Zuchtwertschätzung mit Best Linear Unbiased Prediction Verfahren

Größe: px
Ab Seite anzeigen:

Download "Zuchtwertschätzung mit Best Linear Unbiased Prediction Verfahren"

Transkript

1 Zuchtwertschätzung mit Best Linear Unbiased Prediction Verfahren Birgit Gredler-Grandl Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

2 Termine und Inhaltsübersicht 06. Nov VCE, BLUP-Zuchtwertschätzung 13. Nov BLUP-Zuchtwertschätzung 20. Nov Kopplungsungleichgewicht 27. Nov QTL-Mapping und Genomweite Assoziationsstudien 04. Dez Genomweite Assoziationsstudien und Genomische Selektion 11. Dez Genomische Selektion 18. Dez Prüfung ZL I ZL II Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

3 Termine Keine Vorlesung am 9. Oktober 2015: 2 Einheiten kompensiert mit Peter von Rohr à 1 Einheit noch frei 18. Dezember 2015 Prüfung à 1 Einheit noch frei Zumindest 1 Einheit noch einholen An welchem Termin? Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

4 Heutige Vorlesung Zuchtwertschätzung mittels BLUP Tiermodell Was heisst BLUP? Was sind Mischmodellgleichungen? Wie berechnen sich Zuchtwerte mit einem BLUP Tiermodell? Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

5 Bei der Zuchtwertschätzung werden umfangreiche Gleichungssysteme mit der Matrix Algebra gelöst! Kenntnisse der Algebra der Matrizen Voraussetzung!! Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

6 Literatur Alfons Willam Henner Simianer, Tierzucht Raphael A. Mrode, Linear Models for the Prediction of Animal Breeding Values Richard M. Bourdon, Understanding Animal Breeding Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

7 Beiträge in Form von Folien, Ideen, Konzepte... von Chris Baes, University Guelph (CA) VO-Unterlagen ETH Alfons Willam, BOKU Wien VO-Unterlagen Spezielle Tierzucht Marlies Dolezal, VETMED Wien Diverse VO-Unterlagen Roswitha Baumung, BOKU Wien VO-Unterlagen Biostatistik in den Nutztierwissenschaften Kay-Uwe Götz, Bayerische Landesanstalt für Landwirtschaft VO-Unterlage Quantitative Genetik und Zuchtplanung, TU München Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

8 Zuchtwerte als Selektionsinstrument Züchtung basiert auf Selektion x Elterngeneration Remonte Selektierte Eltern der nächsten Generation Setzt voraus, dass ein Kriterium bzw. Instrument zur Verfügung steht um Tiere zu rangieren Zuchtwert ist das Werkzeug um Tiere nach ihrem genetischen Potenzial zu rangieren Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

9 Entwicklung Milchleistung bei Braunviehkühen Durchschnitt aller Standardabschlüsse (Rust, 2015) in der Schweiz Milch - kg Jahre Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

10 Methoden der Zuchtwertschätzung Selektionsindex (Selektionsindextheorie nach Hazel und Lush, 1943) BLUP Verfahren Mischmodellgleichungen (Henderson, 1973) Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

11 Lineare Modelle Mit einem Modell versuchen wir die Wirklichkeit zu beschreiben, z.b. wie die Milchleistung einer Kuh zustande kommt. Das Modell sollte alle Kausaleffekte enthalten. Modell der Leistung: Phänotyp = Genotyp + Umwelt Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

12 Lineare Modelle Mit einem Modell versuchen wir die Wirklichkeit zu beschreiben, z.b. wie die Milchleistung einer Kuh zustande kommt. Das Modell sollte alle Kausaleffekte enthalten. y = Xb ˆ + y = Zuˆ + e e Lineares Modell mit fixen Kausaleffekten Lineares Modell mit zufälligen Kausaleffekten y = Xbˆ + Zuˆ + e Gemischtes lineares Modell mit fixen und zufälligen Kausaleffekten (Mixed Models) Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

13 Fixe versus zufällige Kausaleffekte Die Unterteilung in fixe und zufällige Effekte ist ein langjähriges Diskussionsthema Keine universell gültige Regel/Definition Statistisch kann jeder Effekt als fix oder zufällig betrachtet werden Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

14 Schätzung fixer Kausaleffekte Die in der Analyse berücksichtigten Ausprägungen (Stufen) eines Kausalfaktors sind gezielt (fix) ausgewählt. z.b. Futterration, Rasse Fragestellung und Interpretation beschränken sich auf die jeweils ausgewählten Faktorstufen Unterscheiden sich Mittelwerte signifikant voneinander? Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

15 Schätzung zufälliger Kausaleffekte Die in der Analyse berücksichtigten Ausprägungen (Stufen) eines bestimmten Kausalfaktors können als Zufallsstichprobe aller möglichen Stufen in der Grundgesamtheit aufgefasst werden. Fragestellung und Interpretation zielt hier auf die Grundgesamtheit aller möglichen Faktorstufen ab. Variationsparameter - Varianz Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

