O objetivo desse estudo foi avaliar diferentes modelos estatísticos com diferentes pressuposições para definir o melhor modelo que descreva a presença de interação genótipo x ambiente no ganho de peso pós-desmama ajustado (GPD345) de bovinos Hereford, mediante o estudo de normas de reação ao ambiente, obtidas por regressão aleatória, usando uma abordagem bayesiana. Quatro modelos hierárquicos de normas de reação (MHNR) e um modelo animal padrão (MA) foram empregados por meio do programa INTERGEN. O MHNRk utiliza as soluções de grupos contemporâneos estimadas previamente pelo modelo animal padrão (MA) e as considera como nível ambiental e o de uma única análise, MHNRS, que estima simultaneamente esses dois conjuntos de incógnitas considerando nas duas metodologias a variância residual homogênea (hm) e heterogênea (ht). Pelo critério de informação da "deviance", o MHRNshm foi que apresentou melhor ajuste aos dados, seguido pelo MHNRsht, MHNRKhm, MHNRkht e o pior ajuste foi obtido pelo MA, já pelo Fator de Bayes os MHNR homoscedásticos foram os que melhor ajustaram-se aos dados. Pela ordenada preditiva condicional o MA, foi melhor em relação aos MHNR. As herdabilidades nos MHNR foram crescentes nos gradientes ambientais em GPD345 de -60; 0 e +60 kg. As correlações genéticas entre o nível e inclinação das normas de reação foram de alta magnitude caracterizando efeito de escala em interação GxE. Os modelos hierárquicos de normas de reação são eficientes para descrever as alterações nos componentes de variância em função do ambiente ao qual o genótipo está exposto bem como para descrever a presença de interação genótipo x ambiente na característica GPD345 em bovinos Hereford. / The objective of that study was to evaluate different statistical models with different presuppositions to define the best model than it describes the presence of genotype by environment interaction in the characteristic weight post weaning gain (GPD345) of Hereford cattle, by the study of reaction norms to the environment, obtained by aleatory regression, using an bayesian approach. Four hierarchical models of reaction norms (MHNR) and one animal model (MA) they were used through the program INTERGEN. MHNRk uses the solutions of contemporary groups previously esteemed by the standard animal model (MA) and it considers them as environmental level and the one of an only analysis, MHNRS, that esteems those two groups simultaneously of incognito considering in the two methodologies the homogeneous residual variance (hm) and heterogeneous (ht). For the criterion of information of the "deviance", MHRNshm was that it presented better adjustment to the data, followed for MHNRsht, MHNRKhm, MHNRkht and the worst adjustment was obtained by MA, already for the Factor of Bayes the MHNR homoscedastic the ones that best was adjusted to the data were. For the conditional predictive ordinate MA, was better in relation to MHNR. The heritability in MHNR were growing in the environmental gradients in GPD345 -60 Kg; 0 Kg and +60 Kg. The genetic correlations between the level and inclination of the reaction norms were of high magnitude characterizing scale effect in interaction GxE. The hierarchical models of reaction norms are efficient to describe the alterations in the variance components in function of the environment to which the genotipe is exposed and to describe the presence of genotype by environment interaction in the characteristic GPD345 in Hereford catlle.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.lume.ufrgs.br:10183/17687 |
| Date | January 2009 |
| Creators | Cardoso, Leandro Lunardini |
| Contributors | Braccini Neto, José, Cardoso, Fernando Flores |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFRGS, instname:Universidade Federal do Rio Grande do Sul, instacron:UFRGS |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds