You are on page 1of 10

05/12/2018

UNIVERSIDAD NACIONAL DE HUANCAVELICA FACULTAD DE CIENCIAS DE INGENIERÍA Escuela Profesional de Zootecnia Ing. M.Sc.
UNIVERSIDAD NACIONAL DE HUANCAVELICA
FACULTAD DE CIENCIAS DE INGENIERÍA
Escuela Profesional de Zootecnia
Ing. M.Sc. Rufino Paucar Chanca
Profesional de Zootecnia Ing. M.Sc. Rufino Paucar Chanca En la Mejora Genética Animal, la utilización de

En la Mejora Genética Animal, la utilización de modelos, en general lineales, es de uso común en un número elevado de cuestiones centrales de esta materia.

Estimación de efectos que afectan a los caracteres.

Evaluación genética de los animales.

Estimación de los parámetros genéticos.

M.Sc. Rufino Paucar Chanca

05/12/2018

05/12/2018 La mejora genética se fundamenta en la variabilidad presente en los datos de los individuos.
La mejora genética se fundamenta en la variabilidad presente en los datos de los individuos.
La mejora genética se
fundamenta en la
variabilidad presente
en
los
datos de los
individuos.

Esta

variabilidad

se

debe

a

múltiples

causas.

 
Realizar una modelización de la variabilidad desentrañando sus causas supone un reto importante.
Realizar una modelización de la
variabilidad desentrañando sus causas
supone un reto importante.

M.Sc. Rufino Paucar Chanca

supone un reto importante. M.Sc. Rufino Paucar Chanca MODELO REAL MODELO IDEAL DATOS MODELO OPERATIVO MODELO

MODELO

REAL

MODELO

IDEAL

DATOS

MODELO

OPERATIVO

MODELO

LINEAL

Observaciones = Factores o Efectos Factores Fijos Continuos Discontinuos Factores Aleatorios

Modelos Modelo Fijo Modelo Aleatorio Modelo Mixto

M.Sc. Rufino Paucar Chanca

05/12/2018

05/12/2018 MODELO MODELO MODELO MODELO DATOS REAL IDEAL OPERATIVO LINEAL M.Sc. Rufino Paucar Chanca MODELO MODELO
MODELO MODELO MODELO MODELO DATOS REAL IDEAL OPERATIVO LINEAL
MODELO
MODELO
MODELO
MODELO
DATOS
REAL
IDEAL
OPERATIVO
LINEAL

M.Sc. Rufino Paucar Chanca

REAL IDEAL OPERATIVO LINEAL M.Sc. Rufino Paucar Chanca MODELO MODELO MODELO MODELO DATOS REAL IDEAL
MODELO MODELO MODELO MODELO DATOS REAL IDEAL OPERATIVO LINEAL
MODELO
MODELO
MODELO
MODELO
DATOS
REAL
IDEAL
OPERATIVO
LINEAL

M.Sc. Rufino Paucar Chanca

05/12/2018

05/12/2018 MODELO MODELO MODELO MODELO DATOS REAL IDEAL OPERATIVO LINEAL M.Sc. Rufino Paucar Chanca MODELO MODELO
MODELO MODELO MODELO MODELO DATOS REAL IDEAL OPERATIVO LINEAL
MODELO
MODELO
MODELO
MODELO
DATOS
REAL
IDEAL
OPERATIVO
LINEAL

M.Sc. Rufino Paucar Chanca

REAL IDEAL OPERATIVO LINEAL M.Sc. Rufino Paucar Chanca MODELO MODELO MODELO MODELO DATOS REAL IDEAL
MODELO MODELO MODELO MODELO DATOS REAL IDEAL OPERATIVO LINEAL
MODELO
MODELO
MODELO
MODELO
DATOS
REAL
IDEAL
OPERATIVO
LINEAL

M.Sc. Rufino Paucar Chanca

05/12/2018

05/12/2018  Observaciones o datos: Las observaciones son las medidas del carácter que deseamos mejorar. 

Observaciones o datos:

Las observaciones son las medidas del carácter que deseamos mejorar.

Siempre son tratadas como variables aleatorias.

Pueden ser discretas o continuas.

Ejemplos:

Peso de vellón. Diámetro de fibra.

Producción de leche.

M.Sc. Rufino Paucar Chanca

de fibra. Producción de leche. M.Sc. Rufino Paucar Chanca  Factores o Efectos: Un factor o

Factores o Efectos:

Un factor o efecto es una causa de variabilidad

que ha sido identificada y que será incluida en el modelo como parte de la explicación de la variabilidad de un carácter.

Ejemplo:

El sexo del individuo, el ser macho o hembra, implica variabilidad en el peso adulto dado que normalmente los

machos pesan más que las hembras.

M.Sc. Rufino Paucar Chanca

05/12/2018

05/12/2018  Factores o Efectos:  Factores Fijos: Son aquellos que presentan pocos niveles (clases o

Factores o Efectos:

Factores Fijos:

Son aquellos que presentan pocos niveles

(clases o categorías) en la población y todos aparecen en nuestros datos.

Ejemplo:

El sexo de los animales en la variable peso al nacimiento.

M.Sc. Rufino Paucar Chanca

la variable peso al nacimiento. M.Sc. Rufino Paucar Chanca  Factores o Efectos:  Factores Aleatorios:

Factores o Efectos:

Factores Aleatorios:

Son aquellos que presentan muchos niveles (hasta

el punto de asumir conceptualmente que hay infinitos) en la población y en muestra solo están contemplados una muestra representativa de los

mismos.

Ejemplo:

Efecto genético aditivo identificado por el individuo.

