Chimie

Méthodes d'analyse de données multivariées

Méthodes d'analyse de données multivariées


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Résumé des classements

Les différentes méthodes de classification sont à nouveau résumées dans le graphique pour les méthodes d'évaluation les plus importantes :

Fig. 1

Méthodes statistiques multivariées

Les données chimiques sont généralement de nature multidimensionnelle, avec un objet de données défini par divers composants de données. Ce type de données est appelé multivarié.

Par exemple, un objet est un composé chimique. Les composants individuels d'un vecteur de données sont appelés caractéristiques et peuvent, par exemple, être des descripteurs moléculaires qui spécifient la structure chimique d'un objet. Dans l'analyse de données statistiques, les objets et les caractéristiques sont représentés par une matrice X représente qui organise les objets en lignes et les caractéristiques en colonnes. De plus, chaque objet a une ou plusieurs propriétés qui doivent être examinées, telles que l'activité ou la classe biologique. Ces propriétés sont mises dans une matrice (Oui) fusionné. La matrice de données X contient donc les variables indépendantes et la matrice Oui le dépendant.

La matrice de données multivariée X se compose de n objets, dont chacun est représenté par m caractéristiques. La matrice Y contient les propriétés des objets examinés

La statistique multivariée est une discipline permettant d'analyser des données afin de reconnaître la structure interne ou de réduire le nombre de variables nécessaires pouvant décrire les données.

Une possibilité pour l'analyse de données multivariées ou multidimensionnelles est représentée par des méthodes statistiques dites multivariées qui sont basées sur des méthodes de régression et de reconnaissance de modèle ou de projection. Une distinction fondamentale peut être faite entre les méthodes linéaires et non linéaires. Dans le cas des approches linéaires, l'analyse en composantes principales (ACP), l'analyse discriminante linéaire (LDA), la régression en composantes principales (PCR), la régression linéaire multiple (MLR) et la méthode des moindres carrés partiels (PLS) sont largement utilisées lors de l'analyse. données chimiques. Alors que la PCA n'est qu'une méthode de projection classique qui convertit des données de grande dimension en données de faible dimension, la PCR, la MLR ou la PLS permettent également la création de modèles de prédiction. La mise à l'échelle multidimensionnelle (MDS) est principalement utilisée dans les processus non linéaires.


Analyse de données multivariée pour l'analyse pharmaceutique, bio et de processus

Vous disposez de données volumineuses et complexes, telles que B. des données de processus ou des données spectroscopiques - mais utilisez-vous également le plein potentiel de ces données ?

À l'aide de l'analyse de données multivariée, vous pouvez reconnaître les relations dans les données qui peuvent rester non détectées dans une analyse de données univariée classique.

Ce cours transmet les bases des méthodes multivariées les plus importantes de manière claire et facile à comprendre et s'adresse donc également aux utilisateurs sans connaissances préalables approfondies en mathématiques ou en statistiques. L'accent est mis sur l'utilisation pratique de ces méthodes pour votre propre tâche.

  • Théorie de l'analyse de données multivariées
  • Application des méthodes à partir d'exemples pratiques

De nombreux exemples d'applications différentes seront discutés en détail au cours du cours. Les questions des participants sur les exemples seront répondues avec plaisir. Nous sommes également heureux de vous fournir des informations sur la manière dont les applications présentées peuvent être appliquées à vos propres questions.


Analyse de données multivariée pour l'analyse pharmaceutique, bio et de processus

Vous disposez de données étendues et complexes, qu'il s'agisse de données de processus, de spectres ou de données omiques. - Mais utilisez-vous aussi le plein potentiel de vos données ?

À l'aide de l'analyse de données multivariée, vous pouvez reconnaître les relations dans les données qui peuvent rester non détectées dans une analyse de données univariée classique.

Ce cours transmet les bases des méthodes multivariées les plus importantes de manière claire et facile à comprendre et s'adresse donc également aux utilisateurs sans connaissances préalables approfondies en mathématiques ou en statistiques. L'accent est mis sur l'utilisation pratique de ces méthodes pour votre propre tâche.

