LGN BIOMETRIA DE MARCADORES GENÉTICOS
|
|
- Domingos Nunes
- 5 Há anos
- Visualizações:
Transcrição
1 LGN BIOMETRIA DE MARCADORES GENÉTICOS AULA 3: MAPAS GENÉTICOS II Antonio Augusto Franco Garcia Roland Vencovsky Departmento de Genética ESALQ/USP 007
2 CONTEÚDO 1 ANÁLISE DE LIGAÇÃO (CONT.) Revisão Teste de Dois Pontos (F ) Grupos de Ligação ORDENAÇÃO DOS LOCOS Fundamentos Estatísticas (Critérios) Algoritmos de Ordenação
3 CONTEÚDO 1 ANÁLISE DE LIGAÇÃO (CONT.) Revisão Teste de Dois Pontos (F ) Grupos de Ligação ORDENAÇÃO DOS LOCOS Fundamentos Estatísticas (Critérios) Algoritmos de Ordenação
4 CONTEÚDO 1 ANÁLISE DE LIGAÇÃO (CONT.) Revisão Teste de Dois Pontos (F ) Grupos de Ligação ORDENAÇÃO DOS LOCOS Fundamentos Estatísticas (Critérios) Algoritmos de Ordenação
5 DELINEAMENTOS GENÉTICOS
6 RC Função de verossimilhança para r no RC1: ( 1 r L(r) = ) n1 ( r ) n ( r.. ) n3. ( 1 r ) n4 Estimador de máxima verossimilhança para r: ˆr = n + n 3 n 1 + n + n 3 + n 4 = n R n R + n NR r (fração de recombinação): Probabilidade de ocorrer uma recombinação num dado intervalo entre locos
7 RC Função de verossimilhança para r no RC1: ( 1 r L(r) = ) n1 ( r ) n ( r.. ) n3. ( 1 r ) n4 Estimador de máxima verossimilhança para r: ˆr = n + n 3 n 1 + n + n 3 + n 4 = n R n R + n NR r (fração de recombinação): Probabilidade de ocorrer uma recombinação num dado intervalo entre locos
8 RC Função de verossimilhança para r no RC1: ( 1 r L(r) = ) n1 ( r ) n ( r.. ) n3. ( 1 r ) n4 Estimador de máxima verossimilhança para r: ˆr = n + n 3 n 1 + n + n 3 + n 4 = n R n R + n NR r (fração de recombinação): Probabilidade de ocorrer uma recombinação num dado intervalo entre locos
9 TESTE DA RAZÃO DE VEROSSIMILHANÇA Princípio: comparar valores da verossimilhança considerando diferentes valores dos parâmetros θ: valor do parâmetro sob H 0 ˆθ: valor do parâmetro sob H 1 Estatística razão de verossimilhanças: LRT = log L(θ) = [l(θ) l(ˆθ)] L(ˆθ) LOD (log of the odds): LOD = log 10 L(ˆθ) L(θ)
10 TESTE DA RAZÃO DE VEROSSIMILHANÇA Princípio: comparar valores da verossimilhança considerando diferentes valores dos parâmetros θ: valor do parâmetro sob H 0 ˆθ: valor do parâmetro sob H 1 Estatística razão de verossimilhanças: LRT = log L(θ) = [l(θ) l(ˆθ)] L(ˆθ) LOD (log of the odds): LOD = log 10 L(ˆθ) L(θ)
11 TESTE DA RAZÃO DE VEROSSIMILHANÇA Princípio: comparar valores da verossimilhança considerando diferentes valores dos parâmetros θ: valor do parâmetro sob H 0 ˆθ: valor do parâmetro sob H 1 Estatística razão de verossimilhanças: LRT = log L(θ) = [l(θ) l(ˆθ)] L(ˆθ) LOD (log of the odds): LOD = log 10 L(ˆθ) L(θ)
12 TESTE DA RAZÃO DE VEROSSIMILHANÇA Princípio: comparar valores da verossimilhança considerando diferentes valores dos parâmetros θ: valor do parâmetro sob H 0 ˆθ: valor do parâmetro sob H 1 Estatística razão de verossimilhanças: LRT = log L(θ) = [l(θ) l(ˆθ)] L(ˆθ) LOD (log of the odds): LOD = log 10 L(ˆθ) L(θ)
13 TESTE DA RAZÃO DE VEROSSIMILHANÇA Princípio: comparar valores da verossimilhança considerando diferentes valores dos parâmetros θ: valor do parâmetro sob H 0 ˆθ: valor do parâmetro sob H 1 Estatística razão de verossimilhanças: LRT = log L(θ) = [l(θ) l(ˆθ)] L(ˆθ) LOD (log of the odds): LOD = log 10 L(ˆθ) L(θ)
14 RC EXEMPLO Uso de um Sistema Algébrico Computacional (MAXIMA)
15 CONTEÚDO 1 ANÁLISE DE LIGAÇÃO (CONT.) Revisão Teste de Dois Pontos (F ) Grupos de Ligação ORDENAÇÃO DOS LOCOS Fundamentos Estatísticas (Critérios) Algoritmos de Ordenação
16 POPULAÇÃO F Genótipo Código freq. esp. (p i ) freq. obs. (f i ) AB AB AB Ab 1 Ab (1 r) 4 n 1 r(1 r) n Ab 0 r 4 n 3 AB ab 1 Ab r(1 r) n 4 ab 11 r n 5 AB ab 11 Ab ab 10 ab (1 r) n 5 r(1 r) n 6 ab 0 r 4 n 7 ab ab 01 ab ab 00 r(1 r) n 8 (1 r) 4 n 9
17 F Função de verossimilhança para r: L(r) = [ ] (1 r) n1 +n 9 [ ] n +n r(1 r) 4 +n 6 +n 8 [ ] r n3 +n 7 [ ] (1 r) n r Estimador de máxima verossimilhança para r: Uso do MAXIMA
18 F Função de verossimilhança para r: L(r) = [ ] (1 r) n1 +n 9 [ ] n +n r(1 r) 4 +n 6 +n 8 [ ] r n3 +n 7 [ ] (1 r) n r Estimador de máxima verossimilhança para r: Uso do MAXIMA
19 F Função de verossimilhança para r: L(r) = [ ] (1 r) n1 +n 9 [ ] n +n r(1 r) 4 +n 6 +n 8 [ ] r n3 +n 7 [ ] (1 r) n r Estimador de máxima verossimilhança para r: Uso do MAXIMA Maxima encountered a Lisp error: Error in PROGN [or a callee]: The storage for CONS is exhausted. Currently, 4873 pages are allocated. Use ALLOCATE to expand the space.
