Klinische mn
Technologie ar m
•
in
pm
Ï ËE
"
"
mn
mer
KT2852
Aantekeningen
Emma Hemels Buijsman
organ
,1 785 7
Overzicht van het vak
week 1
L1 Introduction
12 Bivariate distributiens
PEI Introduction
PEZ Bivariate distribution 5
Week 2
(3 Processes
PE 3 Processes
week 3
LA The autocorrelatie n function
15 using the autocorrelatie n function
PEG The autocorrelatie n function
PES Using the autocorrelatie n function
week 4
16 RandomSignal processing
(7 Power Spectrai density
, '
-
Ov s
week 1
L1 Introduction
12 Bivariate distributiens
week 2
(3 Processes
week 3
LA The autocorrelatie n function
(5 using the autocorrelatie n function
week d
Lb randomsignal processing
(7 Power spectraal density
, C U 2
Introduction
Inhoud vak :
-
7 Hoorcolleges
-
6 Practica : matlab en wiskunde
Tentamen :
computer exercise , passt fail en tentamen voor c fer
In dit vak gaan we bepaalde meetwaarden ( f MRI , ECG ,
etc ) karakteriseren .
Dit doen we nu met behulp va n de auto -
correlatie functie .
Met probabiliteit models wordt een daadwerkel ke waarde bepaald voor de variabele die kleine variaties tussen meting -
en ver toont .
↳ Voor weerstand : 12 = UII + N ( N is een onvoorspelbare ( willekeurig stochastisch ) component die steeds verander t
,
b elke observatie ( ¥ deterministisch )
P ( A en B ) = PCA , B) = PIA v B) = PCAB ) = PIAI B) PCB)
5
A A : Event
•
0 : uitkomst
5 : alle mogel ke uitkomsten
Axiomatische aanpak : drie assumpties ( axiomen ) die de theorie omvatten
1 PCA ) ? 0 voor alle A
2 Pls ) = 1
3 PCA v B) = PCA of B) = PCA ) -1 PCB ) '
mutual 14 exclusie
'
( kunnen niet samen voorkomen )
Frequent istische aanpak : Pk = tim fkln ) = tim Nk ( n ) In te = outcome number
in → d n → as
↳ Voor herhaalbare metingen n = number of times
PCAIB ) = kans op A- gegeven B.
↳
PCAIB ) = PCA v B) 1 PCB )
↳ Als PCAIB ) = PCA ) ,
dan z n A en 13 onafhankel ke variabelen
Voor onafhankel ke variabelen geld : PCA B ) ,
= P ( Al B) PCB ) = PCA ) PCB )
Bernoulli probabiliteit model : kans model met twee mogel ke uitkomsten ( binair discreet )
↳ PCB ) = 1 -
PCA )
Mapping : uitkomst weergeven op een reële as .
↳ X functie de
: va n uitkomst s → XCS )
× : genoteerde waarde op de as
Probabiliteit Mass Function ( PMF ) : kans massaverdeling thans functie ( voor discrete random variabelen ) .
↳
Px (×) = PLX = × ]
↳ /
Voorbeeld voor binaire kans : Px ( x ) = 1 -
p × = 0
| p
0
x
anders
= 1
B continue willekeurige variabelen geldt PCX = × ] = 0 ,
dus de PMF is niet nuttig b dit soor t variabelen .
ij
ijij ij
Technologie ar m
•
in
pm
Ï ËE
"
"
mn
mer
KT2852
Aantekeningen
Emma Hemels Buijsman
organ
,1 785 7
Overzicht van het vak
week 1
L1 Introduction
12 Bivariate distributiens
PEI Introduction
PEZ Bivariate distribution 5
Week 2
(3 Processes
PE 3 Processes
week 3
LA The autocorrelatie n function
15 using the autocorrelatie n function
PEG The autocorrelatie n function
PES Using the autocorrelatie n function
week 4
16 RandomSignal processing
(7 Power Spectrai density
, '
-
Ov s
week 1
L1 Introduction
12 Bivariate distributiens
week 2
(3 Processes
week 3
LA The autocorrelatie n function
(5 using the autocorrelatie n function
week d
Lb randomsignal processing
(7 Power spectraal density
, C U 2
Introduction
Inhoud vak :
-
7 Hoorcolleges
-
6 Practica : matlab en wiskunde
Tentamen :
computer exercise , passt fail en tentamen voor c fer
In dit vak gaan we bepaalde meetwaarden ( f MRI , ECG ,
etc ) karakteriseren .
Dit doen we nu met behulp va n de auto -
correlatie functie .
Met probabiliteit models wordt een daadwerkel ke waarde bepaald voor de variabele die kleine variaties tussen meting -
en ver toont .
↳ Voor weerstand : 12 = UII + N ( N is een onvoorspelbare ( willekeurig stochastisch ) component die steeds verander t
,
b elke observatie ( ¥ deterministisch )
P ( A en B ) = PCA , B) = PIA v B) = PCAB ) = PIAI B) PCB)
5
A A : Event
•
0 : uitkomst
5 : alle mogel ke uitkomsten
Axiomatische aanpak : drie assumpties ( axiomen ) die de theorie omvatten
1 PCA ) ? 0 voor alle A
2 Pls ) = 1
3 PCA v B) = PCA of B) = PCA ) -1 PCB ) '
mutual 14 exclusie
'
( kunnen niet samen voorkomen )
Frequent istische aanpak : Pk = tim fkln ) = tim Nk ( n ) In te = outcome number
in → d n → as
↳ Voor herhaalbare metingen n = number of times
PCAIB ) = kans op A- gegeven B.
↳
PCAIB ) = PCA v B) 1 PCB )
↳ Als PCAIB ) = PCA ) ,
dan z n A en 13 onafhankel ke variabelen
Voor onafhankel ke variabelen geld : PCA B ) ,
= P ( Al B) PCB ) = PCA ) PCB )
Bernoulli probabiliteit model : kans model met twee mogel ke uitkomsten ( binair discreet )
↳ PCB ) = 1 -
PCA )
Mapping : uitkomst weergeven op een reële as .
↳ X functie de
: va n uitkomst s → XCS )
× : genoteerde waarde op de as
Probabiliteit Mass Function ( PMF ) : kans massaverdeling thans functie ( voor discrete random variabelen ) .
↳
Px (×) = PLX = × ]
↳ /
Voorbeeld voor binaire kans : Px ( x ) = 1 -
p × = 0
| p
0
x
anders
= 1
B continue willekeurige variabelen geldt PCX = × ] = 0 ,
dus de PMF is niet nuttig b dit soor t variabelen .
ij
ijij ij