16 Fixe versus zufällige Kausaleffekte fixer Effekt Anzahl Effektstufen gering Interpretation untersuchte Effektstufen Stichprobenziehung gezielt Zielgrösse: Vergleich von Mittelwerten Rasse, Geschlecht, Futterration,... Anzahl Effektstufen hoch Interpretation Grundgesamtheit zufälliger Effekt Stichprobenziehung zufällig Zielgrösse: Schätzung von Varianzkomponenten Zuchtwerte (Tiereffekte) Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

17 BLUP Verfahren Weltweit Goldstandard für die Zuchtwertschätzung bei Nutztieren Der Hauptvorteil des BLUP Verfahrens ist die simultane Schätzung von fixen und zufälligen Effekten in der Zuchtwertschätzung (vor BLUP mussten die phänotyp. Leistungen um die systematischen Umwelteffekte vorkorrigiert werden) Die Theorie des BLUP Verfahrens wurde in den 70er Jahren publiziert, die breite Anwendung fand jedoch erst Ende der 80er / Anfang 1990 statt, als leistungsfähige Computer zur Verfügung standen. Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

18 Charles Roy Henderson ( ) Iowa, PhD Student von JL Lush (siehe Selektionsindex) Entwickelte verschiedene Methoden zur Varianzkomponentenschätzung Entwickelte Methode für A -1 When I see a flock of cattle, I don t see hoofs and horns, but I see a mean and a variance. Vater BLUP Tiermodell Entwickelte Mischmodellgleichungen um Zuchtwerte mit BLUP Eigenschaften zu erhalten A Biographical Memoir by L. Dale Van Vleck Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

19 Eigenschaften von BLUP BEST: Korrelation zwischen dem wahrem (a) und dem geschätzten () Zuchtwert wird maximiert (Minimierung des Schätzfehlers, Lösungen haben minimale Fehlervarianz - Minimumvarianz). E( - a) 2 Minimum! LINEAR: die Schätzer für die Zuchtwerte sind lineare Funktionen der Beobachtungen UNBIASED: unverzerrt: die Erwartungswerte der Lösungen entsprechen den wahren Werten (E(a) = E()), keine systematische Über- oder Unterschätzung (Erwartungstreue) PREDICTION: Vorhersage von zufälligen Effekten Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

20 Symbolische Darstellung von Erwartungstreue und Minimumvarianz Auf eine Zielscheibe wurden mit 3 verschiedenen Gewehren je 5 Schüsse abgegeben: Der Scheibenmittelpunkt symbolisiert den wahren Parameter p Die Gewehre symbolisieren 3 verschiedene Schätzverfahren Die einzelnen Einschüsse symbolisieren die jeweils erzielten Stichprobenschätzwerte Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

21 Symbolische Darstellung von Erwartungstreue und Minimumvarianz Gewehr 1 Gewehr 2 Gewehr 3 Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

22 Symbolische Darstellung von Erwartungstreue und Minimumvarianz Gewehr 1: Zeigt die geringsten Schwankungen zwischen den Einschüssen Schiesst aber systematisch daneben à entspricht Minimumvarianz mit systematischem Schätzfehler Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

23 Symbolische Darstellung von Erwartungstreue und Minimumvarianz Gewehr 2: Starke Streuung der Einschüsse Keine systematische Abweichung à entspricht erwartungstreuem Schätzverfahren mit grossem zufallsbedingtem Fehler Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

24 Symbolische Darstellung von Erwartungstreue und Minimumvarianz Gewehr 3: à entspricht relativer Minimumvarianz innerhalb erwartungstreuer Schätzverfahren Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

25 Gemischte lineare Modelle - BLUP y = Xb + Zu + e Wir sind an den Lösungen für b und u: BLUP( a) = aˆ = GZ' V 1 ( y Xbˆ) ˆb = (X'V 1 X)X'V 1 y Um Lösungen zu erhalten, braucht man die V -1 Matrix (Varianz- Kovarianzmatrix der Beobachtungen). Diese ist nicht einfach zu berechnen. Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

26 Mischmodellgleichungen y = Xb + Zu + e Henderson entwickelte sogenannte Mischmodellgleichungen (Mixed model equations, MME), um Lösungen für b zu schätzen (estimate fixe Effekte) und Lösungen für u vorherzusagen (predict zufällige Effekte) ohne Notwendigkeit von V -1 Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

27 Mischmodellgleichungen y = Xb + Zu + e Henderson s Mixed Model Equations X'R Z'R 1 1 X X Z'R X'R 1 1 Z Z + G 1 b X'R * = u Z'R 1 1 y y Oftmals wird R -1 herausgekürzt: X'X X'Z b X'y * = + 1 Z'X Z'Z A λ u Z' y σ λ = σ 2 e 2 u Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