20 MÉTODOS NUMÉRICOS Em várias situações, não é possível obter formas explicítas para os MLE s Nesses casos, é comum a utilização de métodos numéricos (algoritmos) Um algoritmo muito usado é o algoritmo EM E: Expectation; M: Maximization (Esperança e Maximização)
21 MÉTODOS NUMÉRICOS Em várias situações, não é possível obter formas explicítas para os MLE s Nesses casos, é comum a utilização de métodos numéricos (algoritmos) Um algoritmo muito usado é o algoritmo EM E: Expectation; M: Maximization (Esperança e Maximização)
22 MÉTODOS NUMÉRICOS Em várias situações, não é possível obter formas explicítas para os MLE s Nesses casos, é comum a utilização de métodos numéricos (algoritmos) Um algoritmo muito usado é o algoritmo EM E: Expectation; M: Maximization (Esperança e Maximização)
23 ALGORITMO EM EM: método iterativo para obter estimativas de máxima verossimilhança Muito usado em análises de mapeamento genético Mostrou-se muito poderoso na prática, principalmente quando as observações possuem dados incompletos quanto à informação EXEMPLOS 1 Numa população F, não é possível separar as classes Ab/aB e AB/ab Para marcadores dominantes, AA = Aa 3 No mapeamento de QTL s, não é possível separar QQ, Qq e qq, já que os genótipos dos QTL s não são observáveis
24 ALGORITMO EM EM: método iterativo para obter estimativas de máxima verossimilhança Muito usado em análises de mapeamento genético Mostrou-se muito poderoso na prática, principalmente quando as observações possuem dados incompletos quanto à informação EXEMPLOS 1 Numa população F, não é possível separar as classes Ab/aB e AB/ab Para marcadores dominantes, AA = Aa 3 No mapeamento de QTL s, não é possível separar QQ, Qq e qq, já que os genótipos dos QTL s não são observáveis
25 ALGORITMO EM EM: método iterativo para obter estimativas de máxima verossimilhança Muito usado em análises de mapeamento genético Mostrou-se muito poderoso na prática, principalmente quando as observações possuem dados incompletos quanto à informação EXEMPLOS 1 Numa população F, não é possível separar as classes Ab/aB e AB/ab Para marcadores dominantes, AA = Aa 3 No mapeamento de QTL s, não é possível separar QQ, Qq e qq, já que os genótipos dos QTL s não são observáveis
26 ALGORITMO EM EM: método iterativo para obter estimativas de máxima verossimilhança Muito usado em análises de mapeamento genético Mostrou-se muito poderoso na prática, principalmente quando as observações possuem dados incompletos quanto à informação EXEMPLOS 1 Numa população F, não é possível separar as classes Ab/aB e AB/ab Para marcadores dominantes, AA = Aa 3 No mapeamento de QTL s, não é possível separar QQ, Qq e qq, já que os genótipos dos QTL s não são observáveis
27 ALGORITMO EM EM: método iterativo para obter estimativas de máxima verossimilhança Muito usado em análises de mapeamento genético Mostrou-se muito poderoso na prática, principalmente quando as observações possuem dados incompletos quanto à informação EXEMPLOS 1 Numa população F, não é possível separar as classes Ab/aB e AB/ab Para marcadores dominantes, AA = Aa 3 No mapeamento de QTL s, não é possível separar QQ, Qq e qq, já que os genótipos dos QTL s não são observáveis
28 ALGORITMO EM EM: método iterativo para obter estimativas de máxima verossimilhança Muito usado em análises de mapeamento genético Mostrou-se muito poderoso na prática, principalmente quando as observações possuem dados incompletos quanto à informação EXEMPLOS 1 Numa população F, não é possível separar as classes Ab/aB e AB/ab Para marcadores dominantes, AA = Aa 3 No mapeamento de QTL s, não é possível separar QQ, Qq e qq, já que os genótipos dos QTL s não são observáveis
29 ALGORITMO EM O EM faz uma clara distinção entre os dados observados (Y ), que são incompletos, e os dados completos (X), não observáveis Alguma função t(x) = Y associa X e Y Idéia básica: tomar X tal que a obtenção de estimativas de máxima verossimilhança torne-se trivial para os dados completos
30 ALGORITMO EM O EM faz uma clara distinção entre os dados observados (Y ), que são incompletos, e os dados completos (X), não observáveis Alguma função t(x) = Y associa X e Y Idéia básica: tomar X tal que a obtenção de estimativas de máxima verossimilhança torne-se trivial para os dados completos
31 ALGORITMO EM O EM faz uma clara distinção entre os dados observados (Y ), que são incompletos, e os dados completos (X), não observáveis Alguma função t(x) = Y associa X e Y Idéia básica: tomar X tal que a obtenção de estimativas de máxima verossimilhança torne-se trivial para os dados completos
32 ALGORITMO EM Assume-se que os dados completos tenham função de densidade f(x/θ) Passo E: calcula-se a esperança condicional Q(θ/θ n ) = E [log f(x/θ) Y, θ n ] (θ n é o valor estimado atual de θ) Passo M: maximiza-se Q(θ/θ n ) com respeito à θ, fornecendo uma nova estimativa para θ n (denominada θ n+1 ) Os dois passos são repetidos até haver convergência
33 ALGORITMO EM Assume-se que os dados completos tenham função de densidade f(x/θ) Passo E: calcula-se a esperança condicional Q(θ/θ n ) = E [log f(x/θ) Y, θ n ] (θ n é o valor estimado atual de θ) Passo M: maximiza-se Q(θ/θ n ) com respeito à θ, fornecendo uma nova estimativa para θ n (denominada θ n+1 ) Os dois passos são repetidos até haver convergência
34 ALGORITMO EM Assume-se que os dados completos tenham função de densidade f(x/θ) Passo E: calcula-se a esperança condicional Q(θ/θ n ) = E [log f(x/θ) Y, θ n ] (θ n é o valor estimado atual de θ) Passo M: maximiza-se Q(θ/θ n ) com respeito à θ, fornecendo uma nova estimativa para θ n (denominada θ n+1 ) Os dois passos são repetidos até haver convergência
35 ALGORITMO EM Assume-se que os dados completos tenham função de densidade f(x/θ) Passo E: calcula-se a esperança condicional Q(θ/θ n ) = E [log f(x/θ) Y, θ n ] (θ n é o valor estimado atual de θ) Passo M: maximiza-se Q(θ/θ n ) com respeito à θ, fornecendo uma nova estimativa para θ n (denominada θ n+1 ) Os dois passos são repetidos até haver convergência
36 ALGORITMO EM Maximizando-se Q(θ/θ n ), há aumento em log g(y/θ) (verossimilhança dos dados observados) No passo E, estimam-se as estatísticas para os dados completos, condicionados aos dados incompletos observados No passo M, os dados completos estimados são usados para obter as estimativas de máxima verossimilhança
37 ALGORITMO EM Maximizando-se Q(θ/θ n ), há aumento em log g(y/θ) (verossimilhança dos dados observados) No passo E, estimam-se as estatísticas para os dados completos, condicionados aos dados incompletos observados No passo M, os dados completos estimados são usados para obter as estimativas de máxima verossimilhança
