Biológiai anyagok hatásának értékelése, ha közvetlen fizikai vagy kémiai analízis nem alkalmazható.

Hasonló dokumentumok
Gyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Lineáris regresszió, ismétlés nélküli mérések

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ANOVA ( ) 2. χ σ. α ( ) 2. y y y p p y y = + + = + + p p r. Fisher-Cochran-tétel

PhEur Two-dose multiple assay with completely randomised design An assay of corticotrophin by subcutaneous injection in rats

BIOMETRIA_ANOVA_2 1 1

KISTERV2_ANOVA_

ANOVA. Egy faktor szerinti ANOVA. Nevével ellentétben nem szórások, hanem átlagok összehasonlítására szolgál. Több független mintánk van, elemszámuk

Statisztika feladatok

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Review of Correlation & Regression

LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála

VARIANCIAANALÍZIS (ANOVA) véletlen faktorok esetén

ELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június

Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Korreláció-számítás. 1. előadás. Döntéselőkészítés módszertana. Dr.

OLS regresszió - ismétlés Mikroökonometria, 1. hét Bíró Anikó A tantárgy tartalma

Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Regresszió-számítás. 2. előadás. Kvantitatív statisztikai módszerek. Dr.

Több laboratórium összehasonlítása, körmérés

Nemlineáris függvények illesztésének néhány kérdése

Minősítéses mérőrendszerek képességvizsgálata

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

Mérnöki alapok 5. előadás

Minőségjavító kísérlettervezés

OKTATÁSGAZDASÁGTAN. Készítette: Varga Júlia Szakmai felelős: Varga Júlia június

Ötvözetek mágneses tulajdonságú fázisainak vizsgálata a hiperbolikus modell alkalmazásával

= és a kínálati függvény pedig p = 60

Többváltozós Regresszió-számítás

MAGYARÁZAT A MATEMATIKA NULLADIK ZÁRTHELYI MINTAFELADATSOR FELADATAIHOZ 2010.

Az f függvénynek van határértéke az x = 2 pontban és ez a határérték 3-mal egyenl½o lim f(x) = 3.

Szerven belül egyenetlen dóziseloszlások és az LNT-modell

ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június

1) Adja meg a következő függvények legbővebb értelmezési tartományát! 2) Határozzuk meg a következő függvény értelmezési tartományát!

Mikro és makroökonómia BMEGT30A001 C1-es kurzus Jegyzet gyanánt 2018 ősz 3.ELŐADÁS

Regresszióanalízis. Lineáris regresszió

Relációk. Vázlat. Példák direkt szorzatra

Másodfokú függvények

Vázlat. Relációk. Példák direkt szorzatra

Statisztika II előadáslapok. 2003/4. tanév, II. félév

HIBAJEGYZÉK az Alapvető fizikai kémiai mérések, és a kísérleti adatok feldolgozása

4. példa: részfaktorterv+fold-over, centrumponttal

Bevezetés a hipotézisvizsgálatokba

Lineáris regresszió. Statisztika I., 4. alkalom

Több valószínűségi változó együttes eloszlása, korreláció

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

Kísérlettervezési alapfogalmak:

A végeselem programrendszer általános felépítése (ismétlés)

Gyakorló feladatok a kétváltozós regresszióhoz 2. Nemlineáris regresszió

Logisztikus regresszió október 27.

s n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés

Tanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.

Esetelemzések az SPSS használatával

Atomfizika előadás 4. Elektromágneses sugárzás október 1.

Hipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?

ADATREDUKCIÓ I. Középértékek

Statisztikai alapismeretek amit feltétlenül tudni kell

4. példa: részfaktorterv+fold-over, centrumponttal

Statisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.

2 p típusú teljes faktoros kísérleti tervek. Kísérlettervezés. Mit akarunk megtudni? mátrix-terv. a változók egyenkénti változtatása. x 3 x 2.

A statika és dinamika alapjai 11,0

Hogyan készüljünk fel? Az orvosi biofizika matema0kai és fizikai alapjai

Szabadsugár. A fenti feltételekkel a folyadék áramlását leíró mozgásegyenlet és a kontinuitási egyenlet az alábbi egyszerű alakú: (1) .

Regresszió számítás az SPSSben

Határérték. Wettl Ferenc el adása alapján és Wettl Ferenc el adása alapján Határérték és

Matematika OKTV I. kategória 2017/2018 második forduló szakgimnázium-szakközépiskola

10. elıadás: Vállalati kínálat, iparági kínálat Piaci ár. A versenyzı vállalat kínálati döntése. A vállalat korlátai

Laboratóriumi kontrollkártya használata Tananyag. Készítette: Muránszky Géza vegyészmérnök Oktató: Lőrinc Anna minőségirányítási előadó

Eredeti Veszprémi T. (digitálisan Csonka G) jegyzet: X. és XI. fejezet

Critical mix. 15. példa. 2 égh. anyag. 1 oxigén. 3 ég-e. 2 van nincs 0 3 nincs van 0 4 van van 1. 1 nincs nincs 0

1. MÁSODRENDŰ NYOMATÉK

Y 10. S x. 1. ábra. A rúd keresztmetszete.

Statika gyakorló teszt II.

20 PONT Aláírás:... A megoldások csak szöveges válaszokkal teljes értékőek!

Gyakorló feladatok a 2. zárthelyihez. Kidolgozott feladatok

Gyakorlat: Sztochasztikus idősor-elemzés alapfogalmai II. Egységgyök-folyamatok és tesztek. Dr. Dombi Ákos

Elektrokémia 03. Cellareakció potenciálja, elektródreakció potenciálja, Nernst-egyenlet. Láng Győző

Extrém-érték elemzés. Extrém-érték eloszlások. A normálhatóság feltétele. Megjegyzések. Extrém-érték modellezés

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Regression

Elemi függvények. Nevezetes függvények. 1. A hatványfüggvény

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1

4. Egyéni és piaci kereslet. 4.1 Ár-ajánlati görbe (PCC)

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Egyenletek, egyenletrendszerek

Nemparaméteres módszerek. Krisztina Boda PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

STATISZTIKA PRÓBAZH 2005

Inverz függvények Inverz függvények / 26

Líneáris függvények. Definíció: Az f(x) = mx + b alakú függvényeket, ahol m 0, m, b R elsfokú függvényeknek nevezzük.

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Korreláció, regresszió. Boda Krisztina PhD SZTE ÁOK Orvosi Fizikai és Orvosi Informatikai Intézet

1. gyakorlat. Oktatási segédlet hallgatók számára

9. évfolyam Javítóvizsga felkészülést segítő feladatok

TAGUCHI ÉS SHAININ. Taguchi módszere a minőség kísérletes javítására

Többváltozós lineáris regressziós modell feltételeinek

ICH Harmonised Tripartite Guideline. Stability Testing of New Drug Substances and Products (Q1A(R2)), 2003

Páros binomiális próbák

Bevezetés a biometriába Dr. Dinya Elek egyetemi tanár. PhD kurzus. KOKI,

3. Lokális approximáció elve, végeselem diszkretizáció egydimenziós feladatra

Adatelemzés és adatbányászat MSc

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Egyenletek, egyenletrendszerek

Idősoros elemzés. Ferenci Tamás, január 7.

ADATREDUKCIÓ I. Középértékek

Idősoros elemzés minta

NEMPARAMÉTERES PRÓBÁK

Továbblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,

Diszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (

Átírás:

Boassa Bológa anagok hatásának értékelése, ha közvetlen fzka vag kéma analízs nem alkalmazható. Alapja standard készítménnel való összehasonlítás: a vzsgált anag mlen mennsége ad uganakkora hatást, mnt a standard egsége azonos dő alatt azonos körülmének között. Például a penclln-készítménnek mekkora adagja ad uganakkora átmérőjű baktérumnövekedés-gátló zónát a táptalajon, mnt a standard készítmén, vag mekkora adag endoton-készítmén emel meg uganannval a nulak testhőmérsékletét, mnt a standard készítmén. F T ( z) F ( ρz) = smlart ρ relatve potenc S Parallel kvanttatív és kvantált a kvanttatív kvantálttá butítható F T ( z) F ( ρz) = smlart S A statsztka hasonlóság nem bzonítja, hog nncs valóságos különbség, de nem-teljesülése azt jelz, hog valóságos különbség vag mátr-hatás van. Parallel

Parallel lne assa Párhuzamos egenesek a dózs logartmusa függvénében 0 8 6 0 - - -6 3.0.8.6. -8-9 -8-7 -6-5 - -3 - ln..0.8 Sloperato assa.6...0 0.8 Eg pontban találkozó egenesek 0.6-0.0 0.00 0.0 0.0 0.06 0.08 0.0 0. Parallel 3 0 0 Include ='standard' Include ='sample' Other ha párhuzamosak 00 ha nem párhuzamosak 90 80 0 0 70 00 lgc 60 -.0-0.8-0.6-0. -0. 90 0.0 0. log 0 lgc0 = lg lg hol? = dluton 80 70 60 50 -.0-0.8-0.6-0. -0. 0.0 0. log Parallel

5 0 05 00 95 90 85 80 75 Scatterplot (Wardlawp3.sta v*c) Include condton: ='standard' = 7 5.85+3.533* 0 05. példa A.C.Wardlaw: Practcal statstcs for epermental bologsts, J.Wle, 985, p. 3 c =5NE/ml Scatterplot (Wardlawp3.s ta v*c) Include condton: ='s am ple' = 7.875+30.5* 70 00 0.0 0. 0. 0.6 0.8.0. 95 90 Parallel lne assa a szándék, 6 pontos, hog a lneartás vzsgálható legen 85 80 75 70 65 0.0 0. 0. 0.6 0.8.0. dos e Parallel 5 dluton 3 log 5 rept 6 standard 9 0. -0.95 77 standard 9 0. -0.95 75 3 standard 9 0. -0.95 3 76 standard 9 0. -0.95 73 5 standard 3 0.333-0.77 9 6 standard 3 0.333-0.77 9 7 standard 3 0.333-0.77 3 90 8 standard 3 0.333-0.77 9 9 standard.000 0 0 0 standard.000 0 0 standard.000 0 3 06 standard.000 0 06 3 sample 9 0. -0.95 73 sample 9 0. -0.95 7 5 sample 9 0. -0.95 3 73 6 sample 9 0. -0.95 67 7 sample 3 0.333-0.77 8 8 sample 3 0.333-0.77 85 9 sample 3 0.333-0.77 3 86 0 sample 3 0.333-0.77 89 sample.000 0 00 sample.000 0 0 3 sample.000 0 3 97 sample.000 0 00 Parallel 6

