QSAR, QSPR, Statistik, Korrelation, Similarität & Deskriptoren
|
|
- Chantal Voss
- vor 6 Jahren
- Abrufe
Transkript
1 QSAR, QSPR, Statistik, Korrelation, Similarität & Deskriptoren Das Handwerkszeug des rational drug designs am Computer, vor allem dann, wenn keine Strukturinformation über das target (Enzym) vorhanden ist. QSAR-Gleichungen stellen einen quantitativen Zusammenhang zwischen chemischer Struktur und (biologischer) Aktivität her. log(/ C) = k P + k P + K+ k n P n Erfordert das Vorhandensein von experimentellen Meßdaten für eine Reihe von bekannten Verbindungen, z.b. aus High Throughput Screening 5. Vorlesung Modern Methods in Drug Discovery WS5/6
2 Begriffsdefinitionen QSAR: quantitative structure-activity relationsship QSRP: quantitative structure-property relationship Activity und Property sind z.b: log(/k i ) Bindungskonstante log(/ic 5 ) Konzentration bei der 5% Wirkung eintritt Physikalische Größen, wie Siedepunkt, Löslichkeit, Ziel: Voraussage von Moleküleigenschaften anhand ihrer Struktur, ohne eine expt. Meßung durchführen zu müßen. > in silico anstatt in vitro oder in vivo Vorteil: Einsparung von Zeit und Resourcen 5. Vorlesung Modern Methods in Drug Discovery WS5/6
3 Zeitliche Entwicklung von QSAR Methoden (I) 868 A.C.Brown, T.Fraser: Physiologische Aktivität ist eine Funktion der chemischen Konstitution (Zusammensetzung) Aber: Eine direkte Beziehung ist nicht gegeben, sodern immer nur über die Unterschiede. Zur Erinnerung: 865 Strukturvorschlag für Benzol von A. Kekulé Die chemische Struktur der meisten organischen Verbindungen ist noch unbekannt! 893 H.H.Meyer, C.E.Overton Toxizität von organischen Verbindungen steht im Verhältnis zu deren Verteilung zwischen wäßrigem und lipophilen biologischem Medium 5. Vorlesung Modern Methods in Drug Discovery WS5/6 3
4 Zeitliche Entwicklung von QSAR Methoden (II) 868 E.Fischer Schlüssel-Schloß Prinzip bei Enzymen Widerum keinerlei strukturelle Information über Enzyme vorhanden! 93-4 Hammet Gleichung: Reaktivität physikalisch, organische, theoretische Chemie 964 C.Hansch, J.W.Wilson, S.M.Free, F.Fujita Geburtsstunde der modernen QSAR-Methoden Hansch-Analyse bzw. Free-Wilson-Analyse log(/ C) Koeffizienten (konstant) = k P + k P + K+ k n P n linear free energy-related approach Deskriptoren oder Variablen 5. Vorlesung Modern Methods in Drug Discovery WS5/6 4
5 Deskriptoren Ansätze eine mathematische Beziehung zwischen numerischen Eigenschaften (Deskriptoren P i ) und physikochemischen Eigenschaften der Verbindung (z.b. biologische Aktivität log(/c) ) herzustellen, werden als QSAR, bzw QSPR bezeichnet. log(/ C) = k P + k P + K+ k n P n Daneben werden Deskriptoren auch zur Beschreibung von Molekülen in der Diversitäts Analyse und in Kombinatorischen Bibliotheken eingesetzt. Prinzipiell kann jede molekulare Eigenschaft als Deskriptor verwendet werden. Mehr zu Deskriptoren unter 5. Vorlesung Modern Methods in Drug Discovery WS5/6 5
6 Informationsfluß in einer drug discovery pipeline 5. Vorlesung Modern Methods in Drug Discovery WS5/6 6
7 Komponentenauswahl Zunehmende Information Wieviel Information ist über das target vorhanden? X-Ray mit Wirkstoff Docking HTS X-Ray des Proteins Reihe von wirksamen Verbindungen Wenige hits aus HTS active site Kenntnis der Enzymfunktion (z.b. Kinase, GPCR) QSAR, Pharmacophor erstellen combi chem eadme Filter Erstellen einer virtuellen Bibliothek 5. Vorlesung Modern Methods in Drug Discovery WS5/6 7
8 Molekülbasierte Deskriptoren zur Voraussage der ADME Eigenschaften logp Wasser/Octanol Verteilungskoeffizient Lipinski s rule Topologische Indices Polar surface area Similarität / Dissimilarität QSAR quantitative structure activity relationship QSPR quantitative structure property rel. 5. Vorlesung Modern Methods in Drug Discovery WS5/6 8
9 D Deskriptoren (I) Für einige Deskriptoren benötigt man nur Kenntnisse die sich bereits aus der Summenformel der Verbindung erhält. Bsp.: Molmasse, Gesamtladung, Anzahl von Halogenatomen Weitere solcher eindimensionaler Deskriptoren ergeben sich additiv aus atomaren Beiträgen. Bsp.: Summe der atomaren Polarisierbarkeiten Refraktivität (Brechungsindex n, molar refractivity, M R ) M R = (n ) MW / (n +) d mit Dichte d, Molekülgewicht MW Ist abhängig von der Polarisierbarkeit und enthält außerdem das Molekülvolumen (MW / d) 5. Vorlesung Modern Methods in Drug Discovery WS5/6 9
10 logp (I) Der Wasser/n-Octanol Verteilungskoeffizient bzw. der logarithmierte Wert wird als logp bezeichnet. Wird oft zur Abschätzung der Membrangängigkeit und der Bioverfügbarkeit einer Verbindung eingesetzt, da ein oral applizierter Wirkstoff lipophil genug sein muß um durch die Lipidschicht der Membrane zu gelangen, andererseits wasserlöslich sein muß um in Blut und Lymphe transportiert zu werden hydrophil 4. < logp < +8. lipophil Zitronensäure.7 Iodbenzol +3.5 Typische Wirkstoffe < Vorlesung Modern Methods in Drug Discovery WS5/6
11 logp (II) Zur Vorhersage des logp wurde eine Reihe von Methoden entwickelt: basierend auf Molekülfragmenten (Gruppen und Reste) ClogP Leo, Hansch et al. J.Med.Chem. 8 (975) 865. Problem: Aufreten von nicht parametrisierten Fragmenten (bis zu 5% in Substanzbibliotheken) basierend auf Atomtypen SlogP S.A. Wildman & G.M.Crippen J.Chem.Inf.Comput.Sci. 39 (999) 868. AlogP, MlogP, XlogP... Jeweils mittels einer mathematischen Fitprozedur (Regressionanalyse, Neuronales Netz) erstellt. 5. Vorlesung Modern Methods in Drug Discovery WS5/6
12 logp (III) Neuere Methoden zur Vorhersage des logp verwenden zunehmend Eigenschaften des kompletten Moleküls, wie etwa Moleküloberfläche (polare/unpolare, bzw.deren elektrostatische Eigenschaften) Dipolmoment und Polarisierbarkeit Volumen / Oberfläche (Globularität) Bsp: mit Hilfe quantenmechanischer Daten trainiertes Neuronales Netz logp T. Clark et al. J.Mol.Model. 3 (997) Vorlesung Modern Methods in Drug Discovery WS5/6
13 D Deskriptoren (II) Weitere atomare Deskriptoren benutzen Information basierend auf empirischen Atomtypen wie in einem Kraftfeld. Bsp.: Anzahl von Halogenen Anzahl von sp 3 substituierten Kohlenstoffatomen Anzahl von H-Brücken Akzeptoren (N, O, S) Anzahl von H-Brücken Donoren (OH, NH, SH) Anzahl aromatischer Ringe Anzahl von COOH Gruppen... Anzahl frei drehbarer Bindungen 5. Vorlesung Modern Methods in Drug Discovery WS5/6 3
14 fingerprints Binärer fingerprint eines Moleküls 5. Vorlesung Modern Methods in Drug Discovery WS5/6 4
15 Lipinski s Rule of 5 Kombination von Deskriptoren zur Abschätzung der intestinalen Absorption. Schlechte Aufnahme der Verbindung, wenn Molekülmasse > 5 logp > 5. > 5 H-Brücken Donoren (OH und NH) > H-Brücken Akzeptoren (N und O) Schlechte Diffusion Zu lipophil Zuviele H-Brücken mit den Kopfgruppen der Membran C.A. Lipinski et al. Adv. Drug. Delivery Reviews 3 (997) Vorlesung Modern Methods in Drug Discovery WS5/6 5
16 5. Vorlesung Modern Methods in Drug Discovery WS5/6 6 D Deskriptoren (I) Bei Deskriptoren die sich aus der Molekülkonfiguration (kovalente Verknüpfung der Atome) ableiten, spricht man von D Deskriptoren. Da keine Atomkoordinaten verwendet werden sind D Deskriptoren generell konformationsunabhängig obwohl sie topologische Information über das Molekül enthalten. Vgl. Darstellung mittels SMILES C C 5 H H 3 H 4 O 7 H distance matrix D adjacency matrix M O H C H H H C
17 D Deskriptoren (II) Die wesentlichsten topologischen Eigenschaften eines Moleküls sind der Verzeigungsgrad und die molekulare Form. H 4 O 7 C C 5 H 6 Für Kohlenstoff stehen 4 Valenzen zur Verfügung. H H 3 Das Verhältnis der tatsächlichen Verzweigung zur theoretisch möglichen Verzeigung läßt sich deshalb als Deskriptor verwenden. 5. Vorlesung Modern Methods in Drug Discovery WS5/6 7
18 Allgemeine Definitionen: D Deskriptoren (III) Z i Ordnungszahl (H=, C=6, LP=) h i Anzahl H-Atome die an Atom i gebunden sind d i Anzahl schwerer Atome die an Atom i gebunden sind Deskriptoren für den Verzweigungsgrad und die Flexibilität eines Moleküls: Kier & Hall Connectivity Indices p i Anzahl der s und p Valenzelektronen an Atom i v i = (p i h i ) / (Z i p i ) für alle schweren Atome 5. Vorlesung Modern Methods in Drug Discovery WS5/6 8
19 Kier und Hall Connectivity Indices Z i Ordnungszahl (H=, C=6, LP=) d i Anzahl schwerer Atome die an Atom i gebunden sind p i Anzahl der s und p Valenzelektronen an Atom i v i = (p i h i ) / (Z i p i ) für alle schweren Atome Chi. Ordnung = für alle Schweratome mit di > i d i Chi. Ordnung = i j> i d i d j für alle Schweratome wenn i an j gebunden ist Chiv Valenzindex v = für alle Schweratome mit vi > v i i 5. Vorlesung Modern Methods in Drug Discovery WS5/6 9
20 Kier und Hall Shape Indices (I) n Anzahl schwerer Atome (Nicht-Wasserstoffatome) m Anzahl aller Bindungen zwischen den schweren Atomen p Anzahl der Pfade mit Länge p 3 Anzahl der Pfade mit Länge 3 aus der Distanzmatrix D Kappa n( n ) = m ( n )( n Kappa = p ) Kappa3 Kappa3 3 3 = = ( n )( n 3) p 3 ( n 3)( n ) p 3 für ungerade n für gerade n 5. Vorlesung Modern Methods in Drug Discovery WS5/6
21 KappaA Kier und Hall Shape Indices (II) Setzt man die Atome in Relation zu sp 3 -hybridisierten C-Atomen so erhält man die Kappa alpha Indices n ri = r i c r i Kovalenzradius von Atom i r c Kovalenzradius eines sp 3 Kohlenstoffatoms s( s ) = mit s = n + ( m + ) Element Vorlesung Modern Methods in Drug Discovery WS5/6 C C C N N N O P S Cl Hybridisierung sp 3 sp sp sp 3 sp sp sp 3 sp 3 sp 3
22 Balaban, Wiener und Zagreb Indices n Anzahl schwerer Atome (Nicht-Wasserstoffatome) m Anzahl aller Bindungen zwischen den schweren Atomen d i Anzahl schwerer Atome die an Atom i gebunden sind w = i D ij i j Summe der nichtdiagonalen Matrixelemente von Atom i in der Distanzmatrix D BalabanJ m m m n + w w i j WienerJ (Pfad Nummer) n i w i Korreliert mit den Siedepunkten von Alkanen WienerPolarität w i wenn Dij 3 Zagreb i d i n i für alle schweren Atome i 5. Vorlesung Modern Methods in Drug Discovery WS5/6