38 ALGORITMO EM Maximizando-se Q(θ/θ n ), há aumento em log g(y/θ) (verossimilhança dos dados observados) No passo E, estimam-se as estatísticas para os dados completos, condicionados aos dados incompletos observados No passo M, os dados completos estimados são usados para obter as estimativas de máxima verossimilhança
39 ESTIMANDO r NUM F Vimos que f(x/θ) = L(r) = [ ] (1 r) n1 +n 9 [ ] n +n r(1 r) 4 +n 6 +n 8 [ ] r n3 +n 7 [ (1 r) r Logo, log f(x/θ) = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + n 51 log (1 r) + n 5 log r + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 E portanto E [log f(x/θ)] = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + log (1 r) E(n 51 ) + log r E(n 5) + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 ] n5
40 ESTIMANDO r NUM F Vimos que f(x/θ) = L(r) = [ ] (1 r) n1 +n 9 [ ] n +n r(1 r) 4 +n 6 +n 8 [ ] r n3 +n 7 [ (1 r) r Logo, log f(x/θ) = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + n 51 log (1 r) + n 5 log r + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 E portanto E [log f(x/θ)] = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + log (1 r) E(n 51 ) + log r E(n 5) + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 ] n5
41 ESTIMANDO r NUM F Vimos que f(x/θ) = L(r) = [ ] (1 r) n1 +n 9 [ ] n +n r(1 r) 4 +n 6 +n 8 [ ] r n3 +n 7 [ (1 r) r Logo, log f(x/θ) = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + n 51 log (1 r) + n 5 log r + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 E portanto E [log f(x/θ)] = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + log (1 r) E(n 51 ) + log r E(n 5) + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 ] n5
42 ESTIMANDO r NUM F Note que a Esperança foi calculada em relação à n 51 e n 5 que, se fossem conhecidos, tornariam o problema bem mais simples (essa é a idéia do EM!) n 51 e n 5 : podem ser modelados usando a distribuição binomial Lembrete: X B(n, p), E(X) = np P (n 51 ) = (1 r) (1 r) + r E(n 51 ) = n 5 (1 q); E(n 5 ) = n 5 q = 1 q; P (n 5 ) = r (1 r) + r = q
43 ESTIMANDO r NUM F Note que a Esperança foi calculada em relação à n 51 e n 5 que, se fossem conhecidos, tornariam o problema bem mais simples (essa é a idéia do EM!) n 51 e n 5 : podem ser modelados usando a distribuição binomial Lembrete: X B(n, p), E(X) = np P (n 51 ) = (1 r) (1 r) + r E(n 51 ) = n 5 (1 q); E(n 5 ) = n 5 q = 1 q; P (n 5 ) = r (1 r) + r = q
44 ESTIMANDO r NUM F Note que a Esperança foi calculada em relação à n 51 e n 5 que, se fossem conhecidos, tornariam o problema bem mais simples (essa é a idéia do EM!) n 51 e n 5 : podem ser modelados usando a distribuição binomial Lembrete: X B(n, p), E(X) = np P (n 51 ) = (1 r) (1 r) + r E(n 51 ) = n 5 (1 q); E(n 5 ) = n 5 q = 1 q; P (n 5 ) = r (1 r) + r = q
45 ESTIMANDO r NUM F Note que a Esperança foi calculada em relação à n 51 e n 5 que, se fossem conhecidos, tornariam o problema bem mais simples (essa é a idéia do EM!) n 51 e n 5 : podem ser modelados usando a distribuição binomial Lembrete: X B(n, p), E(X) = np P (n 51 ) = (1 r) (1 r) + r E(n 51 ) = n 5 (1 q); E(n 5 ) = n 5 q = 1 q; P (n 5 ) = r (1 r) + r = q
46 ESTIMANDO r NUM F Note que a Esperança foi calculada em relação à n 51 e n 5 que, se fossem conhecidos, tornariam o problema bem mais simples (essa é a idéia do EM!) n 51 e n 5 : podem ser modelados usando a distribuição binomial Lembrete: X B(n, p), E(X) = np P (n 51 ) = (1 r) (1 r) + r E(n 51 ) = n 5 (1 q); E(n 5 ) = n 5 q = 1 q; P (n 5 ) = r (1 r) + r = q
47 ESTIMANDO r NUM F Finalmente, Q(θ/θ n ) = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + log (1 r) n 5 (1 q) + log r n 5q + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 Agora é possível derivar e encontrar o ponto de máximo Com ajuda do MAXIMA: ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n
48 ESTIMANDO r NUM F Finalmente, Q(θ/θ n ) = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + log (1 r) n 5 (1 q) + log r n 5q + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 Agora é possível derivar e encontrar o ponto de máximo Com ajuda do MAXIMA: ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n
49 ESTIMANDO r NUM F Finalmente, Q(θ/θ n ) = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + log (1 r) n 5 (1 q) + log r n 5q + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 Agora é possível derivar e encontrar o ponto de máximo Com ajuda do MAXIMA: ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n
50 ESTIMANDO r NUM F Finalmente, Q(θ/θ n ) = n 1 log (1 r) 4 + n log r(1 r) + n 3 log r 4 + n 4 log r(1 r) + log (1 r) n 5 (1 q) + log r n 5q + n 6 log r(1 r) + n 7 log r 4 + n 8 log r(1 r) + n 9 log (1 r) 4 Agora é possível derivar e encontrar o ponto de máximo Com ajuda do MAXIMA: ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n
51 USO DO EM PARA ESTIMAR r NUM F Passo E: dado um valor inicial (chute) para r, obtém-se q = r (1 r) + r Passo M: usando esse valor de q, r é estimado novamente ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n O processo é repetido até a convergência
52 USO DO EM PARA ESTIMAR r NUM F Passo E: dado um valor inicial (chute) para r, obtém-se q = r (1 r) + r Passo M: usando esse valor de q, r é estimado novamente ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n O processo é repetido até a convergência
53 USO DO EM PARA ESTIMAR r NUM F Passo E: dado um valor inicial (chute) para r, obtém-se q = r (1 r) + r Passo M: usando esse valor de q, r é estimado novamente ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n O processo é repetido até a convergência
54 USO DO EM EXEMPLO - MAIZE DATA Obtenhar ˆr entre M 1 e M usando o algoritmo EM
55 USO DO EM EXEMPLO - MAIZE DATA Usando o R Uso do EM F o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o o Fração de Recomb o o o r.est= Iteração
56 FORMA GERAL PARA ˆr USANDO O EM Liu (1998): Vimos que ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n Forma geral: ˆr = 1 f i P i (R/G) n i P i (R/G): prob. de um dado genótipo possuir um gameta recombinante Essa última expressão pode ser usado com combinações de marcadores, p. ex., dominante e co-dominante, etc.
57 FORMA GERAL PARA ˆr USANDO O EM Liu (1998): Vimos que ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n Forma geral: ˆr = 1 f i P i (R/G) n i P i (R/G): prob. de um dado genótipo possuir um gameta recombinante Essa última expressão pode ser usado com combinações de marcadores, p. ex., dominante e co-dominante, etc.
58 FORMA GERAL PARA ˆr USANDO O EM Liu (1998): Vimos que ˆr = (n + n 4 + n 6 + n 8 ) + (n 3 + n 7 + qn 5 ) n Forma geral: ˆr = 1 f i P i (R/G) n i P i (R/G): prob. de um dado genótipo possuir um gameta recombinante Essa última expressão pode ser usado com combinações de marcadores, p. ex., dominante e co-dominante, etc.