Test of Lack (Wardlawp3.sta) Include condton: ='standard' Dependnt Lack Lack Lack 9.50000 9 5.500000 9.635 9.635 3.75699 0.00030 Test of Lack (Wardlawp3.sta) Include condton: ='sample' Dependnt Lack Lack Lack 6.75000 9 6.97 5.7 5.7 0.8639 0.0035 Két külön egenes vs. dózs nem adekvátak az egenesek Parallel 7 0 05 00 95 90 85 80 75 70 Scatterplot (Wardlawp3.sta v*c) Include condton: ='sample' = 00.375+30.656* 5 0 a dózs logartmusát véve (lg) Scatterplot (Wardlawp3.sta v*c) Include condton: ='standard' = 06.375+3.5* 65 05 -.0-0.8-0.6-0. -0. 0.0 0. log 00 95 90 85 80 75 70 -.0-0.8-0.6-0. -0. 0.0 0. logdos e Parallel 8

Test of Lack (Wardlawp3.sta) Include condton: ='sample' Dependnt Lack Lack Lack 6.75000 9 6.97 0.375000 0.375000 0.053785 0.879 log Parameter Estmates (Wardlawp3.sta) Include condton: ='sample' Param. Std.Err t p 00.3750.6780 87.5769 0.000000 30.656.8677 6.68 0.000000 Test of Lack (Wardlawp3.sta) Include condton: ='standard' Dependnt Lack Lack Lack 9.50000 9 5.500000 3.375000 3.375000 0.63636 0.535 log Parameter Estmates (Wardlawp3.sta) Include condton: ='standard' Param. Std.Err t p 06.3750.09553 0.356 0.000000 3.5.70399 8.99 0.000000 Két külön egenes vs. logdózs tt már adekvátak Parallel 9 A két egenest egütt kezelve háromféle modell: Separate slopes = α + β + ε j ( αβ ) j ε = µ + α + + Statstcs>Advanced Lnear/Nonlnear Models> >General Lnear Models>Separate slopes Homogenet of slopes Analss of covarance *log Error Unvarate Tests of Sgnfcance for (Wardlawp3.sta) Over-parameterzed model Tpe III decomposton; Std. Error of Estmate:.0838 Degr. of Freedom 0589. 0589.35 7687.8 0.000000 360.3 80.3 30.5 0.000000 86. 86.0.90 0.000977 6.0 0 5.80 β (H 0 : vízszntes egenesek) α (H 0 : nncs kbs. a tengelmetszetben) Test of Lack (Wardlawp3.sta) Dependent Lack Lack Lack.500 8 6.36 3.750000.875000 0.300668 0.73970 Parallel 0

( αβ ) j ε = µ + α + + *log *log Label *log *log Parameter Estmates (Wardlawp3.sta) (*Zeroed predctors faled tolerance check) Over-parameterzed model Level of Column Comment (B/Z/P) Param. Std.Err 00.3750.099 3.5.78597 3 30.656.78597 standard Based 6.0000.55563 sample 5 Zeroed* 0.0000 uganazok a becsült paraméterek, mnt amkor külön llesztettük az egeneseket Column Labels (Wardlawp3.sta) Labels for the columns of the desgn matr X Column Level of Level of standard log 3 sample log standard 5 sample µ (αβ) (αβ) α α Parallel j ( αβ ) j ε = µ + α + β + + Statstcs>Advanced Lnear/Nonlnear Models> >General Lnear Models> >Homogenet-of-slopes β a vonatkozás egenes meredeksége log *log Error Unvarate Tests of Sgnfcance for Std. Error of Estmate:.0838 Degr. of Freedom 0589.3 0589.3 7687.8 0.000000 86. 86..90 0.000977 3600.0 3600.0 60.69 0.000000.3.3 0.39 0.507 6.0 0 5.8 α (H 0 : nncs kbs. a tengelmetszetben) β (H 0 : a közös egenes vízszntes) αβ (H 0 : párhuzamos egenesek) Parallel

