微分の増減表を書く際のポイント(書くコツ) -微分の増減表を書く際のポ- 数学 | 教えて!Goo
メイちゃん ね~ね~キョウくん!! 脂肪抑制法は、CHESS法とかSTIR法、Dixon法とかいろいろありすぎて・・・ どれを使ったらいいのか、わかりません!! この前、造影後にSTIRで撮像したら先生にめっちゃ怒られちゃったし・・・ キョウくん メイちゃん・・・それは怒られて当然かもね・・・ だって造影剤がはいっていくと・・・白くなるから、脂肪があると造影剤か脂肪か区別できないから、脂肪抑制は必要って教えてもらったもん。頸部の造影だったから、CHESS法はBoの不均一性の影響で難しいと思ったから、STIRで脂肪抑制したんだもん!! 褒めてほしいぐらだよ!! 確かに造影後の撮影は脂肪抑制法を用いることが多いけど STIRを用いることはダメなんだ!! STIRは、T1値の差を利用して脂肪抑制しているので、信号が抑制されても脂肪とは断定できないんだ。STIR法は脂肪特異性がないことも知られているね。 その理由は、脂肪抑制法の特徴をしっかり抑えることで、理解することができるよ!! それじゃあ、今回は一緒に脂肪抑制法の特徴について勉強していこう!! この記事の内容 ・脂肪抑制法の種類 ・各脂肪抑制法の特徴 ・脂肪抑制を使用するときの注意点 ・MR専門技術者の過去問解説 脂肪抑制法の種類はたったの4種類!! 脂肪抑制法は、大きく分類するとたったの 4つ しかありません。 一昔前では・・・脂肪抑制法は、昔は CHESS法 と STIR法 ぐらいしか使われていなかったけど、最近では、脂肪抑制といっても SPAIR法 や DIXON法 など拡張性が増えてきたんだ。 脂肪抑制法の種類 1)周波数選択的脂肪抑制法 CHESS法, SPIR法, SPAIR法 2)非周波数選択的脂肪抑制法 STIR法 3)水/脂肪信号相殺法 DIXON法(2-point, 3point) 4)水選択励起法 二項励起法, SSRF法 脂肪抑制法はいろいろな種類があって、それぞれ特徴がある。 この中から、自分が撮像したい領域に適した脂肪抑制法を選ぶ必要があるんだ。 では続いてそれぞれの特徴をみていくよ!! 区分所有法 第14条(共用部分の持分の割合)|マンション管理士 木浦学|note. CHESS法 SPIR法 SPAIR法 STIR法 DIXON法 二項励起法 原理 周波数 周波数 周波数 +T1値 T1値 位相 位相 磁場不均一性 の影響 ★★☆ ★★☆ ★★☆ ☆☆☆ ☆☆☆ ★★★ RF不均一性 の影響 ★★★ ★★☆ ★☆☆ ★★☆ ☆☆☆ ★☆☆ 脂肪特異性 あり あり あり なし あり あり SNR低下 ★☆☆ ★☆☆ ★☆☆ ★★★ ☆☆☆ ★☆☆ 撮像時間 延長 ★☆☆ ★☆☆ ★★☆ ★★☆ ★★★ ★☆☆ 脂肪抑制法の比較 表のように脂肪抑制法にはそれぞれ特徴が異なるんだ。 汎用性の高い周波数選択的脂肪抑制法・・・ しかし デメリットも・・・ 一番使いやすい脂肪抑制法は、 撮像時間延長やSNR低下の影響が少ない CHESS法 & SPIR法 なんだ。ではCHESS法 SPIR法 SPAIR法の原理を見ていくよ!!