59 FORMA GERAL - F Genótipo freq. esp. (p i ) freq. obs. (f i ) P i (R/G) AB AB AB Ab 1 Ab AB ab 1 (1 r) 4 n 1 0 r(1 r) n 1/ Ab 0 r 4 n 3 1 r(1 r) n 4 1/ Ab r ab 11 (1)r n / 5 r /+(1 r) / = q AB ab 11 Ab ab 10 ab (1 r) n 5 r(1 r) n 6 1/ ab 0 r 4 n 7 1 ab ab 01 ab ab 00 r(1 r) n 8 1/ (1 r) 4 n 9 0
60 FORMA GERAL - L(r) Vimos que L(r) = [ (1 r) 4 ] n1 +n 9 [ r(1 r) ] n +n 4 +n 6 +n 8 [ ] r n3 +n 7 [ ] (1 r) n5 4 + r Forma geral: L(r) = i p f i i
61 FORMA GERAL - L(r) Vimos que L(r) = [ (1 r) 4 ] n1 +n 9 [ r(1 r) ] n +n 4 +n 6 +n 8 [ ] r n3 +n 7 [ ] (1 r) n5 4 + r Forma geral: L(r) = i p f i i
62 CONTEÚDO 1 ANÁLISE DE LIGAÇÃO (CONT.) Revisão Teste de Dois Pontos (F ) Grupos de Ligação ORDENAÇÃO DOS LOCOS Fundamentos Estatísticas (Critérios) Algoritmos de Ordenação
63 GRUPOS DE LIGAÇÃO Biologicamente: grupos de genes no mesmo cromossomo Estatisticamente: grupos de locos que segregam conjuntamente Critérios: Para um par de locos i e j, sejam r ij : estimativa de dois pontos de r p ij : p-valor relativo à H 0 : r ij = 1/ z ij : LOD Score
64 GRUPOS DE LIGAÇÃO Biologicamente: grupos de genes no mesmo cromossomo Estatisticamente: grupos de locos que segregam conjuntamente Critérios: Para um par de locos i e j, sejam r ij : estimativa de dois pontos de r p ij : p-valor relativo à H 0 : r ij = 1/ z ij : LOD Score
65 GRUPOS DE LIGAÇÃO Biologicamente: grupos de genes no mesmo cromossomo Estatisticamente: grupos de locos que segregam conjuntamente Critérios: Para um par de locos i e j, sejam r ij : estimativa de dois pontos de r p ij : p-valor relativo à H 0 : r ij = 1/ z ij : LOD Score
66 FORMAÇÃO DOS GRUPOS Usualmente: OU Se [r ij c e p ij b], i e j pertencem ao mesmo grupo Se [r ij c e z ij a], i e j pertencem ao mesmo grupo c: máx. fração recomb. para declarar ligação b: máx. valor do p-valor para declarar ligação a: mín. valor do LOD para declarar ligação a, b e c: atribuídos pelo usuário Usual: c = 0.5 e a = 3 (como saber se estão corretos?) Uso da propriedade transitiva
67 FORMAÇÃO DOS GRUPOS Usualmente: OU Se [r ij c e p ij b], i e j pertencem ao mesmo grupo Se [r ij c e z ij a], i e j pertencem ao mesmo grupo c: máx. fração recomb. para declarar ligação b: máx. valor do p-valor para declarar ligação a: mín. valor do LOD para declarar ligação a, b e c: atribuídos pelo usuário Usual: c = 0.5 e a = 3 (como saber se estão corretos?) Uso da propriedade transitiva
68 FORMAÇÃO DOS GRUPOS Usualmente: OU Se [r ij c e p ij b], i e j pertencem ao mesmo grupo Se [r ij c e z ij a], i e j pertencem ao mesmo grupo c: máx. fração recomb. para declarar ligação b: máx. valor do p-valor para declarar ligação a: mín. valor do LOD para declarar ligação a, b e c: atribuídos pelo usuário Usual: c = 0.5 e a = 3 (como saber se estão corretos?) Uso da propriedade transitiva
69 FORMAÇÃO DOS GRUPOS Usualmente: OU Se [r ij c e p ij b], i e j pertencem ao mesmo grupo Se [r ij c e z ij a], i e j pertencem ao mesmo grupo c: máx. fração recomb. para declarar ligação b: máx. valor do p-valor para declarar ligação a: mín. valor do LOD para declarar ligação a, b e c: atribuídos pelo usuário Usual: c = 0.5 e a = 3 (como saber se estão corretos?) Uso da propriedade transitiva
70 FORMAÇÃO DOS GRUPOS Usualmente: OU Se [r ij c e p ij b], i e j pertencem ao mesmo grupo Se [r ij c e z ij a], i e j pertencem ao mesmo grupo c: máx. fração recomb. para declarar ligação b: máx. valor do p-valor para declarar ligação a: mín. valor do LOD para declarar ligação a, b e c: atribuídos pelo usuário Usual: c = 0.5 e a = 3 (como saber se estão corretos?) Uso da propriedade transitiva
71 FORMAÇÃO DOS GRUPOS Usualmente: OU Se [r ij c e p ij b], i e j pertencem ao mesmo grupo Se [r ij c e z ij a], i e j pertencem ao mesmo grupo c: máx. fração recomb. para declarar ligação b: máx. valor do p-valor para declarar ligação a: mín. valor do LOD para declarar ligação a, b e c: atribuídos pelo usuário Usual: c = 0.5 e a = 3 (como saber se estão corretos?) Uso da propriedade transitiva
72 FORMAÇÃO DOS GRUPOS Usualmente: OU Se [r ij c e p ij b], i e j pertencem ao mesmo grupo Se [r ij c e z ij a], i e j pertencem ao mesmo grupo c: máx. fração recomb. para declarar ligação b: máx. valor do p-valor para declarar ligação a: mín. valor do LOD para declarar ligação a, b e c: atribuídos pelo usuário Usual: c = 0.5 e a = 3 (como saber se estão corretos?) Uso da propriedade transitiva
73 LIGAÇÃO EXEMPLO - MAIZE DATA Há evidências de que os marcadores M 1 e M estejam no mesmo grupo de ligação?
74 LIGAÇÃO EXEMPLO - MAIZE DATA Há evidências de que os marcadores M 1 e M estejam no mesmo grupo de ligação? Sim, já que ˆr = 0, 3074; LRT = 7, 974; p = 8, e LOD = 6, 07
75 CONTEÚDO 1 ANÁLISE DE LIGAÇÃO (CONT.) Revisão Teste de Dois Pontos (F ) Grupos de Ligação ORDENAÇÃO DOS LOCOS Fundamentos Estatísticas (Critérios) Algoritmos de Ordenação
76 INTRODUÇÃO Sturtevant (1913): ordenação é um processo de minimizar o número de crossing-over Princípio: locos mais próximos possuem menor probabilidade de ocorrência de c.o. As estatísticas usadas para avaliar ordens são extensões das empregadas nos testes de três pontos
77 INTRODUÇÃO Sturtevant (1913): ordenação é um processo de minimizar o número de crossing-over Princípio: locos mais próximos possuem menor probabilidade de ocorrência de c.o. As estatísticas usadas para avaliar ordens são extensões das empregadas nos testes de três pontos
78 INTRODUÇÃO Sturtevant (1913): ordenação é um processo de minimizar o número de crossing-over Princípio: locos mais próximos possuem menor probabilidade de ocorrência de c.o. As estatísticas usadas para avaliar ordens são extensões das empregadas nos testes de três pontos
79 CONTEÚDO 1 ANÁLISE DE LIGAÇÃO (CONT.) Revisão Teste de Dois Pontos (F ) Grupos de Ligação ORDENAÇÃO DOS LOCOS Fundamentos Estatísticas (Critérios) Algoritmos de Ordenação
80 TESTE DE TRÊS PONTOS EXEMPLO ˆr AB = 0, 10 ˆr AC = 0, ˆr BC = 0, 30 Qual a ordem dos locos? Difícil de generalizar e implementar. Não há garantia de obter a melhor ordem.
81 TESTE DE TRÊS PONTOS EXEMPLO ˆr AB = 0, 10 ˆr AC = 0, ˆr BC = 0, 30 Qual a ordem dos locos? Difícil de generalizar e implementar. Não há garantia de obter a melhor ordem.
82 TESTE DE TRÊS PONTOS EXEMPLO ˆr AB = 0, 10 ˆr AC = 0, ˆr BC = 0, 30 Qual a ordem dos locos? Resp: B-A-C Difícil de generalizar e implementar. Não há garantia de obter a melhor ordem.
83 TESTE DE TRÊS PONTOS EXEMPLO ˆr AB = 0, 10 ˆr AC = 0, ˆr BC = 0, 30 Qual a ordem dos locos? Resp: B-A-C Difícil de generalizar e implementar. Não há garantia de obter a melhor ordem.