23 Was sagen die topologischen Indices aus? Topologische Indices sind assoziert mit Verzweigunsgrad des Moleküls Größe und räumliche Ausdehnung des Moleküls Strukturelle Flexibilität In der Regel läßt sich eine chemische Eigenschaft nicht direkt mit einem einzigen Index korrellieren. Topologische Indices kodieren prinzipiell dieselben Eigenschaften wie fingerprints, jedoch weniger einleuchtend, aber numerisch einfacher aufzustellen. 5. Vorlesung Modern Methods in Drug Discovery WS5/6 3
24 3D Deskriptoren Bei Deskriptoren die Atomkoordinaten des Moleküls verwenden spricht man von 3D Deskriptoren. Diese sind deshalb in der Regel konformationsabhängig. Beispiele: Van der Waals Volumen, Molekulare Oberfläche, Polare Oberfläche, Elektrostatisches Potential (ESP) 5. Vorlesung Modern Methods in Drug Discovery WS5/6 4
25 Quantenmechanische Deskriptoren (Auswahl) Atomladungen (partial atomic charges) Keine Observablen! Mulliken Populationsanalyse Electrostatic potential (ESP) derived charges Dipolmoment Polarisierbarkeit HOMO / LUMO Energien (ev) der Grenzorbitale WienerJ (Pfad Nummer) E HOMO LUMO Covalent hydrogen bond acidity/basicity Donor Differenz der HOMO/LUMO Energien zu Wasser Akzeptor Lit: M. Karelson et al. Chem.Rev. 96 (996) 7 5. Vorlesung Modern Methods in Drug Discovery WS5/6 5
26 DRAGON Programm zur Erzeugung von >4 Deskriptoren BalabanJ WienerJ (Pfad Nummer) WienerPolarität Roberto Todeschini Zagreb Siehe: 5. Vorlesung Modern Methods in Drug Discovery WS5/6 6
27 Weiterführende Information zu Deskriptoren BalabanJ Roberto Todeschini, Viviana Consonni Handbook of Molecular Descriptors, Wiley-VCH, () 667 Seiten (ca. 7 ) WienerJ (Pfad Nummer) CODESSA WienerPolarität Zagreb Alan R. Katritzky, Mati Karelson et al. MOLGEN C. Rücker et al Vorlesung Modern Methods in Drug Discovery WS5/6 7
28 A Smilaritätsdeskriptoren und Indices (I) erfüllte Eigenschaft von Molekül A A B Schnittmenge gemeinsamer Eigenschaften von A und B A B Vereinigunsmenge der Eigenschaften von A und B Euklidische Distanz Manhattan Distanz B B A A Formel Definition D D A, B = = N ( xia xib ) i= A, B A B A B A, B A B A B D D A, B = = N i= x ia x ib Bereich Andere Namen Y bis Y bis City-Block, Hamming 5. Vorlesung Modern Methods in Drug Discovery WS5/6 8
29 D Smilaritätsdeskriptoren und Indices (II) Soergel Distanz Tanimoto Index N N A, B = xia xib max( xia, xib ) i= i= = x + ia xib xia xib x i= i= i= i= N N N N / ( ) ( ) S A, B / ia x ib D = / A, B A B A B A B A, B A B A B S = / bis.333 bis + (kontinuierliche Werte) bis + (binäre on/off Werte) Jaccard Koeffizient Bei binären (dichotomen) Werten sind Soergel Distanz und Tanimoto Index zueinander komplementär 5. Vorlesung Modern Methods in Drug Discovery WS5/6 9
30 Smilaritätsdeskriptoren und Indices (III) S Dice Koeffizient N N = x ia xib ia i= i= i= A, B / N ( x ) + ( x ) ib S Cosinus Koeffizient N A, B = xia xib / i= N i= N ( x ) + ( x ) ia i= ib S ( ) = / + A, B A B A B S A, B = A B / A B bis + bis + (kontinuierliche Werte) bis + bis + (binäre on/off Werte) Hodgkin Index Czekanowski Koeffizient Sørensen Koeffizient Monoton mit dem Tanimoto Index Carbo Index Ochiai Koeffizient Hoch korreliert mit dem Tanimoto Index 5. Vorlesung Modern Methods in Drug Discovery WS5/6 3
31 Korrelation der Deskriptoren (I) Ebenso wie konkrete Moleküleigenschaften sind auch die Deskriptoren n oft miteinander korreliert. ( x x)( y y) y Korrelation nach Pearson r = n i= [...] n i i i= i= i ( x x) ( y y) i x hoher Korrelationsgrad r >.84 geringer Korrelationsgrad < r <.84 r <.5 anti-korreliert Auftragung zweier Variablen x und y im Craig-Plot Um aus der Vielzahl der Deskriptoren eine möglichst aussagekräftige Kombination zu erhalten, müssen multivariante Methoden der Statistik angewandt werden. 5. Vorlesung Modern Methods in Drug Discovery WS5/6 3
32 Korrelation der Deskriptoren (II) Im allgemeinen hat steht man vor dem Problem aus der Vielzahl vorhandener Deskriptoren die statistisch relevanten (und damit die aussagekräftigsten) für die jeweilige QSAR- Gleichung zu finden. Pro Deskriptor sollten 5 Moleküle (Datenpunkte) vorhanden sein, sonst ist die Gefahr einer zufälligen Korrelation zu hoch Lösungsansatz: Ermittlung der unkorrelierten Variablen mittels einer principal component analysis (PCA) siehe unten oder Anwendung der partial least square (PLS) Technik 5. Vorlesung Modern Methods in Drug Discovery WS5/6 3
33 Partial least square (PLS) Die Aktivität y wird als spezielle Linearkombination der Variablen bzw. Moleküleigenschaften x i ausgedrückt wobei y = b t + b t + b t + K+ b t 3 3 m m t t M t m = c = c = c M x m x x + c + c + c M x x m x + K+ c 5. Vorlesung Modern Methods in Drug Discovery WS5/6 33 n + K+ c M n + K+ c Die latenten Variablen t i werden so konstruiert, daß sie zueinander orthogonal, also unkorreliert sind. > Statistikprogramme D.h. durch Kombination der ursprünglichen Moleküleigenschaften werden neue Komponenten erzeugt, die unkorreliert zueinander sind. x n x mn n x n
