BLUP. Zdeňka Veselá
|
|
- Věra Bláhová
- před 6 lety
- Počet zobrazení:
Transkript
1 BLUP deňk Veselá
2 BLUP V prxi předpověď plemenné hodnot pomocí BLUP Best Liner Unised Prediction Sstém rovnic lineárních modelů se smíšenými efekt Fixní efekt npř. věk mtk, pohlví, plemeno, rok Náhodné efekt npř. plemenná hodnot, mternální efekt, trvlé prostředí
3 BLUP Modifikovné rovnice zoecněných nejmenších čtverců Momentálně nejčstější nejrozšířenější metod předpovědi PH Doporučená litertur: MODE.A.: Liner models for the prediction for niml reeding vlues JAKUBEC V. kol.: Odhd plemenné hodnot hospodářských zvířt
4 BLUP Lineární model se smíšenými efekt = + + e n vektor pozorování, n = počet pozorování p vektor fixních efektů, p = počet úrovní fixních efektů q vektor náhodných efektů, q = počet úrovní náhodných efektů e n vektor náhodných residuálních efektů incidenční (strukturní, designová) mtice dimense n p incidenční mtice dimense n q
5 BLUP Lineární model se smíšenými efekt = + + e Lze znázornit i sklárním zápisem ijk = μ + i + β j + e ijk ijk užitkovost jedince μ průměr populce i - fixní efekt i β j náhodný efekt j s průměrem vrincí σ β e eik náhodný chový efekt (reziduum)
6 BLUP Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G Trnsponovné mtice
7 BLUP Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G Užitkovost
8 BLUP Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G ncidenční mtice fixních efektů
9 BLUP Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G ncidenční mtice náhodných efektů
10 BLUP Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G Odhdovné fixní efekt
11 BLUP Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G Předpovídné náhodné efekt
12 BLUP Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G ozptlová mtice reziduálních efektů prvidl sklární mtice σ e (rezidu nejsou korelovná mjí konstntní vrinci) Oě strn rovnice lze vnásoit
13 BLUP Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G e ozptlová mtice náhodných efektů ůzná struktur podle toho, jké náhodné efekt předpovídáme
14 Předpovídáme PH pro plemeník (otce) dle užitkovostí jejich potomků Náhodný efekt v modelu je otec Předpokládáme-li, že plemeníci mezi seou nejsou příuzní mjí stejnou vrinci σ s ozptlová mtice náhodného efektu (otec) ude G = σ s G - = (/σ s)
15 Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G e G - σ e = (σ e / σ s) = α α = σ e / σ s = (4 h ) / h
16 Soustv normálních rovnic (Henderson) Mixed Model Eqution (MME) G - σ e = (σ e / σ s) = α α = σ e / σ s = (4 h ) / h
17 PŘÍKLAD Máme k dispozici produkci mlék dcer 5 ýků z denní zkrácenou první lktci. Dcer se ncházejí ve 3 stádech (viz t). Cílem cvičení je odhdnou fixní efekt stád předpovědět plemennou hodnotu otců. Otcovské efekt předstvují náhodný výěr z množin otců se střední hodnotou rovnjící se s vrincí 45 kg. Kždá užitkovost oshuje vedle stádových otcovských efektů jeden náhodný reziduální efekt se střední hodnotou vrincí 4655 kg. Předpokládáme, že otcovské efekt jsou n soě nezávislé, tj. otcové nejsou mezi seou příuzní. Dále vpočítejte stndrdní chu předpovědi, spolehlivost přesnost předpovědi plemenných hodnot ýk. Číslo dcer Stádo Otec Produkce mlék v kg
18 PŘÍKLAD ozptlová mtice náhodných efektů σ s = 45 kg σ e = 4655 kg α = σ e / σ s = 4655 / 45 =
19 PŘÍKLAD ncidenční mtice pevného efektu stádo Dcer v. stádě Dcer v. stádě Dcer 3 v. stádě
20 PŘÍKLAD ncidenční mtice náhodného efektu otec Dcer po otci 3 Dcer po otci 5 Dcer 3 po otci
21 PŘÍKLAD ncidenční mtice náhodného efektu otec Dcer po otci 3 Dcer po otci 5 Dcer 3 po otci
22 PŘÍKLAD 5 3
