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. Rufino Paucar Chanca

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

1
05/12/2018

La mejora genética se
fundamenta en la Esta variabilidad se
variabilidad presente debe a múltiples
en los datos de los causas.
individuos.

Realizar una modelización de la


variabilidad desentrañando sus causas
supone un reto importante.

M.Sc. Rufino Paucar Chanca

MODELO MODELO MODELO MODELO


DATOS
REAL IDEAL OPERATIVO LINEAL

Observaciones =
Modelos
Factores o Efectos
Modelo Fijo
Factores Fijos
Modelo
Continuos
Aleatorio
Discontinuos
Modelo Mixto
Factores Aleatorios
M.Sc. Rufino Paucar Chanca

2
05/12/2018

MODELO MODELO MODELO MODELO


DATOS
REAL IDEAL OPERATIVO LINEAL

M.Sc. Rufino Paucar Chanca

MODELO MODELO MODELO MODELO


DATOS
REAL IDEAL OPERATIVO LINEAL

M.Sc. Rufino Paucar Chanca

3
05/12/2018

MODELO MODELO MODELO MODELO


DATOS
REAL IDEAL OPERATIVO LINEAL

M.Sc. Rufino Paucar Chanca

MODELO MODELO MODELO MODELO


DATOS
REAL IDEAL OPERATIVO LINEAL

M.Sc. Rufino Paucar Chanca

4
05/12/2018

 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

 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

5
05/12/2018

 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

 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

6
05/12/2018

 Tipos de modelos en función de los


factores:

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


efecto aleatorio.

 Efecto Fijo Común: media general (µ). Aparece en la


ecuación de todas las observaciones y tiene un único
nivel.
 Efecto Aleatorio Común: error o residuo (eij). Tiene tantos
niveles como datos existiendo un único nivel
independiente para cada observación. Se suele asumir
para el mismo una distribución normal de media cero.

M.Sc. Rufino Paucar Chanca

 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 (eij).

 Modelo Mixto: Además de la media general y el residuo (µ y


eij) incluyen al menos otro efecto fijo y otro efecto aleatorio.

M.Sc. Rufino Paucar Chanca

7
05/12/2018

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:


yi = μ + sj + uk + ei
37 = μ + s2 + u1 + e1
38 = μ + s2 + u2 + e2
42 = μ + s1 + u3 + e3
36 = μ + s2 + u4 + e4
44 = μ + s1 + u5 + e5
37  1 0 1 1 0 0 0 0   u1   e1 
 38  1
   0 1     0
 1 0 0 0  u2  e2 
 42   1 1 0   s1   0 0 1 0 0  u3    e3 
        
36  1 0 1   s2  0 0 0 1 0  u4  e4 
 44  1 1 0  0 0 0 0 1  u5   e5 
y = Xb + Zu + e
M.Sc. Rufino Paucar Chanca

8
05/12/2018

 Esperanzas y varianzas del modelo:


 y   Xb 
b   b  u  G 0   A u2 0 
E   Var       
u   0 
    e   0 R  0 I e2 
e   0 
  u21 u u u u u u u u u e u e u e u e u e 
 u1   
1 2 1 3 1 4 1 5 1 1 1 2 1 3 1 4 1 5

u   u2u1  2
u2 u u
2 3
u u
2 4
u u
2 5
u e
2 1
u e
2 2
u e
2 3
u e
2 4
u e 
2 5
 2   u u  u2 u u u u u e u e u e u e  u e 
 u3   u3u1 3 2 3 3 4 3 5 3 1 3 2 3 3 3 4 3 5

   u u u u  u2 u u u e u e u e u e u e 
u4   u4u1 4 2 4 3 4 4 5 4 1 4 2 4 3 4 4 4 5

 
u u5   u5u1 u u u u u u  u2 u e u e u e u e u e 
Var    Var     
5 2 5 3 5 4 5 5 1 5 2 5 3 5 4 5 5

e   e1    e1u1 eu eu eu eu  e2 e e e e e e e e 


e   
1 2 1 3 1 4 1 5 1 1 2 1 3 1 4 1 5

 2    e2u1 e u2 2
e u
2 3
e u
2 4
e u
2 5
e e
2 1
 e2
2
e e
2 3
e e
2 4
e e 
2 5

 e3    e u e u e u e u e e e e  e2 e e e e 
 e   e3u1 3 2 3 3 3 4 3 5 3 1 3 2 3 3 4 3 5 
 4   e u e u e u e u e u e e e e e e  e2 e e 
 e5   
4 1 4 2 4 3 4 4 4 5 4 1 4 2 4 3 4 4 5

  e5u1 e u5 2
e u
5 3
e u
5 4
e u
5 5
e e
5 1
e e
5 2
e e
5 3
e e
5 4
 e2 
5

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

9
05/12/2018

DEFINICIÓN MODELO LINEAL MIXTO


•Ecuación
y = Xb + Zu + e

•Esperanzas y Varianzas

 y   Xb  u  G 0   A u2 0 
b   b  var      
  
e 0 R   0 I e2 
E  
u   0 
    var (y) = V
e   0 
•Asunciones, Restricciones y Limitaciones

M.Sc. Rufino Paucar Chanca

10