Le cours est divisé en deux parties :

  • Méthodes multivariées pour l'analyse des données
  • Application des méthodes à partir d'exemples pratiques et/ou de vos propres données

Avec l'analyse en composantes principales (ACP), vous disposez d'un outil d'analyse et de compréhension des données (analyse exploratoire des données). Vous apprendrez à présenter de grandes quantités de données de manière gérable, à identifier les problèmes de qualité des données et à identifier les valeurs aberrantes dans le processus. De plus, le PCA vous permet de reconnaître les structures et leurs causes éventuellement précédemment cachées dans les données. Une continuation de l'ACP est la modélisation des données sur des valeurs cibles données. La régression des moindres carrés partiels (PLS) est notamment utilisée pour les valeurs cibles quantitatives. Les valeurs cibles qualitatives sont décrites à l'aide de modèles de classification tels que l'analyse discriminante linéaire (LDA). Vous apprendrez à créer des modèles de régression PLS robustes ainsi que des modèles de classification LDA.

Pendant le cours, vous aurez l'occasion de mettre en pratique ce que vous avez appris sur des données réelles données ou sur vos propres données que vous avez apportées avec vous. Le logiciel correspondant est disponible en version démo.

Groupe ciblé

Utilisateurs issus de l'analytique, notamment de process ou de bioanalyse, qui travaillent avec beaucoup de données de process ou de données spectroscopiques et qui souhaitent extraire efficacement les informations pertinentes de ces données de grande dimension.

Connaissances antérieures

Des connaissances de base issues d'une formation scientifique sont requises.

Conférencier

Analyse de données multivariées du Steinbeis Transfer Institute, Université Steinbeis de Berlin
Auteur du livre "Analyse de données multivariées pour l'analyse pharmaceutique, bio et de processus"

Matériaux de travail

Chaque participant reçoit un dossier avec les documents du cours au début du cours. Le logiciel correspondant est fourni en version démo pour les exercices. Les participants devront apporter au cours un cahier sur lequel ce logiciel pourra être installé.

Horaire des cours

Début : 23 mai 2018, 9h30
Fin : 24 mai 2018, 16 h

Lieu

Maison DECHEMA
Theodor-Heuss-Allée 25
60486 Francfort-sur-le-Main

Frais de participation

comprenant les documents de cours, l'attestation de participation, le déjeuner et les boissons pendant les pauses


Analyse de données multivariée pour l'analyse pharmaceutique, bio et de processus

Vous disposez de données étendues et complexes, qu'il s'agisse de données de processus, de spectres ou de données omiques. - Mais utilisez-vous aussi le plein potentiel de vos données ?

À l'aide de l'analyse de données multivariée, vous pouvez reconnaître les relations dans les données qui peuvent rester non détectées dans une analyse de données univariée classique.

Ce cours transmet les bases des méthodes multivariées les plus importantes de manière claire et facile à comprendre et s'adresse donc également aux utilisateurs sans connaissances préalables approfondies en mathématiques ou en statistiques. L'accent est mis sur l'utilisation pratique de ces méthodes pour votre propre tâche.

Le cours est divisé en deux parties :

  • Méthodes multivariées pour l'analyse des données
  • Application des méthodes à partir d'exemples pratiques et/ou de vos propres données

Avec l'analyse en composantes principales (ACP), vous disposez d'un outil d'analyse et de compréhension des données (analyse exploratoire des données). Vous apprendrez à présenter de grandes quantités de données de manière gérable, à identifier les problèmes de qualité des données et à identifier les valeurs aberrantes dans le processus. De plus, le PCA vous permet de reconnaître les structures et leurs causes éventuellement précédemment cachées dans les données. Une continuation de l'ACP est la modélisation des données sur des valeurs cibles données. La régression des moindres carrés partiels (PLS) est notamment utilisée pour les valeurs cibles quantitatives. Les valeurs cibles qualitatives sont décrites à l'aide de modèles de classification tels que l'analyse discriminante linéaire (LDA). Vous apprendrez à créer des modèles de régression PLS robustes ainsi que des modèles de classification LDA.

