Statistische Analyse von hochdimensionalen Daten in der Bioinformatik
|
|
- Berthold Boer
- vor 8 Jahren
- Abrufe
Transkript
1 Statistische Analyse von hochdimensionalen Daten in der Bioinformatik Florian Frommlet Institut für medizinische Statistik, Medizinische Universität Wien Wien, November 2013
2 Einführung DNA Molekül Zwei komplementäre Stränge bilden Doppelhelix Vier Basen Adenin Thymin Cytosin Guanin
3 Einführung DNA Molekül Zwei komplementäre Stränge bilden Doppelhelix Vier Basen Adenin Thymin Cytosin Guanin Genetische Information als String in Alphabet mit vier Buchstaben gaacgaatca ttgcaaagag ccaaagatcc aaaatttgca acaaaaacaa aaactctacc
4 Welche genetische Information? Codierung von Proteinen Makromoleküle aus 20 Aminosäuren Grundbausteine aller Zellen Unglaubliche Vielfalt an Aufgaben Codierung von RNA Ribonukleinsäure - Umsetzung von genetischer Information, aber auch viele andere Aufgaben
5 Welche genetische Information? Codierung von Proteinen Makromoleküle aus 20 Aminosäuren Grundbausteine aller Zellen Unglaubliche Vielfalt an Aufgaben Codierung von RNA Ribonukleinsäure - Umsetzung von genetischer Information, aber auch viele andere Aufgaben
6 Was ist ein Gen? Übliche Definition: Abschnitt der DNA, der ein Protein codiert Triplets von DNA - Basen codieren Aminosäuren 64 Möglichkeiten (Redundanz)
7 Was ist ein Gen? Übliche Definition: Abschnitt der DNA, der ein Protein codiert Triplets von DNA - Basen codieren Aminosäuren 64 Möglichkeiten (Redundanz)
8 Standardmodell der Genetik
9 Technologien zum Messen von RNA - Expression Älter: Microarrays Chip mit kurzen DNA Stücken von Genen an Spots (jeweils nur ein Strang) Hybridisierung: Anlagerung von komplementärem DNA oder RNA Strang Neuer: RNA-Seq Komplexere Technologie, die erlaubt mittels next generation sequencing einen generellen Überblick über die in einer Zelle vorhandene RNA zu erhalten
10 Technologien zum Messen von RNA - Expression Älter: Microarrays Chip mit kurzen DNA Stücken von Genen an Spots (jeweils nur ein Strang) Hybridisierung: Anlagerung von komplementärem DNA oder RNA Strang Neuer: RNA-Seq Komplexere Technologie, die erlaubt mittels next generation sequencing einen generellen Überblick über die in einer Zelle vorhandene RNA zu erhalten
11 Prinzip von Micro Arrays Was wird gemessen? DNA Proben mit Fluorophoren gekennzeichnet Je mehr Hybridisierung an einem Spot desto stärker das Farbsignal Zweifarben Microarrays Zwei Gruppen mit unterschiedlichen Farben gekennzeichnet (z. Bsp. rot und grün) Gelb: Beide Gruppen exprimiert Dunkel: Keine von beiden
12 Prinzip von Micro Arrays Was wird gemessen? DNA Proben mit Fluorophoren gekennzeichnet Je mehr Hybridisierung an einem Spot desto stärker das Farbsignal Zweifarben Microarrays Zwei Gruppen mit unterschiedlichen Farben gekennzeichnet (z. Bsp. rot und grün) Gelb: Beide Gruppen exprimiert Dunkel: Keine von beiden
13 Datenaufbereitung Vor der eigentlichen Datenanalyse müssen die Bilddaten aufgearbeitet werden Eigene Vorlesung Wesentliche Schritte: Bildanalyse (speziell interessant bei Zweifarben-Arrays) Qualitätskontrolle (Viele Fehlermöglichkeiten) Transformation und Normalisierung (um danach einfache statistische Verfahren anwenden zu können) Behandlung von fehlenden Werten etc. Am Ende dieser Prozedur erhält man bei Zweifarben-Arrays für jeden Spot eine Zahl, die mißt ob es für das jeweilige Gen einen Unterschied in der Genexpression zwischen den beiden jeweiligen Proben gibt.
14 Datenaufbereitung Vor der eigentlichen Datenanalyse müssen die Bilddaten aufgearbeitet werden Eigene Vorlesung Wesentliche Schritte: Bildanalyse (speziell interessant bei Zweifarben-Arrays) Qualitätskontrolle (Viele Fehlermöglichkeiten) Transformation und Normalisierung (um danach einfache statistische Verfahren anwenden zu können) Behandlung von fehlenden Werten etc. Am Ende dieser Prozedur erhält man bei Zweifarben-Arrays für jeden Spot eine Zahl, die mißt ob es für das jeweilige Gen einen Unterschied in der Genexpression zwischen den beiden jeweiligen Proben gibt.
15 Datenaufbereitung Vor der eigentlichen Datenanalyse müssen die Bilddaten aufgearbeitet werden Eigene Vorlesung Wesentliche Schritte: Bildanalyse (speziell interessant bei Zweifarben-Arrays) Qualitätskontrolle (Viele Fehlermöglichkeiten) Transformation und Normalisierung (um danach einfache statistische Verfahren anwenden zu können) Behandlung von fehlenden Werten etc. Am Ende dieser Prozedur erhält man bei Zweifarben-Arrays für jeden Spot eine Zahl, die mißt ob es für das jeweilige Gen einen Unterschied in der Genexpression zwischen den beiden jeweiligen Proben gibt.
16 Datenaufbereitung Vor der eigentlichen Datenanalyse müssen die Bilddaten aufgearbeitet werden Eigene Vorlesung Wesentliche Schritte: Bildanalyse (speziell interessant bei Zweifarben-Arrays) Qualitätskontrolle (Viele Fehlermöglichkeiten) Transformation und Normalisierung (um danach einfache statistische Verfahren anwenden zu können) Behandlung von fehlenden Werten etc. Am Ende dieser Prozedur erhält man bei Zweifarben-Arrays für jeden Spot eine Zahl, die mißt ob es für das jeweilige Gen einen Unterschied in der Genexpression zwischen den beiden jeweiligen Proben gibt.
17 Datenaufbereitung Vor der eigentlichen Datenanalyse müssen die Bilddaten aufgearbeitet werden Eigene Vorlesung Wesentliche Schritte: Bildanalyse (speziell interessant bei Zweifarben-Arrays) Qualitätskontrolle (Viele Fehlermöglichkeiten) Transformation und Normalisierung (um danach einfache statistische Verfahren anwenden zu können) Behandlung von fehlenden Werten etc. Am Ende dieser Prozedur erhält man bei Zweifarben-Arrays für jeden Spot eine Zahl, die mißt ob es für das jeweilige Gen einen Unterschied in der Genexpression zwischen den beiden jeweiligen Proben gibt.
