Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Regresja" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Relationships between selected traits in maize (Zea mays L.). Part 2. Multiple linear regression
    Współzależność pomiędzy wybranymi cechami kukurydzy (Zea mays L.). Cz. 2. Liniowa regresja wielokrotna
    Autorzy:
    Bocianowski, Jan
    Cyplik, Adrian
    Szulc, Piotr
    Kobus-Cisowska, Joanna
    Powiązania:
    https://bibliotekanauki.pl/articles/336819.pdf
    Data publikacji:
    2019
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    maize
    multiple linear regression
    grain yield
    kukurydza
    liniowa regresja wielokrotna
    plon ziarna
    Opis:
    The study comprised of 13 maize cultivars, evaluated at two years in a randomized complete block design, with four replicates. To assess the quantitative impact of individual traits on the grain yield the multiple regression analysis was used. We observed grain yield and seven quantitative traits: SPAD, length of ears, number of kernels in row, damage of maize caused by P. nubilalis, infection of maize by Fusarium spp., number of ears and content of chlorophyll a.
    Badanie obejmowało 13 odmian kukurydzy, analizowanych w dwóch latach w doświadczeniach polowych, w układzie bloków losowanych kompletnych, w czterech powtórzeniach. Do oceny wpływu poszczególnych cech ilościowych na plon ziarna zastosowano analizę funkcji regresji wielokrotnej. Obserwowano plon ziarna i siedem cech ilościowych: SPAD, długość kolby, liczba ziaren w rzędzie, procent roślin uszkodzonych przez P. nubilalis, porażenie przez Fusarium, liczba kolb oraz zawartość chlorofilu a.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2019, 64, 3; 15-19
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wpływ ośmiu cech ilościowych rzepaku jarego (Brassica napus ssp. oleifera) na masę nasion z rośliny
    Effect of eight quantitative traits of spring rape (Brassica napus ssp. oleifera) on seed weight per plant
    Autorzy:
    Bocianowski, Jan
    Łuczkiewicz, Tadeusz
    Szulc, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/2198274.pdf
    Data publikacji:
    2012-06-28
    Wydawca:
    Instytut Hodowli i Aklimatyzacji Roślin
    Tematy:
    cechy fenotypowe
    plon nasion
    regresja wielokrotna
    rzepak jary
    multiple regression
    phenotypic traits
    seed yield
    spring oilseed rape
    Opis:
    W celu oceny wybranych cech ilościowych mieszańców F1 i F2 rzepaku jarego (Brassica napus ssp. oleifera) oraz ich form rodzicielskich założono dwuletnie (2002 i 2003) doświadczenie polowe w Rolniczym Gospodarstwie Doświadczalnym Akademii Rolniczej im. A. Cieszkowskiego (obecnie Uniwersytet Przyrodniczy w Poznaniu) w Dłoni. W każdym roku przeprowadzono pomiary następujących cech: średnica szyjki korzeniowej, wysokość rośliny, liczba rozgałęzień pierwszego rzędu, wysokość do pierwszego rozgałęzienia, liczba łuszczyn z rośliny, liczba nasion z rośliny, masa 1000 nasion, liczba nasion w łuszczynie oraz masa nasion z rośliny. Do oceny wpływu poszczególnych cech ilościowych na masę nasion z rośliny zastosowano analizę funkcji regresji wielokrotnej. Otrzymane wyniki wykazały, że liczba nasion z rośliny, masa tysiąca nasion oraz liczba nasion w łuszczynie determinowały masę nasion z rośliny mieszańców pokolenia F1 i F2 w obu latach badań.
    To evaluate the quantitative characteristics of F1 and F2 hybrids of spring oilseed rape (Brassica napus ssp. oleifera) and their parental forms, a field experiment was established in two years (2002 and 2003) in the Dłoń Experimental Station (Poznań University of Life Sciences). In each year, following measurements were performed: root collar diameter, plant height, number of branches of the first row, first branch height, number of pods per plant, number of seeds per plant, 1000 seed weight, number of seeds per pod and seed weight per plant. To assess the quantitative impact of individual characteristics on the mass of seeds per plant multiple regression analysis was used. The results show that the number of seeds per plant, thousand seed weight and the number of seeds per pod determined the seed weight per plant hybrids F1 and F2 in both study years.
