V9 funktionelle Annotation
|
|
- Manfred Krause
- vor 7 Jahren
- Abrufe
Transkript
1 V9 funktionelle Annotation Analyse von Gen-Expression Funktionelle Annotation: Gene Ontology (GO) Signifikanz der Annotation: Hypergeometrischer Test Annotationsanalysen z.b. mit NIH-Tool DAVID Ähnlichkeit von GO-Termen automatisch bestimmen OMIM-Datenbank 9. Vorlesung WS 2014/15 Softwarewerkzeuge 1
2 Beispiel: differentielle Gen-Expression für ALL-Patienten Input: Genexpressionsdaten für 128 Patienten mit akuter lymphatischer Leukämie (ALL). Alle ALL-Patienten haben chromosomale Veränderungen. Der Therapieerfolg ist sehr unterschiedlich. Eine Gruppe von Patienten (ALL1/AF4) hat eine genetische Translokation zwischen den Chromosomen 4 und 11. Eine zweite Gruppe von Patienten (BCR/ABL) hat eine genetische Translokation zwischen den Chromosomen 9 und 22. Die Krankheitsursachen + optimale Therapie könnten für die beiden Gruppen verschieden sein. Ziel: Identifiziere Gene, die zwischen den beiden Gruppen differentiell exprimiert werden. Beispiel für die Anwendung der Bioconductor-Software (siehe Ref unten, bisher 6700 mal zitiert). Gentleman et al. Genome Biology 5, R80 (2004) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 2
3 Auswahl der differentiell exprimierten Gene Bioconductor Kommandos Vergleiche Gen-Expression in den beiden Gruppen. Fokussiere auf Gene mit stark unterschiedlicher Expression. Wähle alle Gene mit p-wert < 0.05 aus. Es bleiben 165 Gene übrig. Differential expression (D.E.) = log(r) / log(g) Log ratio M : 2 M = log(r) / log(g); M = 1 -> zweifach D.E. Wie signifikant ist dies? -> bewerte mit statistischem Test. Gentleman et al. Genome Biology 5, R80 (2004) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 3
4 Differentielle Gen-Expression als Heatmap visualisieren Mit einem Abstandsmaß und einem Cluster-Algorithmus werden die Ähnlichkeiten zwischen den Patienten (x-achse) und den einzelnen Gene (y-achse) erfasst. Die beiden Patienten- Gruppen lassen sich deutlich unterscheiden (rot/grau). Gelb: stark hochreguliert Blau: stark runterreguliert Patienten Gentleman et al. Genome Biology 5, R80 (2004) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 4
5 Zuordnung von Gen-Funktion Bioconductor Kommandos Links gezeigt ist dieselbe Tabelle wie zwei Folien zuvor. Neue Frage: welche Funktionen üben diese Gene in der Zelle aus? Verwende dazu die Gene Ontology. Gentleman et al. Genome Biology 5, R80 (2004) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 5
6 Die Gene Ontology (GO) Ontologien sind strukturierte Vokabulare. Die Gene Ontology hat 3 Bereiche: - biologischer Prozess (BP) - molekulare Funktion (MF) - zelluläre Komponente (Lokalisation). Hier ist ein Teil des BP-Baums gezeigt. Oben ist der allgemeinste Ausdruck (root). Rot: Blätter des Baums (sehr spezifische GO-Terme) Grün: gemeinsame Vorgänger. Blau: andere Knoten. Linien: Y ist in X enthalten -Beziehungen Dissertation Andreas Schlicker (UdS, 2010) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 6
7 Signifkanz von GO-Annotationen Sehr allgemeine GO-Terme wie z.b. cellular metabolic process werden vielen Genen zugeordnet. Sehr spezielle Terme gehören jeweils nur zu wenigen Genen. Man muss also vergleichen, wie signifikant das Auftreten jedes GO-Terms in einer Testmenge an Genen im Vergleich zu einer zufällig ausgewählten Menge an Genen derselben Größe ist. Dazu verwendet man meist den hypergeometrischen Test. Dissertation Andreas Schlicker (UdS, 2010) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 7
8 Vorbemerkung 9. Vorlesung WS 2014/15 Softwarewerkzeuge 8
9 Hypergeometrischer Test p-wert = Der hypergeometrische Test ist ein statistischer Test, der z.b. überprüft, ob in einer vorgegebenen Testmenge an Genen eine biologische Annotation π gegenüber dem gesamten Genom statistisch signifikant angereichert ist. Sei N die Anzahl an Genen im Genom. Sei n die Anzahl an Genen in der Testmenge. Sie K π die Anzahl an Genen im Genom mit der Annotation π. Sei k π die Anzahl an Genen in der Testmenge mit der Annotation π. Der hypergeometrische p-wert drückt die Wahrscheinlichkeit aus, dass k π oder mehr zufällig aus dem Genom ausgewählte Gene auch die Annotation π haben Vorlesung WS 2014/15 Softwarewerkzeuge 9