Pendant le cours, vous aurez l'occasion de mettre en pratique ce que vous avez appris sur des données réelles données ou sur vos propres données que vous avez apportées avec vous. Le logiciel correspondant est disponible en version démo.

Groupe ciblé

Utilisateurs issus de l'analytique, notamment de process ou de bioanalyse, qui travaillent avec beaucoup de données de process ou de données spectroscopiques et qui souhaitent extraire efficacement les informations pertinentes de ces données de grande dimension.

Connaissances antérieures

Des connaissances de base issues d'une formation scientifique sont requises.

Conférencier

Analyse de données multivariées du Steinbeis Transfer Institute, Université Steinbeis de Berlin
Auteur du livre "Analyse de données multivariées pour l'analyse pharmaceutique, bio et de processus"

Matériaux de travail

Chaque participant reçoit un dossier avec les documents du cours au début du cours. Le logiciel correspondant est fourni en version démo pour les exercices. Les participants devront apporter au cours un cahier sur lequel ce logiciel pourra être installé.

Horaire des cours

Début : 23 mai 2018, 9h30
Fin : 24 mai 2018, 16 h

Lieu

Maison DECHEMA
Theodor-Heuss-Allée 25
60486 Francfort-sur-le-Main

Frais de participation

comprenant les documents de cours, l'attestation de participation, le déjeuner et les boissons pendant les pauses


Méthodes statistiques multivariées

Les données chimiques sont généralement de nature multidimensionnelle, avec un objet de données défini par divers composants de données. Ce type de données est appelé multivarié.

Par exemple, un objet est un composé chimique. Les composants individuels d'un vecteur de données sont appelés caractéristiques et peuvent, par exemple, être des descripteurs moléculaires qui spécifient la structure chimique d'un objet. Dans l'analyse de données statistiques, les objets et les caractéristiques sont représentés par une matrice X représente qui organise les objets en lignes et les caractéristiques en colonnes. De plus, chaque objet a une ou plusieurs propriétés qui doivent être examinées, telles que l'activité ou la classe biologique. Ces propriétés sont mises dans une matrice (Oui) fusionné. La matrice de données X contient donc les variables indépendantes et la matrice Oui le dépendant.

La matrice de données multivariée X se compose de n objets, dont chacun est représenté par m caractéristiques. La matrice Y contient les propriétés des objets examinés

La statistique multivariée est une discipline permettant d'analyser des données afin de reconnaître la structure interne ou de réduire le nombre de variables nécessaires pouvant décrire les données.

Une possibilité pour l'analyse de données multivariées ou multidimensionnelles est représentée par des méthodes statistiques dites multivariées qui sont basées sur des méthodes de régression et de reconnaissance de modèle ou de projection. Une distinction fondamentale peut être faite entre les méthodes linéaires et non linéaires. Dans le cas des approches linéaires, l'analyse en composantes principales (ACP), l'analyse discriminante linéaire (LDA), la régression en composantes principales (PCR), la régression linéaire multiple (MLR) et la méthode des moindres carrés partiels (PLS) sont largement utilisées lors de l'analyse. données chimiques. Alors que la PCA n'est qu'une méthode de projection classique qui convertit des données de grande dimension en données de faible dimension, la PCR, la MLR ou la PLS permettent également la création de modèles de prédiction. La mise à l'échelle multidimensionnelle (MDS) est principalement utilisée dans les processus non linéaires.


Contenu

La conférence avec l'abréviation MC 2.1.1 explique les bases de la chimiométrie en utilisant l'exemple de l'analyse de données en métabolomique, un domaine interdisciplinaire qui utilise la chimie analytique et la chimiométrie pour travailler sur des problèmes de biologie. Il présente les bases des statistiques univariées et multivariées et explique la planification et l'optimisation des tests statistiques au cours de celui-ci. Le prétraitement des données, les méthodes graphiques, les procédures statiques et l'assurance qualité analytique sont abordés. Ces thèmes sont approfondis dans le séminaire dans des présentations individuelles par les participants et rendus compréhensibles dans les exercices à l'aide d'exemples pratiques.