18 Datenaufbereitung Vor der eigentlichen Datenanalyse müssen die Bilddaten aufgearbeitet werden Eigene Vorlesung Wesentliche Schritte: Bildanalyse (speziell interessant bei Zweifarben-Arrays) Qualitätskontrolle (Viele Fehlermöglichkeiten) Transformation und Normalisierung (um danach einfache statistische Verfahren anwenden zu können) Behandlung von fehlenden Werten etc. Am Ende dieser Prozedur erhält man bei Zweifarben-Arrays für jeden Spot eine Zahl, die mißt ob es für das jeweilige Gen einen Unterschied in der Genexpression zwischen den beiden jeweiligen Proben gibt.
19 Beispiel: Studie über Prostatakrebs Singh et al. (2002) Gene expression correlates of clinical prostate cancer behavior, Cancer Cell 1, pp Microarray Experiment: Von jedem Patien gesunde und Krebszellen Gleason Score als Maß für Differenzierungsgrad der Zelle 52 Individuen: 26 davon mit schlechter Differenzierung etwa Gene Wikipedia Frage: Gibt es Gene die Differenzierungsgrad beeinflussen?
20 Beispiel: Studie über Prostatakrebs Singh et al. (2002) Gene expression correlates of clinical prostate cancer behavior, Cancer Cell 1, pp Microarray Experiment: Von jedem Patien gesunde und Krebszellen Gleason Score als Maß für Differenzierungsgrad der Zelle 52 Individuen: 26 davon mit schlechter Differenzierung etwa Gene Wikipedia Frage: Gibt es Gene die Differenzierungsgrad beeinflussen?
21 Beispiel: Studie über Prostatakrebs Singh et al. (2002) Gene expression correlates of clinical prostate cancer behavior, Cancer Cell 1, pp Microarray Experiment: Von jedem Patien gesunde und Krebszellen Gleason Score als Maß für Differenzierungsgrad der Zelle 52 Individuen: 26 davon mit schlechter Differenzierung etwa Gene Wikipedia Frage: Gibt es Gene die Differenzierungsgrad beeinflussen?
22 Beispiel: Studie über Prostatakrebs Singh et al. (2002) Gene expression correlates of clinical prostate cancer behavior, Cancer Cell 1, pp Microarray Experiment: Von jedem Patien gesunde und Krebszellen Gleason Score als Maß für Differenzierungsgrad der Zelle 52 Individuen: 26 davon mit schlechter Differenzierung etwa Gene Wikipedia Frage: Gibt es Gene die Differenzierungsgrad beeinflussen?
23 Beispiel: Studie über Prostatakrebs Singh et al. (2002) Gene expression correlates of clinical prostate cancer behavior, Cancer Cell 1, pp Microarray Experiment: Von jedem Patien gesunde und Krebszellen Gleason Score als Maß für Differenzierungsgrad der Zelle 52 Individuen: 26 davon mit schlechter Differenzierung etwa Gene Wikipedia Frage: Gibt es Gene die Differenzierungsgrad beeinflussen?
24 Studie über Prostatakrebs Ein spezielles Gen Homo sapiens mrna for RET finger protein-like 3 Graphische Darstellung: Boxplot
25 Vergleich für ein einziges Gen Nullhypothese: Expression in beiden Gruppen ist gleich H 0 : µ 1 = µ 2 Alternative: Expression in beiden Gruppen ist verschieden H A : µ 1 µ 2 Vergleiche Mittelwerte zwischen den beiden Gruppen Gruppe 1: x 1 = , Gruppe 2: x 2 = Je mehr die Daten streuen desto weniger Aussagekräftig ist dieser Unterschied zwischen den beiden Gruppen
26 Vergleich für ein einziges Gen Nullhypothese: Expression in beiden Gruppen ist gleich H 0 : µ 1 = µ 2 Alternative: Expression in beiden Gruppen ist verschieden H A : µ 1 µ 2 Vergleiche Mittelwerte zwischen den beiden Gruppen Gruppe 1: x 1 = , Gruppe 2: x 2 = Je mehr die Daten streuen desto weniger Aussagekräftig ist dieser Unterschied zwischen den beiden Gruppen
27 Vergleich für ein einziges Gen Nullhypothese: Expression in beiden Gruppen ist gleich H 0 : µ 1 = µ 2 Alternative: Expression in beiden Gruppen ist verschieden H A : µ 1 µ 2 Vergleiche Mittelwerte zwischen den beiden Gruppen Gruppe 1: x 1 = , Gruppe 2: x 2 = Je mehr die Daten streuen desto weniger Aussagekräftig ist dieser Unterschied zwischen den beiden Gruppen
28 Der Zweistichproben t-test t-test Statistik T : T = x 1 x 2 S wobei S 2 geeigneter Schätzer für die Varianz der Mittelwertsdifferenz. Testentscheidung Falls T größer als kritischer Wert Entscheidung für H A Sonst Beibehaltung von H 0
29 Der Zweistichproben t-test t-test Statistik T : T = x 1 x 2 S wobei S 2 geeigneter Schätzer für die Varianz der Mittelwertsdifferenz. Testentscheidung Falls T größer als kritischer Wert Entscheidung für H A Sonst Beibehaltung von H 0
30 Wahrscheinlichkeitsverteilung von T Theoretische Verteilung von T = x1 x2 S unter Nullhypothese: t-verteilt mit n 2 Freiheitsgraden Dichte der t-verteilung mit df Freiheitsgraden
31 Bestimmung des kritischen Werts Unter Annahme dass H 0 stimmt, suche symmetrischen Bereich wo H 0 mit Wahrscheinlichkeit α abgelehnt wird d.h. Nullhypothese wird fälschlich verworfen (Fehler 1. Art) Wahl des kritischen Werts für α = 0.05 und df = 50
32 t-test für unser spezielles Gen x 1 = 17.08, x 2 = 8.88 S = T = 4.26 Kritischer Wert: Entscheidung für H 1 p-wert: Wahrscheinlichkeit unter H 0 den Wert T oder noch einen extremeren Wert zu beobachten Im Beispiel: p = T > kritischer Wert p-wert < α
33 t-test für unser spezielles Gen x 1 = 17.08, x 2 = 8.88 S = T = 4.26 Kritischer Wert: Entscheidung für H 1 p-wert: Wahrscheinlichkeit unter H 0 den Wert T oder noch einen extremeren Wert zu beobachten Im Beispiel: p = T > kritischer Wert p-wert < α
