Submitted by Rodrigo Martins Cruz (rodrigo.cruz@ufvjm.edu.br) on 2015-12-17T16:32:54Z No. of bitstreams: 2 michel_marques_farah.pdf: 437133 bytes, checksum: efc5c1b8937d6edbcc7aaf0f1481a293 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Rodrigo Martins Cruz (rodrigo.cruz@ufvjm.edu.br) on 2015-12-17T16:33:17Z (GMT) No. of bitstreams: 2 michel_marques_farah.pdf: 437133 bytes, checksum: efc5c1b8937d6edbcc7aaf0f1481a293 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2015-12-17T16:33:19Z (GMT). No. of bitstreams: 2 michel_marques_farah.pdf: 437133 bytes, checksum: efc5c1b8937d6edbcc7aaf0f1481a293 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2010 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior (CAPES) / A simula??o de dados apresenta diversas vantagens, como proporcionar a obten??o de respostas ? sele??o e diminuir o tempo necess?rio para a avalia??o das metodologias estudadas no melhoramento gen?tico animal. Por?m, os trabalhos que utilizam simula??o empregam v?rios termos como simula??o estoc?stica, simula??o determin?stica, simula??o de Monte Carlo, simula??o em n?vel de gene e simula??o em n?vel de indiv?duo e, muitas vezes, estes termos s?o utilizados de maneiras diferentes ou em outras condi??es, causando uma diverg?ncia nos termos utilizados. Assim, os objetivos deste trabalho foram agrupar, definir e diferenciar os termos t?cnicos utilizados nos trabalhos de simula??o em melhoramento gen?tico animal e comparar e definir as propriedades dos procedimentos de simula??o em n?vel de indiv?duo e em n?vel de gene. Foram desenvolvidos tr?s cen?rios de simula??o, em n?vel de indiv?duo, em n?vel de gene com e sem marcador utilizando o software LZ5. Foram simuladas tr?s popula??es de su?nos para cada cen?rio e com diferentes herdabilidades (0,12, 0,27 e 0,47). A popula??o-base foi constitu?da de 1500 animais, sendo 750 machos e 750 f?meas e para as duas simula??es em n?vel de gene foi considerado um genoma de 2800 cM e 18 cromossomos de tamanhos aleat?rios, as caracter?sticas foram governadas por 500 locos polig?nicos dial?licos, com freq??ncias al?licas iguais e taxa de recombina??o de 0,01. Para a simula??o em n?vel de gene com marcadores, ainda foram distribu?dos marcadores distanciados igualmente a 50 cM e distribu?dos aleatoriamente 5 QTLs por todo o genoma. Os valores amostrados apresentaram bem semelhantes para os tr?s tipos de simula??o, apresentando um aumento das vari?ncias aditiva e fenot?pica e da herdabilidade nas primeiras gera??es e depois decrescendo ao longo das gera??es. J? para a m?dia fenot?pica, houve um ganho gen?tico por gera??o, indicando que todos os m?todos utilizados s?o eficientes para a obten??o de dados simulados. Assim, a vantagem da simula??o em n?vel de gene ? que ? poss?vel simular marcadores moleculares e QTLs, enquanto a simula??o em n?vel de indiv?duo ? muito eficiente para obten??o de dados como o valor gen?tico do indiv?duo e da m?dia fenot?pica da popula??o em um per?odo de tempo muito menor, pois demanda menos recursos computacionais e de algoritmos estruturados para desenvolver quando comparado com a simula??o em n?vel de gene. Portanto, define-se simula??o em n?vel de indiv?duo como uma metodologia de simula??o que consiste em gerar valores gen?ticos (G) a partir de uma distribui??o normal com m?dia e vari?ncia previamente definidas; enquanto para a simula??o em n?vel de gene a metodologia consiste em gerar os valores dos efeitos de cada loco polig?nico e seus QTLs, a partir de uma distribui??o normal com m?dia e vari?ncia previamente definidas para cada componente, e pela soma destes, obt?m-se o G de cada indiv?duo da popula??o. Para a gera??o do efeito residual (E) as duas metodologias de simula??o s?o feitas da mesma forma, gerando-se um efeito aleat?rio amostrado, tamb?m, de uma distribui??o normal e assim obt?m-se os valores fenot?picos (P) de cada indiv?duo pela soma destes dois componentes (G+E). / Disserta??o (Mestrado) ? Programa de P?s-Gradua??o em Zootecnia, Universidade Federal dos Vales do Jequitinhonha e Mucuri, 2010. / ABSTRACT The simulation data has several advantages, such as providing the obtaining responses to selection and reduce the time required for evaluation methodologies studied in animal breeding. However, simulation studies employ various terms such as simulation stochastic, deterministic simulation, Monte Carlo simulation, simulation level of gene and simulation at the individual level and often these terms are used in different ways or in other conditions, causing a divergence in the terms used. Thus, the objectives were cluster, define and differentiate the technical terms used in the work of simulation in animal breeding and compare and define the properties procedures for simulation-level and individual-level gene. There had been