28 Mischmodellgleichungen Klassische Lösung der MME : bˆ uˆ = X'X Z'X X'Z Z'Z + A λ 1 * 1 X'y Z'y Der mittlere Klammerausdruck ist die Inverse der Koeffizientenmatrix In der Praxis liegt in der Invertierung der Koeffizientenmatrix oft ein Problem, da diese sehr gross werden kann. Deshalb kommen bei der Zuchtwertschätzung spezielle Algorithmen zur Anwendung, welche den Lösungsvektor schätzen, ohne die Koeffizientenmatrix zu invertieren (iterative Lösungswege). Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

29 Ein Beispiel: BLUP Tiermodell Was bedeutet Tiermodell? Zuchtwerte aller Tiere (Stiere, Kühe, Tiere ohne Leistungen) werden gleichzeitig unter Einbeziehung aller Verwandtschaftsinformationen geschätzt. Alle Leistungen von Verwandten sind massgebend Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

30 Beispiel: BLUP Tiermodell (Mrode, 2014, p37 ff) Merkmal: Gewichtszuwachs bis zum Absetzen (Entwöhnung) von Mastkälbern Kälber werden unter gleichen Managementbedingungen aufgezogen Kalb Geschlecht Vater Mutter Zuwachs (kg) 4 M W W M M Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

31 Beispiel: BLUP Tiermodell (Mrode, 2014, p37 ff) Merkmal: Gewichtszuwachs bis zum Absetzen (Entwöhnung) von Mastrindern Kalb Geschlecht Vater Mutter Zuwachs (kg) Ziel: Schätzen des Effektes des Geschlechts und der Zuchtwerte für alle Tiere 4 M W W M M Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

32 Beispiel: BLUP Tiermodell (Mrode, 2014, p37 ff) Merkmal: Gewichtszuwachs bis zum Absetzen (Entwöhnung) von Mastrindern Kalb Geschl. Vat. Mut. Zuwachs (kg) In der Zuchtwertschätzung wird davon 4 M ausgegangen, dass die Varianzkomponenten für 5 W das betrachtete Merkmal in der jeweiligen Population bekannt sind (aus vorherigen 6 W Varianzkomponenten-Schätzläufen mit z.b. 7 M REML- oder Bayes-Schätzverfahren) 8 M Varianzen müssen bekannt sein: σ σ 2 a 2 e = = Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

33 BLUP Tiermodell K. Geschl. Vat. Mut. Zuwachs (kg) 4 M W W M M y = p + a + ij i = Geschlecht j = Kalb i j e y ij = Zuwachs des Kalbes j mit Geschlecht i p i = fixer Effekt des Geschlechts i a j = zufälliger Effekt des Kalbes j e ij = zufälliger Fehler ij y = p + a + ij i j e ij 4.5 = p 1 + a 1 + e = p 2 + a 2 + e = p 2 + a 3 + e = p 1 + a 4 + e = p 1 + a 5 + e 15 Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

34 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) 4 M W W M M Modell nun in Matrixschreibweise y = Xb + Za n = Anzahl Beobachtungen p = Anzahl Stufen (Fix) q = Anzahl Stufen (Zufällig) y (n x 1) Anzahl Beobachtungen x 1 b (p x 1) Anzahl fixe Stufen x 1 a (q x 1) Anzahl zufällige Stufen x 1 X (n x p) Anzahl Beobachtungen x fixe Stufen Z (n x q) Anzahl Beobachtungen x zuf. Stufen X und Z sind Designmatrizen, welche die fixen und zufälligen Effekte den Beobachtungen y zuordnen Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

35 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) 4 M W W M M Modell nun in Matrixschreibweise y = Xb + Za y = Vektor mit phänotypischen Beobachtungen Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

36 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) 4 M W W M M Modell nun in Matrixschreibweise y = Xb + Za y = Faktorstufe 1 Faktorstufe X = Designmatrix für fixen Effekt Geschlecht Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

37 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) 4 M W W M M Modell nun in Matrixschreibweise y = Xb + Za Kälber und Eltern y = 3.9 X = 0 1 Z = Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

38 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) 4 M W W M M Modell nun in Matrixschreibweise y = Xb + Za Mischmodellgleichung X'X Z'X X'Z Z'Z + λa 1 bˆ aˆ = X'y Z'y Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

39 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) y = Xb + Za 4 M W W M M X'X Z'X X'Z Z'Z + λa 1 bˆ aˆ = X'y Z'y = X X' =? X'X =? Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

40 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) y = Xb + Za 4 M W W M M X'X Z'X X'Z Z'Z + λa 1 bˆ aˆ = X'y Z'y! X ' = 1 0 " X'Z =? $ % Z = Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

41 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) y = Xb + Za 4 M W W M M X'X Z'X X'Z Z'Z + λa 1 bˆ aˆ = X'y Z'y Z = X = Z' =? Z'X =? Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

42 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) y = Xb + Za 4 M W W M M X'X Z'X X'Z Z'Z + λa 1 bˆ aˆ = X'y Z'y! Z ' = " $ Z = % Z'Z = Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

43 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) y = Xb + Za 4 M W W M M X'X Z'X X'Z Z'Z + λa 1 bˆ aˆ = X'y Z'y! X ' = 1 0 " $ %! Z ' = " $ % y = X'y =? Z'y =? Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