Dans les premières heures de cours, nous donnons un aperçu du développement des différentes technologies omiques ainsi que des exemples d'application de la métabolomique dans différents scénarios. Nous faisons une petite excursion dans la gestion des données en métabolomique à l'aide d'archives en libre accès, par exemple à l'Institut européen de bioinformatique. Cela nous donne les bases pour que nous puissions ensuite rechercher les bases de la conception expérimentale, du prétraitement des données, du traitement du spectre et de l'analyse statistique à l'aide d'ensembles de données accessibles au public.


Analyse de données multivariées

Dans de nombreux domaines, tels que Dans les industries de la chimie alimentaire, pharmaceutique ou biotechnologique, par exemple, de plus en plus de données sont générées qui doivent être évaluées. Les méthodes classiques atteignent rapidement leurs limites ici.

L'analyse de données multivariée porte sur des procédures avec lesquelles on peut extraire d'une multitude de données - telles que B. les données de processus, les données de mesure, les données de microréseaux, les spectres - peuvent déterminer les informations essentielles et indépendantes. Cela ouvre de toutes nouvelles possibilités pour une évaluation efficace et en même temps approfondie. Toutes les méthodes et procédures d'analyse de données multivariées sont illustrées à l'aide d'exemples pratiques avec une version de démonstration jointe du programme "The Unscrambler". Le lecteur est ainsi en mesure d'appliquer ce qui a été appris directement à ses propres questions.

Professeur Waltraud Kessler A étudié la physique à l'Université de Reutlingen jusqu'en 1980, a travaillé dans l'industrie avec une spécialisation dans le développement de logiciels dans le domaine de l'optoélectronique pour l'acquisition et la communication de données, assistant de recherche à l'Institut de recherche appliquée (IAF) de l'Université de Reutlingen Sciences appliquées, depuis 2002 professeur honoraire à l'Université des sciences appliquées de Reutlingen, depuis 2002 directeur du Steinbeis Transfer Center pour le contrôle des processus et l'analyse des données, coopération étroite avec la société Camo de Norvège, leader du marché dans le domaine des données multivariées analyse avec le progiciel "The Umscramble" (www.camo.com).

INTRODUCTION À L'ANALYSE DE DONNÉES MULTIVARIÉES
Qu'est-ce que l'analyse de données multivariée
Ensembles de données dans l'analyse de données multivariée
Objectifs de l'analyse de données multivariées
Vérifier la distribution normale
Trouver des connexions

ANALYSE DES PRINCIPAUX COMPOSANTS
Historique de l'analyse en composantes principales
Détermination des principaux composants
Modèle mathématique de l'analyse en composantes principales
PCA pour trois dimensions
PCA pour de nombreuses dimensions : données de chromatographie en phase gazeuse
Standardisation des données de mesure
PCA pour plusieurs dimensions : spectres
Guide de l'ACP dans l'analyse exploratoire des données

MÉTHODES DE RÉGRESSION MULTIVARIÉES
Calibrage classique et inverse
Régression linéaire univariée
Mesures pour vérifier le modèle d'étalonnage (variables d'erreur lors de l'étalonnage)
Signification et interprétation des coefficients de régression
Vérification graphique du modèle d'étalonnage
Régression linéaire multiple (MLR)
Exemple pour MLR - évaluation d'un plan de test
Régression en Composante Principale (PCR)
Régression des moindres carrés partiels (régression PLS)
Histoire du PLS
Régression PLS pour une variable Y (PLS1)
Régression PLS pour plusieurs variables Y (PLS2)

CALIBRER, VALIDER LES MODÈLES
Résumé des étapes d'étalonnage - erreurs d'étalonnage
Options de validation
Détermination de l'ensemble de données d'étalonnage et de validation
Fuyez
Zone prédite des données Y prédites

PRÉPARATION DES DONNÉES DANS LES SPECTRES
Transformations spectroscopiques
Normalisation du spectre
lissage
Dérivés
Correction des effets de dispersion
Comparaison des méthodes de prétraitement