34 Principal Component Analysis PCA (I) Problem: Welche sind die entscheidenden Deskriptoren im Datensatz? Die Hauptkomponentenanalyse erzeugt eine Serie unkorrelierter Variablen aus einem Satz korrelierter Variablen. Dazu wird eine Koordinatentransformation der Datenmatrix durchgeführt, sodaß die erste Hauptachse (pc) die größte Streuung (Varianz) der Datenpunkte aufweist. Die zweite (pc) und folgende Hauptachsen stehen orthogonal zueinander und deren Komponenten sind unkorreliert zueinander. Lit: E.C. Pielou: The Interpretation of Ecological Data, Wiley, New York, Vorlesung Modern Methods in Drug Discovery WS5/6 34
35 Principal Component Analysis PCA (II) Die erste Hauptachse (pc) weißt die größte Streuung (Varianz) der Datenpunkte auf, während die zweite (pc) und folgende Hauptachsen orthogonal dazu stehen. 5. Vorlesung Modern Methods in Drug Discovery WS5/6 35
36 Principal Component Analysis PCA (III) Die signifikanten Hauptkomponenten haben meistens einen Eigenwert > (Kaiser-Guttman Kriterium). Zusätzlich tritt meistens ein Knick zu den weniger relevanten auf (Scree-Test) 5. Vorlesung Modern Methods in Drug Discovery WS5/6 36
37 Principal Component Analysis PCA (IV) Durch die so ermittelten relevanten Hauptkomponenten sollte sich mehr als 8% der gesamten Varianz erfassen lassen 5. Vorlesung Modern Methods in Drug Discovery WS5/6 37
38 Principal Component Analysis (V) Bsp: Durch welche Deskriptoren wird der logp bestimmt? Eigenschaft pc pc pc3 Dipolmoment.353 Polarisierbarkeit.54 Mittel des +ESP Mittel des ESP Variance des ESP Minimales ESP Maximales ESP.4.7 Molekülvolumen.56.6 Oberfläche.59.5 Anteil an der Gesamtvariance 8% % % Lit: T.Clark et al. J.Mol.Model. 3 (997) 4 5. Vorlesung Modern Methods in Drug Discovery WS5/6 38
39 QSAR-Gleichungen (I) Hat man nun möglichst viele unkorrelierte Eigenschaften, müßen nun noch die Koeffizienten k i bestimmt werden. Dies geschieht durch multiple lineare Regressionsanalyse (least square fit der besten Kombination der Koeffizienten) > Statistikprogramme Meistens kann man nicht die beste Kombination aller möglichen Kombinationen von Deskriptoren berechnen. (exponentielle Laufzeit) In der Regel fängt man deshalb mit dem Deskriptor an der die höchste Einzelkorrelation zeigt und nimmt schrittweise weitere Deskriptoren hinzu (forward regression). Oder man fängt mit allen Deskriptoren an und entfernt sukzessive diejenigen die die Korrelation am wenigsten verschlechtern (backward regression). 5. Vorlesung Modern Methods in Drug Discovery WS5/6 39
40 QSAR-Gleichungen (II) Die wichtigsten Statistischen Größen zur Beurteilung einer QSAR-Gleichung sind: Korrelationskoeffizient (quadriert als r ) Standartabweichung (standard deviation, se, möglichst klein, se<.4 Einheiten) Fisher value F (Maß für die Übertragbarkeit der QSAR- Gleichung auf einen anderen Datensatz, sollte möglichst hoch sein, wird aber mit zunehmender Anzahl der Variablen kleiner) Probability value p einer einzelner Variablen (Maß für zufällige Korrelation, p<.5 = 95% Sicherheit) 5. Vorlesung Modern Methods in Drug Discovery WS5/6 4
41 QSAR-Gleichungen (III) Zur Überprüfung der Aussagekraft der QSAR-Gleichung werden vor allem zwei gebräuchliche Möglichkeiten verwendet: a) willkürliche Vertauschung der tatsächlichen Aktivitäten (falscher Datensatz) sollte die Voraussagefähigkeit (Standardabweichung) der Gleichung zusammenbrechen lassen. b) Cross-validation Es werden verschiedene Gleichungen aufgestellt, wobei jeweils eine Klasse von Eigenschaften (Physicochemisch, biologisch, elektronisch, sterisch) weggelassen wird (leave-one-out) und das Ergebnis mit dem vollständigen Modell verglichen wird. Die erhaltene Standardabweichung wird als PRESS (predictive residual sum of squares) bezeichnet. 5. Vorlesung Modern Methods in Drug Discovery WS5/6 4
42 QSAR-Gleichungen (IV) Cross-validation Der Korrelationskoeffizient q der aus der cross-validation erhalten wird ist kleiner als der ursprüngliche Wert r, aber entsprechend aussagekräftiger. Einer der besten Tests ist jedoch die Überprüfung mit einem externen Datensatz. 5. Vorlesung Modern Methods in Drug Discovery WS5/6 4
43 Interpretation von QSAR-Gleichungen (I) Die Art der enthaltenden Variablen bzw. Deskriptoren sollte Rückschlüße auf die zugrunde liegenden physiko-chemischen Vorgänge zulassen und so das Design neuer Moleküle durch Interpolation ermöglichen Die mathematische Form der QSAR-Gleichung kann Aufschluß über den biologischen Wirkungsmechanismus geben: Eine Abhängigkeit der Aktivität von (log P) deutet auf einen Transportvorgang des Wirkstoffes zum Rezeptor hin. Vorsicht ist bei der Extrapolation über die Grenzen des erfaßten Datenbereiches angebracht. Hier können keine zuverlässigen Vorhersagen gemacht werden. 5. Vorlesung Modern Methods in Drug Discovery WS5/6 43