23 PŘÍKLAD 5 3 V. stádě jedinci V. stádě 3 jedinci Ve 3. stádě 5 jedinců Žádný jedinec není zároveň ve stádech
24 PŘÍKLAD Otec má ve stádě dcer Otec 3 má ve stádě dceru Ve stádě je: dcer po otci dcer po otci dcer po otci 5 Otec 4 5 nemjí Žádnou dceru ve Stádě Otec 4 má dcer ve stádě 3
25 PŘÍKLAD 3 Otec má dceru Otec má dcer
26 PŘÍKLAD Součet užitkovosti plemenic ve stádě je: = 69
27 PŘÍKLAD Součet užitkovosti dcer otce 5 je: = 9
28 PŘÍKLAD
29 PŘÍKLAD ovnice smíšeného modelu: s s s s s
30 PŘÍKLAD ovnice smíšeného modelu: s s s s s
31 PŘÍKLAD ovnice smíšeného modelu: s s s s s
32 PŘÍKLAD nverze mtice LS získáme mtici C
33 PŘÍKLAD Vektor s odhdnutými fixními efekt předpovězenými náhodnými efekt 35,7 48,46 6,89 4,6 4,8 339, 38, , s s s s s
34 PŘÍKLAD Digonální prvk inverze rovnic smíšeného modelu c c c c
35 PŘÍKLAD Digonální prvk inverze rovnic smíšeného modelu c c c c
36 PŘÍKLAD Predikovná chová vrince (PEV) Stndrdní ch předpovědi (SEP) Spolehlivost předpovědi Přesnost předpovědi e d i SEP e d i PEV e d i r r r
37 PŘÍKLAD Stndrdní ch předpovědi (SEP) SEP d i e SEP, ,89 SEP, ,9 SEP, ,56 SEP, ,9 SEP, ,9
38 PŘÍKLAD Spolehlivost předpovědi i d r,9 9,4786,58 9,4956,6 9,49345,7 9,48933,33 9,5876 r r r r r
39 PŘÍKLAD Přesnost předpovědi r r,3,9,4,58,5,6,65,7,83,33 r r r r r
40 Příště: BLUP ANMAL MODEL
Předpověď plemenné hodnoty. Zdeňka Veselá
Předpověď plemenné hodnot Zdeňk Veselá vesel.zdenk@vuzv.cz UŽITKOVOST Kvntittivní vlstnosti vkzující zprvidl kontinuitní rozdělení v populci Nemůžeme přímo usuzovt n genotp Jsme odkázáni n biometrické
LINEÁRNÍ MODELY. Zdeňka Veselá
LINEÁRNÍ MODELY Zdeňka Veselá vesela.zdenka@vuzv.cz Genetika kvantitativních vlastností Jednotlivé geny nejsou zjistitelné ani měřitelné Efekty většího počtu genů poskytují variabilitu, kterou lze většinou
Předpověď plemenné hodnoty Něco málo z praxe. Zdeňka Veselá
Předpověď plemenné hodnoty Něco málo z praxe Zdeňka Veselá vesela.zdenka@vuzv.cz Příprava datových souboru Databáze s výsledky užitkovosti jsou zpravidla obrovské soubory Např. kontrola užitkovosti masného
Popis modelu pro odhady PH mléčné užitkovosti
Popis modelu pro odhady PH mléčné užitkovosti Zvířata zařazená do hodnocení V modelu plemene H jsou hodnoceny krávy s podílem krve H nebo 75% a výše. V modelu plemene C jsou hodnoceny krávy s podílem krve
Hodnocení plemenných + chovných + užitkových prasat
Hodnocení plemenných + chovných + užitkových prasat Metodické pokyny SCHP Hodnocení plemenných prasat Cíl hodnocení stanovit předpoklad využití zvířat v plemenitbě k dalšímu šlechtění populace k masovému
Popis modelu pro odhady PH mléčné užitkovosti
Plemdat, s.r.o. 2.4.206 Popis modelu pro odhady P mléčné užitkovosti vířata zařazená do hodnocení V modelu plemene jsou hodnoceny krávy s podílem krve nebo 75% a výše. Krávy s podílem krve masného plemene
Odhad plemenné hodnoty
Odhad plemenné hodnot doc. Ing. Tomáš Urban, Ph.D. urban@mendelu.cz Genetická variabilita > jedinci s různými genotp > různí jedinci mají různou genetickou hodnotu Pro šlechtitele je důležitá plemenná
8 Odhad plemenné hodnoty (OPH)
Genetika ve šlechtění zvířat TGU 006 část 7. (rough draft version) 8 Odhad plemenné hodnot (OPH) V populaci jedinců je genetická variabilita způsobená jedinci s různými genotp. U kvantitativních vlastností
Hodnocení plemenných + chovných + užitkových prasat
Hodnocení plemenných + chovných + užitkových prasat Metodické pokyny SCHP Hodnocení plemenných prasat Cíl hodnocení stanovit předpoklad využití zvířat v plemenitbě k dalšímu šlechtění populace k masovému
Zdeňka Veselá Tel.: Výzkumný ústav živočišné výroby, v.v.i.
