Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/150833 |
Resumo: | A utilização da abordagem Bayesiana pode permitir maior eficiência na aplicação de modelos complexos no melhoramento de plantas, tendo em vista a disponibilidade da computação com alto poder de processamento de dados. Objetivou-se neste estudo a obtenção de valores genéticos pela abordagem Bayesiana, comparando com a inferência frequentista (modelos mistos, lsmeans e médias aritméticas simples), em experimentos multiambientes na cultura da soja. Foram avaliadas 51 linhagens de soja e mais 4 testemunhas no delineamento em blocos casualizados em 6 ambientes com 3 repetições para a característica produtividade de grãos da soja kg.ha-1. Os parâmetros de interesse foram obtidos com o método de Monte Carlo via cadeias de Markov (MCMC) na obtenção de amostras da distribuição a posteriori conjunta. Como informação a priori foram utilizadas as distribuições half-normal a partir dos valores da variância de 18 genótipos de experimentos anteriores e relacionados, bem como a distribuição uniforme. Os valores genotípicos pela abordagem Bayesiana diferiram das médias com a inferência frequentista (modelos mistos, lsmeans e médias aritméticas simples), em experimentos multiambientes na cultura da soja, para os genótipos com alta e baixa produção de grãos. Para os demais casos os quatro métodos testados foram equivalentes. A abordagem Bayesiana com informações a priori derivadas de experimentos anteriores com soja pode ser utilizada nas análises no melhoramento genético dessa cultura. O método de modelos mistos (REML/BLUP) apresentou valores de médias e parâmetros genéticos bem próximos do método Bayesiano para herdabilidade em nível de média (h2mg), Acurácia na seleção dos genótipos (Acgen), Coeficiente de variação genético (CVgi%) e Coeficiente de variação ambiental (CVe%). |
id |
UNSP_1ace44d1de905971b1940ba92e031f80 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/150833 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da sojaBayesian and mixed models approach to multienvironment trials in soybeanGlycine maxDistribuição a priori no melhoramento genéticoModelagem matemáticaA utilização da abordagem Bayesiana pode permitir maior eficiência na aplicação de modelos complexos no melhoramento de plantas, tendo em vista a disponibilidade da computação com alto poder de processamento de dados. Objetivou-se neste estudo a obtenção de valores genéticos pela abordagem Bayesiana, comparando com a inferência frequentista (modelos mistos, lsmeans e médias aritméticas simples), em experimentos multiambientes na cultura da soja. Foram avaliadas 51 linhagens de soja e mais 4 testemunhas no delineamento em blocos casualizados em 6 ambientes com 3 repetições para a característica produtividade de grãos da soja kg.ha-1. Os parâmetros de interesse foram obtidos com o método de Monte Carlo via cadeias de Markov (MCMC) na obtenção de amostras da distribuição a posteriori conjunta. Como informação a priori foram utilizadas as distribuições half-normal a partir dos valores da variância de 18 genótipos de experimentos anteriores e relacionados, bem como a distribuição uniforme. Os valores genotípicos pela abordagem Bayesiana diferiram das médias com a inferência frequentista (modelos mistos, lsmeans e médias aritméticas simples), em experimentos multiambientes na cultura da soja, para os genótipos com alta e baixa produção de grãos. Para os demais casos os quatro métodos testados foram equivalentes. A abordagem Bayesiana com informações a priori derivadas de experimentos anteriores com soja pode ser utilizada nas análises no melhoramento genético dessa cultura. O método de modelos mistos (REML/BLUP) apresentou valores de médias e parâmetros genéticos bem próximos do método Bayesiano para herdabilidade em nível de média (h2mg), Acurácia na seleção dos genótipos (Acgen), Coeficiente de variação genético (CVgi%) e Coeficiente de variação ambiental (CVe%).The Bayesian approach can allow higher efficiency in solving complex models in plant breeding especially with the availability of computing with high-powered data processing. This study aimed to obtain genetic values using Bayesian approach and to compare with frequentist inference (mixed models, lsmeans and simple arithmetic mean) to multienvironment trials in soybean. We evaluated 51 soybean lines and 4 more checks in a randomized complete block design in 6 environments with 3 replications to soybean grain yield kg.ha-1. The parameters of interest were obtained with the method of Monte Carlo Markov chains (MCMC) to obtain samples of the joint posterior distribution. As a priori information the half-normal distribution was