LEADER 05246nam 2200613 450 001 9910830277203321 005 20230721030214.0 010 $a1-280-85447-2 010 $a9786610854479 010 $a3-527-61003-0 010 $a3-527-60966-0 035 $a(CKB)1000000000376196 035 $a(EBL)482108 035 $a(OCoLC)124040069 035 $a(SSID)ssj0000206851 035 $a(PQKBManifestationID)11189082 035 $a(PQKBTitleCode)TC0000206851 035 $a(PQKBWorkID)10229044 035 $a(PQKB)11397078 035 $a(MiAaPQ)EBC482108 035 $a(MiAaPQ)EBC7026951 035 $a(Au-PeEL)EBL7026951 035 $a(EXLCZ)991000000000376196 100 $a20140128d2007 uy| 0 101 0 $ager 135 $aur|n|---||||| 181 $ctxt 182 $cc 183 $acr 200 10$aMultivariate Datenanalyse $efu?r die Pharma-, Bio- und Prozessanalytik : ein lehrbuch /$fWaltraud Kessler 210 1$aWeinheim :$cWiley-VSH Verlag,$d2007. 215 $a1 online resource (343 p.) 300 $aDescription based upon print version of record. 311 $a3-527-31262-5 320 $aIncludes bibliographical references and index. 327 $aMultivariate Datenanalyse; Inhaltsverzeichnis; Vorwort; 1 Einfu?hrung in die multivariate Datenanalyse; 1.1 Was ist multivariate Datenanalyse?; 1.2 Datensa?tze in der multivariaten Datenanalyse; 1.3 Ziele der multivariaten Datenanalyse; 1.3.1 Einordnen, Klassifizierung der Daten; 1.3.2 Multivariate Regressionsverfahren; 1.3.3 Mo?glichkeiten der multivariaten Verfahren; 1.4 Pru?fen auf Normalverteilung; 1.4.1 Wahrscheinlichkeitsplots; 1.4.2 Box-Plots; 1.5 Finden von Zusammenha?ngen; 1.5.1 Korrelationsanalyse; 1.5.2 Bivariate Datendarstellung - Streudiagramme; Literatur; 2 Hauptkomponentenanalyse 327 $a2.1 Geschichte der Hauptkomponentenanalyse2.2 Bestimmen der Hauptkomponenten; 2.2.1 Prinzip der Hauptkomponentenanalyse; 2.2.2 Was macht die Hauptkomponentenanalyse?; 2.2.3 Grafische Erkla?rung der Hauptkomponenten; 2.2.4 Bedeutung der Faktorenwerte und Faktorenladungen (Scores und Loadings); 2.2.5 Erkla?rte Varianz pro Hauptkomponente; 2.3 Mathematisches Modell der Hauptkomponentenanalyse; 2.3.1 Mittenzentrierung; 2.3.2 PCA-Gleichung; 2.3.3 Eigenwert- und Eigenvektorenberechnung; 2.3.4 Berechnung der Hauptkomponenten mit dem NIPALS-Algorithmus; 2.3.5 Rechnen mit Scores und Loadings 327 $a2.4 PCA fu?r drei Dimensionen2.4.1 Bedeutung von Bi-Plots; 2.4.2 Grafische Darstellung der Variablenkorrelationen zu den Hauptkomponenten (Korrelation-Loadings-Plots); 2.5 PCA fu?r viele Dimensionen: Gaschromatographische Daten; 2.6 Standardisierung der Messdaten; 2.7 PCA fu?r viele Dimensionen: Spektren; 2.7.1 Auswertung des VIS-Bereichs (500-800 nm); 2.7.2 Auswertung des NIR-Bereichs (1100-2100 nm); 2.8 Wegweiser zur PCA bei der explorativen Datenanalyse; Literatur; 3 Multivariate Regressionsmethoden; 3.1 Klassische und inverse Kalibration; 3.2 Univariate lineare Regression 327 $a3.3 Maßzahlen zur U?berpru?fung des Kalibriermodells (Fehlergro?ßen bei der Kalibrierung)3.3.1 Standardfehler der Kalibration; 3.3.2 Mittlerer Fehler - RMSE; 3.3.3 Standardabweichung der Residuen - SE; 3.3.4 Korrelation und Bestimmtheitsmaß; 3.4 Signifikanz und Interpretation der Regressionskoeffizienten; 3.5 Grafische U?berpru?fung des Kalibriermodells; 3.6 Multiple lineare Regression (MLR); 3.7 Beispiel fu?r MLR - Auswertung eines Versuchsplans; 3.8 Hauptkomponentenregression (Principal Component Regression - PCR); 3.8.1 Beispiel zur PCR - Kalibrierung mit NIR-Spektren 327 $a3.8.2 Bestimmen des optimalen PCR-Modells3.8.3 Validierung mit unabha?ngigem Testset; 3.9 Partial Least Square Regression (PLS-Regression); 3.9.1 Geschichte der PLS; 3.10 PLS-Regression fu?r eine Y-Variable (PLS1); 3.10.1 Berechnung der PLS1-Komponenten; 3.10.2 Interpretation der P-Loadings und W-Loadings bei der PLS-Regression; 3.10.3 Beispiel zur PLS1 - Kalibrierung von NIR-Spektren; 3.10.4 Finden des optimalen PLS-Modells; 3.10.5 Validierung des PLS-Modells mit unabha?ngigem Testset; 3.10.6 Variablenselektion - Finden der optimalen X-Variablen 327 $a3.11 PLS-Regression fu?r mehrere Y-Variablen (PLS2) 330 $aIn vielen Fachgebieten, wie z. B. der Lebensmittelchemie, der pharmazeutischen oder biotechnologischen Industrie fallen immer mehr Daten an, die ausgewertet werden mu?ssen. Klassische Verfahren gelangen hierbei schnell an ihre Grenzen. Die multivariate Datenanalyse bescha?ftigt sich mit Verfahren, mit denen man aus einer Fu?lle von Daten - wie z. B. Prozessdaten, Messdaten, Mikroarraydaten, Spektren - die wesentlichen, unabha?ngigen Informationen herausarbeiten kann. Es ero?ffnen sich somit ganz neue Mo?glichkeiten fu?r eine effiziente und gleichzeitig umfangreiche Auswertung. Alle Methoden 606 $aMultivariate analysis 615 0$aMultivariate analysis. 676 $a519.535 676 $a519.5352 700 $aKessler$b Waltraud$01652391 801 0$bMiAaPQ 801 1$bMiAaPQ 801 2$bMiAaPQ 906 $aBOOK 912 $a9910830277203321 996 $aMultivariate Datenanalyse$94003013 997 $aUNINA