84 SARF, PARF, SALOD SARF : Sum of Adjacent Recombination Fraction SARF = m 1 i=1 ˆr ai a i+1 P ARF : Product of Adjacent Recombination Fraction P ARF = m 1 i=1 ˆr ai a i+1 SALOD: Sum of Adjacent Lod Score SALOD = m 1 i=1 ẑ ai a i+1 OBJETIVO: Menor SARF, menor P ARF, maior SALOD
85 SARF, PARF, SALOD SARF : Sum of Adjacent Recombination Fraction SARF = m 1 i=1 ˆr ai a i+1 P ARF : Product of Adjacent Recombination Fraction P ARF = m 1 i=1 ˆr ai a i+1 SALOD: Sum of Adjacent Lod Score SALOD = m 1 i=1 ẑ ai a i+1 OBJETIVO: Menor SARF, menor P ARF, maior SALOD
86 SARF, PARF, SALOD SARF : Sum of Adjacent Recombination Fraction SARF = m 1 i=1 ˆr ai a i+1 P ARF : Product of Adjacent Recombination Fraction P ARF = m 1 i=1 ˆr ai a i+1 SALOD: Sum of Adjacent Lod Score SALOD = m 1 i=1 ẑ ai a i+1 OBJETIVO: Menor SARF, menor P ARF, maior SALOD
87 SARF, PARF, SALOD SARF : Sum of Adjacent Recombination Fraction SARF = m 1 i=1 ˆr ai a i+1 P ARF : Product of Adjacent Recombination Fraction P ARF = m 1 i=1 ˆr ai a i+1 SALOD: Sum of Adjacent Lod Score SALOD = m 1 i=1 ẑ ai a i+1 OBJETIVO: Menor SARF, menor P ARF, maior SALOD
88 VEROSSIMILHANÇA Princípio: comparar a verossimilhança das ordens: L(θ) = i p f i i (cuidado, essa fórmula não é multiponto) A ordem com maior verossimilhança é a ordem mais provável para o conjunto de dados Dadas as propriedades estatísticas da verossimilhança, é o melhor critério Principais problemas: 1 Cálculos complexos e demorados Embora forneça valores da verossimilhança, não é claro como esses valores podem ser comparados, já que não há GL s para tanto
89 VEROSSIMILHANÇA Princípio: comparar a verossimilhança das ordens: L(θ) = i p f i i (cuidado, essa fórmula não é multiponto) A ordem com maior verossimilhança é a ordem mais provável para o conjunto de dados Dadas as propriedades estatísticas da verossimilhança, é o melhor critério Principais problemas: 1 Cálculos complexos e demorados Embora forneça valores da verossimilhança, não é claro como esses valores podem ser comparados, já que não há GL s para tanto
90 VEROSSIMILHANÇA Princípio: comparar a verossimilhança das ordens: L(θ) = i p f i i (cuidado, essa fórmula não é multiponto) A ordem com maior verossimilhança é a ordem mais provável para o conjunto de dados Dadas as propriedades estatísticas da verossimilhança, é o melhor critério Principais problemas: 1 Cálculos complexos e demorados Embora forneça valores da verossimilhança, não é claro como esses valores podem ser comparados, já que não há GL s para tanto
91 VEROSSIMILHANÇA Princípio: comparar a verossimilhança das ordens: L(θ) = i p f i i (cuidado, essa fórmula não é multiponto) A ordem com maior verossimilhança é a ordem mais provável para o conjunto de dados Dadas as propriedades estatísticas da verossimilhança, é o melhor critério Principais problemas: 1 Cálculos complexos e demorados Embora forneça valores da verossimilhança, não é claro como esses valores podem ser comparados, já que não há GL s para tanto
92 CONTEÚDO 1 ANÁLISE DE LIGAÇÃO (CONT.) Revisão Teste de Dois Pontos (F ) Grupos de Ligação ORDENAÇÃO DOS LOCOS Fundamentos Estatísticas (Critérios) Algoritmos de Ordenação
93 BUSCA EXAUSTIVA Princípio: comparar todas as ordens possíveis, segundo algum critério (ex: veross.) EXEMPLO - MOUSE DATA (M1, M3 E M14) L ABC (ˆr 1, ˆr ) = 1, L ACB (ˆr 3, ˆr ) = 4, L BAC (ˆr 1, ˆr 3 ) = 6, MAPMAKER/EXP Ordem ABC ACB BAC LOD log 10 1, , = 0 log 10 4, = 35, 61 1, , log = 19, 45 1,
94 BUSCA EXAUSTIVA Princípio: comparar todas as ordens possíveis, segundo algum critério (ex: veross.) EXEMPLO - MOUSE DATA (M1, M3 E M14) L ABC (ˆr 1, ˆr ) = 1, L ACB (ˆr 3, ˆr ) = 4, L BAC (ˆr 1, ˆr 3 ) = 6, MAPMAKER/EXP Ordem ABC ACB BAC LOD log 10 1, , = 0 log 10 4, = 35, 61 1, , log = 19, 45 1,
95 BUSCA EXAUSTIVA Princípio: comparar todas as ordens possíveis, segundo algum critério (ex: veross.) EXEMPLO - MOUSE DATA (M1, M3 E M14) L ABC (ˆr 1, ˆr ) = 1, L ACB (ˆr 3, ˆr ) = 4, L BAC (ˆr 1, ˆr 3 ) = 6, MAPMAKER/EXP Ordem ABC ACB BAC LOD log 10 1, , = 0 log 10 4, = 35, 61 1, , log = 19, 45 1,
96 O PROBLEMA DO CAIXEIRO VIAJANTE Problema: Deve visitar n cidades. Qual a rota mais curta? Solução: somar o caminho total percorrido e escolher a menor rota
97 O PROBLEMA DO CAIXEIRO VIAJANTE Problema: Deve visitar n cidades. Qual a rota mais curta? Solução: somar o caminho total percorrido e escolher a menor rota
98 PROBLEMA DO CAIXEIRO VIAJANTE Problema: Com aumento do número de cidades, o processo torna-se inviável, mesmo com supercomputadores EXEMPLO Computador que faz 1 bilhão de somas por segundo Locos Ordens Tempos 5 5!/ Insignificante ,016 seg ,547 horas 0 1, ,4 anos 5 7, ,7 anos
99 PROBLEMA DO CAIXEIRO VIAJANTE Problema: Com aumento do número de cidades, o processo torna-se inviável, mesmo com supercomputadores EXEMPLO Computador que faz 1 bilhão de somas por segundo Locos Ordens Tempos 5 5!/ Insignificante ,016 seg ,547 horas 0 1, ,4 anos 5 7, ,7 anos
100 ALGORITMOS ALTERNATIVOS 1 Comando TRY Ordena sub-ordem exaustivamente, e depois testa posição dos marcadores remanescentes, um a um Comando ORDER Idem, mas de forma automática (cuidado!) 3 Comando RIPPLE Verifica possíveis inversões entre marcadores próximos 4 Seriation 5 Rapid Chain Delineation 6 Branch and Bound 7 Simulated Annealing 8...
101 ALGORITMOS ALTERNATIVOS 1 Comando TRY Ordena sub-ordem exaustivamente, e depois testa posição dos marcadores remanescentes, um a um Comando ORDER Idem, mas de forma automática (cuidado!) 3 Comando RIPPLE Verifica possíveis inversões entre marcadores próximos 4 Seriation 5 Rapid Chain Delineation 6 Branch and Bound 7 Simulated Annealing 8...
102 ALGORITMOS ALTERNATIVOS 1 Comando TRY Ordena sub-ordem exaustivamente, e depois testa posição dos marcadores remanescentes, um a um Comando ORDER Idem, mas de forma automática (cuidado!) 3 Comando RIPPLE Verifica possíveis inversões entre marcadores próximos 4 Seriation 5 Rapid Chain Delineation 6 Branch and Bound 7 Simulated Annealing 8...
103 ALGORITMOS ALTERNATIVOS 1 Comando TRY Ordena sub-ordem exaustivamente, e depois testa posição dos marcadores remanescentes, um a um Comando ORDER Idem, mas de forma automática (cuidado!) 3 Comando RIPPLE Verifica possíveis inversões entre marcadores próximos 4 Seriation 5 Rapid Chain Delineation 6 Branch and Bound 7 Simulated Annealing 8...
104 ALGORITMOS ALTERNATIVOS 1 Comando TRY Ordena sub-ordem exaustivamente, e depois testa posição dos marcadores remanescentes, um a um Comando ORDER Idem, mas de forma automática (cuidado!) 3 Comando RIPPLE Verifica possíveis inversões entre marcadores próximos 4 Seriation 5 Rapid Chain Delineation 6 Branch and Bound 7 Simulated Annealing 8...