β a vonatkozás egenes meredeksége j ( αβ ) j ε = µ + α + β + + log *log log *log *log Parameter Estmates (Wardlawp3.sta) Level of Column Param. Std.Err 03.3750 0.7778 standard 3.0000 0.7778 3 3.385.690 0.7860.690 Parameter Estmates (Wardlawp3.sta) (*Zeroed predctors faled tolerance check) Over-parameterzed model Level of Column Comment (B/Z/P) Param. Std.Err 00.3750.099 standard Based 6.0000.55563 sample 3 Zeroed* 0.0000 30.656.78597 5 Based.579.5380 6 Zeroed* 0.0000 µ α α β (αβ) (αβ) Parallel 3 5 Predcted vs. Resdual Values Dependent varable: (Analss sample) Raw Resduals 3 0 - - -3 - -5-6 3.0 65 70 75 80 85 90 95 00 05.5 0 Predcted Values.0 Epected Normal Value.5.0 0.5 0.0-0.5 -.0 -.5 -.0 -.5 Norm al Prob. Plot; Raw Resduals Dependent varable: (Analss sample) -3.0-6 -5 - -3 - - 0 3 5 Resdual Parallel.99.95.75.55.35.5.05.0

log Error log log Unvarate Tests of Sgnfcance for (Wardlawp3.sta) ve hpothess decomposton; Std. Error of Estmate:.3796 Degr. of Freedom 0589.3 0589.35 88.83 0.000000 3600.0 3600.00 639.3 0.000000 65. 65.38 9.37 0.0000 8. 5.63 Parameter Estmates (Wardlawp3.sta) Level of Column Param. Std.Err t p 03.3750 0.765870 3.977 0.000000 3.385.3375 5.88 0.000000 standard 3.650 0.8379 5.93 0.0000 Parameter Estmates (Wardlawp3.sta) (*Zeroed predctors faled tolerance check) Over-parameterzed model Level of Column Comment (B/Z/P) Param. Std.Err 00.7500 0.90690 3.385.3375 standard 3 Based 5.500 0.968758 Statstcs>Advanced Lnear/Nonlnear Models> >General Lnear Models> >Analss of Covarance sample Zeroed* 0.0000 Parallel 5 = µ + α + β + ε ( α α ) + βj ε = α + + α a vonatkozás egenes tengelmetszete j 0 Scatterplot of aganst log Wardlawp3.sta v*c Functon = 00.75+5.5+3.385* Functon = 00.75+3.385* 0 00 90 80 70 60 -.0-0.8-0.6-0. -0. 0.0 0. log Include ='standard' Include ='sample' Parallel 6

A aktvtásának számítása c Yˆ = a + blnc = a + blg = a + blgc0 blgh = a + blgc0 h 0 + a dózs (a h hígítás recproka), lg a dózs logartmusa, c 0 a készítmén hígítás előtt koncentrácója blg Ismert a standard hígítás előtt c 0 koncentrácója (5NE/ml), kérdés a vzsgálandó készítmén hígítás előtt c 0 koncentrácója Az llesztett egenes: Yˆ = a + blg Y ˆ = Yˆ (különböző dózsnál) a különböző a készítménekre Mennvel nagobb log dózs kell a mntából, hog azonos hatást (abszorbancát) adjon a standarddal: Parallel 7 Y ˆ = Yˆ (különböző dózsnál) Yˆ = a + blg lg lg a = a b 5.5 = = 0.670 3.385 ( lgc + lg ) = a + b( lgc ) a + b + 0 0 lg lgc 0 lgc0 = lg lg c c 0 0 a a 5.5 b 3. 385 = 0 = 0 = 0.68 c0 = 0.68c0 = 0.68 5 = 3.NE/ml relatve potenc Parallel 8

Konfdenca-ntervallum CM [ V ] + ( C ) C( M ) T ± T C = S S regr regr tα sr M T = lg lg V Sregr = d a dózsok száma, n az smétlések száma b dn C = S S regr regr tα s r 3600 = =.0077 3600. 6.36 V Sregr 3600 = = b dn 3.385 3 = 0.3035 Parallel 9 M T = lg lg = 0.670 CM [ + ] = ( C ) C( M ) ± V T T [ + 0. ] = ( 0.670) ± 0.0770.0770 ( 0.670) =.0770 3035 ( 0.38, 0.098) = 0.68 ± 0.0699 = c c 0 = 0 ( 0.578, 0.797) Parallel 0

. példa Botechnológa készítmén tterét kívánták meghatározn az smert aktvtású nemzetköz standardhoz képest. Az analtka jel a spektrofotometrás abszorbanca volt. parall.sta 3 5 6 7 8 9 0 Dose Preparaton 3 meas log 5 logmeas 00 standard 99.96806 00 standard 978.990339 50 standard 636.69897.80357 50 standard 655.69897.86 5 standard 8.3979.63 5 standard 5.3979.6836 00 97.987666 00 999.999565 50 638.69897.808 50 65.69897.85578 5 8.3979.63 5.3979.67366 Parallel Az abszorbanca-adatok génelnek-e valamlen transzformácót? Tests of Homogenet of Varances (parall : Dose*"Preparaton" Hartle F-ma Cochran C Bartlett Ch-Sqr. p meas 50.065 0.59573.8685 5 0.65378 σ = konst teljesül?,0 P-Plot: meas : Dose*"Preparaton" (Plot of wthn-cell resduals) All Groups normáls eloszlása teljesül? Epected Normal Value,5,0 0,5 0,0-0,5 -,0 -,5 -,0-30 -0-0 0 0 0 30 Observed Value Parallel