UNE APPLICATION EN SUIVI DE PRODUCTION
Essais préliminaires
Premier modèle d'étalonnage
Utilisation du modèle de calibration - phase de validation
Décalage dans les valeurs prévisionnelles de la deuxième phase de test
Résumé des étapes de la construction d'un modèle prédictif en ligne

TUTORIEL SUR LA MANIPULATION DU PROGRAMME "THE UNSCRAMBLER" SUR LE CD DEMO
Réalisation d'une analyse en composantes principales (ACP)
Prétraitement des données
Effectuer une régression PLS avec une variable Y
Utilisation du modèle de régression - Prédiction de la teneur en théophylline pour les données de test
Exportation de modèles de désembrouilleurs pour une utilisation dans n'importe quelle application
Liste de contrôle pour les étalonnages spectroscopiques avec le redresseur


Introduction à l'analyse des données

Ce manuel de module sert à décrire le contenu, les résultats d'apprentissage, les méthodes et le type d'examen, ainsi qu'à établir un lien vers les dates actuelles des cours et de l'examen du module dans les sections respectives.

Version du module SS 2021 (actuelle)

Il existe des descriptions de modules historiques de ce module. Une description de module est valide jusqu'à ce qu'elle soit remplacée par une plus récente.

La question de savoir si les cours du module sont offerts au cours d'un semestre spécifique est indiquée dans la section Cours, méthodes d'apprentissage et d'enseignement et littérature ci-dessous.

versions de modules disponibles
SS 2021SS 2020PE 2019SS 2018WS 2016/7WS 2010/1

Informations de base

PH2099 est un module semestriel en langue allemande ou anglaise au niveau Master qui est proposé au semestre d'hiver.

Ce module est inclus dans les catalogues suivants au sein des programmes d'études en physique.

  • Catalogue spécifique de cours spéciaux pour le nucléaire, les particules et l'astrophysique
  • Catalogue complémentaire de cours spéciaux pour la physique de la matière condensée
  • Catalogue complémentaire de cours spéciaux pour la Biophysique
  • Catalogue complémentaire de cours spéciaux pour la physique appliquée et l'ingénierie

Sauf indication contraire pour l'exportation vers un programme autre que la physique, la charge de travail de l'étudiant est indiquée dans le tableau suivant.

Charge de travail totaleHeures de contactCrédits (ECTS)
150h 60 heures 5 PC

Le coordinateur responsable du module PH2099 est Boris Grube.

Contenu, résultat d'apprentissage et conditions préalables

Teneur

Le module donnera une introduction aux techniques de base pour l'analyse des données expérimentales. Il couvrira entre autres les sujets suivants :

  • La méthode scientifique
  • Le concept de probabilité et ses interprétations
  • théorème de Bayes
  • Variables aléatoires
  • Les distributions de probabilité et leurs moments
  • Distributions importantes : distribution binomiale, multinomiale, de Poisson et gaussienne
  • Distributions multivariées
  • Distributions de probabilités marginales et conditionnelles
  • Covariance et coefficient de corrélation
  • Fonctions de variables aléatoires (multiples)
  • Théorème central limite
  • Propagation de l'incertitude gaussienne pour les fonctions à n dimensions et matrice de covariance
  • Incertitudes statistiques et systématiques
  • Estimation des paramètres par la méthode des moindres carrés
  • Estimer la qualité de l'ajustement
  • Estimation des paramètres à l'aide de la méthode du maximum de vraisemblance (étendue)
  • Relation entre la méthode des moindres carrés et la méthode du maximum de vraisemblance
  • Estimer l'importance d'un signal

Résultat d'apprentissage

Après avoir réussi ce module, les étudiants sont capables de

  • comprendre et appliquer les concepts statistiques fondamentaux
  • comprendre et appliquer des techniques d'analyse de données de base à des données appropriées
  • appliquer la propagation de l'incertitude du premier ordre dans le cas le plus général
  • estimer et interpréter correctement les incertitudes statistiques et systématiques
  • estimer les paramètres du modèle en effectuant des ajustements sur des données (multidimensionnelles)
  • estimer la signification statistique des signaux en présence de bruit de fond
  • (lors de la participation aux tutoriels) développer des outils pour des tâches d'analyse de données modérément complexes à l'aide du langage de programmation Python

Conditions préalables

Aucune condition préalable en plus des exigences du programme de maîtrise en physique.