BIOTECHNOLOGICKÉ METODY VE ŠLECHTĚNÍ HOSPODÁŘSKÝCH ZVÍŘAT Zdeňka Veselá vesela.zdenka@vuzv.cz Tel.: 267009571 Výzkumný ústav živočišné výroby, v.v.i. Co je šlechtění? Soustavné zlepšování genetických schopností
Proč nový systém odhadu plemenných hodnot?
Proč nový systém odhadu plemenných hodnot? Faktory ovlivňující užitkovost Chovatel Výživa Prostředí Užitkovost Genetická výbava 5-15% Zisk chovatele Spotřebitel Hodnocení zvířat 1900 KU 1920 vývoj metod
Popis stanovení plemenné hodnoty pro plodnost u plemene H
Popis stanovení plemenné hodnoty pro plodnost u plemene H Vyhodnocují se inseminace provedené před třemi měsíci a starší, tedy po vyšetření březosti. Inseminace provedené dříve než v roce 1995 nejsou do
Katedra speciální zootechniky, FAPPZ ČZU Praha
Šlechtění dojeného skotu v ČR Katedra speciální zootechniky, FAPPZ ČZU Praha Postupy při šlechtění Testování a posuzování vlastností zvířat Kontrola dědičnosti Šlechtitelské programy Šlechtění stád Testace
Selekce. Zdeňka Veselá
Selekce Zdeňka Veselá vesela.zdenka@vuzv.cz Selekce Cílem změna genetické struktury populace 1. Přírodní 2. Umělá Selekce 1. Direkcionální (směrovaná) Nejčastější Výsledkem je posun střední hodnoty populace
8.2 PLEMENÁŘSKÁ PRÁCE V CHOVU SKOTU
8.2 PLEMENÁŘSKÁ PRÁCE V CHOVU SKOTU A. SELEKCE SKOTU Zákon č. 154/2000Sb O šlechtění,plemenitbě a evidenci hospodářských zvířat ( plemenářský zákon ) Organizace zabývající se šlechtěním: Plemo a.s., ČMSCH
Souhrn základních výpočetních postupů v Excelu probíraných v AVT 04-05 listopad 2004. r r. . b = A
Souhrn zákldních výpočetních postupů v Ecelu probírných v AVT 04-05 listopd 2004. Řešení soustv lineárních rovnic Soustv lineárních rovnic ve tvru r r A. = b tj. npř. pro 3 rovnice o 3 neznámých 2 3 Hodnoty
Bodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
4EK211 Základy ekonometrie
4EK211 Základ ekonometrie Odhad klasického lineárního regresního modelu I Cvičení 2 Zuzana Dlouhá Metodologický postup tvor EM 1. Specifikace modelu určení proměnných určení vzájemných vaze mezi proměnnými
Zdeňka Veselá Tel.: Výzkumný ústav živočišné výroby, v.v.i.