44 Interpretation von QSAR-Gleichungen (II) Zwischen den verwendeten Deskriptoren und der Meßgröße sollte ein schlüssiger Zusammenhang stehen. Hierzu ein Gegenbeispiel: H. Sies Nature 33 (988) 495. Wissenschaftlicher Beweis, daß der Storch die Babies bringt amount storks babies year Die Daten hierzu finden sie unter /home/stud/mihu4/qsar/storks.spc 5. Vorlesung Modern Methods in Drug Discovery WS5/6 44
QSAR, QSAR, Statistik, Korrelation, Similarität & Deskriptoren
QSAR, QSAR, Statistik, Korrelation, Similarität & Deskriptoren Das Handwerkszeug des rational drug designs am Computer Erfordert das Vorhandensein einer Anzahl von Leitstrukturen, z.b. aus dem High Throughput
Molekulare Deskriptoren
MM..03 Molekulare Deskriptoren Vorlesung XI Allgemeines Definition Daten die die Eigenschaften von Molekülen charakterisieren Grundsätzlich kann jede molekulare Eigenschaft als Deskriptor betrachtet werden
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
Informationsfluß in einer drug discovery pipeline
Informationsfluß in einer drug discovery pipeline 1 eadmet Prediction early Absorption Distribution Metabolism Elimination Toxicology Pharmacokinetic Bioavailability 2 ADME Modelle (I) Folgende Modelle
Kombinatorische Chemie und drug design
Kombinatorische Chemie und drug design Combinatorial chemistry is generally defined as the synthesis of compounds containing all possible combinations of reagents. S O R4 R1 N R2 N H H + Cl H R4 R3 R2
Aufbau von Substanzbibliotheken für das High thoughput screening (I)
Aufbau von Substanzbibliotheken für das High thoughput screening (I) Automatisierter Test von >1000 Verbindungen am target Erfordert die Synthese von entsprechend vielen Verbindungen und die Handhabung
9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
insara: Hierarchische Netzwerke zur Analyse, Visualisierung und Vorhersage von Struktur-Aktivitäts-Beziehungen
insara: Hierarchische Netzwerke zur Analyse, Visualisierung und Vorhersage von Struktur-Aktivitäts-Beziehungen Von der Fakultät für Lebenswissenschaften der Technischen Universität Carolo-Wilhelmina zu
Atom-, Molekül- und Festkörperphysik
Atom-, Molekül- und Festkörperphysik für LAK, SS 2014 Peter Puschnig basierend auf Unterlagen von Prof. Ulrich Hohenester 4. Vorlesung, 27. 3. 2014 Molekülbindung, H2+ - Molekülion, Hybridisierung, Kohlenstoffverbindungen
Inhaltsverzeichnis. Vorwort. 1 Einführung in die multivariate Datenanalyse 1
V Inhaltsverzeichnis Vorwort XI 1 Einführung in die multivariate Datenanalyse 1 1.1 Was ist multivariate Datenanalyse? 1 1.2 Datensätze in der multivariaten Datenanalyse 4 1.3 Ziele der multivariaten Datenanalyse
Einführung in das Molecular Modelling
Einführung in das Molecular Modelling Darstellung und Bearbeitung dreidimensionaler Molekülstrukturen Berechnung der physikochemischen Eigenschaften Ziel: Einsicht in die molekularen Mechanismen der Arzneistoffwirkung
Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
Teil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
Multiple Regressionsanalyse - Kurzabriss
Multiple Regressionsanalyse - Kurzabriss Ziele: Schätzung eines Kriteriums aus einer Linearkombination von Prädiktoren Meist zu Screening-Untersuchungen, um den Einfluß von vermuteten Ursachenvariablen
Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
Explorative Faktorenanalyse
Explorative Faktorenanalyse 1 Einsatz der Faktorenanalyse Verfahren zur Datenreduktion Analyse von Datenstrukturen 2 -Ich finde es langweilig, mich immer mit den selben Leuten zu treffen -In der Beziehung
10. Innere Koordinaten/Kraftfelder
Computeranwendung in der Chemie Informatik für Chemiker(innen) 10. Innere Koordinaten/Kraftfelder Jens Döbler 2004 "Computer in der Chemie", WS 2003-04, Humboldt-Universität VL10 Folie 1 Dr. Jens Döbler
Die Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
Nichtmetrische multidimensionale Skalierung (NMDS) Dr. Heike Culmsee Vegetationsanalyse & Phytodiversität
Nichtmetrische multidimensionale Skalierung (NMDS) Dr. Heike Culmsee Vegetationsanalyse & Phytodiversität Übersicht Ordinationsverfahren Linear methods Weighted averaging Multidimensional scaling Unconstrained
Principal Component Analysis (PCA) (aka Hauptkomponentenanalyse)
Principal Component Analysis (PCA) (aka Hauptkomponentenanalyse) Seminar für Statistik Markus Kalisch 25.11.2014 1 Unsupervised Learning Supervised Learning: Erkläre Zielgrösse durch erklärende Variablen
11. Quantenchemische Methoden
Computeranwendung in der Chemie Informatik für Chemiker(innen) 11. Quantenchemische Methoden Jens Döbler 2004 "Computer in der Chemie", WS 2003-04, Humboldt-Universität VL11 Folie 1 Grundlagen Moleküle
Pharmakokinetik und Bioverfügbarkeit. Quantitative Auseinandersetzung des Organismus mit einem einverleibten Pharmakon
Pharmakokinetik und Bioverfügbarkeit Quantitative Auseinandersetzung des Organismus mit einem einverleibten Pharmakon 1 Warum ist die Voraussage der ADME Parameter so wichtig? Gründe die zum Fehlschlag