    Źródło:
    Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin; 2012, 264; 55-65
    0373-7837
    2657-8913
    Pojawia się w:
    Biuletyn Instytutu Hodowli i Aklimatyzacji Roślin
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Localizing influential genes with modified versions of Bayesian Information Criterion
    Autorzy:
    Bogdan, Małgorzata
    Szulc, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/748746.pdf
    Data publikacji:
    2012
    Wydawca:
    Polskie Towarzystwo Matematyczne
    Tematy:
    genetyka statystyczna, wybór modelu, rzadka regresja liniowa,
    statistical genetics, quantitative trait loci, model selection, sparse linear regression, Bayesian Information Criterion
    Opis:
    W ostatnich latach nastąpił bardzo szybki rozwój technologii  wspomagających badania w genetyce. Rezultatem tego postępu są olbrzymie zbiory danych. Skuteczne pozyskiwanie informacji z takich zbiorów wymaga scisłej współpracy między genetykami, informatykami oraz statystykami. Rolą statystyków jest okreslenie precyzyjnych kryteriów gwarantujących efektywne oddzielenie istotnej informacji od losowych zakłócen. W szczególnosci, duze rozmiary tych zbiorów wymagają opracowania nowych metod korekty na wielokrotne testowanie oraz nowych kryteriów wyboru istotnych zmiennych objasniających. Szczególnym przykładem identyfikacji zmiennych objasniających jest problem lokalizacji genów odpowiedzialnych za cechy ilosciowe (Quantitative Trait Loci, QTL).Do lokalizacji genów stosuje się tzw. markery molekularne. Są to fragmenty łancucha DNA, które mogą występowac w róznych wariantach (allelach) u róznych jednostek w populacji. Postac danego markera u badanego osobnika mozna ustalic eksperymentalnie.U organizmów diploidalnych, u których chromosomy występują w parach, genotyp danego markera jest wyspecyfikowany przez podanie alleli występujących na obu chromosomach. Z punktu widzenia statystyka genotypy markerów stanowią jakosciowe zmienne objasniające. Jezeli dany marker znajduje się blisko genu wpływającego na badaną cechę, to mozemy spodziewac się  statystycznej zaleznosci między genotypem w tym markerze a badaną cechą ilosciową.Do identyfikacji istotnych markerów genetycznych zwykle stosuje się model regresji wielorakiej. Liczbę zmiennych niezaleznych mozna w tej sytuacji szacowac za pomocą jednego z  wielu kryteriów wyboru modelu. Niestety, okazuje się, ze w kontekscie genetycznym, gdzie liczba markerów istotnie przewyzsza liczbę obserwacji, klasyczne kryteria wyboru modelu przeszacowują liczbę istotnych zmiennych.Aby rozwiązac ten problem ostatnio wprowadzono kilka nowych modyfikacji Bayesowskiego Kryterium Informacyjnego. W tym artykule zaprezentujemy trzy z tych modyfikacji, podamy wyniki dotyczące zgodnosci tych metod w sytuacji gdy liczba dostępnych markerów genetycznych rosnie wraz z rozmiarem próby oraz wyniki symulacji komputerowych ilustrujących działanie tych metod w kontekscie genetycznym.
    Regions of the genome that influence quantitative traits are called quantitative trait loci (QTLs) and can be located using statistical methods. For this aim scientists use genetic markers, whose genotypes are known, and look for the associations between these genotypes and trait values. The common method which can be used in this problem is a linear regression. There are many model selection criteria for the choice of predictors in a linear regression. However, in the context of QTL mapping, where the number of available markers $p_n$ is usually  bigger than the sample size $n$, the classical criteria overestimate the number of regressors. To solve this problem several modifications of the {\it Bayesian Information Criterion} have been proposed and it has been recently proved that at least three of them, EBIC, mBIC and mBIC2, are consistent (also in case when $p_n>n$). In this article we discuss these criteria and their asymptotic properties and compare them by an extensive simulation study in the genetic context.
    Źródło:
    Mathematica Applicanda; 2012, 40, 1
    1730-2668
    2299-4009
    Pojawia się w:
    Mathematica Applicanda
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Localization of genes
    Autorzy:
    Szulc, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/748362.pdf
    Data publikacji:
    2015
    Wydawca:
    Polskie Towarzystwo Matematyczne
    Tematy:
    genetyka statystyczna, wybór modelu, rzadka regresja liniowa, bayesowskie kryterium informacyjne, ilościowa analiza lokalizacji genów
    statistical genetics, quantitative trait loci, model selection, sparse linear regression, Bayesian Information Criterion
    Opis:
    Rozwój genetyki w ostatnich latach doprowadził do sytuacji, w której jesteśmy w stanie przyjrzeć się łańcuchom DNA z dużą precyzją i zebrać ogromne ilości informacji. Oprócz tego okazało się, że zależności między genami a cechami są bardziej skomplikowane niż się wcześniej wydawało. Te dwie rzeczy spowodowały, że niezbędna stała się ścisła współpraca między genetykami a matematykami, których zadaniem jest opracowanie specjalnych metod, radzących sobie w specyficznych i trudnych problemach genetycznych. Artykuł zawiera przegląd zarówno klasycznych jak i najnowszych podejść do problemu lokalizacji genów, czyli wskazywania miejsc w łańcuchu DNA, które istotnie wpływają na interesujące nas cechy. Z powodu nie najlepszej komunikacji między matematykami i genetykami, znajomość metody innych niż klasyczne wśród tej drugiej grupy jest wciąż niewielka.
    Development of genetics in recent years has led to a situation in which we are able to look at the DNA chains with high precision and collect vast amounts of information. In addition, it turned out that the relationships between genes and traits are more complex than previously thought. These two things caused the need for close collaboration between geneticists and mathematicians whose task is to develop special methods, coping with specific and difficult genetic problems. The article includes an overview of both classic and the latest approaches to the problem of localizing genes that indicate places in the DNA chain, which significantly influence the traits of interest to us. Because of not the best communication between mathematicians and geneticists, knowledge of methods other than the classic among the latter group is still small.
    Źródło:
    Mathematica Applicanda; 2015, 43, 1
    1730-2668
    2299-4009
    Pojawia się w:
    Mathematica Applicanda
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies