K-INFO
HU
EN
Login
Subject » BMEVESAM004
Older versions Download TAD (PDF)

Multivariate Data Evaluation I.

Többváltozós adatelemzési módszerek
A tantárgyleírás hatályossága
Hatályosság kezdete:
2026. March 21.
Hatályosság vége:
—
Subject name (Hungarian, English)
Többváltozós adatelemzési módszerek
Multivariate Data Evaluation I.
Subject code BMEVESAM004
Subject type —
Training Level —
Course types and hours (weekly/semester)
Course type lecture tutorial laboratory
hours (weekly) 2 0 0
type (linked/independent) — — —
Assessment type félévközi érdemjegy
Credits 2
Subject coordinator
DR. Höfler Lajos Tamás
position: egyetemi docens
Responsible department
Szervetlen és Analitikai Kémia Tanszék
Faculty Vegyészmérnöki és Biomérnöki Kar
Subject website —
Primary curriculum type —
Direct prerequisites – Strong prerequisite BMETE90AX18 (Matematika A3c vegyész- és biomérnököknek), BMETE90AX15 (Matematika A3 környezetmérnököknek), BMEVESAA302 (Analitikai kémia I.)
Direct prerequisites – Weak prerequisite none
Direct prerequisites – Parallel prerequisite none
Direct prerequisites – Milestone prerequisite none
Direct prerequisites – Exclusion none

Objectives

Programme

1. Introduction to chemometrics, basic ideas, terms, methods, techniques, examples

2. Elements of mathematical statistics (random variables, distribution function, expectation value, variance, hypothesis testing, examination of normality, etc.).

3. The black box model and its usage (empirical, “statistical” modeling, choosing variables (factors). The correlation coefficient and its variants (COD = coefficient of determination), their abuse.

4. Curve fitting, ANOVA, regression (linear and non-linear case, model discrimination, checking the linearity, detection of trends etc., most frequent errors in regression and how to avoid them).

5. Multivariate techniques 1: Multiple linear regression, forward selection, backward elimination, best subset, (F test, t test), LFER, QSAR, examples.

6. Multivariate techniques 2: Pattern recognition 2. Principal Component Analysis, Factor Analysis. How and when to use them?

7. Multivariate techniques 3: Pattern recognition (supervised and unsupervised) 1. Hierarchical Cluster analysis, an example.

8. Linear discriminant analysis, wine and olive oil authentication.

9. Comparison of methods and models by consensus. Sum of ranking differences. Examples. Features of SRD ordering. methods of data fusion.

10. Cross- or external validation? Variants of cross-validation (LOO, LMO, bootstrap Monte Carlo, permutation test).

11. Discrimination of seemingly equivalent variables. The Pair-wise Correlation Method and its generalization.

12. How can multivariate data analysis be useful for chromatographers? (Abraham and Snyder’s models, comparison of column classification systems: Wilson’s, Euerby’s, Hoogmartens’ and Poole’s).

13. Determination of pseudorank (number of latent variables, principal components). SRD ordering in case of repeated observations.

14. Practice, analysis of students’ data sets; exam.

To learn selected methods of multivariate data evaluation, (chemometric techniques); to apply them in practice, with special emphasis on avoiding the most frequent errors.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge
Sokváltozós adatfeldolgozási, kemometriai értékelési módszerek megismerése, gyakorlatban történő alkalmazása.
Skills
Sokváltozós adatfeldolgozási, kemometriai értékelési módszerek alkalmazása és a leggyakoribb hibák felismerése.
Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

lecture

Tanulástámogató anyagok

Online források
P.R. Bevington, Data Reduction and Error Analysis for the Physical Sciences, McGraw-Hill Book Co., New York, 1969.; N.R. Draper, H. Smith, Applied Regression Analysis, Wiley, New York, 1981 (2nd. ed.).; T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, Springer, New York, 2001., 2nd edition, 2009 February.; available via Intenet: http://www-stat.stanford.edu/~tibs/ElemStatLearn/;  

Recommended preliminary knowledge for completing the subject

Knowledge type competencies
(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Skill type competencies
(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)
nincs
Recommended (non-compulsory) preliminary competencies
(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)
Statistics, Probability Theory, Analytical Chemistry, Instrumental Analysis.
General rules
Requirements: a.       In the semester: participation the lectures, minimum 50 % result at the test. Re-takes: As discussed with the relevant lecturers
Assessment methods
In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description
Name: Post: Department: Dr. Károly Héberger Scientific advisor Research Centre for Natural Sciences, Hungarian Academy of Sciences
Recommended courses
60 hours
Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements
Requirements valid from:
—
Requirements valid until:
—
Curriculum placement
Faculty Program Curriculum Curriculum type Primary
Default Faculty vegyészmérnöki Vegyészmérnöki mesterképzési szak tanterve — nem
Default Faculty vegyészmérnöki Vegyészmérnöki mesterképzési szak tanterve — nem
Default Faculty biomérnöki Biomérnöki mesterképzési szak tanterve — nem
Default Faculty környezetmérnöki Környezetmérnöki mesterképzési szak tanterve — nem
Default Faculty környezetmérnöki Környezetmérnöki mesterképzési szak tanterve — nem
Default Faculty műanyag- és száltechnológiai mérnöki Műanyag- és száltechnológiai mérnöki mesterképzési szak tanterve — nem