Datenanalyse. eine Einführung. Klaus Diepold. Lehrstuhl für Datenverarbeitung Technische Universität München
Datenanalyse eine Einführung Klaus Diepold Lehrstuhl für Datenverarbeitung Technische Universität München Datenanalyse: Für wen?! für die Wissenschaftlerin Auffinden von Zusammenhängen und Strukturen in
Beschreibende Statistik Zweidimensionale (bivariate) Daten
Mathematik II für Biologen Beschreibende Statistik Zweidimensionale (bivariate) Daten 26. April 2013 Prolog Lineare Regression Transformationen Produktmomenten-Korrelation Rangkorrelation Warnung Artensterben
Teil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
Grundlagen der Medizinischen Chemie Sommersemester 2016
Grundlagen der Medizinischen Chemie Sommersemester 2016 Prof. Dr. Franz Paintner Dienstag, 9 15-11 00 Uhr, Buchner-Hörsaal Mittwoch, 8 15-9 00 Uhr, Buchner-Hörsaal Aktuelle Informationen zur Vorlesung
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
Thomas Zöller (Autor) Verbesserung des Auflösungsverhaltens von schwer löslichen schwachen Säuren durch feste Lösungen und Cyclodextrin- Komplexe
Thomas Zöller (Autor) Verbesserung des Auflösungsverhaltens von schwer löslichen schwachen Säuren durch feste Lösungen und Cyclodextrin- Komplexe https://cuvillier.de/de/shop/publications/334 Copyright:
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS
Statistik III Regressionsanalyse, Varianzanalyse und Verfahren bei Messwiederholung mit SPSS Verena Hofmann Dr. phil. des. Departement für Sonderpädagogik Universität Freiburg Petrus-Kanisius-Gasse 21
Hauptkomponenten-basierte Klassifikationsverfahren (PCA)
Hauptkomponenten-basierte Klassifikationsverfahren (PCA) Projektseminar: Wetterlagen und Feinstaub - Übung Dozent: Claudia Weitnauer Referent: Esther Oßwald, Julian Dare Datum: 30.05.2011 Übersicht 1 Einleitung
6. Faktorenanalyse (FA) von Tests
6. Faktorenanalyse (FA) von Tests 1 6. Faktorenanalyse (FA) von Tests 1 6.1. Grundzüge der FA nach der Haupkomponentenmethode (PCA) mit anschliessender VARIMAX-Rotation:... 2 6.2. Die Matrizen der FA...
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG Markus.Schumacher@physik.uni-freiburg.de
Konzepte II. Netzwerkanalyse für Politikwissenschaftler
Konzepte II Netzwerkanalyse für Politikwissenschaftler Wiederholung Räumliche Distanzen und MDS Hauptkomponenten Neuere Entwicklungen Netzwerkanalyse für Politikwissenschaftler Konzepte II (1/20) Worum
Inhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
Forschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
σ 2 (x) = σ 2 (τ) + σ 2 (ε) ( x) ( ) ( x) ( ) ( ) σ =σ τ +σ ε σ τ σ σ ε ( ) ( x) Varianzzerlegung Varianzzerlegung und Definition der Reliabilität
Varianzzerlegung Die Varianz der beobachteten Testwerte x v : setzt sich zusammen aus zerlegen wahrer Varianz und Fehlervarianz: σ (x) = σ (τ) + σ (ε) Varianzzerlegung und Definition der Reliabilität (
Inhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
Philipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
Statistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
Übungen zur Vorlesung Physikalische Chemie II Lösungsvorschlag zu Blatt 5
Wintersemester 006 / 007 04.1.006 1. Aufgabe Die Wellenfunktionen unterscheiden sich gar nicht. Während der Lösung der elektronischen Schrödingergleichung werden die Kerne als ruhend betrachtet. Es kommt
Name Vorname Matrikelnummer Unterschrift
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden Klausur Statistik II (Sozialwissenschaft, Nach- und Wiederholer) am 26.10.2007 Gruppe
Angewandte Statistik mit R
Reiner Hellbrück Angewandte Statistik mit R Eine Einführung für Ökonomen und Sozialwissenschaftler 2., überarbeitete Auflage B 374545 GABLER Inhaltsverzeichnis Vorwort zur zweiten Auflage Tabellenverzeichnis
Simulation von Brownscher Dynamik und Assoziationsraten von PP-Komplexen. Alexander Baldauf Montag
Simulation von Brownscher Dynamik und Assoziationsraten von PP-Komplexen Alexander Baldauf Montag 25.04.2005 Motivation Typen von Interaktionen Verschiedene Methoden zur Vorhersage Wie kommen die beiden
Kategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
Zusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
Regression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Statistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
Statistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
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-
Statistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
Multivariate Statistische Methoden und ihre Anwendung
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg R. Oldenbourg Verlag München Wien
Statistik. Ronald Balestra CH St. Peter
Statistik Ronald Balestra CH - 7028 St. Peter www.ronaldbalestra.ch 17. Januar 2010 Inhaltsverzeichnis 1 Statistik 1 1.1 Beschreibende Statistik....................... 1 1.2 Charakterisierung von Häufigkeitsverteilungen...........