34 t-test für unser spezielles Gen x 1 = 17.08, x 2 = 8.88 S = T = 4.26 Kritischer Wert: Entscheidung für H 1 p-wert: Wahrscheinlichkeit unter H 0 den Wert T oder noch einen extremeren Wert zu beobachten Im Beispiel: p = T > kritischer Wert p-wert < α
35 Prinzip des statistischen Testens Entscheidung z. Bsp. basierend auf t-test Statistik T : T > kritischer Wert H 0 abgelehnt T kritischer Wert H 0 beibehalten H 0 wahr H 1 wahr H 0 beibehalten Fehler 2. Art H 0 abgelehnt Fehler 1. Art Kontrolliere Fehler 1. Art zum Niveau α (z.b. α = 0.05, oder α = 0.01) Power Wahrscheinlichkeit einen tatsächlichen Unterschied zu erkennen Je kleiner α desto kleiner die Power
36 Prinzip des statistischen Testens Entscheidung z. Bsp. basierend auf t-test Statistik T : T > kritischer Wert H 0 abgelehnt T kritischer Wert H 0 beibehalten H 0 wahr H 1 wahr H 0 beibehalten Fehler 2. Art H 0 abgelehnt Fehler 1. Art Kontrolliere Fehler 1. Art zum Niveau α (z.b. α = 0.05, oder α = 0.01) Power Wahrscheinlichkeit einen tatsächlichen Unterschied zu erkennen Je kleiner α desto kleiner die Power
37 Prinzip des statistischen Testens Entscheidung z. Bsp. basierend auf t-test Statistik T : T > kritischer Wert H 0 abgelehnt T kritischer Wert H 0 beibehalten H 0 wahr H 1 wahr H 0 beibehalten Fehler 2. Art H 0 abgelehnt Fehler 1. Art Kontrolliere Fehler 1. Art zum Niveau α (z.b. α = 0.05, oder α = 0.01) Power Wahrscheinlichkeit einen tatsächlichen Unterschied zu erkennen Je kleiner α desto kleiner die Power
38 Prinzip des statistischen Testens Entscheidung z. Bsp. basierend auf t-test Statistik T : T > kritischer Wert H 0 abgelehnt T kritischer Wert H 0 beibehalten H 0 beibehalten H 0 abgelehnt H 0 wahr Fehler 1. Art H 1 wahr Fehler 2. Art Power Kontrolliere Fehler 1. Art zum Niveau α (z.b. α = 0.05, oder α = 0.01) Power Wahrscheinlichkeit einen tatsächlichen Unterschied zu erkennen Je kleiner α desto kleiner die Power
39 Prinzip des statistischen Testens Entscheidung z. Bsp. basierend auf t-test Statistik T : T > kritischer Wert H 0 abgelehnt T kritischer Wert H 0 beibehalten H 0 wahr H 1 wahr H 0 beibehalten Fehler 2. Art H 0 abgelehnt Fehler 1. Art Kontrolliere Fehler 1. Art zum Niveau α (z.b. α = 0.05, oder α = 0.01) Power Wahrscheinlichkeit einen tatsächlichen Unterschied zu erkennen Je kleiner α desto kleiner die Power
40 Multiples Testproblem Ein statistischer Test: Wahrscheinlichkeit für falsche Entdeckung ist α Was passiert bei vielen (m) Tests? Family wise error rate: FWER := P(Mindestens eine falsche Entdeckung) In unserem Beispiel: m = Gene Wie groß ist FWER für α = 0.05?
41 Multiples Testproblem Ein statistischer Test: Wahrscheinlichkeit für falsche Entdeckung ist α Was passiert bei vielen (m) Tests? Family wise error rate: FWER := P(Mindestens eine falsche Entdeckung) In unserem Beispiel: m = Gene Wie groß ist FWER für α = 0.05?
42 Multiples Testproblem Ein statistischer Test: Wahrscheinlichkeit für falsche Entdeckung ist α Was passiert bei vielen (m) Tests? Family wise error rate: FWER := P(Mindestens eine falsche Entdeckung) In unserem Beispiel: m = Gene Wie groß ist FWER für α = 0.05?
43 Multiples Testproblem Ein statistischer Test: Wahrscheinlichkeit für falsche Entdeckung ist α Was passiert bei vielen (m) Tests? Family wise error rate: FWER := P(Mindestens eine falsche Entdeckung) In unserem Beispiel: m = Gene Wie groß ist FWER für α = 0.05? Unter der (gewagten) Annahme, dass die Tests unabhängig sind: FWER = 1 (1 α) m = FWER praktisch nicht von 1 unterscheidbar Man erwartet = 600 falsche Entdeckungen
44 Multiples Testproblem Es bedarf einer Korrektur für multiples Testen
45 Bonferroni Korrektur Klassische (1936) und extrem einfache Korrekturmethode: Teste zum Signifikanzniveau α Bon = α/m Beispiel: α = 0.05, m = 10 α Bon = α = 0.05, m = 100 α Bon = Bonferroni kontrolliert FWER weil m P j=1 A i m P(A i ) Bonferroni Korrektur sehr populär, aber Problem mit geringer Power In unserem Beispiel α Bon = Gen mit p-wert nicht mehr signifikant j=1
46 Bonferroni Korrektur Klassische (1936) und extrem einfache Korrekturmethode: Teste zum Signifikanzniveau α Bon = α/m Beispiel: α = 0.05, m = 10 α Bon = α = 0.05, m = 100 α Bon = Bonferroni kontrolliert FWER weil m P j=1 A i m P(A i ) Bonferroni Korrektur sehr populär, aber Problem mit geringer Power In unserem Beispiel α Bon = Gen mit p-wert nicht mehr signifikant j=1
47 Bonferroni Korrektur Klassische (1936) und extrem einfache Korrekturmethode: Teste zum Signifikanzniveau α Bon = α/m Beispiel: α = 0.05, m = 10 α Bon = α = 0.05, m = 100 α Bon = Bonferroni kontrolliert FWER weil m P j=1 A i m P(A i ) Bonferroni Korrektur sehr populär, aber Problem mit geringer Power In unserem Beispiel α Bon = Gen mit p-wert nicht mehr signifikant j=1
48 False Discovery Rate Konzept der FDR Eingeführt von Benjamini und Hochberg (1995) ( ) V FDR = E R R... Gesamtanzahl der abgelehnten Hypothesen V... Anzahl der falschen Entdeckungen V /R = 0 falls R = 0 FDR: Erwarteter relativer Anteil an falschen Entdeckungen FWER zu kontrollieren ist eine stärkere Anforderung als FDR, größere Power, dafür mehr falsche Entdeckungen