Tests of Homogenet of Varances (parall.st : Dose*"Preparaton" Hartle F-ma Cochran C Bartlett Ch-Sqr. p logmeas 9.966 0.078.78 5 0.883633.0 P-Plot: logmeas: =log0(meas) : Dose*"Preparaton" (Plot of wthn-cell resduals) All Groups.5.0 Epected Normal Value 0.5 0.0-0.5 -.0 -.5 -.0-0.0-0.00-0.006-0.0-0.008-0.00-0.00 0.00 0.006 0.00 0.0 0.000 0.00 0.008 0.0 Observed Value Parallel 3 meas 00 000 900 800 700 600 Scatterplot of meas aganst Dose; categorzed b Preparaton Az abszorbancát ll. a dózst ndokolt-e transzformáln a függvén lneartása szempontjából? 500 00 0 0 60 80 30 50 70 Preparaton: standard 00 90 0 Dose Scatterplot of logmeas aganst log; categorzed b Preparaton 3.05 0 0 60 80 00 30 50 70 90 3.00 0 Preparaton:.95.90.85 íg lneárs? logmeas.80.75.70.65.60.3..5.6.7.8.9.0. Preparaton: standard log.3..5.6.7.8.9.0. Preparaton: Parallel

Statstcs>Advanced Lnear/Nonlnear Models> >General Lnear Models>Separate slopes = α + β + ε j Preparaton*log Preparaton Error Unvarate Tests of Sgnfcance for logmeas (parall.sta Over-parameterzed model Tpe III decomposton; Std. Error of Estmate:.0087560 Degr. of Freedom 0.8863 0.8863 060.3 0.000000 0.7757 0.3879 65.78 0.000000 0.0009 0.0009 3.8 0.086663 0.00063 8 0.000077 Test of Lack (parall.sta) Dependent Lack Lack Lack logmeas 0.0006 6 0.0000 0.00000 0.00000 0.0883 0.9880 Parallel 5 j ( αβ ) j ε = µ + α + β + + Statstcs>Advanced Lnear/Nonlnear Models> >General Lnear Models> >Homogenet-of-slopes Raw Resduals 0.05 0.00 0.005 0.000-0.005-0.00 Predcted vs. Resdual Values Dependent varable: logmeas (Analss sample) Preparaton log Preparaton*log Error Epected Normal Value 3.0.5.0.5.0 0.5 0.0-0.5 -.0 -.5 Unvarate Tests of Sgnfcance for logmeas Std. Error of Estmate:.0087560 Degr. of Freedom 0.89 0.89 060.3 0.00000 0.0003 0.0003 3.8 0.08666 0.7 0.7 37.50 0.00000 0.0003 0.0003.06 0.0788 0.0006 8 0.000 Normal Prob. Plot; Raw Resduals Dependent varable: logmeas (Analss sample) -.0.0 -.5-0.05.5.6.7.8.9 3.0 3. -3.0 Predcted Values -0.05-0.00-0.005 0.000 0.005 0.00 0.05 Resdual Parallel 6.99.95.75.55.35.5.05

log Preparaton Error Unvarate Tests of Sgnfcance for logmeas ve hpothess decomposton; Degr. of Freedom 0.8863 0.8863 795. 0.0000 0.77 0.77 09.6 0.0000 0.000006 0.000006 0. 0.83 Statstcs>Advanced Lnear/Nonlnear Models> >General Lnear Models> >Analss of Covarance = µ + α + β + ε 0.0009 9 0.00003 j log Preparaton Parameter Estmates (parall.sta) Level of Column logmeas logmeas logmeas logmeas Param. Std.Err t p.8776 0.003 88.96876 0.000000 0.5833 0.090 9.08735 0.000000 standard 3-0.00075 0.0095-0.50 0.836 µ a vonatkozás egenes tengelmetszete Test of Lack (parall.sta) Dependent Lack Lack Lack logmeas 0.0006 6 0.0000 0.00033 3 0.0000.05700 0.530 Parallel 7 = µ + α + β + ε j log Preparaton Parameter Estmates (parall.sta) Level of Column logmeas logmeas logmeas logmeas Param. Std.Err t p.8776 0.003 88.96876 0.000000 0.5833 0.090 9.08735 0.000000 standard 3-0.00075 0.0095-0.50 0.836 ( α α ) + βj ε = α + + log Preparaton Preparaton Parameter Estmates (parall.sta) (*Zeroed predctors faled tolerance check) Over-parameterzed model Level of Column Comment logmeas logmeas (B/Z/P) Param. Std.Err.8879 0.0060 0.5833 0.090 standard 3 Based -0.003 0.00585 Zeroed* 0.000000 Parallel 8