- 式と証明の二項定理が理解できない。 主に(2x-y)^6 【x^2y^4】の途中過- 数学 | 教えて!goo
- [MR専門技術者解説]脂肪抑制法の種類と特徴(過去問解説あり) | かきもちのMRI講座
- 区分所有法 第14条(共用部分の持分の割合)|マンション管理士 木浦学|note
式と証明の二項定理が理解できない。 主に(2X-Y)^6 【X^2Y^4】の途中過- 数学 | 教えて!Goo
3)$を考えましょう. つまり,「$30$回コインを投げて表の回数を記録する」というのを1回の試行として,この試行を$10000$回行ったときのヒストグラムを出力すると以下のようになりました. 先ほどより,ガタガタではなく少し滑らかに見えてきました. そこで,もっと$n$を大きくしてみましょう. $n=100$のとき $n=100$の場合,つまり$B(100, 0. 3)$を考えましょう. 試行回数$1000000$回でシミュレートすると,以下のようになりました(コードは省略). とても綺麗な釣鐘型になりましたね! 式と証明の二項定理が理解できない。 主に(2x-y)^6 【x^2y^4】の途中過- 数学 | 教えて!goo. 釣鐘型の確率密度関数として有名なものといえば 正規分布 ですね. このように,二項分布$B(n, p)$は$n$を大きくしていくと,正規分布のような雰囲気を醸し出すことが分かりました. 二項分布$B(n, p)$に従う確率変数$Y$は,ベルヌーイ分布$B(1, p)$に従う独立な確率変数$X_1, \dots, X_n$の和として表せるのでした:$Y=X_1+\dots+X_n$. この和$Y$が$n$を大きくすると正規分布の確率密度関数のような形状に近付くことは上でシミュレートした通りですが,実は$X_1, \dots, X_n$がベルヌーイ分布でなくても,独立同分布の確率変数$X_1, \dots, X_n$の和でも同じことが起こります. このような同一の確率変数の和について成り立つ次の定理を 中心極限定理 といいます. 厳密に書けば以下のようになります. 平均$\mu\in\R$,分散$\sigma^2\in(0, \infty)$の独立同分布に従う確率変数列$X_1, X_2, \dots$に対して で定まる確率変数列$Z_1, Z_2, \dots$は,標準正規分布に従う確率変数$Z$に 法則収束 する: 細かい言い回しなどは,この記事ではさほど重要ではありませんので,ここでは「$n$が十分大きければ確率変数 はだいたい標準正規分布に従う」という程度の理解で問題ありません. この式を変形すると となります. 中心極限定理より,$n$が十分大きければ$Z_n$は標準正規分布に従う確率変数$Z$に近いので,確率変数$X_1+\dots+X_n$は確率変数$\sqrt{n\sigma^2}Z+n\mu$に近いと言えますね. 確率変数に数をかけても縮尺が変わるだけですし,数を足しても平行移動するだけなので,結果として$X_1+\dots+X_n$は正規分布と同じ釣鐘型に近くなるわけですね.
質問・記事について・誤植・その他のお問い合わせはコメント欄までお願い致します!
[Mr専門技術者解説]脂肪抑制法の種類と特徴(過去問解説あり) | かきもちのMri講座
余裕があれば、残りの2つも見てくださいね!
E(X)&=E(X_1+X_2+\cdots +X_n)\\ &=E(X_1)+E(X_2)+\cdots +E(X_n)\\ &=p+p+\cdots +p\\ また,\(X_1+X_2+\cdots +X_n\)は互いに独立なので,分散\(V(X)\)は次のようになります. V(X)&=V(X_1+X_2+\cdots +X_n)\\ &=V(X_1)+V(X_2)+\cdots +V(X_n)\\ &=pq+pq+\cdots +pq\\ 各試行における新しい確率変数\(X_k\)を導入するという,一風変わった方法により,二項分布の期待値や分散を簡単に求めることができました! まとめ 本記事では,二項分布の期待値が\(np\),分散が\(npq\)となる理由を次の3通りの方法で証明しました. 方法3は各試行ごとに新しく確率変数を導入する方法で,意味さえ理解できれば計算はかなり簡単になりますのでおすすめです. しかし,統計学をしっかり学んでいこうという場合には定義からスタートする方法1や方法2もぜひ知っておいてほしいのです. 高校の数学Bの教科書ではほとんどが方法3を使って二項分布の期待値と分散を計算していますが,高校生にこそ方法1や方法2のような手法を学んでほしいなと思っています. もし可能であれば,自身の手を動かし,定義から期待値\(np\)と分散\(npq\)が求められたときの感覚を味わってみてください. 二項分布の期待値\(np\)と分散\(npq\)は結果だけみると単純ですが,このような大変な式変形から導かれたものなのだということを心に止めておいてほしいです. 今回は以上です. [MR専門技術者解説]脂肪抑制法の種類と特徴(過去問解説あり) | かきもちのMRI講座. 最後までお読みいただき,ありがとうございました! (私が数学検定1級を受験した際に使った参考書↓) リンク
区分所有法 第14条(共用部分の持分の割合)|マンション管理士 木浦学|Note