105 ALGORITMOS ALTERNATIVOS 1 Comando TRY Ordena sub-ordem exaustivamente, e depois testa posição dos marcadores remanescentes, um a um Comando ORDER Idem, mas de forma automática (cuidado!) 3 Comando RIPPLE Verifica possíveis inversões entre marcadores próximos 4 Seriation 5 Rapid Chain Delineation 6 Branch and Bound 7 Simulated Annealing 8...
106 ALGORITMOS ALTERNATIVOS 1 Comando TRY Ordena sub-ordem exaustivamente, e depois testa posição dos marcadores remanescentes, um a um Comando ORDER Idem, mas de forma automática (cuidado!) 3 Comando RIPPLE Verifica possíveis inversões entre marcadores próximos 4 Seriation 5 Rapid Chain Delineation 6 Branch and Bound 7 Simulated Annealing 8...
107 RAPID CHAIN DELINEATION (DOERGE E WEIR, 1996) A partir da matriz de frações de recombinação: 1 Inicie o primeiro grupo de ligação com o par de marcas com o menor ˆr O grupo de ligação é estendido com a adição de marcas remanescentes. Os terminais do grupo de ligação são candidatos à extensão da cadeia. As marcas com os menores ˆr são adicionadas uma a uma (somente ligações significativas). 3 Repetir o passo até que nenhum marcador possa ser adicionado à cadeia. 4 Iniciar o passo 1, com a obtenção de outra cadeia. Repetir os passos e 3. 5 Encerrar o processo quando não restarem marcas remanescentes, ou quando as restantes não estiverem significativamente ligadas a nenhuma outra.
108 RAPID CHAIN DELINEATION (DOERGE E WEIR, 1996) A partir da matriz de frações de recombinação: 1 Inicie o primeiro grupo de ligação com o par de marcas com o menor ˆr O grupo de ligação é estendido com a adição de marcas remanescentes. Os terminais do grupo de ligação são candidatos à extensão da cadeia. As marcas com os menores ˆr são adicionadas uma a uma (somente ligações significativas). 3 Repetir o passo até que nenhum marcador possa ser adicionado à cadeia. 4 Iniciar o passo 1, com a obtenção de outra cadeia. Repetir os passos e 3. 5 Encerrar o processo quando não restarem marcas remanescentes, ou quando as restantes não estiverem significativamente ligadas a nenhuma outra.
109 RAPID CHAIN DELINEATION (DOERGE E WEIR, 1996) A partir da matriz de frações de recombinação: 1 Inicie o primeiro grupo de ligação com o par de marcas com o menor ˆr O grupo de ligação é estendido com a adição de marcas remanescentes. Os terminais do grupo de ligação são candidatos à extensão da cadeia. As marcas com os menores ˆr são adicionadas uma a uma (somente ligações significativas). 3 Repetir o passo até que nenhum marcador possa ser adicionado à cadeia. 4 Iniciar o passo 1, com a obtenção de outra cadeia. Repetir os passos e 3. 5 Encerrar o processo quando não restarem marcas remanescentes, ou quando as restantes não estiverem significativamente ligadas a nenhuma outra.
110 RAPID CHAIN DELINEATION (DOERGE E WEIR, 1996) A partir da matriz de frações de recombinação: 1 Inicie o primeiro grupo de ligação com o par de marcas com o menor ˆr O grupo de ligação é estendido com a adição de marcas remanescentes. Os terminais do grupo de ligação são candidatos à extensão da cadeia. As marcas com os menores ˆr são adicionadas uma a uma (somente ligações significativas). 3 Repetir o passo até que nenhum marcador possa ser adicionado à cadeia. 4 Iniciar o passo 1, com a obtenção de outra cadeia. Repetir os passos e 3. 5 Encerrar o processo quando não restarem marcas remanescentes, ou quando as restantes não estiverem significativamente ligadas a nenhuma outra.
111 RAPID CHAIN DELINEATION (DOERGE E WEIR, 1996) A partir da matriz de frações de recombinação: 1 Inicie o primeiro grupo de ligação com o par de marcas com o menor ˆr O grupo de ligação é estendido com a adição de marcas remanescentes. Os terminais do grupo de ligação são candidatos à extensão da cadeia. As marcas com os menores ˆr são adicionadas uma a uma (somente ligações significativas). 3 Repetir o passo até que nenhum marcador possa ser adicionado à cadeia. 4 Iniciar o passo 1, com a obtenção de outra cadeia. Repetir os passos e 3. 5 Encerrar o processo quando não restarem marcas remanescentes, ou quando as restantes não estiverem significativamente ligadas a nenhuma outra.
112 RAPID CHAIN DELINEATION EXEMPLO Com base na matriz abaixo, ordene os marcadores usando o RCD m 1 m m 3 m 4 m 1 0, 030 0, 035 0, 04 m 0, 100 0, 15 m 3 0, 30 m 4
113 RAPID CHAIN DELINEATION EXEMPLO Com base na matriz abaixo, ordene os marcadores usando o RCD m 1 m m 3 m 4 m 1 0, 030 0, 035 0, 04 m 0, 100 0, 15 m 3 0, 30 m 4 Resp: m3 m1 m m4
114 ANÁLISE DE DADOS EXEMPLO Uso do R para construção de mapas
LGN BIOMETRIA DE MARCADORES GENÉTICOS
LGN5830 - BIOMETRIA DE MARCADORES GENÉTICOS AULA 5: MAPAS GENÉTICOS IV Antonio Augusto Franco Garcia Roland Vencovsky Departmento de Genética ESALQ/USP 2007 CONTEÚDO 1 POPULAÇÕES F 1 SEGREGANTES Motivação
Leia maisLGN Genética. Aula 5 Ligação I
ESALQ/USP Piracicaba 2º Semestre de 2016 LGN0215 - Genética Aula 5 Ligação I Carina de Oliveira Anoni Prof. Gabriel Rodrigues Alves Margarido Segregação de genes Mesmo cromossomo Cromossomos diferentes
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisMapas de Ligação e de. Marcadores Moleculares a Programas de Melhoramento
Mapas de Ligação e de Desequilíbrio, Identificação de QTL e Integração de Marcadores Moleculares a Programas de Melhoramento de Alógamas Prof. José Marcelo Soriano Viana DBG/UFV População (Geração 0) Fragmentos
Leia maisLigação, permuta e mapeamento. Prof. David De Jong Depto. de Genética
Ligação, permuta e mapeamento Prof. David De Jong Depto. de Genética 1 Mendel e suas ervilhas 23/08/2016-11:42 Ligação, Permuta e Mapeamento Genético Slide 2 Evitar autofecundação 23/08/2016-11:42 Ligação,
Leia maisLGN215 - Genética Geral
LGN215 - Genética Geral Aula 6: Ligação II Prof. Dr. Antonio Augusto Franco Garcia Colaboradora: Maria Marta Pastina Piracicaba SP Ligação 2ª lei de Mendel: Lei da Segregação Independente Para genes situados
Leia maise Mapeamento gênico em eucariotas
Ligação ão, Recombinação e Mapeamento gênico em eucariotas Genética BásicaB Licenciatura em Biologia Victor Martin Quintana Flores A lei da segregação independente estabelece que: Em um cruzamento envolvendo
Leia maisLigação Gênica e Mapeamento
Ligação Gênica e Mapeamento 09/02/2017 Profa. Dra. Angela Ikeda Adaptada da aula da Profa. Dra. Vanessa Kava 1 Princípio Mendeliano 2 Segregação Independente 3 Número de CROMOSSOMOS x Número de GENES 4
Leia maisLigação, permuta e mapeamento. Prof. David De Jong Depto. de Genética
Ligação, permuta e mapeamento Prof. David De Jong Depto. de Genética 1 Tipos de Mapas Mapas de sequencias de Nucleotidios Organismos completamente ou parcialmente sequenciados Mapas citogeneticas Mapas
Leia maisComo os alelos localizam-se em um mesmo. dos gametas, a não ser que ocorra permutação ou crossing over;
Devido um organismo possuir milhares de genes e apenas alguns pares de cromossomos, é de se esperar, portanto, que um número razoável de pares de genes esteja localizado num mesmo par de cromossomos homólogos.