44 BLUP Tiermodell K. Geschl. Vat. Mut. Zuw. (kg) 4 M W W M M X'X = X'Z = X'X Z'X y = Xb + Za X'Z Z'Z + λa bˆ X'y = aˆ Z'y Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov Z'X = Z'Z =

45 BLUP Tiermodell X'X Z'X X'Z Z'Z + λa bˆ X'y = aˆ Z'y Tier8 Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov ˆb ˆb 1.Männlich 2,Weiblich Tier1 Tier 2 Tier3 = Tier 4 Tier5 Tier6 Tier

46 BLUP Tiermodell X'X Z'X X'Z Z'Z + λa bˆ X'y = aˆ Z'y Tier8 Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov ˆb ˆb 1.Männlich 2,Weiblich Tier1 Tier 2 Tier3 = Tier 4 Tier5 Tier6 Tier

47 BLUP Tiermodell Inverse der additiv genetischen Verwandtschaftsmatrix muss aufgestellt werden Erinnerung: verschiedene Methoden bei grossen Datensätzen muss Inverse direkt aufgestellt werden! Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

48 A BLUP Tiermodell 1 X'X Z'X X'Z Z'Z + λa 1 bˆ X'y = aˆ Z'y = Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

49 BLUP Tiermodell X'X Z'X X'Z Z'Z + λa 1 bˆ aˆ = X'y Z'y A 1 = Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

50 BLUP Tiermodell X'X Z'X A 1 X'Z Z'Z + λa bˆ X'y = aˆ Z'y = σ 40 λ= = = 2 σ 20 2 e 2 a Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov Varianzen müssen bekannt sein!

51 BLUP Tiermodell X'X Z'X 1 λ A = X'Z Z'Z + λa 1 bˆ X'y = aˆ Z'y Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

52 BLUP Tiermodell X'X Z'X 1 λ A = X'Z Z'Z + λa 1 bˆ X'y = aˆ Z'y Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

53 BLUP Tiermodell X'X Z'X X'Z Z'Z + λa 1 bˆ aˆ = X'y Z'y Z'Z 1 +λ A = Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

54 Qualitas AG Birgit Gredler-Grandl 6. Nov BLUP Tiermodell Folien ZL I+II LFW C11 = + Z'y X'y a b A Z'Z Z'X X'Z X'X 1 ˆ ˆ λ ˆb ˆb =

55 Qualitas AG Birgit Gredler-Grandl 6. Nov BLUP Tiermodell Folien ZL I+II LFW C ˆb ˆb = ˆb! " $ % = X'X X'Z Z'X Z'Z + λa 1! " $ % 1 X'y Z'y! " $ %

56 Qualitas AG Birgit Gredler-Grandl 6. Nov BLUP Tiermodell Folien ZL I+II LFW C ˆb ˆb = ˆb! " $ % = X'X X'Z Z'X Z'Z + λa 1! " $ % 1 X'y Z'y! " $ %

57 BLUP Tiermodell! " ˆb $! = X'X X'Z % " Z'X Z'Z + λa 1 $ % 1! " X'y Z'y $ %! " ˆb 1 ˆb $! = " % $ % 1! " $ % Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

58 BLUP Tiermodell Lösung der MME ˆb 1.Männlich bˆ ,Weiblich Tier Tier Tier3 = Tier Tier Tier Tier Tier8 BLUE Schätzer für die Faktorstufen des fixen Effektes Geschlecht BLUP Schätzer für den zufälligen Tiereffekt = Zuchtwert Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

59 BLUP Tiermodell Lösung der MME ˆb 1.Männlich bˆ ,Weiblich Tier Tier Tier3 = Tier Tier Tier Tier Tier8 Männliche Kälber wachsen schneller als Weibliche Obwohl wir keine Beobachtung für Tiere 1 bis 3 hatten, haben sie trotzdem Zuchtwerte Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

60 BLUP Tiermodell Kalb Geschl. Vater Mutter Zuchtwert Rang 8 M W M M W M W M Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

61 BLUP Tiermodell geschafft J Qualitas AG Birgit Gredler-Grandl Folien ZL I+II LFW C11 6. Nov

Die genomische Selektion in Deutschland und Österreich

Die genomische Selektion in Deutschland und Österreich Bayerische Landesanstalt für Landwirtschaft Die genomische Selektion in Deutschland und Österreich LfL, Emmerling, R.; Edel, C.; Neuner, S.; Götz, K.-U. ZuchtData GmbH, Wien Schwarzenbacher, H. LGL Baden-Württemberg

Mehr

Foto: Kate Whitley, www.biotechnologie.de

Foto: Kate Whitley, www.biotechnologie.de Foto: Kate Whitley, www.biotechnologie.de Inhalt o Was kann die genomische ZWS nicht? o QTL: Erfahrungen aus genomweiten Studien o Begriffklärung [Re-]Sequenzierung o Hochdurchsatzsequenzierung technische

Mehr

1 Gemischte Lineare Modelle

1 Gemischte Lineare Modelle 1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst

Mehr

Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk

Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC

Mehr

Statistik II Übung 2: Multivariate lineare Regression

Statistik II Übung 2: Multivariate lineare Regression Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden

Mehr

Regression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate

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

Mehr

8. Konfidenzintervalle und Hypothesentests

8. Konfidenzintervalle und Hypothesentests 8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars

Mehr

Genomische Selektion. Dr. Fritz Schmitz-Hsu, Senior Geneticist. Delegiertenversammlung. Ostschweizer Holsteinzuchtverband. 12.