used from the values of the variance of 18 genotypes from previous and related experiments as well as the uniform distribution. The genotypic values via Bayesian approach differed from the average with frequentist inference in multienvironment trials in soybean, for genotypes with high and low grain yield. In the other cases the four tested methods were equivalents. The Bayesian approach with priori information derived from previous experiments of soybean can be used in genetic breeding of this crop. The method of mixed models (REML/BLUP) showed slightly different values of means and genetic parameters of the Bayesian method to average heritability (h2mg), accuracy of genotypes selection (Acgen), coefficient of genetic variation (CVgi%) and coefficient of environmental variation (CVe%).Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Universidade Estadual Paulista (Unesp)Di Mauro, Antonio Orlando [UNESP]Universidade Estadual Paulista (Unesp)Silva, Alysson Jalles da [UNESP]2017-06-06T17:05:51Z2017-06-06T17:05:51Z2017-04-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/11449/15083300088711733004102029P6porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-06-05T14:59:52Zoai:repositorio.unesp.br:11449/150833Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-06-05T14:59:52Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja Bayesian and mixed models approach to multienvironment trials in soybean |
title |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja |
spellingShingle |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja Silva, Alysson Jalles da [UNESP] Glycine max Distribuição a priori no melhoramento genético Modelagem matemática |
title_short |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja |
title_full |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja |
title_fullStr |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja |
title_full_unstemmed |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja |
title_sort |
Abordagem bayesiana e modelos mistos para experimentos multiambientes na cultura da soja |
author |
Silva, Alysson Jalles da [UNESP] |
author_facet |
Silva, Alysson Jalles da [UNESP] |
author_role |
author |
dc.contributor.none.fl_str_mv |
Di Mauro, Antonio Orlando [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Silva, Alysson Jalles da [UNESP] |
dc.subject.por.fl_str_mv |
Glycine max Distribuição a priori no melhoramento genético Modelagem matemática |
topic |
Glycine max Distribuição a priori no melhoramento genético Modelagem matemática |
description |
A utilização da abordagem Bayesiana pode permitir maior eficiência na aplicação de modelos complexos no melhoramento de plantas, tendo em vista a disponibilidade da computação com alto poder de processamento de dados. Objetivou-se neste estudo a obtenção de valores genéticos pela abordagem Bayesiana, comparando com a inferência frequentista (modelos mistos, lsmeans e médias aritméticas simples), em experimentos multiambientes na cultura da soja. Foram avaliadas 51 linhagens de soja e mais 4 testemunhas no delineamento em blocos casualizados em 6 ambientes com 3 repetições para a característica produtividade de grãos da soja kg.ha-1. Os parâmetros de interesse foram obtidos com o método de Monte Carlo via cadeias de Markov (MCMC) na obtenção de amostras da distribuição a posteriori conjunta. Como informação a priori foram utilizadas as distribuições half-normal a partir dos valores da variância de 18 genótipos de experimentos anteriores e relacionados, bem como a distribuição uniforme. Os valores genotípicos pela abordagem Bayesiana diferiram das médias com a inferência frequentista (modelos mistos, lsmeans e médias aritméticas simples), em experimentos multiambientes na cultura da soja, para os genótipos com alta e baixa produção de grãos. Para os demais casos os quatro métodos testados foram equivalentes. A abordagem Bayesiana com informações a priori derivadas de experimentos anteriores com soja pode ser utilizada nas análises no melhoramento genético dessa cultura. O método de modelos mistos (REML/BLUP) apresentou valores de médias e parâmetros genéticos bem próximos do método Bayesiano para herdabilidade em nível de média (h2mg), Acurácia na seleção dos genótipos (Acgen), Coeficiente de variação genético (CVgi%) e Coeficiente de variação ambiental (CVe%). |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-06-06T17:05:51Z 2017-06-06T17:05:51Z 2017-04-06 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/150833 000887117 33004102029P6 |
url |
http://hdl.handle.net/11449/150833 |
identifier_str_mv |
000887117 33004102029P6 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1803045490662572032 |