signalbehandling och aliasing Gustav Taxén gustavt@nada.kth.se Processor Minne Frame buffer 2D1640 Grafik och Interaktionsprogrammering VT 2006 Färgblandning Pigmentblandning för f att
Läs merGeometrisk optik. Laboration FAFF25/FAFA60 Fotonik 2017
Avsikten med denna laboration är att du ska få träning i att bygga upp avbildande optiska system, såsom enkla kikare och mikroskop, och på så vis få en god förståelse för dessas funktion. Redogörelsen
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016
Läs mer5 Kontinuerliga stokastiska variabler
5 Kontinuerliga stokastiska variabler Ex: X är livslängden av en glödlampa. Utfallsrummet är S = x : x 0}. X kan anta överuppräkneligt oändligt många olika värden. X är en kontinuerlig stokastisk variabel.
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
Läs mer