developed three scenarios for simulation at the individual-level and level gene, with and without marker, using the software LZ5. There had been simulated three pig populations for each scenario, with different heritabilities (0.12, 0.27 and 0.47). The base population consisted of 1500 animals, 750 males and 750 females and for both simulations at the level of the gene was considered a genome of 2800 cM, and 18 chromosomes in random sizes, the characteristics were governed by 500 loci diallelic polygenic, with equal allele frequencies and recombination rate of 0.01. For the simulation Level with gene markers, were also distributed bookmarks equally spaced at 50 cM and five QTL distributed randomly across the genome. The sampled values were very similar for the three types of simulation, an increase of additive variance and phenotype and heritability in the first generations and then decreasing to over the generations. As for the average phenotype was a genetic per generation, indicating that all methods used are efficient for obtain simulated data. Thus, the advantage of gene-level simulation is that it can simulate molecular markers and QTLs, while the simulation at individual level is very efficient for obtaining data as the individual's genetic value and phenotypic average of the population over a period of much less time, since it requires less computational resources and algorithms structured to develop, when compared with the simulation-level gene. Therefore, it is defined as the individual level simulation a methodology simulation that generates breeding values (G) from a normal distribution with mean and variance as previously defined; and the gene level simulation is defined as a methodology that generates the values of effects of each locus and their polygenic QTLs from a normal distribution with mean and variance previously defined for each component, and the sum of these gives the G of each individual in the population. For the generation of residual effect (E) the two simulation methodologies are made in the same way, generating a random effects sampled also a normal distribution and so it was obtained the phenotypic values (P) of each individual by summing these two components (G+E).

Made available in DSpace on 2014-12-17T15:26:36Z (GMT). No. of bitstreams: 1 RaimundoNCSpdf.pdf: 571294 bytes, checksum: e7a16fe2d495057f30a58acfdd36fce6 (MD5) Previous issue date: 2008-12-05 / The work is to make a brief discussion of methods to estimate the parameters of the Generalized Pareto distribution (GPD). Being addressed the following techniques: Moments (moments), Maximum Likelihood (MLE), Biased Probability Weighted Moments (PWMB), Unbiased Probability Weighted Moments (PWMU), Mean Power Density Divergence (MDPD), Median (MED), Pickands (PICKANDS), Maximum Penalized Likelihood (MPLE), Maximum Goodness-of-fit (MGF) and the Maximum Entropy (POME) technique, the focus of this manuscript. By way of illustration adjustments were made for the Generalized Pareto distribution, for a sequence of earthquakes intraplacas which occurred in the city of Jo?o C?mara in the northeastern region of Brazil, which was monitored continuously for two years (1987 and 1988). It was found that the MLE and POME were the most efficient methods, giving them basically mean squared errors. Based on the threshold of 1.5 degrees was estimated the seismic risk for the city, and estimated the level of return to earthquakes of intensity 1.5?, 2.0?, 2.5?, 3.0? and the most intense earthquake never registered in the city, which occurred in November 1986 with magnitude of about 5.2? / O objetivo desse trabalho ? fazer uma breve discuss?o dos m?todos de estima??o dos par?metros da distribui??o generalizada de Pareto (GPD). Sendo abordadas as seguintes t?cnicas: m?xima verossimilhan?a (MLE), m?xima verossimilhan?a penalizada (MPLE), m?todos dos momentos (moments), Pickands (Pickands), momentos ponderados pela probabilidade: viesado e n?o-viesado (PWMB, PWMU), diverg?ncia m?dia da densidade (MDPD), melhor qualidade do ajuste (MGF), mediana (MED) e o m?todo da m?xima entropia (POME), t?cnica que neste trabalho receber? uma maior aten??o. A t?tulo de ilustra??o foram feitos ajustes para a distribui??o generalizada de Pareto, para uma seq??ncia de sismos intraplacas, ocorridos no munic?pio de Jo?o C?mara, NE Brasil que foi monitorado continuamente durante dois anos (1987 e 1988). Verificou-se que o MLE e o POME foram os m?todos mais eficientes, dando basicamente os mesmos erros m?dios quadr?ticos. Com base no limiar de 1,5? foi estimado o risco s?smico para o munic?pio, sendo estimado o n?vel de retorno para os sismos de intensidade 1,5?, 2,0?, 2,5?, 3,0? e para o sismo mais intenso j? registrado no munic?pio, ocorrido em novembro de 1986 que teve a magnitude de 5,2?