練習用に例題を1問載せておきます。 例題1 次の不定積分を求めよ。 $$\int{x^2e^{-x}}dx$$ 例題1の解説 まずは、どの関数を微分して、どの関数を積分するか決めましょう。 もちろん \(x^2\)を微分 して、 \(e^{-x}\)を積分 しますよね。 あとは、下のように表を書いていきましょう! 「 微分する方は1回待つ !」 ということにだけ注意しましょう!!! よって答えは、上の図にも書いてあるように、 \(\displaystyle \int{x^2e^{-x}}dx\)\(=-x^2e^{-x}-2xe^{-x}-2e^{-x}+C\) (\(C\)は積分定数) となります! (例題1終わり) 瞬間部分積分法 次に、「瞬間部分積分」という方法を紹介します。 瞬間部分積分は、被積分関数が、 \(x\)の多項式と\(\sin{x}\)の積 または \(x\)の多項式と\(\cos{x}\)の積 に有効です。 計算の仕方は、 \(x\)の多項式はそのまま、sinまたはcosの方は積分 \(x\)の多項式も、sinまたはcosも微分 2を繰り返し、すべて足す です。 積分は最初の1回だけ という点がポイントです。 例題で確認してみましょう。 例題2 次の不定積分を求めよ。 $$\int{x^2\cos{x}}dx$$ 例題2の解説 先ほど紹介した計算の手順に沿って解説します。 まず、「1. \(x\)の多項式はそのまま、sinまたはcosの方は積分」によって、 $$x^2\sin{x}$$ が出てきます。 次に、「2. \(x\)の多項式も、sinまたはcosも微分」なので、 \(x^2\)を微分すると\(2x\)、\(\sin{x}\)を微分すると\(cox{x}\)となるので、 $$2x\cos{x}$$ を得ます。 あとは、同じように微分を繰り返します。 \(2x\)を微分して\(2\)、\(cos{x}\)を微分して\(-\sin{x}\)となるので、 $$-2\sin{x}$$ ですね。 ここで\(x\)の多項式が定数\(2\)になったので終了です。 最後に全てを足し合わせれば、 $$x^2\sin{x}+2x\cos{x}-2\sin{x}+C$$ となるので、これが答えです! (例題2終わり) 瞬間部分積分は、sinやcosの中が\(x\)のときにのみ有効な方法です。 つまり、\(\sin{2x}\)や\(\cos{x^2}\)のときには使えません。 \(x\)の多項式と\(e^x\)の積になっているときに使える「裏ワザ」 最後に、\(x\)の多項式と\(e^x\)の積になっているときに使える「裏ワザ」について紹介します。 \(xe^x\)や\(x^2e^{-x}\)などがその例です。 積分するとどのような式になるか、早速結論を書いてしまいましょう。 \(\displaystyle\int{f(x)e^x}=\) \(\displaystyle\left(f-f^\prime+f^{\prime\prime}-f^{\prime\prime\prime}+\cdots\right)e^x+C\) \(\displaystyle\int{f(x)e^{-x}}=\) \(\displaystyle – \left(f+f^{\prime}+f^{\prime\prime}+f^{\prime\prime\prime}+\cdots\right)e^{-x}+C\) このように、\(f(x)\)を微分するだけで答えを求めることができます!
【用語と記号】 ○ 1回の試行で事象Aが起る確率が p のとき, n 回の反復試行(独立試行)で事象Aが起る回数を X とすると,その確率分布は次の表のようになります. (ただし, q=1−p ) この確率分布を 二項分布 といいます. X 0 1 … r n 計 P n C 0 p 0 q n n C 1 p 1 q n−1 n C r p r q n−r n C n p n q 0 (二項分布という名前) 二項の和のn乗を展開したときの各項がこの確率になるので,上記の確率分布を二項分布といいます. (p+q) n = n C 0 p 0 q n + n C 1 p 1 q n−1 +... + n C n p n q 0 ○ 1回の試行で事象Aが起る確率が p のとき,この試行を n 回繰り返したときにできる二項分布を B(n, p) で表します. この記号は, f(x, y)=x 2 y や 5 C 2 =10 のような値をあらわすものではなく,単に「1回の試行である事象が起る確率が p であるとき,その試行を n 回反復するときに,その事象が起る回数を表す二項分布」ということを短く書いただけのものです. 【例】 B(5, ) は,「1回の試行である事象が起る確率が であるとき,その試行を 5 回繰り返したときに,その事象が起る回数の二項分布」を表します. B(2, ) は,「1回の試行である事象が起る確率が であるとき,その試行を 2 回繰り返したとき,その事象が起る回数の二項分布」を表します. ○ 確率変数 X の確率分布が二項分布になることを,「確率変数 X は二項分布 B(n, p) に 従う 」という言い方をします. この言い方については,難しく考えずに慣れればよい. 【例3】 確率変数 X が二項分布 B(5, ) に従うとき, X=3 となる確率を求めてください. 例えば,10円硬貨を1回投げたときに,表が出る確率は p= で,この試行を n=5 回繰り返してちょうど X=3 回表が 出る確率を求めることに対応しています. 5 C 3 () 3 () 2 =10×() 5 = = 【例4】 確率変数 X が二項分布 B(2, ) に従うとき, X=1 となる確率を求めてください. 例えば,さいころを1回投げたときに,1の目が出る確率 は p= で,この試行を n=2 回繰り返してちょうど X=1 回1の目が出る確率を求めることに対応しています.