ZÁKLADNÍ ZÁSADY ŠLECHTĚNÍ Zdeňka Veselá vesela.zdenka@vuzv.cz Tel.: 267009571 Výzkumný ústav živočišné výroby, v.v.i. Význam šlechtění Nejefektivnější činnost chovatele Soustavné zlepšování genetických
Statistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
SPOLEHLIVOST PŘEDPOVĚDI PLEMENNÝCH HODNOT PRO SKOKOVOU VÝKONNOST U TEPLOKREVNÝCH PLEMEN KONÍ
Alexandra Novotná a kolektiv SPOLEHLIVOST PŘEDPOVĚDI PLEMENNÝCH HODNOT PRO SKOKOVOU VÝKONNOST U TEPLOKREVNÝCH PLEMEN KONÍ 2018 CERTIFIKOVANÁ METODIKA ISBN: 978-80-7403-201-1 CERTIFIKOVANÁ METODIKA SPOLEHLIVOST
Testování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
Testování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
SPOLEHLIVOST PŘEDPOVĚDI PLEMENNÝCH HODNOT PRO ZNAKY ZEVNĚJŠKU HODNOCENÝCH LINEÁRNÍM POPISEM U TEPLOKREVNÝCH PLEMEN KONÍ
Alena Svitáková a kolektiv SPOLEHLIVOST PŘEDPOVĚDI PLEMENNÝCH HODNOT PRO ZNAKY ZEVNĚJŠKU HODNOCENÝCH LINEÁRNÍM POPISEM U TEPLOKREVNÝCH PLEMEN KONÍ 2018 CERTIFIKOVANÁ METODIKA ISBN 978-80-7403-200-4 CERTIFIKOVANÁ
PRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
Katedra speciální zootechniky, FAPPZ ČZU Praha. Šlechtění masného skotu v ČR
Katedra speciální zootechniky, FAPPZ ČZU Praha Šlechtění masného skotu v ČR Testování a posuzování užitkových vlastností krav bez tržní produkce mléka KUMP Kontrola užitkovosti masných plemen KUMP zajišťují
Odhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
Regresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
ŠLECHTĚNÍ MASNÉHO SKOTU
ŠLECHTĚNÍ MASNÉHO SKOTU Emil KRUPA Alena SVITÁKOVÁ Zdeňka VESELÁ Luboš VOSTRÝ Výzkumný ústav živočišné výroby, v.v.i. 25. září, Skalský Dvůr Šlechtění masného skotu Z. Veselá: Plemenné hodnoty u masného
Odhad plemenné hodnoty u plemene Salers
Odhad plemenné hodnoty u plemene Salers Základní statistické analýzy polního testu Rok zpracování 2000 počet průměr smodch min max průběh porodu PP 83916 1,09 0,36 1,00 4,00 porodní hmotnost porhm 85145
Základní principy šlechtění a hodnocení skotu v ČR
Česká zemědělská univerzita v Praze Fakulta agrobiologie, přírodních a potravinových zdrojů Katedra speciální zootechniky Základní principy šlechtění a hodnocení skotu v ČR 3. přepracované vydání Ing.
7. Biometrické metody v genetice lineární modely
Gntik v šlchtění zvířt TGU část (rough drft vrsion) 7 Biomtrické mtod v gntic linární modl Cílm: popst gntickou strukturu populc popst změn gntické výstv populcí Možnosti iomtrických mtod A odhd výkonnosti
Matice. a B =...,...,...,...,..., prvků z tělesa T (tímto. Definice: Soubor A = ( a. ...,..., ra
Definice: Soubor A ( i j ) Mtice 11 12 1n 21 22 2n m 1 m2 prvků z těles T (tímto tělesem T bude v nší prxi nejčstěji těleso reálných čísel R resp těleso rcionálních čísel Q či těleso komplexních čísel
Regresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
1. LINEÁRNÍ ALGEBRA 1.1. Matice
Lineární lgebr LINEÁRNÍ LGEBR Mtice Zákldní pojmy Mticí typu m/n nzýváme schém mn prvků, které jsou uspořádány do m řádků n sloupců: n n m/n = = = ( ij ) m m mn V tomto schémtu pro řádky sloupce užíváme
AVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
Smíšené regresní modely a možnosti jejich využití. Karel Drápela
Smíšené regresní modely a možnosti jejich využití Karel Drápela Regresní modely Základní úloha regresní analýzy nalezení vhodného modelu studované závislosti vyjádření reálného tvaru závislosti minimalizace
CERTIFIKOVANÁ METODIKA
VÝZKUMNÝ ÚSTAV ŽIVOČIŠNÉ VÝROBY, v.v.i. Praha Uhříněves CERTIFIKOVANÁ METODIKA SPOLEHLIVOST PŘEDPOVĚDI PLEMENNÝCH HODNOT VLASTNOSTÍ POLNÍHO TESTU U MASNÝCH PLEMEN SKOTU Autoři Ing. Alena Svitáková, 60