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2018-03-21T12:37:29Z No. of bitstreams: 1 MarconioSilvaDosSantos_TESE.pdf: 17070388 bytes, checksum: 46702d837c8c304ffc379088625742aa (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-03-23T15:26:03Z (GMT) No. of bitstreams: 1 MarconioSilvaDosSantos_TESE.pdf: 17070388 bytes, checksum: 46702d837c8c304ffc379088625742aa (MD5) / Made available in DSpace on 2018-03-23T15:26:03Z (GMT). No. of bitstreams: 1 MarconioSilvaDosSantos_TESE.pdf: 17070388 bytes, checksum: 46702d837c8c304ffc379088625742aa (MD5) Previous issue date: 2017-11-24 / Neste trabalho, ? feita uma modelagem estat?stica da precipita??o pluvial. Este ? um trabalho metodol?gico que utiliza simula??es estoc?sticas para estimar as distribui??es de probabilidades envolvidas na modelagem dessa vari?vel atmosf?rica. A fim de estimar os par?metros dessas distribui??es, foram utilizados m?todos de Monte Carlo via cadeias de Markov para gerar amostras sint?ticas de tamanho grande a partir de dados observados. Os m?todos utilizados foram o algoritmo de Metropolis-Hastings e o amostrador de Gibbs. As simula??es foram feitas sob a hip?tese de que os dias de um mesmo per?odo do ano (m?s ou esta??o chuvosa) podem ser considerados como identicamente distribu?dos em rela??o ? probabilidade de ocorrer precipita??o. Essa pesquisa possibilitou a produ??o de quatro artigos. O primeiro artigo utilizou o algoritmo de Metropolis-Hastings para modelar a probabilidade de ocorr?ncia de precipita??o em um dia qualquer do m?s. As simula??es desse artigo foram feitas com dados observados de algumas cidades brasileiras. Os demais artigos utilizaram o amostrador de Gibbs e os m?todos propostos foram aplicados em cidades da regi?o Nordeste do Brasil. No segundo artigo, as distribui??es Beta e Binomial foram utilizadas para modelar o n?mero de dias do m?s com ocorr?ncia de precipita??o. No terceiro artigo, a distribui??o de Poisson foi utilizada para modelar o n?mero de dias com valores extremos de precipita??o na esta??o chuvosa. Um m?todo alternativo para estimar esses valores extremos e sua distribui??o ? apresentado no quarto artigo, utilizando a distribui??o Gama. De acordo com os resultados dessas pesquisas, amostrador de Gibbs foi considerado adequado para estimar as distribui??es na modelagem da precipita??o em cidades para as quais h? poucos dados hist?ricos. / In this work, it was made a statistical modeling of precipitation. This is a methodological work that uses stochastic simulations to estimate the probability distributions related to this atmospheric variable. In order to estimate the parameters of these distributions, Markov chain Monte Carlo methods were used to generate large size synthetic samples from observed data. The used methods were the Metropolis-Hastings algorithm and the Gibbs sampler. The simulations were performed under the hypothesis that the days of of the same period of the year (month or rainy season) can be considered to be identically distributed concernig the probability of precipitation. This research allowed the production of four papers. The first paper used the Metropolis-Hastings algorithm to model the probability of occurrence of precipitation on any day of the month. The simulations of this paper were perfomed with observed data of some Brazilian cities. The other papers used the Gibbs sampler and the proposed methods were applied to data from cities in the Northeast Brazil. In the second paper, Beta and Binomial distributions were used to model the number of days of the month with occurrence of precipitation. In the third paper, the Poisson distribution was used to model the number of days with precipitation extreme values in the rainy season. An alternative method for estimating these extreme values and their distribution is presented in the fourth paper, using the Gamma distribution. According to the results obtained by these researches, the Gibbs sampler was considered to be adequate to estimate distributions in the modeling of precipitation on cities for which there are few historical data.