A aktvtásának számítása ( a dózs, a hígítás recproka) c Yˆ = a + blnc = a + blg = a + blgc0 blgh = a + blgc0 h 0 + Ismert a standard hígítás előtt c 0 koncentrácója, kérdés a vzsgálandó készítmén hígítás előtt c koncentrácója blg Mennvel nagobb log dózs kell a mntából, hog azonos hatást (abszorbancát) adjon a standarddal: Y ˆ = Yˆ (különböző dózsnál) a a.88.870 ln c0 ln c0 = = = 0.005 b 0.58 Az aktvtás (relatve potenc) ennek antlogartmusa:.0056. Parallel 9 3. példa A.C. Wardlaw: Practcal statstcs for epermental bologsts, J. Wle, 985, p. 38 Nkotnsav meghatározása szárított barack etraktumban, Lactobacllus plantarum, turbdmetrás eredmének Wardlawp38.sta 3 rept standard 50 0.3 standard 50 0.3 3 standard 50 3 0.9 standard 00 0.59 5 standard 00 0.6 6 standard 00 3 0.63 7 sample 00 0.7 8 sample 00 0. 9 sample 00 3 0. 0 sample 00 0.3 sample 00 0.39 sample 00 3 0.5 3 blank 0 0.03 blank 0 0.0 5 blank 0 3 0.0 : ng ll. ml 3.0.5.0.5.0 0.5 0.0 Slope rato assa a szándék 5-pontos Scatterplot of aganst Wardlawp38.sta 0v*5c -0.5-50 0 50 00 50 00 50 300 350 00 50 Parallel 30

0.7 0.6 Scatterplot (Wardlawp38.sta v*5c) Include condton: <>'sample' = 0.083+0.0059* külön a mntára (+ blank) 0.5 0. 0.3 0. 0. 0.0-0. -0 0 0 0 60 80 00 0 Error Unvarate Tests of Sgnfcance for (Wardlawp38.sta) Over-parameterzed model Tpe III decomposton Include condton: <>'sample' Degr. of Freedom 0.000 0.000 3.57 0.053 0.550 0.550 9.857 0.000000 0.0050 7 0.000350 Test of Lack (Wardlawp38.sta) Include condton: <>'sample' Dependnt Lack Lack Lack 0.0000 6 0.00000 0.000050 0.000050 0.5000 0.735765 Parallel 3 0.5 0. Scatterplot (Wardlawp38.sta v*5c) Include condton: <>'s tandard' = 0.06+0.00* külön a standardre (+ blank) 0.3 0. 0. 0.0 0 50 00 50 00 50 300 350 00 50 Parameter Estmates (Wardlawp38.sta) Over-parameterzed model Include condton: <>'standard' Param. Std.Err t p 0.06 0.03.9559 0.09768 0.00008 0.00005 9.399 0.000000 Test of Lack (Wardlawp38.sta) Include condton: <>'standard' Dependnt Lack Lack Lack 0.003867 6 0.0006 0.00067 0.00067.0303 0.3650 Parallel 3

3 rept 5 6 sampl standard 50 0.3 50 0 standard 50 0.3 50 0 3 standard 50 3 0.9 50 0 standard 00 0.59 00 0 5 standard 00 0.6 00 0 6 standard 00 3 0.63 00 0 7 sample 00 0.7 0 00 8 sample 00 0. 0 00 9 sample 00 3 0. 0 00 0 sample 00 0.3 0 00 sample 00 0.39 0 00 sample 00 3 0.5 0 00 3 blank 0 0.03 0 0 blank 0 0.0 0 0 5 blank 0 3 0.0 0 0 Y ˆ = a + b Y ˆ = a + b Parallel 33 StatstcsStatstcs>Advanced Lnear/Nonlnear Models> >General Lnear Models>Multple regresson sampl Error Unvarate Tests of Sgnfcance for (Wardlawp38.sta) Over-parameterzed model Tpe III decomposton Degr. of Freedom 0.0038 0.0038.57 0.0606 0.5585 0.5585 975.5 0.000000 0.7056 0.7056 7.38 0.000000 0.00687 0.000573 Test of Lack (Wardlawp38.sta) Dependent Lack Lack Lack 0.006067 0 0.000607 0.000806 0.00003 0.66050 0.53606 Y ˆ = a + b Y ˆ = a + b közös tengelmetszetű egenesek Parallel 3

Optons fülön: No ntercept sampl Parameter Estmates (Wardlawp38.sta) Over-parameterzed model Param. Std.Err t p 0.0060 0.00038.3 0.000000 0.00087 0.00003 3.5965 0.000000 Test of Lack (Wardlawp38.sta) Dependnt Lack Lack Lack 0.006067 0 0.000607 0.00387 3 0.0006.75096 0.9806 Y ˆ = b Y ˆ = b zérus tengelmetszetű egenesek Bármelket használjuk s Y ˆ = Yˆ helen b = b Parallel 35 sampl Parameter Estmates (Wardlawp38.sta) Param. Std.Err t p 0.0380 0.0677.03898 0.0606 0.00583 0.00087 3.69 0.000000 0.0005 0.00007.73550 0.000000 maradjon meg a tengelmetszet 3.0.5.0 Scatterplot of aganst Wardlawp38.sta 0v*5c Y ˆ = Yˆ helen b = b = b b 0.00583 = 0.0005 = 5.75.5.0 0.5 0.0-0.5-50 0 50 00 50 00 50 300 350 00 50 c = = 0.7 ng µl = 7ng 5.75 ml vags a ml-e 7ng standardnek felel meg. Parallel 36