Leia maisLigação, Recombinação e Mapeamento gênico em eucariotas
Ligação, Recombinação e Mapeamento gênico em eucariotas A lei da segregação independente estelece que: Em um cruzamento envolvendo mais de um gene, os genes diferentes se separam ou segregam independentemente
Leia mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisLGN GENÉTICA. Aula 6 - Ligação II. Antonio Augusto Franco Garcia Filipe Inácio Matias Marianella F. Quezada Macchiavello
LGN 215 - GENÉTICA Aula 6 - Ligação II Antonio Augusto Franco Garcia Filipe Inácio Matias Marianella F. Quezada Macchiavello Departamento de Genética Escola Superior de Agricultura Luiz de Queiroz Universidade
Leia maisLGN215 - Genética Geral
LGN215 - Genética Geral Aula 5: Ligação I Prof. Dr. Antonio Augusto Franco Garcia Maria Marta Pastina Piracicaba SP Ligação Dois genes próximos no mesmo par cromossômico não segregam independentemente
Leia maisLigação Gênica II. Teste dos Três Pontos
Ligação Gênica II Teste dos Três Pontos TESTE DOS 3 PONTOS No cruzamento AB x ab ab ab obtiveram-se 8% de recombinantes. Portanto: A 8u B Suponha agora que um outro gene C esteja a 5 unidades de A. Qual
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisTratamento de dados em Física
Tratamento de dados em Física Métodos e testes estatísticos V. Oguri Departamento de Física Nuclear e Altas Energias (DFNAE) Programa de Pós-graduação em Física (PPGF) Instituto de Física Armando Dias
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisBIOLOGIA LINKAGE OU LIGAÇÃO FATORIAL
LINKAGE OU LIGAÇÃO FATORIAL 1. CONCEITO DE LIGAÇÃO GÊNICA Ao fazer cruzamentos, como o apresentado a seguir, obtinham-se quatro tipos de descendentes, mas em proporções não correspondentes à segunda lei
Leia maisLigação, permuta e mapas genéticos: ligação e permuta genética, estimativa da freqüência de permuta
Universidade Federal de Pelotas FAEM - DZ Curso de Zootecnia Genética Aplicada à Produção Animal Ligação, permuta e mapas genéticos: ligação e permuta genética, estimativa da freqüência de permuta Após
Leia maisExperimentos Fatoriais 2 k Fracionados
Experimentos Fatoriais k Fracionados Prof. Silvio S. Zocchi ESALQ/USP /09/015 Prof. Silvio S. Zocchi (ESALQ/USP) Experimentos Fatoriais k Fracionados /09/015 1 / 8 1. Introdução Ex. Fatorial com k = 6
Leia maisGrafos Hamiltonianos e o Problema do Caixeiro Viajante. Prof. Ademir Constantino Departamento de Informática Universidade Estadual de Maringá
Grafos Hamiltonianos e o Problema do Caixeiro Viajante Prof. Ademir Constantino Departamento de Informática Universidade Estadual de Maringá Grafo Hamiltoniano Definição: Um circuito hamiltoniano em um
Leia maisLGN GENÉTICA. Aula 5 - Ligação I. Antonio Augusto Franco Garcia Filipe Inácio Matias Marianella F. Quezada Macchiavello
LGN 215 - GENÉTICA Aula 5 - Ligação I Antonio Augusto Franco Garcia Filipe Inácio Matias Marianella F. Quezada Macchiavello Departamento de Genética Escola Superior de Agricultura Luiz de Queiroz Universidade
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisLista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + 2 y s.a x + y 2 x + y 5 x, y 0, x e y inteiros b) Max z = 2 x + y s.a x + 2y 0 x + y 25 x, y
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisMedida do Tempo de Execução de um Programa. David Menotti Algoritmos e Estruturas de Dados II DInf UFPR
Medida do Tempo de Execução de um Programa David Menotti Algoritmos e Estruturas de Dados II DInf UFPR Classes de Comportamento Assintótico Se f é uma função de complexidade para um algoritmo F, então
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 951) Método de Máxima Verossimilhança (M.M.V.
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 95) Método de Máxima Verossimilhança (MMV) Definição: Qualquer ˆθ = ˆθ(X,, X n ) Θ tal que L(ˆθ; x,, x n ) = Sup{L(θ)
Leia maisFunção de Verossimilhança
Função de Verossimilhança João Batista e Paulo Inácio Prado 2018 BIE5781 Modelagem Estatística em Ecologia e Recursos Naturais 1/38 Sumário Sumário 1. Motivação 2. Estimação por Máxima Verossimilhança
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisComparação dos algoritmos delineação rápida em cadeia e seriação, para a construção de mapas genéticos
Algoritmos delineação rápida em cadeia e seriação 505 Comparação dos algoritmos delineação rápida em cadeia e seriação, para a construção de mapas genéticos Marcelo Mollinari (1), Gabriel Rodrigues Alves
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisAula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia maisdiferença não aleatória na distribuição dos fatores de risco entre os dois grupos
Confundimento erro devido a uma diferença não aleatória na distribuição dos fatores de risco entre os dois grupos. A variável de confundimento está distribuída desigualmente entre os grupos comparados.
Leia maisLIGAÇÃO GÊNICA (3ª LEI DA GENÉTICA)
Introdução: LIGAÇÃO GÊNICA (3ª LEI DA GENÉTICA).2ª Lei: Mendel estudou 7 caracteres em ervilha que quando analisados 2 a 2 segregavam independentemente; da autofecundação de duploheterozigotos ou do cruzamento
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisLigação e Recombinação Gênica Elaboração de Mapas Cromossômicos QTLs e sua detecção
Ligação e Recombinação Gênica Miguel H.A. Santana mhasantana@usp.br Genética Básica e Evolução (ZVM 0215) Quarta, 21 de Setembro 2016 Visão geral Meta Importância dos princípios que regem a diversidade
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisMELHORAMENTO GENÉTICO. Seleção Genômica
MELHORAMENTO GENÉTICO Seleção Genômica Claudio Nápolis Costa Zootª, Ph.D. Melhoramento Animal Coronel Pacheco - MG AGENDA Informar sobre o estudo do genoma bovino; Apresentar a sua aplicação nos Programas
Leia maisMÉTODOS ESTATÍSTICOS PARA EXATIDÃO DE MAPEAMENTO E AVALIAÇÃO DE MODELOS
MÉTODOS ESTATÍSTICOS PARA EXATIDÃO DE MAPEAMENTO E AVALIAÇÃO DE MODELOS Camilo Daleles Rennó Referata Biodiversidade 8 novembro 2007 Modelagem lençol freático rocha de origem Modelagem O que faz uma planta
Leia maisBIOLOGIA - 2 o ANO MÓDULO 52 LIGAÇÃO GÊNICA
BIOLOGIA - 2 o ANO MÓDULO 52 LIGAÇÃO GÊNICA Como pode cair no enem Com relação ao processo conhecido como crossing-over, podemos afirmar que o mesmo: a) diminui a variabilidade genética; b) separa cromátides
Leia maisAula 17: Planos de Corte
Aula 17: Planos de Corte Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound em programação inteira
Leia maisNós estudamos isso em nossa aula extra de Regressão Múltipla!