Pruty namáhané. prostým tahem a tlakem. staticky neurčité úlohy
Pruty nmáhné prostým them tlkem stticky neurčité úlohy Stticky neurčité úlohy Předpokld: pružné chování mteriálu Stticky neurčité úlohy: počet neznámých > počet podmínek rovnováhy Řešení: počet neznámých
Členské shromáždění Jiří Motyčka. Novelizace svazových dokumentů
Členské shromáždění 25. 4. 2019 11. 4. 2017 Jiří Motyčka Novelizace svazových dokumentů Důvod změn Nařízení EU 1012/2016 Nové podmínky uznávání chovatelských organizací Pro jedno plemeno více organizací,
ANALYTICKÁ GEOMETRIE V PROSTORU
ANALYTICKÁ GEOMETRIE V PROSTORU 3. přednášk Vektorová lger Prvoúhlé souřdnice odu v prostoru Poloh odu v prostoru je vzhledem ke třem osám k soě kolmým určen třemi souřdnicemi, které tvoří uspořádnou trojici
VÝZKUMNÝ ÚSTAV ŽIVOČIŠNÉ VÝROBY,
VÝZKUMNÝ ÚSTAV ŽIVOČIŠNÉ VÝROBY, Praha Uhříněves TDM 2004 5 METODIKA PRO PRAXI VÝZKUMNÝ ÚSTAV ŽIVOČIŠNÉ VÝROBY, Praha Uhříněves doc. ing. Josef Bouška, CSc. ředitel METODIKA odhadu plemenných hodnot dojných
Odhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
Regresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
Realizace ŠP, Rada PK, ŠK
Realizace ŠP, Rada PK, ŠK 25. 4. 2019 Vývoj stavů a ukazatelů výkonnosti holštýnských krav od roku 1995 Ukazatel Ukazatel 1995 1995200020002005200520102010201520132018 Rozdíl Rozdíl Počet Počet krav krav
Experiment s dlouhodobou selekcí krav na ukazatele produkce a zdravotního stavu v Norsku Ing. Pavel Bucek, Českomoravská společnost chovatelů, a.s.
Experiment s dlouhodobou selekcí krav na ukazatele produkce a zdravotního stavu v Norsku Ing. Pavel Bucek, Českomoravská společnost chovatelů, a.s. Z chovatelské praxe a z celé řady vědeckých experimentů
Genetické parametry a plemenná hodnota pro hodnocení JUT skotu systémem SEUROP
Genetické parametry a plemenná hodnota pro hodnocení JUT skotu systémem SEUROP Ing. Zdeňka Veselá, Ph.D. vesela.zdenka@vuzv.cz Hodnocení jatečně upravených těl systémem SEUROP Hmotnost JUT Zmasilost 6
PRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
AVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
Selekční efekt. Úvod do šlechtění zvířat 1
Selekční efekt Úvod do šlechtění zvířat 1 Dědičnost tělesné výšky u lidí ( F. Galton 1800-1911) Generac Odchylky od průměru populace e Rodičů -6,0-4,5-3,0-1,5 0 +1,5 +3,0 +4,5 +5,0 Potomků -4,0-2,5-1,5-1,0
Zvyšování kvality výuky technických oborů
Zvyšování kvlity výuky technických oorů Klíčová ktivit IV. Inovce zkvlitnění výuky směřující k rozvoji mtemtické grmotnosti žáků středních škol Tém IV.. Algerické výrzy, výrzy s mocninmi odmocninmi Kpitol
odpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
AVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
Normální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
Metoda backward výběru proměnných v lineární regresi a její vlastnosti
Metoda backward výběru proměnných v lineární regresi a její vlastnosti Aktuárský seminář, 13. dubna 2018 Milan Bašta 1 / 30 1 Metody výběru proměnných do modelu 2 Monte Carlo simulace, backward metoda
Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012
Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012 Metoda nejmenších čtverců Matematicko-statistická metoda používaná zejména při zpracování nepřesných dat (typicky experimentálních empirických
část 8. (rough draft version)
Gntika v šlchtění zvířat TGU 006 9 Odhad PH BLUP M část 8. (rough draft vrsion V animal modlu (M s hodnotí každé zvíř samostatně a současně v závislosti na užitkovosti příbuzných jdinců hodnocné populac.
Problematika analýzy rozptylu. Ing. Michael Rost, Ph.D.