0.06 Predcted vs. Resdual Values Dependent varable: (Analss sample) Raw Resduals 0.05 0.0 0.03 0.0 0.0 0.00-0.0-0.0-0.03 3.0-0.0.5-0.05.0-0. 0.0 0. 0. 0.3 0. 0.5 0.6 0.7 Predcted Values.5.0 0.5 0.0-0.5 -.0 -.5 -.0 -.5 Epected Normal Value Normal Prob. Plot; Raw Resduals Dependent varable: (Analss sample).99.95.75.55.35.5.05.0-3.0-0.05-0.0-0.03-0.0-0.0 0.00 0.0 0.0 0.03 0.0 0.05 0.06 Resdual Parallel 37. példa 3 készítmén standardhoz vszonított tterét kívánták meghatározn. Az analtka jel a spektrofotometrás abszorbanca volt. parall.sta Prepn Dlut 3 ln 5 Absorb tt =/hígítás 0 0. -.3059.69 0 0. -.3059.33 3 0 0.05 -.99573.5 0 0.05 -.99573.0 5 0 0.05-3.68888.089 3.0 6 0 0.05-3.68888.00.8 7 0 0.05 -.99573.536.6 8 0 0.05 -.99573.659.. 9 0 0.05-3.68888.53.0 0 0 0.05-3.68888.89.8 80 0.05 -.3803.03.6 80 0.05 -.3803 0.837. 3 3 0 0.05-3.68888.633. 3 0 0.05-3.68888.89.0 5 3 80 0.05 -.3803.55 0.8 6 3 80 0.05 -.3803.759 0.6 7 3 60 0.0065-5.0757 0.8 8 3 60 0.0065-5.0757 0.98 9 350 0.0007-7.0786.8 0 350 0.0007-7.0786.663 700 0.00037-7.900.863 700 0.00037-7.900.55 3 500 0.00085-8.595.006 500 0.00085-8.595 0.976 Parallel 38-0.0 0.00 0.0 0.0 0.06 0.08 0.0 0. Slope rato assa a szándék

Prepn Dlut 3 ln 5 Absorb 0 0. -.3059.69 0 0. -.3059.33 3 0 0.05 -.99573.5 0 0.05 -.99573.0 5 0 0.05-3.68888.089 6 0 0.05-3.68888.00 7 0 0.05 -.99573.536 8 0 0.05 -.99573.659 9 0 0.05-3.68888.53 0 0 0.05-3.68888.89 80 0.05 -.3803.03 80 0.05 -.3803 0.837 3 3 0 0.05-3.68888.633 3 0 0.05-3.68888.89 5 3 80 0.05 -.3803.55 6 3 80 0.05 -.3803.759 7 3 60 0.0065-5.0757 0.8 8 3 60 0.0065-5.0757 0.98 9 350 0.0007-7.0786.8 0 350 0.0007-7.0786.663 700 0.00037-7.900.863 700 0.00037-7.900.55 3 500 0.00085-8.595.006 500 0.00085-8.595 0.976 Parallel 39 Statstcs>Advanced Lnear/Nonlnear Models> >General Lnear Models>Separate slopes = α + β j + ε majd nem ezt akarjuk, csak a lneartás vzsgálata kedvéért, tt még különböző tengelmetszetet s megengedjük Prepn* Prepn* Prepn* Prepn* Prepn Prepn Prepn Prepn Parameter Estmates (parall.sta) (*Zeroed predctors faled tolerance check) Over-parameterzed model Level of Column Comment Absorb Absorb (B/Z/P) Param. Std.Err Absorb t Absorb p -95.00% Cnf.Lmt +95.00% Cnf.Lmt 0.75 0.96 3.66 0.00 0.00 0.79 9.770.9596 0.089 0.0000 5.66 3.9 3 3.357 3.99.063 0.0000 35.09 5.666 3 97.3 7.8385.39 0.0000 80.55 3.78 5 3099. 6.579.75 0.0000 538.398 3660.03 6 Based 0.06 0.833 0.50 0.806-0.33 0.3 7 Based -0.007 0.833-0.037 0.97-0.395 0.38 3 8 Based -0. 0.833-0.769 0.530-0.530 0.8 9 Zeroed* 0.000 Test of Lack (parall.sta) Dependnt Lack Lack Lack Absorb 0.593 0.00 0.066 0.0659.687 0.33779 rendben van a lneartás Parallel 0