Wiederholung Grundlagen OC
Wiederholung Grundlagen C 28.04.2017 Auswertung Stichprobe Frage 1: Die oben abgebildete Strukturformel zeigt 25 20 15 10 5 0 Ether Ester Acetal Keton Ester+Weiteres Frage 2: Die absolute Konfiguration
Ziel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
Entstehung der Erde und Lebewesen Entwicklung der Zellforschung Kennzeichen des Lebens Grundbaupläne
Entstehung der Erde und Lebewesen Entwicklung der Zellforschung Kennzeichen des Lebens Grundbaupläne Kennzeichen einer lebenden Zelle Zellen entstehen aus Zellen jede Zelle hat einen kompletten Satz Erbanlagen
Besetzung der Orbitale
Frage Beim Wiederholen des Stoffes bin ich auf die Rechnung zur Energie gestoßen. Warum und zu welchem Zweck haben wir das gemacht? Was kann man daran jetzt erkennen? Was beschreibt die Formel zu E(n),
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
2.2 Intermolekulare Wechselwirkungen
2.2 Intermolekulare Wechselwirkungen -15-2.2 Intermolekulare Wechselwirkungen Die Bildung der hier vorgestellten molekularen Aggregate beruht auf schwachen Wechselwirkungen zwischen Atomen oder Molekülen.
Statistisches Lernen
Statistisches Lernen Einheit 12: Modellwahl und Regularisierung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig WS 2014/2015 1 / 28
Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. mit dem R Commander. A Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst mit dem R Commander A Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist
(a) Lösen Sie die Differentialgleichung unter Verwendung der Mathematica-Funktion DSolve.
Institut für Physikalische Chemie Methodenkurs Anwendungen von Mathematica und Matlab in der Physikalischen Chemie im WS 205/206 Prof Dr Stefan Weber, Dr Till Biskup Aufgabenblatt zum Teil (Mathematica)
Multivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
Hypothesentests mit SPSS
Beispiel für eine einfache Regressionsanalyse (mit Überprüfung der Voraussetzungen) Daten: bedrohfb_v07.sav Hypothese: Die Skalenwerte auf der ATB-Skala (Skala zur Erfassung der Angst vor terroristischen
LEE2: 2. Messung der Molrefraktion der Flüssigkeiten für die Bestimmung der Qualität des Rohmaterials
ŠPŠCH Brno Erarbeitung berufspädagogischer Konzepte für die beruflichen Handlungsfelder Arbeiten im Chemielabor und Operator Angewandte Chemie und Lebensmittelanalyse LEE2: 2. Messung der Molrefraktion
Recommender Systeme mit Collaborative Filtering
Fakultät für Informatik Technische Universität München Email: rene.romen@tum.de 6. Juni 2017 Recommender Systeme Definition Ziel eines Recommender Systems ist es Benutzern Items vorzuschlagen die diesem
4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR
Im Allgemeinen wird sich das Verhalten einer ZR über die Zeit ändern, z.b. Trend, saisonales Verhalten, sich verändernde Variabilität. Eine ZR wird als stationär bezeichnet, wenn sich ihr Verhalten über
Das multiple lineare Regressionsmodell
Das multiple lineare Regressionsmodell Worum geht es in diesem Lernmodul? Das Modell Schätzen der Koeffizienten Interpretation der Koeffizienten Testen der Koeffizienten Worum geht es in diesem Lernmodul?
Die Bearbeitung erfolgt mit Textausschnitten des Buches Chemie Teil 2 (Diesterweg Verlag)
Pharmazeutische Chemie Seite 1 Die Bearbeitung erfolgt mit Textausschnitten des Buches Chemie Teil 2 (Diesterweg Verlag) Fragen zu der sp³ Hybridisierung (S. 124-128): 1.) Notieren Sie die Elektronenverteilung
Teil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
Kräfte. Florian Bansemer Nanostrukturphysik I Universität des Saarlandes
Kräfte Florian Bansemer Nanostrukturphysik I Universität des Saarlandes 29.01.2013 Übersicht 1. Grundlagen und Begrifflichkeiten 2. Reichweite und Hierarchie 3. Van der Waals-Kräfte i. Quantenfeldtheoretische
Organische Chemie. Kapitel 1. Organic Chemistry 4 th Edition Paula Yurkanis Bruice. Organische Verbindungen enthalten Kohlenstoff
rganic Chemistry 4 th Edition Paula Yurkanis Bruice Kapitel 1 Elektronische Struktur und Bindung Säuren und Basen rganische Chemie rganische Verbindungen enthalten Kohlenstoff Kohlenstoff ist weder ein
Skript zum Kurz-Referat:
Prof. Dr. Klaus-Jürgen Tillmann/ Michael Lenz WS 2001/02 Fakultät für Pädagogik (AG 4) der Universität Bielefeld Seminar: Anlage und : Der pädagogische Streit seit den 50er-Jahren 7. Sitzung: Die Erblichkeit
Kapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.