Genomische Selektion. Dr. Fritz Schmitz-Hsu, Senior Geneticist. Delegiertenversammlung. Ostschweizer Holsteinzuchtverband. 12. Genomische Selektion Dr. Fritz Schmitz-Hsu, Senior Geneticist Delegiertenversammlung Ostschweizer Holsteinzuchtverband 12. März 2009 Swissgenetics 2009 Zuchtwert bei Geburt eines Kalbes bereits mit einer

Mehr

Eine zweidimensionale Stichprobe

Eine zweidimensionale Stichprobe Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,

Mehr

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten

Mehr

Aktuelle Arbeiten zur genomischen Selektion bei Qualitas

Aktuelle Arbeiten zur genomischen Selektion bei Qualitas Aktuelle Arbeiten zur genomischen Selektion bei Qualitas Swissherdbook Birgit Gredler, Beat Bapst, Franz Seefried Qualitas AG SABRE TP Workshop 4. Juni 2013, Zug Übersicht Genomische Selektion in der Routine-ZWS

Mehr

Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung

Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung Systematische Stichprobe Rel. große Gruppe von Stichprobenverfahren. Allgemeines Merkmal: es existiert ein festes, systematisches Muster bei der Auswahl. Wie passt das zur allgemeinen Forderung nach Randomisierung

Mehr

Übungsaufgaben zu Statistik II

Übungsaufgaben zu Statistik II Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben

Mehr

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden

Inhaltsverzeichnis. Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden Inhaltsverzeichnis Teil 1 Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3 Warum Statistik? 3 Checkpoints 4 Daten 4 Checkpoints 7 Skalen - lebenslang wichtig bei der Datenanalyse

Mehr

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010

Mehr

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)

4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte

Mehr

Voraussetzungen für die Genomische Selektion beim Pferd

Voraussetzungen für die Genomische Selektion beim Pferd Agrar- und Ernährungswissenschaftliche Fakultät Institut für Tierzucht und Tierhaltung Voraussetzungen für die Genomische Selektion beim Pferd Prof. Dr. Georg Thaller 32. Jahrestagung zur Pferdegesundheit

Mehr

Genomische Selektion in der Pflanzenzüchtung

Genomische Selektion in der Pflanzenzüchtung Genomische Selektion in der Pflanzenzüchtung Chris-CarolinCarolin Schön 30. März 2012 Hybridzüchtung Population 1 Population 2 Kreuzungen 10.000000 Linieni Prüfung 1 Umwelt Kreuzungen 10.000000 Linen 2.000

Mehr

Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:

Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell: Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y

Mehr

Prüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C).

Prüfgröße: Ist die durch eine Schätzfunktion zugeordnete reelle Zahl (etwa Mittelwert 7 C). Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Aus praktischen Gründen

Mehr

Chi-Quadrat Verfahren

Chi-Quadrat Verfahren Chi-Quadrat Verfahren Chi-Quadrat Verfahren werden bei nominalskalierten Daten verwendet. Die einzige Information, die wir bei Nominalskalenniveau zur Verfügung haben, sind Häufigkeiten. Die Quintessenz

Mehr

Proseminarvortrag. Markov-Ketten in der Biologie (Anwendungen)

Proseminarvortrag. Markov-Ketten in der Biologie (Anwendungen) Proseminarvortrag Markov-Ketten in der Biologie (Anwendungen) von Peter Drössler 20.01.2010 2 Markov-Ketten in der Biologie (Peter Drössler, KIT 2010) Inhalt 1. Das Wright-Fisher Modell... 3 1.1. Notwendige

Mehr

Lage- und Streuungsparameter

Lage- und Streuungsparameter Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Vektorräume und Rang einer Matrix

Vektorräume und Rang einer Matrix Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG

STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG STATISTISCHE MUSTERANALYSE - DARSTELLUNGSVORSCHLAG Statistische Methoden In der vorliegenden fiktiven Musterstudie wurden X Patienten mit XY Syndrom (im folgenden: Gruppe XY) mit Y Patienten eines unauffälligem

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.

Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam. Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging

Mehr

Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler

Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe)

Mehr

Test auf Varianzgleichheit (F-Test) (einseitiger Test!!)