Problematika analýzy rozptylu Ing. Michael Rost, Ph.D. Úvod do problému Již umíte testovat shodu dvou středních hodnot prostřednictvím t-testů. Otázka: Jaké předpoklady musí být splněny, abyste mohli použít
1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
Odhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
Regresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
Design Experimentu a Statistika - AGA46E
Design Experimentu a Statistika - AGA46E Czech University of Life Sciences in Prague Department of Genetics and Breeding Summer Term 2015 Matúš Maciak (@ A 211) Office Hours: T 9:00 10:30 or by appointment
Statistika (KMI/PSTAT)
Statistika (KMI/PSTAT) Cvičení dvanácté aneb Regrese a korelace Statistika (KMI/PSTAT) 1 / 18 V souboru 25 jedinců jsme měřili jejich výšku a hmotnost. Výsledky jsou v tabulce a grafu. Statistika (KMI/PSTAT)
z Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
Využití plemenných hodnot v chovech masného skotu
Využití plemenných hodnot v chovech masného skotu Stavy krav a jalovic v letech 2015 a 2005 stavy dle ÚE celkem 70000 60000 69899 Krávy celkem 50000 40000 30000 34477 30374 26191 20000 10000 0 9712 774
PŘEDPOVĚĎ PLEMENNÝCH HODNOT PRO ZNAKY ZEVNĚJŠKU HODNOCENÝCH LINEÁRNÍM POPISEM U TEPLOKREVNÝCH PLEMEN KONÍ
Alexandra Novotná a kolektiv PŘEDPOVĚĎ PLEMENNÝCH HODNOT PRO ZNAKY ZEVNĚJŠKU HODNOCENÝCH LINEÁRNÍM POPISEM U TEPLOKREVNÝCH PLEMEN KONÍ 2018 CERTIFIKOVANÁ METODIKA ISBN: 978-80-7403-199-1 CERTIFIKOVANÁ
AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
3.2.1 Shodnost trojúhelníků I
3.2.1 hodnost trojúhelníků I Předpokldy: 3108 v útvry jsou shodné, pokud je možné je přemístěním ztotožnit. v prxi těžko proveditelné hledáme jinou možnost ověření shodnosti v útvry jsou shodné, pokud
PRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
=10 =80 - =
Protokol č. DĚDIČNOST KVALITATIVNÍCH VLASTNOSTÍ ) Jednorozměrné rozdělení fenotypové charakteristiky (hodnoty) populace ) Vícerozměrné rozdělení korelační a regresní počet pro dvě sledované vlastnosti
ší ší šířen ší ší ení Modelování Klasifikace modelů podle formy podobnosti Sestavení fyzikálního modelu
Modelování Modelování, klasifikace a odvozování modelů» áhrada studovaného ojektu modelem na základě odonosti» Smsl» studium originálu rostřednictvím modelu» idealizovaný» jednodušší» dostunější All models
( 5 ) 6 ( ) 6 ( ) Přijímací řízení ak. r. 2010/11 Kompletní znění testových otázek - matematický přehled
řijímcí řízení k. r. / Kompletní znění testových otázek - mtemtický přehled Koš Znění otázky Odpověď ) Odpověď b) Odpověď c) Odpověď d) Správná odpověď. Které číslo doplníte místo otzníku? 8?. Které číslo
Normální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení f x = 1 2 exp x 2 2 2 f(x) je funkce hustoty pravděpodobnosti, symetrická vůči poloze maxima x = μ μ střední hodnota σ směrodatná odchylka (tzv. pološířka křivky mezi inflexními
Rutinní předpověď PH a její spolehlivost
Rutinní předpověď PH a její spolehlivost Základní statistické analýzy polního testu Rok zpracování 2000 počet průměr smodch min max průběh porodu PP 83916 1,09 0,36 1,00 4,00 porodní hmotnost porhm 85145
je pravoúhlý BNa ose y najděte bod, který je vzdálený od bodu A = [ 4;
1 BUAnlytická geometrie - bod, souřdnice bodu, vzdálenost bodů 11 1BRozhodněte, zd trojúhelník s vrcholy A [ ; ], B [ 1; 1] C [ 11; 6] je prvoúhlý 1 1BN ose y njděte bod, který je vzdálený od bodu A [
- Definice inbreedingu a jeho teorie
Negativní důsledky inbrední deprese v chovu skotu Ing. Jiří Bezdíček, Ph.D. Výzkumný ústav pro chov skotu, s.r.o., Rapotín 26. listopadu 2009 - Definice inbreedingu a jeho teorie - Proč je inbreeding v
4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
KGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
Regresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
Kontrola užitkovosti a dědičnosti
Kontrola užitkovosti a dědičnosti Optimalizace užitkovosti HZ prochází přes - hodnocení jedinců, - hodnocení populací, které poskytují bázi informací o užitkových vlastnostech (znacích ) pro biometrické
jevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.
Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment
4. Determinanty. Výpočet: a11. a22. a21. a12. = a 11 a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32 a 13 a 22 a 31. a 11 a 23 a 32 a 12 a 21 a 33
. Determinnty Determinnt, znčíme deta, je číslo přiřzené čtvercové mtici A. Je zveden tk, by pro invertibilní mtici byl nenulový pro neinvertibilní mtici byl roven nule. Výpočet: = + = + + - - - + + +
Možnosti selekce na zlepšenou konverzi krmiva u ovcí
Možnosti selekce na zlepšenou konverzi krmiva u ovcí Ing. Pavel Bucek, Českomoravská společnost chovatelů, a. s. Příspěvek byl publikován v upravené podobě v časopise Farmář Z praxe a celé řady výzkumných
10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
LINEÁRNÍ REGRESE. Lineární regresní model
LINEÁRNÍ REGRESE Chemometrie I, David MILDE Lineární regresní model 1 Typy závislosti 2 proměnných FUNKČNÍ VZTAH: 2 závisle proměnné: určité hodnotě x odpovídá jediná hodnota y. KORELACE: 2 náhodné (nezávislé)
Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D
Hodnocení vlastností materiálů podle ČSN EN 1990, přílohy D Miroslav Sýkora Kloknerův ústav, ČVUT v Praze 1. Úvod 2. Kvantil náhodné veličiny 3. Hodnocení jedné veličiny 4. Hodnocení modelu 5. Příklady
Matematické modelování Náhled do ekonometrie. Lukáš Frýd
Matematické modelování Náhled do ekonometrie Lukáš Frýd Výnos akcie vs. Výnos celého trhu - CAPM model r it = r ft + β 1. (r mt r ft ) r it r ft = α 0 + β 1. (r mt r ft ) + ε it Ekonomický (finanční model)
Ing. Antonín Lopatář
Ing. Antonín Lopatář Zpracování dat z historie až po současnost 1980 EC 1027 2012 vše se zmenšilo Co potřebuje chovatel vědět Kolik mohou jeho krávy dojit a co se s tím dá dělat? Kde a kolik mléka chybí
II. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal
Základy navrhování průmyslových experimentů DOE II. Statistické metody vyhodnocení kvantitativních dat Gejza Dohnal! Testování statistických hypotéz kvalitativní odezva kvantitativní chí-kvadrát test homogenity,
Algoritmus pro hledání vlastních čísel kvaternionových matic
Úvod Algoritmus pro hledání vlastních čísel kvaternionových matic Bc. Martin Veselý Fakulta jaderná a fyzikálně inženýrská Katedra softwarového inženýrství v ekonomii Skupina aplikované matematiky a stochastiky
Z D E Ň K A V E S E L Á, V E S E L A. Z D E N K V U Z V. C Z
HYBRIDIZACE ZD E Ň K A V E S E LÁ, V E S E LA. ZD E N K A @ V U Z V. C Z DVĚ METODY DOCÍLENÍ ŠLECHTITELSKÉHO POKROKU 1. Využití genetické proměnlivosti mezi jedinci uvnitř populace Selekce Záměrné připařování
Aproximace binomického rozdělení normálním
Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné
TERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny
PŘEDZPRACOVÁNÍ DAT Radek Mareček TERMINOLOGIE Session soubor skenů nasnímaných během jednoho běhu stimulačního paradigmatu (řádově desítky až stovky skenů) Sken jeden nasnímaný objem... Voxel elementární
!!! #!! # % & ()!+ %& #( ) +,,!,!!./0./01 2 34 % 00 (1!#! #! #23 + )!!,,5,!+ 4)!005!! 6 )! %,76!,8, )! 44 %!! #! #236!!1 1 5 6 5+!!1 ( 9 9!5 6 + /+ # % 7 8 % : 4; 2,/! = %