Cours, méthodes d'apprentissage et d'enseignement et littérature

Cours et horaire

Méthodes d'apprentissage et d'enseignement

Ce module se compose d'un cours magistral et d'un cours d'exercices.

L'objectif du cours magistral est de fournir un solide bagage théorique. A cette fin, les méthodes et les concepts seront dérivés, lorsque cela est possible, des premiers principes.

Dans les tutoriels, les concepts expliqués dans le cours seront appliqués à des exemples concrets. En petits groupes d'étudiants, de courts programmes Python seront développés. Les exemples seront pour la plupart issus de la physique des particules. Cependant, les tutoriels se concentreront principalement sur les aspects statistiques des problèmes et sont préparés de telle sorte qu'ils ne nécessitent pas de connaissances préalables plus approfondies en physique des particules.

Médias

Présentation avec projecteur, tableau de bord, smartboard, fiches problèmes

Littérature

  • G. Cowan : Analyse de données statistiques, Oxford University Press, (1998)
  • R. J. Barlow : Statistiques : Guide d'utilisation des méthodes statistiques en sciences physiques, Wiley, (2008)
  • S. Brandt : Analyse de données pour les scientifiques et les ingénieurs, Spectre Springer, (2013)
  • B. Chevreuil : Probabilités et statistiques en physique expérimentale, Springer, (2001)
  • M.G. Kendall et A. Stuart : La théorie avancée de la statistique Vol I-III, Charles Griffin, (1961)
  • V. Blobel & E. Lohrmann : Méthodes statistiques et numériques d'analyse des données, Teubner Studienbücher Verlag, (1998)
  • D.S. Sivia & amp J. Skilling : Analyse de données : un didacticiel bayésien, Oxford University Press, (2006)
  • P.R. Bevington & amp D.K. Robinson : Réduction des données et analyse des erreurs pour les sciences physiques, McGraw-Hill, (2002)
  • L. Lyon : Statistiques pour les physiciens nucléaires et des particules, Cambridge University Press, (1989)

Examen du module

Description des examens et des cours

Il y aura un examen oral d'une durée de 30 minutes. Dans ce cadre, la réalisation des compétences indiquées dans les résultats d'apprentissage de la section est testée de manière exemplaire au moins jusqu'au niveau de cognition donné à l'aide de questions de compréhension.

Par exemple, un devoir à l'examen peut être :

  • Quelle est la définition mathématique de la probabilité ?
  • Quelle est la méthode des moindres carrés ?
  • Quelle est la méthode d'estimation du maximum de vraisemblance ?

La participation aux classes d'exercices est fortement recommandée puisque les exercices préparent aux problèmes de l'examen et répètent les compétences spécifiques.

Répétition d'examen

L'examen peut être répété en fin de semestre.

Dates d'examen actuelles

Actuellement, TUMonline répertorie les dates d'examen suivantes. En plus des informations générales ci-dessus, veuillez vous référer aux informations actuelles données pendant le cours.

Titre
TempsEmplacementInfoInscription
Examen d'introduction à l'analyse de données
Lun, 2021-07-12 Rendez-vous fictif. Contactez l'examinateur pour prendre un rendez-vous individuel. Inscription pour la date de l'examen avant le lundi 27/09/2021. Veuillez vous inscrire uniquement si vous passez le test de liaison après avoir lu les informations sur https://www.tum.de/die-tum/aktuelles/coronavirus/pruefungen/. // date factice. Contacter l'examinateur pour un rendez-vous individuel. Inscription pour la date d'examen avant le lundi 2021-09-27. Voir https://www.tum.de/en/about-tum/news/coronavirus/coronavirus-exams/ pour plus d'informations et ne vous inscrire qu'après avoir lu ! jusqu'au 2021-06-30 (annulation de l'inscription jusqu'au 2021-07-11)
mar, 2021-09-28 Rendez-vous fictif. Contactez l'examinateur pour prendre un rendez-vous individuel. Inscription pour la date d'examen entre le mar. 28 septembre 2021 et le sam. 23 octobre 2021. Veuillez vous inscrire uniquement si vous passez le test de liaison après avoir lu les informations sur https://www.tum.de/die-tum/aktuelles/coronavirus/pruefungen/. // date factice. Contacter l'examinateur pour un rendez-vous individuel. Inscription pour une date d'examen entre le mar. 2021-09-28 et sam. 2021-10-23. Voir https://www.tum.de/en/about-tum/news/coronavirus/coronavirus-exams/ pour plus d'informations et ne vous inscrire qu'après avoir lu ! jusqu'au 2021-09-27