49 False Discovery Rate Konzept der FDR Eingeführt von Benjamini und Hochberg (1995) ( ) V FDR = E R R... Gesamtanzahl der abgelehnten Hypothesen V... Anzahl der falschen Entdeckungen V /R = 0 falls R = 0 FDR: Erwarteter relativer Anteil an falschen Entdeckungen FWER zu kontrollieren ist eine stärkere Anforderung als FDR, größere Power, dafür mehr falsche Entdeckungen
50 False Discovery Rate Konzept der FDR Eingeführt von Benjamini und Hochberg (1995) ( ) V FDR = E R R... Gesamtanzahl der abgelehnten Hypothesen V... Anzahl der falschen Entdeckungen V /R = 0 falls R = 0 FDR: Erwarteter relativer Anteil an falschen Entdeckungen FWER zu kontrollieren ist eine stärkere Anforderung als FDR, größere Power, dafür mehr falsche Entdeckungen
51 Benjamini - Hochberg Prozedur Vorgangsweise 1. Ordne alle p-werte: p [1] p [m] 2. Bestimme { } k = argmax i p[i] iα m 3. Ablehnung aller Hypothesen mit p-wert p [k] Beispiel: m = 5 p [1] = p [2] = p [3] = > 0.03 p [4] = p [5] = > 0.05 Verwerfe 4 Hypothesen BH kontrolliert FDR zum Level α
52 Benjamini - Hochberg Prozedur Vorgangsweise 1. Ordne alle p-werte: p [1] p [m] 2. Bestimme { } k = argmax i p[i] iα m 3. Ablehnung aller Hypothesen mit p-wert p [k] Beispiel: m = 5 p [1] = p [2] = p [3] = > 0.03 p [4] = p [5] = > 0.05 Verwerfe 4 Hypothesen BH kontrolliert FDR zum Level α
53 Benjamini - Hochberg Prozedur Vorgangsweise 1. Ordne alle p-werte: p [1] p [m] 2. Bestimme { } k = argmax i p[i] iα m 3. Ablehnung aller Hypothesen mit p-wert p [k] Beispiel: m = 5 p [1] = p [2] = p [3] = > 0.03 p [4] = p [5] = > 0.05 Verwerfe 4 Hypothesen BH kontrolliert FDR zum Level α
54 Benjamini - Hochberg Prozedur Vorgangsweise 1. Ordne alle p-werte: p [1] p [m] 2. Bestimme { } k = argmax i p[i] iα m 3. Ablehnung aller Hypothesen mit p-wert p [k] Beispiel: m = 5 p [1] = p [2] = p [3] = > 0.03 p [4] = p [5] = > 0.05 Verwerfe 4 Hypothesen BH kontrolliert FDR zum Level α
55 Benjamini - Hochberg Prozedur Vorgangsweise 1. Ordne alle p-werte: p [1] p [m] 2. Bestimme { } k = argmax i p[i] iα m 3. Ablehnung aller Hypothesen mit p-wert p [k] Beispiel: m = 5 p [1] = p [2] = p [3] = > 0.03 p [4] = p [5] = > 0.05 Verwerfe 4 Hypothesen BH kontrolliert FDR zum Level α
56 Studie über Prostatakrebs Anzahl signifikanter Gene α = 0.05 m = Keine Korrektur: 1967 Bonferroni: 1 Benjamini Hochberg: 5 10 kleinsten p-werte p-wert p [1] = p [2] = p [3] = p [4] = p [5] = p [6] = p [7] = p [8] = p [9] = p [10] = iα n
57 Studie über Prostatakrebs Anzahl signifikanter Gene α = 0.05 m = Keine Korrektur: 1967 Bonferroni: 1 Benjamini Hochberg: 5 10 kleinsten p-werte p-wert p [1] = p [2] = p [3] = p [4] = p [5] = p [6] = p [7] = p [8] = p [9] = p [10] = iα n
58 Studie über Prostatakrebs Anzahl signifikanter Gene α = 0.05 m = Keine Korrektur: 1967 Bonferroni: 1 Benjamini Hochberg: 5 10 kleinsten p-werte p-wert p [1] = p [2] = p [3] = p [4] = p [5] = p [6] = p [7] = p [8] = p [9] = p [10] = iα n
59 Weitere Methoden Multiples Testen ein sehr aktiver Forschungsbereich Einige weitere Stichworte Permutationstests Baysianische Modellselektion Empirical Bayes Literatur für Microarrayanalyse Speed (2003) Statistical analysis of gene expression microarray data Lee (2004) Analysis of microarray gene expression data Zhang (2006) Advanced analysis of gene expression microarray data Mallick, Gold (2009) Bayesian analysis of microarray gene expression data etc.
60 Weitere Methoden Multiples Testen ein sehr aktiver Forschungsbereich Einige weitere Stichworte Permutationstests Baysianische Modellselektion Empirical Bayes Literatur für Microarrayanalyse Speed (2003) Statistical analysis of gene expression microarray data Lee (2004) Analysis of microarray gene expression data Zhang (2006) Advanced analysis of gene expression microarray data Mallick, Gold (2009) Bayesian analysis of microarray gene expression data etc.
61 Genome Wide Associations Studies Assoziationsstudie Suche nach Regionen der DNA die im Zusammenhang mit Merkmalen stehen Merkmale: Quantitativ (Größe) Dichotom (Krankheit) etc. Genetischer Marker: Position der DNA wo es Unterschiede zwischen Individuen gibt
62 Genome Wide Associations Studies Assoziationsstudie Suche nach Regionen der DNA die im Zusammenhang mit Merkmalen stehen Merkmale: Quantitativ (Größe) Dichotom (Krankheit) etc. Genetischer Marker: Position der DNA wo es Unterschiede zwischen Individuen gibt
63 Genome Wide Associations Studies Assoziationsstudie Suche nach Regionen der DNA die im Zusammenhang mit Merkmalen stehen Merkmale: Quantitativ (Größe) Dichotom (Krankheit) etc. Genetischer Marker: Position der DNA wo es Unterschiede zwischen Individuen gibt
64 SNPs als genetische Marker Single Nucleotide Polymorphism SNP: Punktmutation Beim Menschen fast 20 Millionen SNPs bekannt HapMap Projekt Karte von SNPs für 270 Individuen Wikipedia
65 SNPs als genetische Marker Single Nucleotide Polymorphism SNP: Punktmutation Beim Menschen fast 20 Millionen SNPs bekannt HapMap Projekt Karte von SNPs für 270 Individuen Wikipedia
66 SNP Arrays Bis zu 1 Million SNPs auf einem Array Technologie ähnlich zu Microarrays Zwei Spots für jeweilige Variante von einem SNP Hybridisierung Markierung mit Fluorophoren Chromosomenpaar Zwei Allele 3 mögliche Genotypen: aa, aa, AA Homozygot vs. Heterozygot Clusteralgorithmen zur Bestimmung des Genotyps from BLOG of Bryce Christensen