Prepn Dlut 3 ln 5 Absorb 6 ve 7 ve 8 ve3 9 ve 0 ved ved ve3d 3 ved 0 0. -.3059.69 0 0 0 0. 0 0 0 0 0. -.3059.33 0 0 0 0. 0 0 0 3 0 0.05 -.99573.5 0 0 0 0.05 0 0 0 0 0.05 -.99573.0 0 0 0 0.05 0 0 0 5 0 0.05-3.68888.089 0 0 0 0.05 0 0 0 6 0 0.05-3.68888.00 0 0 0 0.05 0 0 0 7 0 0.05 -.99573.536 0 0 0 0 0.05 0 0 8 0 0.05 -.99573.659 0 0 0 0 0.05 0 0 9 0 0.05-3.68888.53 0 0 0 0 0.05 0 0 0 0 0.05-3.68888.89 0 0 0 0 0.05 0 0 80 0.05 -.3803.03 0 0 0 0 0.05 0 0 80 0.05 -.3803 0.837 0 0 0 0 0.05 0 0 3 3 0 0.05-3.68888.633 0 0 0 0 0 0.05 0 3 0 0.05-3.68888.89 0 0 0 0 0 0.05 0 5 3 80 0.05 -.3803.55 0 0 0 0 0 0.05 0 6 3 80 0.05 -.3803.759 0 0 0 0 0 0.05 0 7 3 60 0.0065-5.0757 0.8 0 0 0 0 0 0.0063 0 8 3 60 0.0065-5.0757 0.98 0 0 0 0 0 0.0063 0 9 350 0.0007-7.0786.8 0 0 0 0 0 0 0.0007 0 350 0.0007-7.0786.663 0 0 0 0 0 0 0.0007 700 0.00037-7.900.863 0 0 0 0 0 0 0.00037 700 0.00037-7.900.55 0 0 0 0 0 0 0.00037 3 500 0.00085-8.595.006 0 0 0 0 0 0 0.00085 500 0.00085-8.595 0.976 0 0 0 0 0 0 0.00085 ved=ve*, különböző egenes Parallel Prepn Dlut 3 ln 5 Absorb 6 ved 7 ved 8 ve3d 9 ved 0 0. -.3059.69 0. 0 0 0 0 0. -.3059.33 0. 0 0 0 3 0 0.05 -.99573.5 0.05 0 0 0 0 0.05 -.99573.0 0.05 0 0 0 5 0 0.05-3.68888.089 0.05 0 0 0 6 0 0.05-3.68888.00 0.05 0 0 0 7 0 0.05 -.99573.536 0 0.05 0 0 8 0 0.05 -.99573.659 0 0.05 0 0 9 0 0.05-3.68888.53 0 0.05 0 0 0 0 0.05-3.68888.89 0 0.05 0 0 80 0.05 -.3803.03 0 0.05 0 0 80 0.05 -.3803 0.837 0 0.05 0 0 3 3 0 0.05-3.68888.633 0 0 0.05 0 3 0 0.05-3.68888.89 0 0 0.05 0 5 3 80 0.05 -.3803.55 0 0 0.05 0 6 3 80 0.05 -.3803.759 0 0 0.05 0 7 3 60 0.0065-5.0757 0.8 0 0 0.0065 0 8 3 60 0.0065-5.0757 0.98 0 0 0.0065 0 9 350 0.0007-7.0786.8 0 0 0 0.0007 0 350 0.0007-7.0786.663 0 0 0 0.0007 700 0.00037-7.900.863 0 0 0 0.00037 700 0.00037-7.900.55 0 0 0 0.00037 3 500 0.00085-8.595.006 0 0 0 0.00085 500 0.00085-8.595 0.976 0 0 0 0.00085 Parallel

Statstcs>Advanced Lnear/Nonlnear Models> General Lnear Models>Multple regresson ved "ved" "ve3d" "ved" Parameter Estmates (parall_ve.sta) Absorb Absorb Absorb Absorb -95.00% +95.00% Param. Std.Err t p Cnf.Lmt Cnf.Lmt 0.9 0.066 7.90 0.00000 0.30 0.578 0.70.00 7.3835 0.000000 8.0 3.36 3.857.039 8.38 0.000000 38.86 8.889 90.97.8079 8.99 0.000000 80.908 0.03 35. 6.66 9.38 0.000000 805.87 38.7 közös tengelmetszet Parallel 3 3.0 Scatterplot of PREDICTD aganst Spreadsheet33 5v*c Functon = 0.9+35.* Functon = 0.9+0.7* Functon = 0.9+3.86* Functon = 0.9+90.97*.5.0 PREDICTD.5.0 0.5 0.0-0.0 0.00 0.0 0.0 0.06 0.08 0.0 0. Include Prepn= Include Prepn= Include Prepn=3 Include Prepn= Other Parallel

A aktvtásának számítása Y ˆ = a + b A nem hígított standard 5NE/ml koncentrácójú, az nagságú dózs jelentené uganezt a koncentrácót, a 0.-es dózs.5ne/ml koncentrácónak felelne meg. Y ˆ = a + b Vegünk a standardból és a készítménből olan dózsokat, hog az abszorbanca egenlő legen b = b b = b Parallel 5 b = b Pl. a 3. mntára ved "ved" "ve3d" "ved" Parameter Estmates (parall_ve.sta) Absorb Absorb Absorb Absorb -95.00% +95.00% Param. Std.Err t p Cnf.Lmt Cnf.Lmt 0.9 0.066 7.90 0.00000 0.30 0.578 0.70.00 7.3835 0.000000 8.0 3.36 3.857.039 8.38 0.000000 38.86 8.889 90.97.8079 8.99 0.000000 80.908 0.03 35. 6.66 9.38 0.000000 805.87 38.7 b = legen b = (hígítatlan) b 90.97 = 35. = = b 0.09 a hígítatlan /0.09=3.8-szoros hígítású standardnak felel meg Parallel 6