La matière condensée

Lorsque les atomes interagissent, les choses peuvent devenir intéressantes. Recherche fondamentale sur les propriétés sous-jacentes des matériaux et des nanostructures et exploration du potentiel qu'elles offrent pour les applications.

Noyaux, Particules, Astrophysique

Un voyage de découverte pour comprendre notre monde à l'échelle subatomique, des noyaux à l'intérieur des atomes jusqu'aux éléments constitutifs les plus élémentaires de la matière. Êtes-vous prêt pour l'aventure?

Biophysique

Les systèmes biologiques, des protéines aux cellules et organismes vivants, obéissent à des principes physiques. Nos groupes de recherche en biophysique forment l'un des plus grands pôles scientifiques d'Allemagne dans ce domaine.


Méthodes descriptives

Bien que les méthodes statistiques multivariées mettent l'accent sur la corrélation et l'explication plutôt que sur la description, les chercheurs en affaires, en éducation et en sciences sociales peuvent utiliser des méthodes univariées et multivariées à des fins descriptives. Les analystes peuvent calculer des mesures descriptives telles que des fréquences, des moyennes et des écarts types pour résumer une seule variable, par ex. B. Points sur le test d'aptitude scolaire (SAT). Vous pouvez approfondir cette analyse univariée en présentant les résultats SAT dans une analyse croisée avec des scores SAT moyens et des écarts types en fonction de variables démographiques telles que le sexe et l'origine ethnique des étudiants testés.


WiSe 20/21 : Analyse de données numériques et méthodes statistiques - Cours 1.1 (module en ligne)

Ce cours se déroulera au semestre d'hiver 2020/2021 en format e-learning.

Du 12 octobre 2020 au 25 octobre 2020 vous pouvez vous inscrire au module ici :

Plus d'informations sur l'inscription peut être trouvé ici : http://www.zedat.fu-berlin.de/Schulung/ABV-Module

Veuillez également noter notre FAQ Conclure

Commenter

Module G - cours 1

Analyse de données et méthodes statistiques avec SPSS

Dans ce cours, vous apprendrez à réaliser des études statistiques pertinentes pour le projet avec le logiciel de statistiques et d'analyse SPSS. Sur la base d'un exemple de projet, différents enregistrements de données sont traités à l'aide du progiciel SPSS. Vous apprendrez comment obtenir des informations à partir de données, comment créer des graphiques significatifs et créer des tableaux prêts à être présentés. Dans le travail de projet, vous apprendrez à traiter des données d'enquête données et à les évaluer statistiquement.

Les domaines suivants sont traités en détail : saisie de données, préparation de données, sélection de données, modification de données, calcul de paramètres statistiques, création de graphiques spéciaux, méthodes paramétriques et non paramétriques sélectionnées, méthodes statistiques multivariées sélectionnées (par exemple analyse de régression, analyse de variance, analyse factorielle), construction de tests.
Conclure


Vidéo: Linear Regression in Excel (Juin 2022).


Commentaires:

  1. Yozshujinn

    Je suis absolument confiant à cela.

  2. Halsey

    Informatif, continuez votre bon travail

  3. Zuludal

    Et de toute façon j'ai besoin d'y aller

  4. Mika

    La qualité est normale, je pensais que ce serait pire, mais j'avais tort et j'en suis content)

  5. Rexton

    Il est supprimé (sujet confus)



Écrire un message