Zuchtwertschätzung mit Best Linear Unbiased Prediction Verfahren
|
|
- Monika Graf
- vor 6 Jahren
- Abrufe
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
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
MehrFoto: 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
Mehr1 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
MehrSchätzverfahren 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
MehrStatistik 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
MehrRegression 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
Mehr8. 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
MehrGenomische 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
MehrEine 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,
MehrStandardisierte 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
MehrAktuelle 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
MehrProf. 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
MehrÜbungsaufgaben 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
MehrInhaltsverzeichnis. 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
MehrÜbung 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
Mehr4. 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
MehrVoraussetzungen 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
MehrGenomische 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
MehrAngewandte 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
MehrPrüfgröße: 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
MehrChi-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
MehrProseminarvortrag. 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
MehrLage- 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
Mehr90-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
MehrVektorräume 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
Mehra) 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
MehrSTATISTISCHE 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
Mehr9. 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,
MehrEinführung 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
MehrMehr-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)
MehrTest 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 =
MehrHypothesentests 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
MehrMathematische 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
MehrKapitel 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
MehrAngewandte 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
MehrDie 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
MehrWirtschaftsmathematik 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
MehrMehrebenenanalyse. 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
Mehr9.2 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
MehrKorrelationsmatrix. 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
MehrProfil 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
Mehr1. 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
MehrMC-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
MehrEinfluss 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,
MehrGrundlegende 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
MehrStatistik 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
MehrMathematik 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
MehrBiostatistik 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
MehrVersuchsplanung. 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
MehrFür 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)
MehrBiometrie 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.
MehrZüchterische 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
Mehrb) 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
MehrKlausur 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
MehrGrundlagen 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,
MehrVarianzanalyse (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.
MehrWebergänzung 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
MehrMessgeräte: 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
Mehr1 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
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrEinführung 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
MehrTierzüchtung. Anforderung des Marktes. Zuchtziel. Zuchtverfahren Leistungsprüfung
Tierzüchtung nforderung des Marktes Zuchtziel Zuchtverfahren Leistungsprüfung Selektion Verpaarung Populationsgenetik Rechentechnik Mathem. Statistik iotechnologie der Fortpflanzung -Züchtungstechniken
MehrAnhang 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
MehrEinführung 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
MehrFaktorenanalyse 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
MehrAufgabe 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
MehrDas 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
MehrK8 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
MehrMultivariate 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)
MehrLösung 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:
MehrGrundlagen 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)
MehrKorrelation 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
Mehr5.1 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
MehrLineare 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.
MehrFreistaat 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
MehrOliver 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***;
Mehrund 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
MehrSchätzen 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
MehrKönnen 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
MehrNEUE 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
MehrGegeben 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
MehrHydrologie 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
Mehrdie 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
Mehr6. 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...
MehrStatistik-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
MehrWeitere 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
MehrI. 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........................
MehrStatistik. 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
Mehre) 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
MehrStatistik 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
MehrÜbung 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
MehrKapitel 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)
MehrKommentierter 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
MehrMatrizen, 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
MehrStatistische 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
MehrZüchterische 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
MehrVergleich 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
MehrLandes-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