67 SNP Arrays Bis zu 1 Million SNPs auf einem Array Technologie ähnlich zu Microarrays Zwei Spots für jeweilige Variante von einem SNP Hybridisierung Markierung mit Fluorophoren Chromosomenpaar Zwei Allele 3 mögliche Genotypen: aa, aa, AA Homozygot vs. Heterozygot Clusteralgorithmen zur Bestimmung des Genotyps from BLOG of Bryce Christensen
68 SNP Arrays Bis zu 1 Million SNPs auf einem Array Technologie ähnlich zu Microarrays Zwei Spots für jeweilige Variante von einem SNP Hybridisierung Markierung mit Fluorophoren Chromosomenpaar Zwei Allele 3 mögliche Genotypen: aa, aa, AA Homozygot vs. Heterozygot Clusteralgorithmen zur Bestimmung des Genotyps from BLOG of Bryce Christensen
69 GWAS Datenstruktur Y X 1,..., X m n Individuen typisch n > 1000 m SNPs typisch m > Y... n - Vektor der Merkmale X i... n - Vektor der Genotypen Codierung z. Bsp X i { 1, 0, 1} Frage: Welche X i sind mit dem Merkmal assoziiert? Oft hat SNP nicht unmittelbar selbst Einfluss auf Merkmal sondern ist nur Indikator für Gen in der Nähe (Linkage disequilibrium)
70 GWAS Datenstruktur Y X 1,..., X m n Individuen typisch n > 1000 m SNPs typisch m > Y... n - Vektor der Merkmale X i... n - Vektor der Genotypen Codierung z. Bsp X i { 1, 0, 1} Frage: Welche X i sind mit dem Merkmal assoziiert? Oft hat SNP nicht unmittelbar selbst Einfluss auf Merkmal sondern ist nur Indikator für Gen in der Nähe (Linkage disequilibrium)
71 Test von einzelnen Markern Die einfachste und derzeit auch am weitesten verbreitete Methode zur Datenanalyse von GWAS besteht darin, jeden SNP einzeln zu untersuchen Test von individuellen Markern Verschiedene Tests für Zusammenhang zwischen Y und X i Y quantitativ: Lineare Regression, ANOVA, etc. Y dichotom: χ 2 -Test, Cochran-Armitage, etc. In jedem Fall wiederum multiple Testkorrektur notwendig
72 Test von einzelnen Markern Die einfachste und derzeit auch am weitesten verbreitete Methode zur Datenanalyse von GWAS besteht darin, jeden SNP einzeln zu untersuchen Test von individuellen Markern Verschiedene Tests für Zusammenhang zwischen Y und X i Y quantitativ: Lineare Regression, ANOVA, etc. Y dichotom: χ 2 -Test, Cochran-Armitage, etc. In jedem Fall wiederum multiple Testkorrektur notwendig
73 Alternative: Modellselektion Im Falle von quantitativen Merkmalen mittels Regressionsmodell Modell mit k SNPs i. e. Y = β 0 + β i1 X i1 + β i2 X i2 + + β ik X ik + ɛ, Es gibt 2 m 1 mögliche Modelle Wie findet man das richtige? Derzeit mein Forschungsbereich (WWTF Projekt) Modellselektionskriterien für m > n Suchstrategien in dem riesigen Raum der Modelle Sparsity hilfreich (k m) - Entwicklung von Theorie Effiziente Implementation etc.
74 Alternative: Modellselektion Im Falle von quantitativen Merkmalen mittels Regressionsmodell Modell mit k SNPs i. e. Y = β 0 + β i1 X i1 + β i2 X i2 + + β ik X ik + ɛ, Es gibt 2 m 1 mögliche Modelle Wie findet man das richtige? Derzeit mein Forschungsbereich (WWTF Projekt) Modellselektionskriterien für m > n Suchstrategien in dem riesigen Raum der Modelle Sparsity hilfreich (k m) - Entwicklung von Theorie Effiziente Implementation etc.
75 Alternative: Modellselektion Im Falle von quantitativen Merkmalen mittels Regressionsmodell Modell mit k SNPs i. e. Y = β 0 + β i1 X i1 + β i2 X i2 + + β ik X ik + ɛ, Es gibt 2 m 1 mögliche Modelle Wie findet man das richtige? Derzeit mein Forschungsbereich (WWTF Projekt) Modellselektionskriterien für m > n Suchstrategien in dem riesigen Raum der Modelle Sparsity hilfreich (k m) - Entwicklung von Theorie Effiziente Implementation etc.
76 Alternative: Modellselektion Im Falle von quantitativen Merkmalen mittels Regressionsmodell Modell mit k SNPs i. e. Y = β 0 + β i1 X i1 + β i2 X i2 + + β ik X ik + ɛ, Es gibt 2 m 1 mögliche Modelle Wie findet man das richtige? Derzeit mein Forschungsbereich (WWTF Projekt) Modellselektionskriterien für m > n Suchstrategien in dem riesigen Raum der Modelle Sparsity hilfreich (k m) - Entwicklung von Theorie Effiziente Implementation etc.
77 Alternative: Modellselektion Im Falle von quantitativen Merkmalen mittels Regressionsmodell Modell mit k SNPs i. e. Y = β 0 + β i1 X i1 + β i2 X i2 + + β ik X ik + ɛ, Es gibt 2 m 1 mögliche Modelle Wie findet man das richtige? Derzeit mein Forschungsbereich (WWTF Projekt) Modellselektionskriterien für m > n Suchstrategien in dem riesigen Raum der Modelle Sparsity hilfreich (k m) - Entwicklung von Theorie Effiziente Implementation etc.
78 Alternative: Modellselektion Im Falle von quantitativen Merkmalen mittels Regressionsmodell Modell mit k SNPs i. e. Y = β 0 + β i1 X i1 + β i2 X i2 + + β ik X ik + ɛ, Es gibt 2 m 1 mögliche Modelle Wie findet man das richtige? Derzeit mein Forschungsbereich (WWTF Projekt) Modellselektionskriterien für m > n Suchstrategien in dem riesigen Raum der Modelle Sparsity hilfreich (k m) - Entwicklung von Theorie Effiziente Implementation etc.
Statistische Analyse von hochdimensionalen Daten in der Bioinformatik
Statistische Analyse von hochdimensionalen Daten in der Bioinformatik Florian Frommlet Institut für medizinische Statistik, Medizinische Universität Wien Wien, Jänner 2015 Einführung DNA Molekül Zwei komplementäre
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrDer Provider möchte möglichst vermeiden, dass die Werbekampagne auf Grund des Testergebnisses irrtümlich unterlassen wird.
