3个实验小鼠品系下颌骨变量波动性不对称

了解不同实验小鼠下颌骨变量波动性不对称性(FA)特征.对3个实验小鼠品系的下颌骨11个变量进行测量.3个小鼠品系是KM 58例(♂31,♀27),ICR 20例(♂10,♀10)和BALB/c 20例(♂10,♀10).采用SPSS13.0统计软件进行数据分析,Kolmogorov-Smirnov用来检验FA值的正态分布,参数检验ANOVA和非参数统计检验Mann-Whitney用来检验FA值在性别之间和品系之间差异.结果表明不同品系之间FA值变化有一定差异;3个品系中有一个品系的FA值存在性差.3个品系之间FA值出现差异主要原因是出生后环境的影响,遗传因素影响较小.     

太行山猕猴掌骨性差分析

目的是用猕猴掌骨变量建立性别判别函数.成年太行山猕猴骨骼标本39例(27雌,12雄).每根掌骨测量7个变量.数据分析采用SPSS 20.0.建立逐步判别函数.选择出来的性差较大的变量直接进行判别分析.结果表明大部分变量性差显著(P<0.01),侧别差异很小(P>0.05).逐步判别函数选择出来最好的变量是掌骨长度.总体上5根掌骨的性别正确判别率较高,雄性判别率为83.3%~100.0%,雌性判别率为85.2%~100.0%,总的性别判别率达84.6%~94.7%.交互检验比回代检验判别率略微低一些.结果提示用掌骨长度变量可以很好的鉴定性别.     

太行山猕猴掌面花纹嵴数的性差

用太行山猕猴掌面花纹嵴数变量建立性别判别函数。测量25例(雌17例,雄8例)太行山猕猴掌面指间Ⅱ-Ⅳ区花纹的嵴数。用SPSS13.0统计软件进行多变量分析.选择掌面纹线脊数变量建立性别判别函数。结果表明:10项变量中有5项在雌雄之间达到显著性差异(P0.05),太行山猕猴的掌面花纹嵴数具有明显的性差,性别的正确的判别率为88.0～100.0%.     

贵州小型猪和广西巴马小型猪部分血液生化指标筛查

目的对现有小型猪种群进行筛查,期望发现可遗传性疾病,并进而开展遗传选育研究。方法未去势的广西巴马小型猪60头(♂21,♀39)和贵州小型猪50头(♂7,♀43),前腔静脉采血、检测13项血液生化指标。以超出(x±2s)范围为异常值,并对异常值进行重复检测和分析。结果共获得了血清生化指标异常个体42头,其中,贵州小型猪19头,广西巴马小型猪23头。经复测和分析,选择37号和103号猪,分别作为动脉粥样硬化抗性和易感性选育种猪。结论经血清生化指标筛查和统计分析,获得2头动脉粥样硬化抗性和易感性选育候选种猪。     

太行山猕猴蹠骨形态学判别分析

目的:了解太行山猕猴5根蹠骨形态学差异.方法:测量34例成年太行山猕猴蹠骨标本10个变量.数据用SPSS13.5统计软件分析处理,建立5根蹠骨的多元判别函数.结果:5根蹠骨正确判别率的范围是91.2%～100.0%,回代检验和交互检验结果相似,说明判别函数稳定有效.结论:太行山猕猴5根蹠骨的形态差异显著.采用多元判别函数可以有效地将未知标本进行判别.     

太行山猕猴掌(跖)面花纹类型

对26例(♂8,♀18)太行山猕猴的掌,跖面花纹类型及各类花纹出现的区域和频率进行统计研究,并依据掌跖面花纹强度值,探讨太行山猕猴掌(跖)面各类花纹之间的相互关系,以期为灵长类的遗传,进化和分类等基础理论研究积累较为可靠而有使用价值的素材.结果显示,太行山猕猴掌面主要有5类花纹:O,L,Z,W和M;跖面有8类花纹:O,...     

10种常用SPF级实验大、小鼠体重及主要脏器的测定

目的测定10种常用SPF级大、小鼠体重、脏器及肠道等正常参考值。方法解剖10种品系实验动物,称量各组织脏器的相对重量,用尺测量肠道长度,共对9种脏器指标进行了测定。结果不同品系动物的各种脏器指标有明显差别,即使是同种品系,不同性别间也存在差异。     

卷烟主流烟气的判别分析

利用实际生产批次的卷烟主流烟气检测数据,以总粒相物、烟碱、焦油等6种烟气指标检测结果为指标,用minitab统计软件对不同来源的同牌号卷烟主流烟气进行判别分析,建立卷烟主流烟气指标的判别函数,用自身验证和交互验证对判别函数进行回判,准确率分别达100%和95.00%;用新样品对判别函数进行检验,准确率达95.00%,检验结果令人满意.所用的判别分析方法可行,建立的判别函数有效。     

太行山猕猴掌面花纹密度的性别差异分析

目的:研究太行山猕猴掌面的花纹密度(PD)的性别差异.材料与方法:运用SPSS 11.0 for Windows统计软件,对20只猕猴(10♂,10♀)的掌面7个主要花纹区,即近端小鱼际(HP)、远端小鱼际(HD)、大鱼际(TH)及指间4区(Ⅰ-Ⅳ)的花纹密度进行统计分析,用全模型法和逐步判别法建立判别函数.结果:掌面研究变量有7项变量在性别间有显著差异(P<0.05),6项变量达到极显著差异(P<0.01).两种方法的性别判别率均为90.0%.结论:掌面的花纹密度在两性之间有显著性差异,进行性别鉴别和功能推断有一定的实用价值和理论价值.     