M.Sc. Rufino Paucar Chanca

05/12/2018

05/12/2018  Tipos de factores: modelos en función de los * Todos los modelo lineales tienen

Tipos

de

factores:

modelos

en

función

de

los

* Todos los modelo lineales tienen al menos un efecto fijo y un

efecto aleatorio.

la

ecuación de todas las observaciones y tiene un único

nivel.

Efecto Aleatorio Común: error o residuo (e ). Tiene tantos niveles como datos existiendo un único nivel independiente para cada observación. Se suele asumir

Efecto Fijo Común:

media general (µ). Aparece

ij

en

para el mismo una distribución normal de media cero.

M.Sc. Rufino Paucar Chanca

normal de media cero. M.Sc. Rufino Paucar Chanca  Tipos de modelos en función de los

Tipos de modelos en función de los factores:

Los modelos lineales utilizados en mejora genética animal suelen

contemplar otros efectos tanto fijos como aleatorios adicionales.

Si no es así se definen:

Modelo Aleatorio: El único efecto fijo que incluyen es la media general (µ).

Modelo Fijo: El único efecto aleatorio que incluyen es el residuo (e ij ).

Modelo Mixto: Además de la media general y el residuo (µ y e ij ) incluyen al menos otro efecto fijo y otro efecto aleatorio.

M.Sc. Rufino Paucar Chanca

05/12/2018

05/12/2018 Individuo Sexo Número de zapato 1 ♀ 37 2 ♀ 38 3 ♂ 42 4
05/12/2018 Individuo Sexo Número de zapato 1 ♀ 37 2 ♀ 38 3 ♂ 42 4

Individuo

Sexo

Número de zapato

1

37

2

38

3

42

4

36

5

44

DEFINICIÓN DEL MODELO

La ecuación del modelo

Esperanzas y varianzas del modelo Asunciones restricciones y limitaciones

M.Sc. Rufino Paucar Chanca

Ecuación del modelo:

37

38

42

36

44

y i = μ + s j + u k + e i

=

=

=

=

=

37

38

42

36

44

μ

μ

μ

μ

μ

+ s 1

+ s 1

1

1

0

0

 1 1

 

 

1

1

0

1

+ s 2 + u 1 + s 2

+ s 2

1

1

0

1

0

 

s

s

1

2

 



1

0

0

0

0

+ u 2

0

1

0

0

0

+ u 3

0

0

1

0

0

0

0

0

1

0

y = Xb + Zu + e

M.Sc. Rufino Paucar Chanca

+ u 4



0

0

0 





1





0

 

u

u

u

u

u

1

2

3

4

5

+ e 1 + e 2 + e 3 + e 4 + u 5 + e 5



 

e

e

e

e

1

2

3

4

e

5

05/12/2018

Esperanzas y varianzas del modelo:

E

 

y

b

u

e

Var

 

Xb

 

b

0

0

Var

u

e




u 1


3

u

4

2

u

u


u

Var   


 

5

e

1

e

2

e

3

e

4

e

5  




2

u

1

u

u

u

u
2

u
3

u
4

1

1

1

u

5

u

1

e
1

u

1

e

u
2

e
3

e
4

u

u

e

u
5

1

1

1

1

u

 

  e  

u u

1

2

2

u

2

u u

3

u u

4

u u

5

2

2

2

e u

1

2

e u

2

e u

3

e u

4

e u

5

2

2

2

2

 

G

0

0

 

 

A

2

u

2  

0

0

u u

1

3

u u

2

3

u u

4

u u

5

3

3

3

e u

1

3

e u

2

e u

3

e u

4

e u

5

3

3

3

3

R

u u

1

5

u u

2

u u

3

5

5

u u

4

2

u

5

5

e u

1

5

e u

2

e u

3

e u

4

e u

5

5

5

5

5

I

u e

1

4

u e

2

4

u e

3

4

u e

4

4

u e

5

4

e e

1

4

e e

2

4

e e

3

4

4

e e

5

4

e

u u

1

4

u u

2

4

u u

3

4

u u

5

4

4

e u

1

4

e u

2

e u

3

e u

4

e u

5

4

4

4

4

u

1

u e
1

1

2

u

2

e
1

u e

2

2

u

3

e
1

u e

3

2

u

4

e 1 2

u e

4

u

5

e 1 2

u e

5

2

e
1

e e

1

2

e

e
2

1

2

e
3


e

e e
1

3

2

e

e
4

1

e e

4

2

e

5


e

e e
1

5

2


e

u e

1

3

u e

2

3

u e

3

3

u e

4

3

u e

5

3

e e

1

3

e e

2

3

3

e e

4

3

e e

5

3

u e

1

5

u e

2

5

u e

3

5

u e

4

5

u e

5

5

e e

1

5

e e

2

5

e e

3

5

e e

4

5

2

e

5






2

u

2

u

2

e

2

e

2

e

M.Sc. Rufino Paucar Chanca

Asunciones restricciones y limitaciones:

Diferencias entre el MODELO REAL y el MODELO

OPERATIVO

Asunciones:

Se asume que el efecto no influye.

Restricciones:

Se analizan sólo determinados niveles.

Limitaciones:

Se advierte de las deficiencias.

M.Sc. Rufino Paucar Chanca

05/12/2018

DEFINICIÓN MODELO LINEAL MIXTO

Ecuación

y = Xb + Zu + e

Esperanzas y Varianzas

E

 

y

b

u

e

Xb  

b

0

0

var

   u e   

 

G

0

0

R

var (y) = V

A

2

u

0

I

0

2

e

Asunciones, Restricciones y Limitaciones

M.Sc. Rufino Paucar Chanca