tese
Análise espacial e de vizinhança no melhoramento genético de plantas
Carregando...
Notas
Data
Autores
Orientadores
Editores
Coorientadores
Título da Revista
ISSN da Revista
Título de Volume
Editor
UNIVERSIDADE FEDERAL DE LAVRAS
Faculdade, Instituto ou Escola
Departamento
Programa de Pós-Graduação
DBI - Departamento de Biologia
Agência de fomento
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos de Desenvolvimento Sustentável
Dados abertos
Resumo
O objetivo deste trabalho foi procurar alternativas para melhorar a eficiência dos experimentos de avaliação de progênies de feijão e milho. O foco foi em técnicas analíticas que podem melhorar a precisão experimental. Dados de produção de grãos foram submetidos a diferentes tipos de análise, ignorando ou considerando o controle local do delineamento. Para cada análise, quatro tipos de modelos foram usados: Gauss-Markov normal (GMN), médias móveis nos dados brutos (MM), médias móveis nos dados residuais (Papadakis-PPD) e análise espacial modelando covariâncias residuais (AE). Também foram verificadas as conseqüências de se considerar os efeitos de tratamentos como sendo fixos ou aleatórios na modelagem para ranqueamento dos genótipos e para seleção. A comparação dos diferentes tipos de análise foi baseada nas suas eficiências. Foram calculadas as variâncias residuais ( ), as variâncias de progênies ( ), as semi-amplitudes (SA) relativas dos intervalos de confiança de e os critérios de informação de Akaike (AIC). Os resultados mostraram que ignorar o delineamento experimental pode raramente ser efetivo, com a ajuda da informação espacial. Os modelos MM e PPD em muitos casos melhoraram o modelo original justificado pelo delineamento, embora a AE não o tenha melhorado. Ademais, houve diferenças no ranqueamento de progênies quando representou-as por efeitos aleatórios (comparadas à usual recuperação da informação interbloco, com efeitos fixos para tratamentos). A AE, se inefetiva, não mudou as estimativas dos componentes de variância. Esta propriedade garante que a combinação de efeitos aleatórios para tratamentos e a AE não viola as suposições (algumas destas justificadas pelo delineamento). Isto é especialmente útil com experimentos grandes (com um grande número de progênies).
The aim of this work was to look for alternatives to improve the efficiency of progeny evaluation experiments with common bean and maize. The focus was on analytical techniques that could enhance the experimental precision. Grain yield data were submitted to different types of analyse, ignoring or taking into account the local control of the design. For each analysis, four types of models were used: normal Gauss-Markov (GMN), moving averages on raw data (MM), moving averages on residual data (Papadakis - PPD) and spatial analysis modeling residual covariances (AE). We also investigated the consequences of considering the treatment effects as being fixed or random on modeling for genotype ranking and selection. The comparison of the different types of analysis was based on their efficiencies. Residual variances ( ), progeny variances ( ), relative semi-amplitudes (SA) of the confidence intervals of and Akaike information criteria (AIC) were calculated. Results showed that ignoring the experimental design in the model can rarely be effective, with the aid of spatial information. MM and PPD models in many cases improved the original model justified by design, although AE did not. In addition, there were differences in the progeny ranking when representing them by random effects (compared to the usual recovery of interblock information with fixed effects to treatments). AE, if ineffective, does not change variance components estimates. This property guarantees that the combination of random effects of treatments and AE do not violate the assumptions (some of these justified by the design). This is specially usefull with large experiments (with a huge number of progenies).
The aim of this work was to look for alternatives to improve the efficiency of progeny evaluation experiments with common bean and maize. The focus was on analytical techniques that could enhance the experimental precision. Grain yield data were submitted to different types of analyse, ignoring or taking into account the local control of the design. For each analysis, four types of models were used: normal Gauss-Markov (GMN), moving averages on raw data (MM), moving averages on residual data (Papadakis - PPD) and spatial analysis modeling residual covariances (AE). We also investigated the consequences of considering the treatment effects as being fixed or random on modeling for genotype ranking and selection. The comparison of the different types of analysis was based on their efficiencies. Residual variances ( ), progeny variances ( ), relative semi-amplitudes (SA) of the confidence intervals of and Akaike information criteria (AIC) were calculated. Results showed that ignoring the experimental design in the model can rarely be effective, with the aid of spatial information. MM and PPD models in many cases improved the original model justified by design, although AE did not. In addition, there were differences in the progeny ranking when representing them by random effects (compared to the usual recovery of interblock information with fixed effects to treatments). AE, if ineffective, does not change variance components estimates. This property guarantees that the combination of random effects of treatments and AE do not violate the assumptions (some of these justified by the design). This is specially usefull with large experiments (with a huge number of progenies).
Abstract
Descrição
Área de concentração
Genética e Melhoramento de Plantas
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
ISBN
DOI
Citação
COSTA, J. R. Análise espacial e de vizinhança no melhoramento genético de plantas. 2003. 82 p. Tese (Doutorado em Genética e Melhoramento de Plantas)-Universidade Federal de Lavras, Lavras, 2003.