10 Hypergeometrischer Test Wähle i = k π Gene mit Annotation π aus dem Genom. Davon gibt es genau K π. Die anderen n i Gene in der Testmenge haben dann nicht die Annotation π. Davon gibt es im Genom genau N - K π. p-wert = Die Summe läuft von mindestens k π Elementen bis zur maximal möglichen Anzahl an Elementen. Eine Obergrenze ist durch die Anzahl an Genen mit Annotation π im Genom gegeben (K π ). Korrigiert für die kombinatorische Vielfalt an Möglichkeiten um n Elemente aus einer Menge mit N Elementen auszuwählen. N.B. dies gilt für den Fall, dass die Reihenfolge der Elemente egal ist. Die andere Obergrenze ist die Zahl der Gene in der Testmenge (n) Vorlesung WS 2014/15 Softwarewerkzeuge 10
11 Beispiel p-wert = Frage: ist die Annotation π in der Testmenge von 3 Genen signifikant angereichert? Ja! p = 0.05 ist signifikant Vorlesung WS 2014/15 Softwarewerkzeuge 11
12 Messe funktionelle Ähnlichkeit von GO-Termen Die Wahrscheinlichkeit eines Knoten t kann man auf 2 Arten ausdrücken: Wieviele Gene besitzen die Annotation t relativ zur Häufigkeit der Wurzel? Anzahl an GO-Termen im bei t startenden Unterbaum relativ zu der Anzahl an GO-Termen im Gesamtbaum. Die Wahrscheinlichkeit hat Werte zwischen 0 und 1 und nimmt zwischen den Blättern bis zur Wurzel monoton zu. Aus der Wahrscheinlichkeit p berechnet man den Informationsgehalt jedes Knotens: Je seltener ein Knoten ist, desto höher sein Informationsgehalt. Schlicker PhD dissertation (2010) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 12
13 Messe funktionelle Ähnlichkeit von GO-Termen Die Menge an gemeinsamen Vorgängern (common ancestors (CA) ) zweier Knoten t 1 und t 2 enthält alle Knoten, die auf einem Pfad von t 1 zum Wurzel- Knoten UND auf einem Pfad von t 2 zum Wurzelknoten liegen. Der most informative common ancestor (MICA) der Terme t 1 und t 2 ist der Term mit dem höchsten Informationsgehalt in CA. Normalerweise ist das der gemäß dem Abstand nächste gemeinsame Vorgänger. Schlicker PhD dissertation (2010) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 13
14 Messe funktionelle Ähnlichkeit von GO-Termen Schlicker et al. definierten aus dem Abstand zum most informative common ancestor (MICA) die Ähnlichkeit der Terme t 1 und t 2 Der hintere Faktor gewichtet die Ähnlichkeit mit der Häufigkeit p(mica). Dies ergab Vorteile in der Praxis. Schlicker PhD dissertation (2010) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 14
15 Zusammenfassung Daten aus Microarray-Analyse wurden ursprünglich als sehr verrauscht angesehen. Mittlerweile wurden jedoch sowohl die experimentellen Schritte wie auch die Datenauswertung gründlich verfeinert. Microarray-Analyse ist daher heute eine (zwar teure, aber zuverlässige) Routine- Methode, die in allen großen Firmen verwendet wird. Die Datenaufbereitung kann folgende Schritte enthalten: Normalisierung, Logarithmierung, Clustering, evtl. Ko-Expressionsanalyse, Annotation der Genfunktion Sehr wichtig ist es, die Signifikanz der Ergebnisse zu bewerten. Gentleman et al. Genome Biology 5, R80 (2004) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 15
16 V10 metabolische Netzwerke / Protein-Interaktionsnetzwerke Methoden der Systembiologie ermöglichen die integrierte, simultane Betrachtung von kompletten metabolischen Netzwerken. wichtige Fragen: (1) wie soll man die Gesamtheit der metabolischen Flüsse im Netzwerk beschreiben? (2) wie können mathematische Techniken die gezielte Manipulation von Mikroorganismen im Hinblick auf die Produktion bestimmter Substanzen unterstützen? Inhalt V10: (1) stöchiometrische Matrix (2) Flux Balance Analysis - Methode (3) Elementary Flux Mode Analyse (anschaulich + Anwendung) (4) Aufbau und Visualisierung von Protein-Protein-Interaktionsnetzwerken 9. Vorlesung WS 2014/15 Softwarewerkzeuge 16
17 Flux Balance Analyse Jede chemische Reaktion erfüllt die Erhaltung der Massen. Mit dieser grundlegenden Bedingung können metabolische Systeme untersucht werden. Man muss lediglich die Stöchiometrie aller metabolischen Pfade und die metabolischen Anforderungen kennen. Für jeden Metabolit gilt: dx i vi dt V synthesized V Im Gleichgewicht kann man die Massenerhaltung in einem metabolischen Netzwerk mathematisch durch eine Matrixgleichung darstellen: S v = 0 degraded ( Vused Vtransporte d ) Hierbei ist die Matrix S wiederum die m n stöchiometrische Matrix, m = Anzahl der Metabolite, n = Anzahl der Reaktionen im Netzwerk. Der Vektor v beinhaltet alle Flüsse des metabolischen Netzwerks, nämlich die internen Flüsse, die Transportflüsse, und das Zellwachstum. 9. Vorlesung WS 2014/15 Softwarewerkzeuge 17