Kapitel 3 Schließende lineare Regression 3.1. Einführung induktiv Fragestellungen Modell Statistisch bewerten, der vorher beschriebenen Zusammenhänge auf der Basis vorliegender Daten, ob die ermittelte
Virtuelle Bibliotheken
Virtuelle Bibliotheken Vorlesung XIV PubChem Information zur biologischen Aktivität kleiner Moleküle PubChem Substance PubChem Compound PubChem Bioassay Substanzinformation von externen elektronischen
Inhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
Stichwortverzeichnis. Ausgleichsgerade 177 Ausreißer 13, 40
283 Stichwortverzeichnis a Alpha-Wert 76, 91 Alter 256 Alternativhypothese 68, 70 ANOVA siehe einfache Varianzanalyse, zweifache Varianzanalyse Anpassung 178 Anpassungstest siehe Chi-Quadrat-Anpassungstest
Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
Empirische Forschungsmethoden
Winfried Stier Empirische Forschungsmethoden Zweite, verbesserte Auflage Mit 22 Abbildungen und 53 Tabellen Springer L Inhaltsverzeichnis I. Grundlagen 1 1.1. Methoden, Methodologie, Empirie 1 1.2. Einige
Kapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.
Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden
Logistische Regression
Logistische Regression Markus Kalisch 30.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2, 4, 5, 6 Klassifikation
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
fh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
Kapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
Präzision in der Analytik Ein unentbehrlicher Teil der Methodenvalidierung
Abacus Validation Systems Präzision in der Analytik Ein unentbehrlicher Teil der Methodenvalidierung Joachim Pum, MMed (Univ. Pretoria) 2008 Definition Präzision ist das Maß für die Streuung von Analysenergebnissen
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra
If something has a 50% chance of happening, then 9 times out of 10 it will. Yogi Berra If you torture your data long enough, they will tell you whatever you want to hear. James L. Mills Warum Biostatistik?
Multivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 10. Dezember 2014 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel
ANalysis Of VAriance (ANOVA) 1/2
ANalysis Of VAriance (ANOVA) 1/2 Markus Kalisch 16.10.2014 1 ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich)?
Inhaltsverzeichnis. Vorwort. Abbildungsverzeichnis. Tabellenverzeichnis. 1 Einleitung Gegenstand Aufbau 4
Inhaltsverzeichnis Vorwort Abbildungsverzeichnis Tabellenverzeichnis v xv xvii 1 Einleitung 1 1.1 Gegenstand 1 1.2 Aufbau 4 2 Datenerhebung - ganz praktisch 7 2.1 Einleitung 7 2.2 Erhebungsplan 7 2.2.1
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern Vorlesung Robotik SS 016 Kalmanfiter () Kalman-Filter: optimaler rekursiver Datenverarbeitungsalgorithmus optimal hängt vom gewählten
Aktuelle Beispiele aus der Forschung
Vorlesung: Allgemeine Chemie Organische Chemie 05.12.; 08.12.; Prof. Dr. C. Meier Eine Einführung in die Organische Chemie Themen: Elektronenstruktur, kovalente Bindung, Säure-Basen-Eigenschaften in Abhängigkeit
5. Übung Zusammenhänge zweier Merkmale
Querschnittsbereich 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik - Übungsmaterial - Erstellt von Mitarbeitern des IMISE und des ZKS Leipzig. Übung Zusammenhänge zweier Merkmale
Einführung in die biologische Datenanalyse mit Matlab SS 2009 Tag8
Tag 8: Modellbildung A) Kurvenanpassung B) Variation von Modellparametern C) Hausaufgaben A) Kurvenanpassung Kurvenanpassung dient dazu, Messdaten durch eine Kurve - also einen mathematisch beschreibbare
Demokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
Übungen Mi 8:15-9:45, Raum 24B, W. Francke Mi 8:15-9:45, Raum 520, S.S. Do 9:30-11:00, Raum 24B, V. Vill Di 9:30-11:00, Raum 325, M.
0. Vorbemerkungen 0.0 Einteilung der Gruppen, Termine Vorlesung Di 11-12 Hörsaal A, Beginn 03.04.2001 Do 11-13 Hörsaal A, Ende 12.07.2001 Übungen Hauptfach I: Hauptfach II: Nebenfach I: Nebenfach II: Mi
Klausur zur Vorlesung "Grundzüge der Chemie" für Studierende des Maschinenbaus BITTE AUSFÜLLEN BITTE HALTEN SIE IHREN STUDENTAUSWEIS BEREIT
1 PUNKTZAL NTE Klausur zur Vorlesung "Grundzüge der hemie" für Studierende des Maschinenbaus Termin: 17. Juni 2003 rt: Z 10 Zeit: 9.30-11.30 Uhr Dauer: 120 Minuten BITTE AUSFÜLLEN BITTE ALTEN SIE IREN
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 05. Dezember 2012 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel Bleibelastung 3 Regression
Thematische Aufgliederung der Prüfungsfragen
Seite 1 Thematische Aufgliederung der Prüfungsfragen (gemäss Abschlussprüfungen im Fach Chemie der Eidgenössischen Berufsmaturitätsprüfung Technischer Richtung) 1. Heterogene Mischungen; Trennmethoden
1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25