Hypothesentest ================================================================== 1. Ein Internetprovider möchte im Fichtelgebirge eine Werbekampagne durchführen, da er vermutet, dass dort höchstens 40%
MehrBiologie I/B: Klassische und molekulare Genetik, molekulare Grundlagen der Entwicklung Theoretische Übungen SS 2014
Biologie I/B: Klassische und molekulare Genetik, molekulare Grundlagen der Entwicklung Theoretische Übungen SS 2014 Fragen für die Übungsstunde 8 (14.07-18.07.) 1) Von der DNA-Sequenz zum Protein Sie können
MehrStatistik für Studenten der Sportwissenschaften SS 2008
Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrDie Optimalität von Randomisationstests
Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis
MehrKulturelle Evolution 12
3.3 Kulturelle Evolution Kulturelle Evolution Kulturelle Evolution 12 Seit die Menschen Erfindungen machen wie z.b. das Rad oder den Pflug, haben sie sich im Körperbau kaum mehr verändert. Dafür war einfach
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrGlaube an die Existenz von Regeln für Vergleiche und Kenntnis der Regeln
Glaube an die Existenz von Regeln für Vergleiche und Kenntnis der Regeln Regeln ja Regeln nein Kenntnis Regeln ja Kenntnis Regeln nein 0 % 10 % 20 % 30 % 40 % 50 % 60 % 70 % 80 % 90 % Glauben Sie, dass
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrAnleitung über den Umgang mit Schildern
Anleitung über den Umgang mit Schildern -Vorwort -Wo bekommt man Schilder? -Wo und wie speichert man die Schilder? -Wie füge ich die Schilder in meinen Track ein? -Welche Bauteile kann man noch für Schilder
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrDAS PARETO PRINZIP DER SCHLÜSSEL ZUM ERFOLG
DAS PARETO PRINZIP DER SCHLÜSSEL ZUM ERFOLG von Urs Schaffer Copyright by Urs Schaffer Schaffer Consulting GmbH Basel www.schaffer-consulting.ch Info@schaffer-consulting.ch Haben Sie gewusst dass... >
MehrKlausur Nr. 1. Wahrscheinlichkeitsrechnung. Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt.
Klausur Nr. 1 2014-02-06 Wahrscheinlichkeitsrechnung Pflichtteil Keine Hilfsmittel gestattet, bitte alle Lösungen auf dieses Blatt. Name: 0. Für Pflicht- und Wahlteil gilt: saubere und übersichtliche Darstellung,
MehrTesting in Microarray Experiments, StatisticalScience(18), Seiten
261 Literatur: I Lehmann & Romano, Kapitel 9 I Dudoit, Sha er & Boldrick (2003): Multiple Hypothesis Testing in Microarray Experiments, StatisticalScience(18), Seiten 71-103 Problem: Eine endliche Menge
MehrGenetisch... Unterschied. DNA zu... 99,9% identisch
Genetisch... Unterschied DNA zu... 99,9% identisch Alle Menschen unterscheiden sich aus genetischer Sicht nur um 0,1% Die übrigen 99,9% sind exakt gleich, egal ob miteinander verwandt oder nicht. Diese
MehrErfahrungen mit Hartz IV- Empfängern
Erfahrungen mit Hartz IV- Empfängern Ausgewählte Ergebnisse einer Befragung von Unternehmen aus den Branchen Gastronomie, Pflege und Handwerk Pressegespräch der Bundesagentur für Arbeit am 12. November
MehrVoraussetzungen für die Genomische Selektion beim Pferd
Agrar- und Ernährungswissenschaftliche Fakultät Institut für Tierzucht und Tierhaltung Voraussetzungen für die Genomische Selektion beim Pferd Prof. Dr. Georg Thaller 32. Jahrestagung zur Pferdegesundheit
MehrWärmebildkamera. Arbeitszeit: 15 Minuten
Wärmebildkamera Arbeitszeit: 15 Minuten Ob Menschen, Tiere oder Gegenstände: Sie alle senden unsichtbare Wärmestrahlen aus. Mit sogenannten Wärmebildkameras können diese sichtbar gemacht werden. Dadurch
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrVorsicht statt Nachsicht
Vorsicht statt Nachsicht Perfekt abgesichert für alle Fälle. WIRTSCHAFTSPRÜFER STEUERBERATER WIRTSCHAFTSPRÜFER RECHTSANWÄLTE STEUERBERATER Entdeckung von Unregelmäßigkeiten bei Steuer- und Ordnungsmäßigkeitsprüfungen
MehrGründe für fehlende Vorsorgemaßnahmen gegen Krankheit
Gründe für fehlende Vorsorgemaßnahmen gegen Krankheit politische Lage verlassen sich auf Familie persönliche, finanzielle Lage meinen, sich Vorsorge leisten zu können meinen, sie seien zu alt nicht mit
MehrGrundideen der Gentechnik
Grundideen der Gentechnik Die Gentechnik kombiniert Biotechnik und Züchtung. Wie in der Züchtung wird die Erbinformation eines Lebewesen verändert. Dabei nutzte man in den Anfängen der Gentechnik vor allem
MehrWeiterbildungen 2014/15
Weiterbildungen 2014/15 Kurs 1 Das Konzept Lebensqualität In den letzten Jahren hat sich die Lebensqualität im Behinderten-, Alten-, Sozial- und Gesundheitswesen als übergreifendes Konzept etabliert. Aber
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrIntrinsisch motivierte Mitarbeiter als Erfolgsfaktor für das Ideenmanagement: Eine empirische Untersuchung
Intrinsisch motivierte Mitarbeiter als Erfolgsfaktor für das Ideenmanagement: Eine empirische Untersuchung Bearbeitet von Martina Sümnig Erstauflage 2015. Taschenbuch. 176 S. Paperback ISBN 978 3 95485
MehrInhouse-Schulung For tbildung.mal-alt-werden.de
Dem Hahn im Korb gerecht werden Beschäftigungsangebote für Männer (mit Demenz) gestalten Das Alter ist in Deutschland überwiegend weiblich. Die Beschäftigungsangebote für Senioren und Menschen mit Demenz
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrGoogle Earth und Telefonbücher im Internet
Merkblatt 80 www.computeria-olten.ch Monatstreff für Menschen ab 50 Google Earth und Telefonbücher im Internet Google Earth ist ein virtueller Globus. Das schreibt Google dazu: Die Welt entdecken ist jetzt
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrGeyer & Weinig: Service Level Management in neuer Qualität.
Geyer & Weinig: Service Level Management in neuer Qualität. Verantwortung statt Versprechen: Qualität permanent neu erarbeiten. Geyer & Weinig ist der erfahrene Spezialist für Service Level Management.
