knitr::opts_chunk$set(echo = FALSE)
$$var(a) = A * \sigma_a^2$$
wobei: $a$ - Vektor der Zuchtwerte, $A$ - Verwandtschaftsmatrix, $\sigma_a^2$ - genetisch additive Varianz
nNrAni <- 10 suppressPackageStartupMessages(library(pedigreemm)) pedEx1 <- pedigree(sire = as.integer(c(NA,NA,NA,NA,1,3,3,6,6,8)), dam = as.integer(c(NA,NA,NA,NA,2,2,4,5,7,9)), label = as.character(1:nNrAni)) ### # show the pedigree #print(pedEx1) ### # compute relationship matrix matApedEx1 <- as.matrix(getA(pedEx1)) library(lattice) new.palette=colorRampPalette(c("black","red","yellow","white"),space="rgb") levelplot(matApedEx1[1:ncol(matApedEx1),ncol(matApedEx1):1],col.regions=new.palette(20))
\begin{equation} A = L * D * L^T \nonumber \label{eq:RelMatFact} \end{equation}
wobei $L$ eine linke untere Dreiecksmatrix ist und $D$ einer Diagonalmatrix entspricht. Aufgrund dieser Zerlegung lässt sich die Inverse $A^{-1}$ der Verwandtschaftsmatrix $A$ sehr einfach berechnen.
\begin{equation} a_i = {1\over 2}\ a_s + {1\over 2}\ a_d + m_i\nonumber \label{eq:BvAniDecomp} \end{equation}
wobei $a_s$ und $a_d$ Zuchtwerte der Eltern $s$ und $d$ und $m_i$ "Mendelian Sampling"-Effekt
$$a = P * a + m$$
$$a_s = {1\over 2}\ a_{ss} + {1\over 2}\ a_{sd} + m_s$$
wobei $a_{ss}$ und $a_{sd}$ Zuchtwerte der Eltern von $s$ sind.
$$a_d = {1\over 2}\ a_{ds} + {1\over 2}\ a_{dd} + m_d$$
$$a_i = {1\over 4}\ a_{ss} + {1\over 4}\ a_{sd} + {1\over 4}\ a_{ds} + {1\over 4}\ a_{dd} + {1\over 2}\ m_s + {1\over 2}\ m_d + m_i$$
$$a = L * m$$
wobei $L$ eine rechte untere Dreiecksmatrix mit Einsen auf der Diagonalen.
$$var(a_i) = {1\over 4}\ var(a_s) + {1\over 4}\ var(a_d) + {1\over 2}\ cov(a_s,a_d) + var(m_i)$$
wobei
\begin{eqnarray} var(a_i) &=& (1+F_i) \sigma_a^2 \nonumber\ var(a_s) &=& (1+F_s) \sigma_a^2 \nonumber\ var(a_d) &=& (1+F_d) \sigma_a^2 \nonumber\ cov(a_s,a_d) &=& a_{sd} \sigma_a^2 = 2F_i \sigma_a^2 \nonumber \label{eq:VarAiComponent} \end{eqnarray}
$$var(m_i) = \left[ {1\over 2}\ - {1\over 4}\ (F_s + F_d)\right] \sigma_a^2$$
$$var(m_i) = \left[{3\over 4} - {1\over 4}\ F_d\right] \sigma_a^2$$
$$var(m_i) = \sigma_a^2$$
$$var(a) = var(L*m) = L * var(m) * L^T$$
wobei $var(m)$ die Covarianz-Matrix der $m$-Effekte ist
$$var(m) = D * \sigma_a^2$$
$$var(a) = L * D * L^T * \sigma_a^2 = A * \sigma_a^2$$
$$A = L * D * L^T$$
$$A^{-1} = (L * D * L^T)^{-1} = (L^{-1})^T * D^{-1} * L^{-1}$$
$D^{-1}$: Diagonalmatrix mit Elementen $1/var(m_i)$
$L^{-1}$: $a = L * m$ und $a = P * a + m$ beide nach $m$ auflösen und gleichsetzen
$$m = L^{-1} * a$$
$$m = (I-P) * a$$
$$L^{-1} = I-P$$
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.