Test auf Varianzgleichheit (F-Test) (einseitiger Test!!) T-Tests in Excel T-Tests in Excel Test auf Varianzgleichheit (F-Test) (einseitiger Test!!)! Annahmen:! Unabhängige Stichproben! Normalverteilte Grundgesamtheiten H0 : σx = σ y; H0 : σx > σ y Sx σ x F =

Mehr

Hypothesentests mit SPSS. Beispiel für einen t-test

Hypothesentests mit SPSS. Beispiel für einen t-test Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 5: Einfaktorielle Varianzanalyse Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung

Mehr

Angewandte Statistik 3. Semester

Angewandte Statistik 3. Semester Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen

Mehr

Die oben genannten Rechtsgrundlagen wirken in Verbindung

Die oben genannten Rechtsgrundlagen wirken in Verbindung Gemeinsame Richtlinie/Ausführungsbestimmungen des Pferdezuchtverbandes Sachsen-Thüringen e.v. und des Pferdezuchtverbandes Brandenburg-Anhalt e.v. für die Durchführung der Zuchtwertschätzung bei der Rasse

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg Argumentationstechniken PLUS Mathematik Direkter Beweis einer Implikation

Mehr

Mehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh

Mehrebenenanalyse. Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Mehrebenenanalyse Seminar: Multivariate Analysemethoden Referentinnen: Barbara Wulfken, Iris Koch & Laura Früh Inhalt } Einführung } Fragestellung } Das Programm HLM } Mögliche Modelle } Nullmodell } Random

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

Korrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:

Korrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben: Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr

1. Grundlagen der Zuchtwertschätzung 1

1. Grundlagen der Zuchtwertschätzung 1 1. Grundlagen der Zuchtwertschätzung 1 1.1 Einleitung Das Ziel jedes Rinderzüchters ist es, die genetische Veranlagung seiner Kühe und Stiere zu verbessern. Das Genom des Rindes besteht aus einer großen

Mehr

MC-Serie 11: Eigenwerte

MC-Serie 11: Eigenwerte D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung

Mehr

Einfluss der genetischen Architektur auf die empirische Genauigkeit der genomischen Zuchtwertschätzung

Einfluss der genetischen Architektur auf die empirische Genauigkeit der genomischen Zuchtwertschätzung Einfluss der genetischen Architektur auf die empirische Genauigkeit der genomischen Zuchtwertschätzung M. Kramer 1, F. Biscarini 1, B. Bapst 2, C. Stricker 3, H. Simianer 1 1 Department für Nutztierwissenschaften,

Mehr

Grundlegende Eigenschaften von Punktschätzern

Grundlegende Eigenschaften von Punktschätzern Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur

Mehr

Statistik I für Betriebswirte Vorlesung 11

Statistik I für Betriebswirte Vorlesung 11 Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung

Mehr

Mathematik für Biologen

Mathematik für Biologen Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 9. Dezember 2010 1 Konfidenzintervalle Idee Schätzung eines Konfidenzintervalls mit der 3-sigma-Regel Grundlagen

Mehr

Biostatistik Erne Einfuhrung fur Biowissenschaftler

Biostatistik Erne Einfuhrung fur Biowissenschaftler Matthias Rudolf Wiltrud Kuhlisch Biostatistik Erne Einfuhrung fur Biowissenschaftler PEARSON Studium Inhaltsverzeichnis Vorwort xi Kapitel 1 Einfiihrung 1 1.1 Biostatistik als Bestandteil biowissenschafllicher

Mehr

Versuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne

Versuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige

Mehr

Für Berner Sennenhunde mit einem nachgewiesenen Lebensalter von 12 und mehr Jahren kann eine kostenfreie Genotypisierung erfolgen.

Für Berner Sennenhunde mit einem nachgewiesenen Lebensalter von 12 und mehr Jahren kann eine kostenfreie Genotypisierung erfolgen. Hinweise zur Durchführung des Genomtests auf Langlebigkeit, Hüftgelenkdysplasie (HD) und Ellbogengelenkdysplasie (ED) für den Berner Sennenhund beim Schweizer Sennenhund-Verein für Deutschland e. V. (SSV)

Mehr

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1

Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Biometrie und Methodik (Statistik) - WiSem08/09 Probeklausur 1 Aufgabe 1 (10 Punkte). 10 Schüler der zehnten Klasse unterziehen sich zur Vorbereitung auf die Abschlussprüfung einem Mathematiktrainingsprogramm.

Mehr

Züchterische Grundlagen Mendel-Regeln

Züchterische Grundlagen Mendel-Regeln Züchterische Grundlagen Mendel-Regeln Ausbildung zum Bienenwirtschaftsmeister Mai 2012 Christian Boigenzahn Der Pionier Geboren 1822 in Brünn Studium der Physik, Mathematik u. Naturwissenschaften an der

Mehr

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!

b) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie! Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies

Mehr

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1

Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne

Mehr

Grundlagen der genomische Selektion - Was sagt ein genomischer Zuchtwert aus?

Grundlagen der genomische Selektion - Was sagt ein genomischer Zuchtwert aus? Gliederung Seminar des Ausschusses für Genetik der ZAR, Salzburg, 18.03.2010 Grundlagen der genomische Selektion - Was sagt ein genomischer Zuchtwert aus? Versuch einer Begriffserklärung Wie weiß man,

Mehr

Varianzanalyse (ANOVA: analysis of variance)

Varianzanalyse (ANOVA: analysis of variance) Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

Messgeräte: Mess-System-Analyse und Messmittelfähigkeit

Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße

Mehr

1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?

1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? 1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl

Mehr

VS PLUS

VS PLUS VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN

Mehr

Einführung in die Tensorrechnung

Einführung in die Tensorrechnung 1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer

Mehr

Tierzüchtung. Anforderung des Marktes. Zuchtziel. Zuchtverfahren Leistungsprüfung

Tierzüchtung. Anforderung des Marktes. Zuchtziel. Zuchtverfahren Leistungsprüfung Tierzüchtung nforderung des Marktes Zuchtziel Zuchtverfahren Leistungsprüfung Selektion Verpaarung Populationsgenetik Rechentechnik Mathem. Statistik iotechnologie der Fortpflanzung -Züchtungstechniken

Mehr

Anhang A: Fragebögen und sonstige Unterlagen

Anhang A: Fragebögen und sonstige Unterlagen Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46 A.: Fragebogen zur Meditationserfahrung 47 48 A.3: Fragebogen Angaben zur Person 49 5 5 A.4: Termin- und Einladungsschreiben

Mehr

Einführung in die Induktive Statistik: Varianzanalyse

Einführung in die Induktive Statistik: Varianzanalyse Einführung in die Induktive Statistik: Varianzanalyse Jörg Drechsler LMU München Wintersemester 2011/2012 Varianzanalyse bisher: Vergleich der Erwartungswerte für zwei normalverteilte Variablen durch t-test

Mehr

Faktorenanalyse Beispiel

Faktorenanalyse Beispiel Faktorenanalyse Zweck der Faktorenanalyse ist die Dimensionsreduktion einer gegebenen Variablenanzahl, d. h. also die Zusammenfassung vorhandener Variablen zu wenigen latenten, i. d. R. voneinander unabhängigen

Mehr

Aufgabe 1: Gleichungssystem mit Parameter ( / 12) Für welche Werte des reellen Parameters α besitzt das lineare Gleichungssystem

Aufgabe 1: Gleichungssystem mit Parameter ( / 12) Für welche Werte des reellen Parameters α besitzt das lineare Gleichungssystem 1 Hochschule München Fakultät 03 FA SS 2008 Diplomvorprüfung in Mathematik I (Lineare Algebra) Fahrzeugtechnik Arbeitszeit: Hilfsmittel: Aufgabensteller: 90 Minuten Formelsammlung, Skripten, Bücher, Taschenrechner

Mehr

Das Problem signifikanter Betaschätzungen

Das Problem signifikanter Betaschätzungen Das Problem signifikanter Betaschätzungen Bachelorarbeit Münchener Forschungspreis für 2. Dezember 2010 Gliederung 1. Problemstellung 2. Praktische Anwendung des Beta-Konzepts 3. Theoretische Grundlagen

Mehr

K8 Stetige Zufallsvariablen Theorie und Praxis

K8 Stetige Zufallsvariablen Theorie und Praxis K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Lösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die

Lösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Korrelation und Regression

Korrelation und Regression FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren

Mehr

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21 5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11

Mehr

Lineare Algebra I Klausur. Klausur - Musterlösung

Lineare Algebra I Klausur. Klausur - Musterlösung Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.

Mehr

Freistaat Sachsen Landesamt für Umwelt, Landwirtschaft und Geologie

Freistaat Sachsen Landesamt für Umwelt, Landwirtschaft und Geologie Zuchtwertinformations- und Managementsystem ZwISSS - Einsatzmöglichkeiten in Produktionsherden - Dr. Ulf Müller Tag des Schweinehalters, 23.09.2009 in Seddin Vortrag - Erschließung der wirtschaftlichen

Mehr

Oliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen**

Oliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen** Effektschätzung in Cluster-Randomized Trials mit binärer Zielgröße: Eine Sensitivitätsanalyse mit numerischer Integration, MCMC und NPMLE am Beispiel der DHP Oliver Kuß*; Dorothee Twardella**; Maria Blettner***;

Mehr

und der Faktorkombinationen konnte die Einhaltung des nominalen Risikos verbessert werden, nicht jedoch für die Stufen des Grossteilstückfaktors.

und der Faktorkombinationen konnte die Einhaltung des nominalen Risikos verbessert werden, nicht jedoch für die Stufen des Grossteilstückfaktors. Biometrie Einhaltung des statistischen Risikos 1. Art in unbalancierten gemischten linearen Modellen bei unterschiedlichen Restriktionen der REML-Schätzer und Berechnung deren Schätzfehler Joachim Spilke

Mehr

Schätzen der Fehlerzahl. in Software-Dokumenten. Dr. Frank Padberg Universität Karlsruhe Mai 2003

Schätzen der Fehlerzahl. in Software-Dokumenten. Dr. Frank Padberg Universität Karlsruhe Mai 2003 Schätzen der Fehlerzahl in Software-Dokumenten Dr. Frank Padberg Universität Karlsruhe Mai 2003 Motivation beim Testen oder bei Inspektionen werden nicht alle Fehler gefunden Anzahl der unentdeckten Fehler

Mehr

Können Gene Depressionen haben?

Können Gene Depressionen haben? Können Gene Depressionen haben? DTzt. Chromosomen, Gene und so... Die Sache mit der Vererbung oder warum sieht eine Kuh aus wie eine Kuh? Die kleinste Datenbank Desoxyribonukleinsäure - DNA Speicher für

Mehr

NEUE MERKMALE FITNESS, VITALITÄT UND GESUNDHEIT IM FOKUS. Christian Fürst, Christa Egger-Danner, Hermann Schwarzenbacher und Birgit Fürst-Waltl

NEUE MERKMALE FITNESS, VITALITÄT UND GESUNDHEIT IM FOKUS. Christian Fürst, Christa Egger-Danner, Hermann Schwarzenbacher und Birgit Fürst-Waltl NEUE MERKMALE FITNESS, VITALITÄT UND GESUNDHEIT IM FOKUS Christian Fürst, Christa Egger-Danner, Hermann Schwarzenbacher und Birgit Fürst-Waltl Merkmale in der Zuchtwertschätzung Milch Milchwert Fleisch

Mehr

Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.

Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst. Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen

Mehr

Hydrologie und Flussgebietsmanagement

Hydrologie und Flussgebietsmanagement Hydrologie und Flussgebietsmanagement o.univ.prof. DI Dr. H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Gliederung der Vorlesung Statistische Grundlagen Etremwertstatistik

Mehr

die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen

die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung

Mehr

6. Faktorenanalyse (FA) von Tests

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...

Mehr

Statistik-Übungsaufgaben

Statistik-Übungsaufgaben Statistik-Übungsaufgaben 1) Bei der Produktion eine Massenartikels sind erfahrungsgemäß 20 % aller gefertigten Erzeugnisse unbrauchbar. Es wird eine Stichprobe vom Umfang n =1000 entnommen. Wie groß ist

Mehr

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen

Mehr

I. Deskriptive Statistik 1

I. Deskriptive Statistik 1 I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................

Mehr

Statistik. Jan Müller

Statistik. Jan Müller Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen

Mehr

e) Beim klassischen Signifikanztest muß die Verteilung der Prüfgröße unter der Nullhypothese

e) Beim klassischen Signifikanztest muß die Verteilung der Prüfgröße unter der Nullhypothese 9 Hypothesentests 1 Kapitel 9: Hypothesentests A: Übungsaufgaben: [ 1 ] Bei Entscheidungen über das Ablehnen oder Nichtablehnen von Hypothesen kann es zu Irrtümern kommen. Mit α bezeichnet man dabei die

Mehr

Statistik II für Betriebswirte Vorlesung 12

Statistik II für Betriebswirte Vorlesung 12 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die

Mehr

Übung 3: Einfache Graphiken und Näherungen durch Regression

Übung 3: Einfache Graphiken und Näherungen durch Regression Übung 3: Einfache Graphiken und Näherungen durch Regression M. Schlup, 9. August 010 Aufgabe 1 Einfache Graphik Für die abgegebene Leistung P = UI eines linearen, aktiven Zweipols mit Leerlaufspannung

Mehr

Kapitel 1 Beschreibende Statistik

Kapitel 1 Beschreibende Statistik Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

Statistische Verfahren für das Data Mining in einem Industrieprojekt

Statistische Verfahren für das Data Mining in einem Industrieprojekt Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de

Mehr

Züchterische Aspekte der Fruchtbarkeit

Züchterische Aspekte der Fruchtbarkeit Züchterische Aspekte der Fruchtbarkeit Christian Fürst und Birgit Gredler ZuchtData und BOKU, Wien Überblick Einleitung und Grundlagen Zuchtwertschätzung Zusammenhang zu anderen Merkmalen Züchterische

Mehr

Vergleich von drei Methoden für genomweite Assoziationsstudien in selektierten Populationen

Vergleich von drei Methoden für genomweite Assoziationsstudien in selektierten Populationen Züchtungskunde, 82, (1) S. 77 87, 2010, ISSN 0044-5401 Verlag Eugen Ulmer, Stuttgart Vergleich von drei Methoden für genomweite Assoziationsstudien in selektierten Populationen Malena Erbe 1, Florence

Mehr

Landes-Eltern-Vereinigung

Landes-Eltern-Vereinigung Landes-Eltern-Vereinigung der Gymnasien in Bayern e.v. München, den 29.01.2014 Elternbeirat des Luitpold-Gymnasiums München Luitpold Gymnasium München, Seeaustraße 1, 80538 München elternbeirat@luitpold-gymnasium.org

Mehr