E aí pessoal? Vamos à resolução de nossa prova? A CESPE pegou muito pesado, conforme eu tinha alertado em vídeos e no nosso pdf. Ela utilizou conceitos de Estatística muito avançados para uma matéria de
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisTESTE DOS 3 PONTOS. A B 8u
Teste dos 3 Pontos:.No cruzamento AB x ab ab ab obtiveram-se 8% de recombinantes.portanto: A B 8u.Suponha agora que o gene C esteja a 5 unidades de A. Qual seria a posição de C no mapa? Há 2 possibilidades
Leia mais5. Expressões aritméticas
5. Expressões aritméticas 5.1. Conceito de Expressão O conceito de expressão em termos computacionais está intimamente ligado ao conceito de expressão (ou fórmula) matemática, onde um conjunto de variáveis
Leia mais2284-ELE/5, 3316-IE/3
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem Supervisionada 2 Os vários algoritmos de Aprendizagem
Leia maisDescodificação iterativa
Sílvio A. Abrantes DEEC/FEUP 26 Descodificação iterativa 2 Descodificação de códigos LDPC por transferência de mensagens em grafos de Tanner Introdução Diagrama de blocos de um sistema genérico de codificação
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisMAPEAMENTO CROMOSSÔMICO
LOCOS DE CARACTERÍSTICAS QUANTITATIVAS HERANÇA QUANTITATIVA Onde estão os genes que contribuem com as características quantitativas? MAPEAMENTO CROMOSSÔMICO 1 LOCOS DE CARACTERÍSTICAS QUANTITATIVAS MAPEAMENTO
Leia maisBIOMETRIA. Profa. Dra. Mõnica Trindade Abreu de Gusmão
BIOMETRIA Profa. Dra. Mõnica Trindade Abreu de Gusmão ALGUNS CONCEITOS IMPORTANTES EM PROBABILIDADE Condicionada por um gene recessivo autossomal (a) Se manifesta na infância Problemas no sistema nervoso
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisLIGAÇÃO OU VINCULAÇÃO GÊNICA
LIGAÇÃO OU VINCULAÇÃO GÊNICA Mesmo sem o conhecimento exato da natureza da ligação gênica, alguns geneticistas, incluindo Thomas Morgan e seus alunos, imaginavam que genes presentes em um mesmo cromossomo
Leia maisEstimativa de freqüência de recombinação no mapeamento genético de famílias de irmãos completos
Estimativa de freqüência de recombinação no mapeamento genético 363 Estimativa de freqüência de recombinação no mapeamento genético de famílias de irmãos completos Leonardo Lopes Bhering (1), Cosme Damião
Leia maisCálculo Numérico. Resumo e Exercícios P1
Cálculo Numérico Resumo e Exercícios P1 Fórmulas e Resumo Teórico Parte 1 Aritmética de ponto flutuante Operar com o número de algarismos significativos exigido. Arredondar após cada conta. Método de escalonamento
Leia maisLIGAÇÃO. 2ª Lei de Mendel -> segregação independente -> para genes localizados em cromossomos diferentes.
LIGAÇÃO 2ª Lei de Mendel -> segregação independente -> para genes localizados em cromossomos diferentes. Ligação (3ª Lei)-> quando dois genes estão situados no mesmo cromossomo e apresentam segregação
Leia maisLigação Gênica ou Ligação Fatorial (Linkage)
Ligação Gênica ou Ligação Fatorial (Linkage) Dois ou mais pares de genes alelos se localizam em um mesmo par de cromossomos homólogos. Neste caso, se não ocorrer permutação, os genes não se separam na
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia mais03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica
Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisAprendizagem de Dados Simbólicos e/ou Numéricos
Aprendizagem de Dados Simbólicos e/ou Numéricos Francisco de A.T. de Carvalho Usuais / Notação Y: variável categórica (nominal ou ordinal) ou quantitativa discreta E {,, n} : conjunto de n itens Y(), E
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisW 8. Nas colunas "k =1 a n" executar: Nas linhas "i =1 a m" executar: Em cada linha "i" de "j=1 a n" executar: z = c ik + c kj
VI. Encaminhamentos de encargo total mínimo Considere-se um grafo (orientado ou não) em que se associa a cada um dos seus arcos (arestas) um dado encargo real (distância, custo, tempo, etc.); admita-se
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisAULA 15 - Distribuição de Bernoulli e Binomial
AULA 15 - Distribuição de Bernoulli e Binomial Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Variável Aleatória de Bernoulli Podemos dizer que as variáveis aleatórias mais simples entre as
Leia maisBIO-103 Biologia evolutiva
BIO-103 Biologia evolutiva Excerto da apostila de Genética de populações para as disciplinas BIO-305 e BIO-212 (1986-2006), vários autores. EQUILÍBRIO DE HARDY-WEINBERG Um dos aspectos importantes do estudo
Leia maisLista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + y s.a x + y x + y 5 b) Max z = x + y s.a x + y 0 x + y 5 c) Max z = x + y s.a x + 9y 6 8 x +
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisMATRIZES - PARTE Definição e Manipulação de Matrizes AULA 21
AULA 21 MATRIZES - PARTE 1 21.1 Definição e Manipulação de Matrizes Sabemos como definir variáveis de um novo tipo de dados, denominado vetor, que representam seqüências de valores de um mesmo tipo. Por
Leia maisEstruturas de Dados 2
Estruturas de Dados 2 Técnicas de Projeto de Algoritmos Força Bruta IF64C Estruturas de Dados 2 Engenharia da Computação Prof. João Alberto Fabro - Slide 1/36 Técnica de Projeto de Algoritmos por Força
Leia maisGauss-Seidel para Solução de Sistemas com Matrizes Banda Usando Armazenamento Especial
Universidade Federal do Espírito Santo Departamento de Informática Algoritmos Numéricos 2016/2 Profa. Claudine Badue Trabalho 1 Objetivos Gauss-Seidel para Solução de Sistemas com Matrizes Banda Usando
Leia maisIA: Inteligência Artificial
Desenvolvimento UNIFEI EME00 - Automação Industrial IA: Inteligência Artificial Aula Prof. José Hamilton Chaves Gorgulho Júnior Aristóteles (- a.c.) Leibnitz (-) George Boole (-) Processamento da Linguagem
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação
Leia maisAlgoritmos Genéticos Fernando Lobo
Algoritmos Genéticos Fernando Lobo Grupo de Análise de Sistemas Ambientais Faculdade de Ciências e Tecnologia Universidade Nova de Lisboa Sumário O que é um algoritmo genético? Para que serve? Como funciona?
Leia maisAlgoritmos Evolutivos para Otimização
Algoritmos Evolutivos para Otimização A área de aplicação que tem recebido mais atenção é a otimização. Uma das razões é que existem uma variedade de problemas de otimização e a maioria deles sem solução
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maissobre o grafo probabilístico completo de um sistema de regulação gênica
Um algoritmo eficiente para o crescimento de redes sobre o grafo probabilístico completo de um sistema de regulação gênica Leandro de Araújo Lima Orientador: Junior Barrera Departamento de Ciência da Computação
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia maisMétodos de Amostragem. Métodos de Amostragem e Avaliação de Algoritmos. Métodos de Amostragem. Métodos de Amostragem. Métodos de Amostragem
e Avaliação de s José Augusto Baranauskas Departamento de Física e Matemática FFCLRP-USP AM é uma ferramenta poderosa, mas não existe um único algoritmo que apresente o melhor desempenho para todos os
Leia maisPROCURA E PLANEAMENTO
PROCURA E PLANEAMENTO Primeiro Exame 10 de Janeiro de 2012 9:00-11:30 Este exame é composto por 16 páginas contendo 6 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maislnteligência Artificial
lnteligência Artificial Busca Heurística - Informada Estratégias de Busca Heurística Usam conhecimento específico do problema na busca da solução Mais eficientes que busca não informada Busca Informada
Leia mais