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrVon der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und
Von der Untersuchungsfrage zu statistischen Hypothesen, und wie war das nochmal mit dem α- und β-fehler? Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrMeinungen der Bürgerinnen und Bürger in Hamburg und Berlin zu einer Bewerbung um die Austragung der Olympischen Spiele
Meinungen der Bürgerinnen und Bürger in Hamburg und Berlin zu einer Bewerbung um die Austragung der Olympischen Spiele 4. März 2015 q5337/31319 Le forsa Politik- und Sozialforschung GmbH Büro Berlin Schreiberhauer
MehrLeonhard. Ottinger. career:forum 27.05.15. richtig guten. journalismus. lernen
Leonhard Ottinger richtig guten 27.05.15 journalismus lernen career:forum informieren Der Klassiker der Informationsquellen ist die auf Papier gedruckte Tageszeitung. Die war schon immer mobil. Auch heute
MehrProjektmanagement in der Spieleentwicklung
Projektmanagement in der Spieleentwicklung Inhalt 1. Warum brauche ich ein Projekt-Management? 2. Die Charaktere des Projektmanagement - Mastermind - Producer - Projektleiter 3. Schnittstellen definieren
MehrOrganisation des Qualitätsmanagements
Organisation des Qualitätsmanagements Eine zentrale Frage für die einzelnen Funktionen ist die Organisation dieses Bereiches. Gerade bei größeren Organisationen Für seine Studie mit dem Titel Strukturen
Mehr2 Aufbau der Arbeit und wissenschaftliche Problemstellung
2 Aufbau der Arbeit und wissenschaftliche Problemstellung Nach der Definition der grundlegenden Begriffe, die in dieser Arbeit verwendet werden, soll die Ausbildung, wie sie von der Verfasserin für Schüler
MehrAlgorithmische Mathematik
Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)
MehrBewertung des Blattes
Bewertung des Blattes Es besteht immer die Schwierigkeit, sein Blatt richtig einzuschätzen. Im folgenden werden einige Anhaltspunkte gegeben. Man unterscheidet: Figurenpunkte Verteilungspunkte Längenpunkte
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrDas NEUE Leistungspaket der Sozialversicherung. Mehr Zahngesundheit für Kinder und Jugendliche bis zum 18. Lebensjahr. Fragen und Antworten
Das NEUE Leistungspaket der Sozialversicherung Mehr Zahngesundheit für Kinder und Jugendliche bis zum 18. Lebensjahr Fragen und Antworten Stand: Juni 2015 1 Grundsatzfragen zum neuen Leistungspaket 1.1
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrErfolg beginnt im Kopf
Erfolg beginnt im Kopf Wie Sie ausgeglichen bleiben und Ihre Ziele einfacher erreichen 8. VR-Unternehmerforum AGRAR Die Ausgangslage Am Markt 6 49406 Barnstorf Am Markt 6 49406 Barnstorf Alles verändert
MehrGutes Leben was ist das?
Lukas Bayer Jahrgangsstufe 12 Im Hirschgarten 1 67435 Neustadt Kurfürst-Ruprecht-Gymnasium Landwehrstraße22 67433 Neustadt a. d. Weinstraße Gutes Leben was ist das? Gutes Leben für alle was genau ist das
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrBioinformatik: Hype oder Hoffnung?
Bioinformatik: Hype oder Hoffnung? Florian Markowetz Max-Planck-Institut für Molekulare Genetik Computational Molecular Biology Berlin Career Nights AKG Bensheim, 28. Januar 2005 1 Florian Markowetz, Bioinformatik:
MehrEinfluss der genetischen Architektur auf die empirische Genauigkeit der genomischen Zuchtwertschätzung
Einfluss der genetischen Architektur auf die empirische Genauigkeit der genomischen Zuchtwertschätzung M. Kramer 1, F. Biscarini 1, B. Bapst 2, C. Stricker 3, H. Simianer 1 1 Department für Nutztierwissenschaften,
Mehr4. Das neue Recht der GmbH ein Überblick
4. Das neue Recht der GmbH ein Überblick Wie sieht die GmbH-Reform eigentlich aus und was sind ihre Auswirkungen? Hier bekommen Sie einen kompakten Überblick. Einer der wesentlichen Anstöße, das Recht
MehrRingversuch zur 9. Pilztagung des VDB 2005 in Hamburg
Ringversuch zur 9. Pilztagung des VDB 25 in Hamburg Randbedingungen und Zielsetzung des Ringversuches Um den Einfluss der Probenehmer und des verwendeten Verfahren auf die Schwankungen der Ergebnisse zu
MehrDiese Prozesse und noch viele andere Tricks werden in der Digitalfotografie mit Hilfe von Bildbearbeitungsprogrammen, wie z. B. Gimp, bewältigt.
Workflows mit Gimp Workflows sind Arbeitsabläufe, in denen man ein rohes Bildmaterial in ein ansehnliches Foto verwandelt. Denn das, was die Kamera sieht, entspricht selten unseren Vorstellungen eines
MehrGeld Verdienen im Internet leicht gemacht
Geld Verdienen im Internet leicht gemacht Hallo, Sie haben sich dieses E-book wahrscheinlich herunter geladen, weil Sie gerne lernen würden wie sie im Internet Geld verdienen können, oder? Denn genau das
MehrDie Kurzsichtigkeit. Korrekturmöglichkeiten
Die Kurzsichtigkeit Korrekturmöglichkeiten Der Aufbau des kurzsichtigen Auges Das Auge ist im Verhältnis zum Brechwert zu lang. Das Licht bündelt sich vor der Netzhaut. Deshalb müssen Minuslinsen aus parallele
MehrDeutliche Mehrheit der Bevölkerung für aktive Sterbehilfe
Allensbacher Kurzbericht 6. Oktober 2014 Deutliche Mehrheit der Bevölkerung für aktive Sterbehilfe Zwei Drittel sind für die Erlaubnis aktiver Sterbehilfe, 60 Prozent für die Zulassung privater Sterbehilfe-Organsationen.
MehrMehr Geld verdienen! Lesen Sie... Peter von Karst. Ihre Leseprobe. der schlüssel zum leben. So gehen Sie konkret vor!
Peter von Karst Mehr Geld verdienen! So gehen Sie konkret vor! Ihre Leseprobe Lesen Sie...... wie Sie mit wenigen, aber effektiven Schritten Ihre gesteckten Ziele erreichen.... wie Sie die richtigen Entscheidungen
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrSelbstcheck: Praktiziere ich einen gesundheitsförderlichen Führungsstil?
Selbstcheck: Praktiziere ich einen gesundheitsförderlichen Führungsstil? 3 = stimme voll zu 2 = stimmt ziemlich 1 = stimmt eher nicht 0 = stimmt absolut nicht Handlungsspielraum Ich übertrage meinen Mitarbeitern
MehrRhetorik und Argumentationstheorie. [frederik.gierlinger@univie.ac.at]
Rhetorik und Argumentationstheorie 1 [frederik.gierlinger@univie.ac.at] Ablauf der Veranstaltung Termine 1-6 Erarbeitung diverser Grundbegriffe Termine 7-12 Besprechung von philosophischen Aufsätzen Termin
MehrAnleitung. Empowerment-Fragebogen VrijBaan / AEIOU
Anleitung Diese Befragung dient vor allem dazu, Sie bei Ihrer Persönlichkeitsentwicklung zu unterstützen. Anhand der Ergebnisse sollen Sie lernen, Ihre eigene Situation besser einzuschätzen und eventuell
MehrProjektmanagement. Thema. Name der bzw. des Vortragenden. Vorname Nachname E-Mail@stud.fh-heilbronn.de Sommersemester 2004
Thema Name der bzw. des Vortragenden 1 Dauer Dauer 25 30 Minuten Auf keinen Fall überziehen!!! 2 3 Minuten pro Folie Also maximal 10 15 Folien Vorher üben und die Zeit stoppen! Nicht zu lange mit der Einleitung
MehrGrundlagen der genomische Selektion - Was sagt ein genomischer Zuchtwert aus?