太行山猕猴掌骨和蹠骨长度变量研究

对46例(♂13,♀33)太行山猕猴的掌骨和蹠骨的长度进行测量.运用SPSS 13.0统计软件进行方差分析.结果表明,1Mc和1Mt很容易与其它4根掌骨和蹠骨区分,在长度上是最短的.掌骨和蹠骨长度顺序在侧别上没有差异,在雌雄之间有一定差异.掌骨3Mc和4Mc长度之间没有差异(P>0.05).蹠骨的2Mt与5Mt之间及3Mt与4Mt之间没有差异(P>0.05).太行山猕猴掌骨的长度的顺序是2>4,3>5>1,蹠骨长度顺序为3,4>2,5>1.     

太行山猕猴锁骨性差研究

了解猕猴锁骨性差特征及影响因素.太行山猕猴锁骨和颅骨标本51例(雄:18,雌:33).选择锁骨11个变量.数据分析采用SPSS 19.0.用判别分析方法建立锁骨性别判别函数.单因素方差分析锁骨大多数变量性差显著(P<0.01).采用有关锁骨变量性别正确判别率较低(50.0%~76.5%).考虑到锁骨与颅长比值,性别正确判别率有所增加(80.4%~86.3%).整体上雌性判别率高于雄性,两侧之间没有明显差异.这种性差模式主要与锁骨特殊生长模式、形态结构、行为习性和种属特异性有关.     

猕猴骶骨性别判别分析

目的:探讨太行山猕猴骶骨指数性差.材料和方法:成年猕猴骶骨标本55例(雄17,雌38).选择骶骨5个线性变量和4个指数变量;统计处理采用ANOVA、多元判别分析和二元逻辑回归分析.结果:大部分骶骨线性变量存在性差(P0.05),雄性大于雌性;猕猴骶骨相对宽指数性差显著(P0.01),雌性大于雄性.多元判别分析性别正确判别率为78.2%~87.3%.逻辑回归分析性别正确判别率为83.6%~87.3%.结论:骶骨变量性差显著,骶骨体长和骶骨相对宽性别判别的能力较强.     

太行山猕猴下颌骨、颅骨和髋骨变量的性别判别分析

本对25例（♂9，♀16）成年太行山猕猴下颌骨的17项变量，24例（♂8，♀16）颅骨的20项变量和22例（♂11，♀11）髋骨的21项变量进行了测量，采用SPSS for windows 10.0的多变量差别分析方法对有关变量建立性别判别函数式。结果表明，采用逐步判别法，髋骨变量 性别判别分析时所用变量最少，髋骨，下颌骨和颅骨变量，差别率分别 为95.50%,88.00%和79．20％。     

太行山猕猴锁骨方向不对称研究

目的是探讨太行山猕猴锁骨方向不对称模式及影响因素.猕猴锁骨标本61例(雄:18,雌:43),标本按照性别和年龄分组.选择锁骨最大长和骨干中间横截面积2个变量.用SPSS19.0统计软件进行检验.结果显示猕猴锁骨长是右侧较长,但没有达到统计学意义(P>0.05);锁骨中间骨干横截面积左侧明显大于右侧,有统计学意义(P<0.05).锁骨变量方向不对称与肱骨和股骨方向不对称模式不同.结论:猕猴锁骨方向不对称模式明显与人类不同,提示非人灵长类与人类骨骼的方向不对称模式可能与进化的过程、行为模式以及种属系统演化阶段等有关.     

淇河鲫鱼下咽骨形态学描述

观察成年淇河鲫鱼下咽骨形态特征,比较下咽骨与体型性差.选取58例成年淇河鲫鱼(雄24,雌34)3个体型变量、下咽骨4个形态变量及3个比值变量.测量数据处理采用SPSS 20.0软件.结果显示淇河鲫鱼体型变量性差有统计学意义(P0.05),性差方向是雌性大于雄性;下咽骨形态变量和比值变量性差无统计学意义(P0.05).主成分分析结果显示下咽骨7个变量可以提取3个因子,可以解释原始变量总变异的88.05%.反映了变量之间的关联程度.淇河鲫鱼体型变量性差显著,下咽骨性差无统计学意义;下咽骨变量提取的少数因子可以对多个自变量做出解释.     

太行山猕猴胫骨的性别判别分析

研究成年太行山猕猴胫骨变量在性别判别中的作用.本文对20例太行山猕猴(8♂、12♀)胫骨的8项变量进行测量,采用SPSS10.0forWindows分析软件中单因子方差分析和多变量判别分析.统计结果显示,所测项目性别差异显著(P<0.05);通过全模型法和逐步判别法建立胫骨变量的判别函数,判别率分别为100.0%和95.0%.说明利用猕猴胫骨进行性别判别具有一定的实践意义.     

猕猴颅骨变量和面角的性差研究

本文对27例(9♂,18♀)成年太行山猕猴颅骨有关变量进行单因素方差分析和多变量性别判别分析.结果表明,太行山猕猴的颅骨变量有明显的性别差异,15项变量中有9项性别间差异显著,其中3项变量有极显著性差异;颅骨的面角雄性较雌性小3.43°,颅骨单项变量性别判别率较低,范围在51.95%～74.10%之间,通过全模型和逐步选择法建立颅骨变量的判别函数,判别率分别为96.30%和74.10%.