18 Lösungsraum der metabolischen Flüsse Da die Zahl an Metaboliten gewöhnlich kleiner ist als die Zahl an Reaktionen (m < n) ist die Flussgleichung üblicherweise unterbestimmt. Daher gibt es im Allgemeinen eine Vielzahl an erlaubten Flussverteilungen, die die Massenerhaltung erfüllen. Dieser Satz von Lösungen entspricht dem Nullraum der Matrix S. Um den wahren biologischen Fluss zu finden ( e.g. Heinzle/UdS) benötigt man zusätzliche Informationen, z.b. aus Experimenten mit C 13 -Markierung. Alternativ kann man Grenzwerte i vi i für den Minimal- und Maximalbetrag jedes einzelnen metabolischen Flusses vorschreiben. Der Durchschnitt des Nullraums und des durch diese linearen Ungleichungen eingeschränkten Raums definiert dann ein Volumen im hochdimensionalen Flussraum, das alle möglichen Flussverteilungen enthält. 9. Vorlesung WS 2014/15 Softwarewerkzeuge 18
19 Berechnung von Elementaren Flussmoden aus der stöchiometrischen Matrix Darstellung des Reaktionsnetzwerks mit stöchiometrischer Matrix S. stöchiometrische Koeffizienten der einzelnen Reaktionen. Metabolite Analyse der Matrix S Pathway-Darstellung P. Deren Zeilen enthalten den Reaktionen entsprechende Flüsse und die Spalten die sich ergebenden Pfade. Elementare Flussmoden für dies System. Papin et al. TIBS 28, 250 (2003) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 19
20 Protein-Interaktionsnetzwerk in S. cerevisiae Abb. zeigt das Protein Protein Interaktionsnetzwerk in Saccharomyces cerevisiae, basierend auf yeast two-hybrid Experimenten. Knoten: einzelne Proteine Verbindungen/Kanten: physikalische Interaktionen. Das Netzwerk wird von einigen Knoten mit sehr vielen Verbindungen zusammengehalten. Diese nennt man Hubs. Dieser größte Cluster enthält 78% aller Proteine. Rot: Gendeletion ist tödlich Grün: Gendeletion ist nicht tödlich Gelb: Effekt der Gendeletion ist unbekannt. Barabasi & Oltvai, Nature Rev Gen 5, 101 (2004) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 20
21 Welche Proteindeletionen sind tödlich? (b) Die Häufigkeit von Hub- Proteinen mit k Interaktionen nicht exponentiell ab (wie in einem Zufallsnetzwerk mit Poisson- Verteilung der Verknüpfungen erwartet), sondern gemäss einem Potenzgesetz (engl. power law). (c) Die Deletion von Genen, die für Hub-Proteine kodieren, die viele Links besitzen, ist eher tödlich als die Deletion von Proteinen, die mit wenigen anderen Proteinen interagieren. H. Jeong, S. P. Mason, A.-L. Barabási and Z. N. Oltvai Nature 411, Vorlesung WS 2014/15 Softwarewerkzeuge 21
22 Proteininteraktionsnetzwerke Verschiedene experimentelle Techniken messen verschiedene Eigenschaften von Proteinkomplexen. De Las Rivas, PLOS Comp Biol. 6, e (2010) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 22
23 Proteininteraktionsnetzwerke Der Überlapp zwischen verschiedenen Datenbanken ist leider gering. Experimentell nachgewiesen wurden ca Interaktionen von menschlichen Proteinen. Man schätzt, dass es in S. cerevisae (6000 Gene) ca Proteininteraktionen gibt. D.h. im Mensch wird eine erheblich höhere Anzahl (ca ) erwartet. De Las Rivas, PLOS Comp Biol. 6, e (2010) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 23
24 V11B SBML und Modell-Erstellung 22. Januar Vorlesung WS 2014/15 Softwarewerkzeuge 24
25 V12 Stochastische Effekte + Diffusion 29. Januar Vorlesung WS 2014/15 Softwarewerkzeuge 25
26 Dichtefluktuationen N = N = N = Vorlesung WS 2014/ N = Softwarewerkzeuge
27 Poisson-Verteilung Betrachte Kontinuum w mit im Mittel λ Ereignissen pro Einheitsintervall Δw Annahmen: i) Seltenheit: <<1 Ereignisse in [w, w+δw], höchstens ein Ereignis ii) Proportionalität: <N> = λ Δw iii) Geschichtslosigkeit (Markov-Prozess) Wahrscheinlichkeit, dass k Ereignisse pro Einheitszeitintervall auftreten: Mittelwert: Varianz: Relative Streuung (Fehler): Mittlere Teilchenzahl Mol relative Unsicherheit 10% 3% 1e Vorlesung WS 2014/15 Softwarewerkzeuge 27 2
28 Assoziation: A + B => AB Reaktionen im Teilchenbild Kontinuierliche Ratengleichung: Anzahl neuer AB in V während Δt: Reaktionsrate kab => Reaktionswahrscheinlichkeit PAB 9. Vorlesung WS 2014/15 Softwarewerkzeuge 28 2
29 Direkte Implementierung A + B => AB Achtung: didaktische Implementierunge 9. Vorlesung WS 2014/15 Softwarewerkzeuge 29 2
30 Beispiel: Reaktions-Kette A => B => C Raten: Zeitentwicklung aus den kontinuierlichen Raten: NA, NB, NC / NA time k1 = k2 = Vorlesung WS 2014/15 Softwarewerkzeuge 30 3
31 Stochastische Simulation A => B => C A0 = 1000 Teilchen bei t = 0 A, B, C / A t = 7 A C B time k1 = k2 = 0.3 frequency A B C Werte bei t = 7 (1000 Läufe) => Fluktuationen 9. Vorlesung WS 2014/15 Softwarewerkzeuge 31 3
32 Diffusion Diffusion => verschmiert Unterschiede Entwicklung der ortsabh. Dichte <=> Diffusionsgleichung t = 0 t + ortsabhängige Quellen und Senken 9. Vorlesung WS 2014/15 Softwarewerkzeuge 32 3
33 Kontinuitätsgleichung Zwei Beiträge zur Diffusionsgleichung: 1) Kontinuitätsgleichung: wo bleibt das Material? Änderung der Dichte ρ bei (r, t) Divergenz des Stromes = Quellen und Senken für Teilchen partielle Ableitung: => betrachte nur Änderungen von ρ in der Zeit an einem festgehaltenen Ort r (nicht: Ortsverschiebungen r = r(t)) ΔN = Nin Nout = 3 5 = 2 9. Vorlesung WS 2014/15 Softwarewerkzeuge 33 3
34 Diffusionsstrom 2) Diffusionsstrom durch Dichteunterschiede (Gradienten) Fick sches Gesetz: Diffusionstrom bei (r, t) Strom fließt weg von hohen Dichten Diffusions koeffizient Dichtefluktuationen (=Gradienten) ρ j x hier: phänomenologischer Umrechnungsfaktor von Dichteunterschieden in Teilchenströme 9. Vorlesung WS 2014/15 Softwarewerkzeuge 34 3
35 Diffusion mikroskopisch Ohne externe Kräfte => Teilchen bewegen sich in alle Richtungen gleich wahrscheinlich (Gauss'sche Wahrscheinlichkeit) (x 1 ) (x 2 ) x x ρ(x1) = ρ(x2) => jdiff = 0 ρ(x1) < ρ(x2) => jdiff < 0 Gleiche Dichten an x1 und x2: => gleiche Anzahl Teilchen springt von x1 => x2 wie von x2 => x1 Unterschiedliche Dichten: => mehr Teilchen springen von x2 => x1 als von x1 => x2 9. Vorlesung WS 2014/15 Softwarewerkzeuge 35 3
36 Diffusionsgleichung: partielle DGL Diffusionsstrom in Kontinuitätsgleichung einsetzen => Diffusionsgleichung: => Vollständige Beschreibung der zeitabhängigen Dichteverteilung (ohne externe Kräfte) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 36 3
37 Integration Bisher: (System von) ODEs Zeitentwicklung abhängig von den lokalen Werten der Systemparameter alle Ableitungen nach der Zeit Jetzt: Diffusionsgl. mit konstantem D: Zeitentwicklung bestimmt durch globale Werte (Verteilungen) der Variablen (gesamte Dichte ρ(r) nötig für Gradient) Ableitungen nach Zeit und Ort 9. Vorlesung WS 2014/15 Softwarewerkzeuge 37 3
38 FTCS Integrator Diffusionsgleichung mit konstantem D in 1D: Direkte Implementierung auf einem Gitter {ρ(xi)} mit Abstand Δx: Forward in Time Centered in Space t j (t + t) Propagationsschritt: j+1 (t) j (t) jğ1 (t) Stabil für: (Δt < DIffusionszeit über Abstand Δx) 9. Vorlesung WS 2014/15 Softwarewerkzeuge 38 3
V8 funktionelle Annotation
V8 funktionelle Annotation Analyse von Gen-Expression Funktionelle Annotation: Gene Ontology (GO) Signifikanz der Annotation: Hypergeometrischer Test Annotationsanalysen z.b. mit NIH-Tool DAVID Ähnlichkeit
V9 metabolische Netzwerke / Protein-Interaktionsnetzwerke
V9 metabolische Netzwerke / Protein-Interaktionsnetzwerke Methoden der Systembiologie ermöglichen die integrierte, simultane Betrachtung von kompletten metabolischen Netzwerken. wichtige Fragen: (1) wie
V10 metabolische Netzwerke / Protein-Interaktionsnetzwerke
V10 metabolische Netzwerke / Protein-Interaktionsnetzwerke Methoden der Systembiologie ermöglichen die integrierte, simultane Betrachtung von kompletten metabolischen Netzwerken. wichtige Fragen: (1) wie
Bayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
Einführung in die Bioinformatik
Einführung in die Bioinformatik Kay Nieselt Integrative Transkriptomik Zentrum für Bioinformatik Tübingen Kay.Nieselt@uni-tuebingen.de SS 2014 8. Biologische Netzwerke - Gut vernetzt hält besser Überblick
V11 metabolische Netzwerke
V11 metabolische Netzwerke Metabolisches Netzwerk: Gesamtheit aller metabolischen Pfade einer Zelle / eines Organismus Methoden der Systembiologie ermöglichen die integrierte, simultane Betrachtung von
7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
AlgoBio WS 16/17 Protein-DNA Interaktionen ChiP-Seq Datenanalyse. Annalisa Marsico
AlgoBio WS 16/17 Protein-DNA Interaktionen ChiP-Seq Datenanalyse Annalisa Marsico 6.02.2017 Protein-DNA Interaktionen Häufig binden sich Proteine an DNA, um ihre biologische Funktion zu regulieren. Transkriptionsfaktoren
Übungsblatt: Protein interaction networks. Ulf Leser and Samira Jaeger
Übungsblatt: Protein interaction networks Ulf Leser and Samira Jaeger Aufgabe 1 Netzwerkzentralität (6P) In der Vorlesung haben Degree Centrality besprochen. Finde drei weitere etablierte Zentralitätsmaße
13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Simulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 4. Teil Finite-Volumen-Methode
AlgoBio WS 16/17 Differenzielle Genexpression. Annalisa Marsico
AlgoBio WS 16/17 Differenzielle Genexpression Annalisa Marsico 04.01.2017 Pipeline für die Mikroarray-Analyse Bildanalyse Hintergrundkorrektur Normalisierung Vorverarbeitung Zusammenfassung Quantifizierung
Einführung in die Bioinformatik
Einführung in die Bioinformatik Kay Nieselt Integrative Transkriptomik Zentrum für Bioinformatik Tübingen Kay.Nieselt@uni-tuebingen.de SS 2012 5. Biologische Netzwerke - Gut vernetzt hält besser Überblick
Molekulare Bioinformatik
Molekulare Bioinformatik Wintersemester 203/204 Prof. Thomas Martinetz Institut für Neuro- und Bioinformatik Universität zu Luebeck 07.0.204 Molekulare Bioinformatik - Vorlesung 0 Wiederhohlung Die Entropie
Statistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
Einführung in die Bioinformatik
Einführung in die Bioinformatik Kay Nieselt Integrative Transkriptomik Zentrum für Bioinformatik Tübingen Kay.Nieselt@uni-tuebingen.de SS 2011 8. Biologische Netzwerke - Gut vernetzt hält besser Überblick
Hauptklausur zur Stochastik für Lehramt
Universität Duisburg-Essen Essen, den 20.02.203 Fakultät für Mathematik Dr. Daniel Herden Dipl.-Inf. Christian Thiel Matthias aus der Wiesche Hauptklausur zur Stochastik für Lehramt Bearbeitungszeit: mind.
Optimale Enzymaktivitäten und metabolische Kontrolltheorie
Seminar Wie Zellen denken : Heute: Optimale Enzymaktivitäten und metabolische Kontrolltheorie Jannis Uhlendorf, Tim Landgraf, WS05/06 Index 1. Crash-Kurs : Metabolische Kontrolltheorie 2. Motivation Optimalität
3. Diffusion und Brechungsindex
3. Diffusion und Brechungsinde Die Diffusion in und aus einer Schicht ist die Grundlage vieler Sensoreffekte, wobei sich die einzelnen Sensoren dann nur noch in der Art der Übersetzung in ein meßbares
RT N j Mit den Potentialen unter Standardbedingungen können wir die Energien der beiden Zustände identifizieren: = e Ei
im Gleichgewicht wechseln genauso viele Teilchen aus dem einen Zustand in den zweiten wie umgekehrt, die chemischen Potentiale µ i sind also gleich) N i = e µ i µ N Mit den Potentialen unter Standardbedingungen
Mathematische und statistische Hilfsmittel für Pharmazeuten
Mathematische und statistische Hilfsmittel für Pharmazeuten Dr. Helga Lohöfer Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Fassung vom September 2003 Inhaltsverzeichnis I Elementare
Algorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Hypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
2.1 Importance sampling: Metropolis-Algorithmus
Kapitel 2 Simulationstechniken 2.1 Importance sampling: Metropolis-Algorithmus Eine zentrale Fragestellung in der statistischen Physik ist die Bestimmung von Erwartungswerten einer Observablen O in einem
Wahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
Bioinformatik II: Phylogenetik
Bioinformatik II: Phylogenetik phylogenetisch Phylai: griechische Klans phylum: der Stamm phylogenetisch: die Stammesgeschichte von Lebewesen betreffend Hierarchien der Klassifikation: Domäne: Eukaryonten
Methodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre I Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 25.9.13 Psychologie als Wissenschaft
Binomialverteilung Vertrauensbereich für den Anteil
Übungen mit dem Applet Binomialverteilung Vertrauensbereich für den Anteil Binomialverteilung Vertrauensbereich für den Anteil 1. Statistischer Hintergrund und Darstellung.... Wie entsteht der Vertrauensbereich?...