Gliederung Seminar des Ausschusses für Genetik der ZAR, Salzburg, 18.03.2010 Grundlagen der genomische Selektion - Was sagt ein genomischer Zuchtwert aus? Versuch einer Begriffserklärung Wie weiß man,
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrVersetzungsgefahr als ultimative Chance. ein vortrag für versetzungsgefährdete
Versetzungsgefahr als ultimative Chance ein vortrag für versetzungsgefährdete Versetzungsgefährdete haben zum Großteil einige Fallen, die ihnen das normale Lernen schwer machen und mit der Zeit ins Hintertreffen
MehrZwischenablage (Bilder, Texte,...)
Zwischenablage was ist das? Informationen über. die Bedeutung der Windows-Zwischenablage Kopieren und Einfügen mit der Zwischenablage Vermeiden von Fehlern beim Arbeiten mit der Zwischenablage Bei diesen
MehrKreativ visualisieren
Kreativ visualisieren Haben Sie schon einmal etwas von sogenannten»sich selbst erfüllenden Prophezeiungen«gehört? Damit ist gemeint, dass ein Ereignis mit hoher Wahrscheinlichkeit eintritt, wenn wir uns
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrBürgerhilfe Florstadt
Welche Menschen kommen? Erfahrungen mit der Aufnahme vor Ort vorgestellt von Anneliese Eckhardt, BHF Florstadt Flüchtlinge sind eine heterogene Gruppe Was heißt das für Sie? Jeder Einzelne ist ein Individuum,
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrINNOVATIONEN UND QUALIFIZIERUNG WAS SAGEN BETRIEBSRÄTE?
INNOVATIONEN UND QUALIFIZIERUNG WAS SAGEN BETRIEBSRÄTE? Ergebnisse einer Befragung von Betriebsräten eines deutschen Großunternehmens olly / Fotolia.com Inhaltsverzeichnis Studiendesign Management Summary
MehrPersönlichkeit und Persönlichkeitsunterschiede
9 Persönlichkeit und Persönlichkeitsunterschiede 1 Inhalt Die Beschäftigung mit der menschlichen Persönlichkeit spielt in unserem Alltag eine zentrale Rolle. Wir greifen auf das globale Konzept Persönlichkeit
MehrWie erleben Verbraucher IGeL? Ergebnisse einer Umfrage der Verbraucherzentralen
Wie erleben Verbraucher IGeL? Ergebnisse einer Umfrage der Verbraucherzentralen Sperrfrist: 15.10.2012, 10 Uhr Berlin, 11.10.2012 Was sind IGeL? Individuelle Gesundheits-Leistungen (IGeL) sind medizinische
MehrZeit lässt sich nicht wie Geld für schlechte Zeiten zur Seite legen. Die Zeit vergeht egal, ob genutzt oder ungenutzt.
Zeitmanagement Allgemeine Einleitung Wie oft haben Sie schon gehört Ich habe leider keine Zeit? Und wie oft haben Sie diesen Satz schon selbst gesagt? Wahrscheinlich nahezu jeden Tag. Dabei stimmt der
MehrWelche Bereiche gibt es auf der Internetseite vom Bundes-Aufsichtsamt für Flugsicherung?
Welche Bereiche gibt es auf der Internetseite vom Bundes-Aufsichtsamt für Flugsicherung? BAF ist die Abkürzung von Bundes-Aufsichtsamt für Flugsicherung. Auf der Internetseite gibt es 4 Haupt-Bereiche:
MehrElternzeit Was ist das?
Elternzeit Was ist das? Wenn Eltern sich nach der Geburt ihres Kindes ausschließlich um ihr Kind kümmern möchten, können sie bei ihrem Arbeitgeber Elternzeit beantragen. Während der Elternzeit ruht das
MehrBei der Tagung werden die Aspekte der DLRL aus verschiedenen Perspektiven dargestellt. Ich habe mich für die Betrachtung der Chancen entschieden,
Bei der Tagung werden die Aspekte der DLRL aus verschiedenen Perspektiven dargestellt. Ich habe mich für die Betrachtung der Chancen entschieden, weil dieser Aspekt bei der Diskussion der Probleme meist
MehrOsteoporose. Ein echtes Volksleiden. Schon jetzt zählen die Osteoporose und die damit verbundene erhöhte Brüchigkeit der Knochen
Osteoporose Osteoporose 9 Osteoporose Ein echtes Volksleiden Schon jetzt zählen die Osteoporose und die damit verbundene erhöhte Brüchigkeit der Knochen in den entwickelten Ländern zu den häufigsten Erkrankungen
MehrAber zuerst: Was versteht man unter Stromverbrauch im Standby-Modus (Leerlaufverlust)?
Ich habe eine Umfrage durchgeführt zum Thema Stromverbrauch im Standby Modus! Ich habe 50 Personen befragt und allen 4 Fragen gestellt. Ich werde diese hier, anhand von Grafiken auswerten! Aber zuerst:
MehrStatuten in leichter Sprache
Statuten in leichter Sprache Zweck vom Verein Artikel 1: Zivil-Gesetz-Buch Es gibt einen Verein der selbstbestimmung.ch heisst. Der Verein ist so aufgebaut, wie es im Zivil-Gesetz-Buch steht. Im Zivil-Gesetz-Buch
MehrSimulation LIF5000. Abbildung 1
Simulation LIF5000 Abbildung 1 Zur Simulation von analogen Schaltungen verwende ich Ltspice/SwitcherCAD III. Dieses Programm ist sehr leistungsfähig und wenn man weis wie, dann kann man damit fast alles
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrStudie Autorisierungsverfahren Online-Banking 2014. n = 433, Befragungszeitraum: Februar bis März 2014
Studie Autorisierungsverfahren Online-Banking 2014 n = 433, Befragungszeitraum: Februar bis März 2014 1 Hintergrund Kontext der Studie Autorisierungsverfahren für Online-Banking stehen aktuell im Fokus
MehrResultate GfS-Umfrage November 2006. Wie bekannt ist das Phänomen Illettrismus bei der Schweizer Bevölkerung?
Resultate GfS-Umfrage November 2006 Wie bekannt ist das Phänomen Illettrismus bei der Schweizer Bevölkerung? Frage 1: Kennen Sie das Phänomen, dass Erwachsene fast nicht lesen und schreiben können, obwohl
MehrPCD Europe, Krefeld, Jan 2007. Auswertung von Haemoccult
Auswertung von Haemoccult Ist das positiv? Nein! Ja! Im deutschen Krebsfrüherkennungsprogramm haben nur etwa 1 % der Frauen und 1,5 % der Männer ein positives Haemoccult -Ergebnis, da dieser Test eine
MehrPatienteninformation: Gentestung bei familiärem Brust- und Eierstockkrebs (Basis-Information):
Frauenklinik Gynäkologie und Gynäkologische Onkologie Patienteninformation: Gentestung bei familiärem Brust- und Eierstockkrebs (Basis-Information): Universitätsspital Basel Frauenklinik PD Dr. med. Nicole
Mehr