Dynamische Strukturbildung in Zellen. Teilungsprozess der Bakteriezelle E.coli. Referent:Janosch Deeg 23.Mai 2006
Teilungsprozess der Bakteriezelle E.coli. Referent: 23.Mai 2006 Gliederung Zellbiologie 1 Einleitung Zellbiologie 2 MinCDE-System 3 Zellteilung Zellbiologie Kontrollsystem periodisch ablaufende biochemische
Angewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
Klassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
C SB. Genomics Herausforderungen und Chancen. Genomics. Genomic data. Prinzipien dominieren über Detail-Fluten. in 10 Minuten!
Genomics Herausforderungen und Chancen Prinzipien dominieren über Detail-Fluten Genomics in 10 Minuten! biol. Prin cip les Genomic data Dr.Thomas WERNER Scientific & Business Consulting +49 89 81889252
Brownsche Bewegung Seminar - Weiche Materie
Brownsche Bewegung Seminar - Weiche Materie Simon Schnyder 11. Februar 2008 Übersicht Abbildung: 3 Realisationen des Weges eines Brownschen Teilchens mit gl. Startort Struktur des Vortrags Brownsches Teilchen
73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
1. Die Wellengleichung
1. Die Wellengleichung Die Wellengleichung ist eine partielle Differenzialgleichung für das Schallfeld. Sie lässt sich durch Linearisierung aus der Massenbilanz, der Impulsbilanz und der Energiebilanz
Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist.
.3. Stochastik Grundlagen Die ABSOLUTE HÄUFIGKEIT einer Merkmalsausprägung gibt an, wie oft diese in der Erhebung eingetreten ist. Die RELATIVE HÄUFIGKEIT einer Merkmalsausprägung gibt an mit welchem Anteil
I. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
10. Übung zur Linearen Algebra I -
. Übung zur Linearen Algebra I - en Kommentare an Hannes.Klarner@FU-Berlin.de FU Berlin. WS 29-. Aufgabe 37 i Für welche α R besitzt das lineare Gleichungssystem 4 αx + αx 2 = 4x + α + 2x 2 = α genau eine,
Wichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Wahrscheinlichkeiten. Verteilungen
Wahrscheinlichkeiten. Verteilungen 2 2.1 Wahrscheinlichkeitsrechnung Das Ergebnis eines mit Zufälligkeit behafteten Versuchs nennen wir ein Ereignis. Beim Wurf einer Münze sind zwei Ereignisse möglich.
Übungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
Einführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
1 Lineare Gleichungssysteme und Matrizen
1 Lineare Gleichungssysteme und Matrizen Das Studium linearer Gleichungssysteme und ihrer Lösungen ist eines der wichtigsten Themen der linearen Algebra. Wir werden zunächst einige grundlegende Begriffe
Übungsblatt 2 ( )
Experimentalphysik für Naturwissenschaftler Universität Erlangen Nürnberg SS 01 Übungsblatt (11.05.01) 1) Geschwindigkeitsverteilung eines idealen Gases (a) Durch welche Verteilung lässt sich die Geschwindigkeitsverteilung
AlgoBio WS 16/17 Genexpressionanalyse. Annalisa Marsico
AlgoBio WS 16/17 Genexpressionanalyse Annalisa Marsico 14.12.2016 Die Mikroarray-Revolution Mikroarrays messen die Genexpression Warum ist es wichtig, die Genexpression zu messen? Die Vielfalt der Zellen
Die innere Energie and die Entropie
Die innere Energie and die Entropie Aber fangen wir mit der Entropie an... Stellen Sie sich ein System vor, das durch die Entropie S, das Volumen V und die Stoffmenge n beschrieben wird. U ' U(S,V,n) Wir
Landau-Theorie der Phasenumwandlung von Membranen
Landau-Theorie der Phasenumwandlung von Membranen Vorbemerkung Vorbemerkung: Um Einblick in die thermodynamischen aber auch strukturellen Eigenschaften von Lipidschichten zu erhalten, ist die klassische
Comperative Protein Structure Modelling of Genes and Genomes
Comperative Protein Structure Modelling of Genes and Genomes Satisfaction of Spatial Restraints / Loop Modelling Nikolas Gross und Maximilian Miller Ludwig-Maximilians-Universität 29.11.2007 1 von 31 Table
Grundlagen der Physik II
Grundlagen der Physik II Othmar Marti 12. 07. 2007 Institut für Experimentelle Physik Physik, Wirtschaftsphysik und Lehramt Physik Seite 2 Wärmelehre Grundlagen der Physik II 12. 07. 2007 Klausur Die Klausur
Multiple Alignments. Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann. Webseite zur Vorlesung
Multiple Alignments Vorlesung Einführung in die Angewandte Bioinformatik Prof. Dr. Sven Rahmann Webseite zur Vorlesung http://bioinfo.wikidot.com/ Sprechstunde Mo 16-17 in OH14, R214 Sven.Rahmann -at-
Wahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
Notgepäck Genauigkeit
Notgepäck Genauigkeit Beat Hulliger Dienst Statistische Methoden, Bundesamt für Statistik 20.4.2006 1 Was ist Genauigkeit genau? Um zu beschreiben, was Genauigkeit in der Statistik ist, müssen wir untersuchen,
Fehlerfortpflanzung. M. Schlup. 27. Mai 2011
Fehlerfortpflanzung M. Schlup 7. Mai 0 Wird eine nicht direkt messbare physikalische Grösse durch das Messen anderer Grössen ermittelt, so stellt sich die Frage, wie die Unsicherheitsschranke dieser nicht-messbaren
Einführung FEM 1D - Beispiel
p. 1/28 Einführung FEM 1D - Beispiel /home/lehre/vl-mhs-1/folien/vorlesung/4_fem_intro/deckblatt.tex Seite 1 von 28 p. 2/28 Inhaltsverzeichnis 1D Beispiel - Finite Elemente Methode 1. 1D Aufbau Geometrie
Systemwissenschaften, Mathematik und Statistik
Systemwissenschaften, Mathematik und Statistik Systemwissenschaften: 1 WS: Systemwissenschaften 1, VO 2std 2 SS: Systemwissenschaften 2, VO 2std Übung zu Systemwissenschaften, UE 2std 3 WS: Systemwissenschaften
Signalverarbeitung 2. Volker Stahl - 1 -
- 1 - Überblick Bessere Modelle, die nicht nur den Mittelwert von Referenzvektoren sondern auch deren Varianz berücksichtigen Weniger Fehlklassifikationen Mahalanobis Abstand Besseres Abstandsmaß basierend
Wahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Winter 2010/2011 Wahrscheinlichkeit und Statistik BSc D-INFK Name: Vorname: Stud. Nr.: Das Folgende bitte nicht ausfüllen! Aufg. Summe Kontr. Pkte.-Max. 1 10 2 10 3 15
Einführung in die Computerlinguistik
Einführung in die Computerlinguistik Spracherkennung und Hidden Markov Modelle Dozentin: Wiebke Petersen WS 2004/2005 Wiebke Petersen Einführung in die Computerlinguistik WS 04/05 Spracherkennung Merkmalsextraktion
Perlen der Informatik I Wintersemester 2012 Aufgabenblatt 7
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
Bayesianische Netzwerke I
Bayesianische Netzwerke I Christiane Belitz 2.5.2003 Überblick Der Vortrag basiert auf Using Bayesian Networks to Analyze Expression Data von Friedman et al. (2000) Definition: Bayesianisches Netzwerk
Numerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
Vorlesungsfolien Mathematik 3 WS 2010/11 UMIT. Einleitung
Vorlesungsfolien Mathematik 3 WS 2010/11 Dr. Leonhard Wieser UMIT Einleitung Begriff Vektoranalysis: Kombination aus Linearer Algebra/Vektorrechnung mit Differential- und Integralrechnung Inhaltsangabe:
Test von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung
2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0
Bioinformatik Statistik und Analyse mit R 22.05.2009-1 -
Bioinformatik Statistik und Analyse mit R 22.05.2009-1 - Definition: Bioinformatik Die Bioinformatik http://de.wikipedia.org/wiki/bioinformatik (englisch bioinformatics, auch computational biology) ist
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache
Mathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
Methodenlehre. Vorlesung 10. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 10 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
2. Vorlesung Partielle Differentialgleichungen
2. Vorlesung Partielle Differentialgleichungen Wolfgang Reichel Karlsruhe, 22. Oktober 204 Institut für Analysis KIT University of the State of Baden-Wuerttemberg and National Research Center of the Helmholtz
Lineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
6. Boltzmann Gleichung
6. Boltzmann Gleichung 1 6.1 Herleitung der Boltzmann Gleichung 2 6.2 H-Theorem 3 6.3 Transportphänomene G. Kahl (Institut für Theoretische Physik) Statistische Physik II Kapitel 6 3. Juni 2013 1 / 23
Übungen mit dem Applet Zentraler Grenzwertsatz
Zentraler Grenzwertsatz 1 Übungen mit dem Applet Zentraler Grenzwertsatz 1 Statistischer Hintergrund... 1.1 Zentraler Grenzwertsatz... 1. Beispiel Würfeln... 1.3 Wahrscheinlichkeit und relative Häufigkeit...3
Grundlagen der Bioinformatik Übung 5: Microarray Analysis. Yvonne Lichtblau
Grundlagen der Bioinformatik Übung 5: Microarray Analysis Yvonne Lichtblau Vorstellung Lösungen Übung 4 Yvonne Lichtblau: Grundlagen der Bioinformatik, Sommer Semester 2017 2 Lösungen vorstellen - Übung
Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können.
2 Zufallsvariable 2.1 Einführung Anliegen: Beschreibung von Versuchsergebnissen mit Zahlen, um mit Zahlen bzw. bekannten Funktionen rechnen zu können. Eine Zufallsvariable X ordnet jedem elementaren Versuchsausgang
Zusammenfassung Mathe II. Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen
Zusammenfassung Mathe II Themenschwerpunkt 2: Stochastik (ean) 1. Ein- und mehrstufige Zufallsexperimente; Ergebnismengen Zufallsexperiment: Ein Vorgang, bei dem mindestens zwei Ereignisse möglich sind
Neoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel
Neoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel Dieses Skript ist die allgemeine Basis eines Modells zur Simulation der ökonomischen Folgen technischer
Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung
R. Brinkmann http://brinkmann-du.de Seite 5.05.0 Erwartungswert, Umgebungswahrscheinlichkeiten und die Normalverteilung Erwartungswert binomialverteilter Zufallsgrößen Wird ein Bernoulli- Versuch, bei
RRL GO- KMK EPA Mathematik. Ulf-Hermann KRÜGER Fachberater für Mathematik bei der Landesschulbehörde, Abteilung Hannover
RRL GO- KMK EPA Mathematik Jahrgang 11 Propädeutischer Grenzwertbegriff Rekursion /Iteration Ableitung Ableitungsfunktion von Ganzrationalen Funktionen bis 4. Grades x 1/(ax+b) x sin(ax+b) Regeln zur Berechnung
Mathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder
DGL Schwingung Physikalische Felder Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder Johannes Wiedersich 23. April 2008 http://www.e13.physik.tu-muenchen.de/wiedersich/
Übung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
Ideen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
Übungen zu Wellen und Elektrodynamik für Chemie- und Bioingenieure und Verfahrenstechniker WS 11/12
Institut für Experimentelle Kernphysik Übungen zu Wellen und Elektrodynamik für Chemie- und Bioingenieure und Verfahrenstechniker WS 11/12 Prof. Dr. T. Müller Dr. F. Hartmann Blatt 1 Bearbeitung: 28.10.2011
Statistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
6.2 Zweiter HS der Thermodynamik
Die Änderung des Energieinhaltes eines Systems ohne Stoffaustausch kann durch Zu-/Abfuhr von Wärme Q bzw. mechanischer Arbeit W erfolgen Wird die Arbeit reversibel geleistet (Volumenarbeit), so gilt W
f h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße. Was ist eine Zufallsgröße und was genau deren Verteilung?
Erwartungswert, Varianz und Standardabweichung einer Zufallsgröße Von Florian Modler In diesem Artikel möchte ich einen kleinen weiteren Exkurs zu meiner Serie Vier Wahrscheinlichkeitsverteilungen geben
3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
Statistische Methoden in der Wirtschaftsund Sozialgeographie
Statistische Methoden in der Wirtschaftsund Sozialgeographie Ort: Zeit: Multimediapool Rechenzentrum Mittwoch 0.5--45 Uhr Material: http://www.geomodellierung.de Thema: Beschreibung und Analyse Wirtschafts-
W-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Aufgabe 1 Ein Fahrzeugpark enthält 6 Fahrzeuge. Jedes Fahrzeug hat die Wahrscheinlichkeit p = 0.1 (bzw. p = 0.3), dass es kaputt geht. Pro Tag kann nur
Thermodynamik. Christian Britz
Hauptsätze der Klassische nanoskaliger Systeme 04.02.2013 Inhalt Einleitung Hauptsätze der Klassische nanoskaliger Systeme 1 Einleitung 2 Hauptsätze der 3 4 Klassische 5 6 7 nanoskaliger Systeme 8 Hauptsätze
Rückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
Kombinatorische Optimierung
Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
Skript zur Vorlesung
Skript zur Vorlesung 1. Wärmelehre 1.1. Temperatur Physikalische Grundeinheiten : Die Internationalen Basiseinheiten SI (frz. Système international d unités) 1. Wärmelehre 1.1. Temperatur Ein Maß für
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen
7.7 Spezielle diskrete Wahrscheinlichkeitsverteilungen 7.7.1 Die Laplace-Verteilung Sei X eine gleich verteilte Zufallsvariable mit den Werten in der Menge Ω X = {x i R : i = 1,...,n}, d.h. f (x i = 1
Grundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mathematik in der Biologie
Erich Bohl Mathematik in der Biologie 4., vollständig überarbeitete und erweiterte Auflage Mit 65 Abbildungen und 16 Tabellen ^J Springer Inhaltsverzeichnis Warum verwendet ein Biologe eigentlich Mathematik?