AVALIAÇÃO GENÉTICA: DOS DADOS ÀS DEP S
|
|
- Geovane Vasco de Barros Aquino
- 5 Há anos
- Visualizações:
Transcrição
1 C A P Í T U L O 1 AVALIAÇÃO GENÉTICA: DOS DADOS ÀS DEP S Els Nunes Mrtns INTRODUÇÃO A vlção genétc vs dentfcção dos ndvíduos genetcmente superores de tl sorte que, usdos n reprodução, leguem os seus descendentes su superordde, lterndo dess form méd d populção. Sob est defnção o ndvíduo é vsto como um veículo de genes que devem se expressr n gerção subsequente. O recurso dsponível pr execução d vlção genétc é observção ds crcterístcs economcmente mportntes. O texto que segue tem por objetvo presentr, com o uxlo de um exemplo smuldo, os procedmentos envolvdos no processmento dos ddos té obtenção ds predções ds dferençs esperds ns progênes (DEP s). DESCRIÇÃO DA OBSERVAÇÃO O prmero psso pr utlzção rconl ds observções ds crcterístcs economcmente mportntes é o estbelecmento de um modelo que explque, convenentemente, estrutur dos ddos observdos. Tem sdo dmtdo que o modelo dequdo sej lner, de mner que observção é defnd como o somtóro de város efetos clssfcdos como mbents e genétcos. Contudo, nem todo efeto mbentl é dentfcável, por não ter orgem conhecd e, ssm, um modelo possível é:
2 130 Melhormento Genétco Aplcdo em Gdo de Corte y = f + g + E, em que y é observção referente o ndvíduo j crdo no mbente ; f é o conjunto de efetos dentfcáves do mbente ; é o conjunto de efetos genétcos no ndvíduo j crdo no mbente ; E é o conjunto de efetos mbents não dentfcáves no ndvíduo j crdo no mbente. Nturlmente, entre os efetos genétcos o prtculr nteresse resde nqueles dtvos porque são eles os determnntes dos vlores genétcos dos ndvíduos. Então o modelo pode ser reescrto como: y = f + + d + E, em que é o vlor genétco do ndvíduo j crdo no mbente ; d é o conjunto de efetos genétcos não-dtvos no ndvíduo j crdo no mbente. De cordo com esse modelo, d e E não são estmáves vsto que estão confunddos por estrem ssocdos exclusvmente à observção y. Por outro ldo, f é estmável se d, d e E têm espernç nul. Est pressuposção é coerente com premss de que não ocorre mudnç n estrutur genétc d populção se os ndvíduos que se cslm são um mostr letór, desconsderndo-se exstênc de mutções, mgrções e erros de mostrgem. UMA FORMA DE ELIMINAR OS EFEITOS AMBIENTAIS IDENTIFICÁVEIS Usndo esse conceto pode-se redefnr o modelo nclmente proposto d segunte form: y = f + ε, em que ε = + d + E, com méd dd por E( ε ) = 0 e vrânc dd por E( ε ) = ε. Um convenente estmdor pr f pode ser obtdo de form que E( ε ) sej mínm, como segue. N form mtrcl o modelo é escrto como: y= Xβ + ε, em que y é o vetor de observções; X é mtrz de ncdênc dos efetos fxos de mbente; β é o vetor de efetos fxos de mbente serem estmdos; ε é o vetor de resíduos. Mnmzr E( ε ) equvle mnmzr E( εε ), então, E( εε ) = E[( y Xβ) ( y Xβ)] = Eyy ( β Xy + β XX β)
3 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S 131 Pode ser observdo que E( εε ) é um função qudrátc de β, o vetor de efetos fxos de mbente serem estmdos. Assm, dervd dess função, em relção β, qundo nul permte estmção desejd: δ[ E( ε ε)] δβ = δ[ E( yy β Xy + β XX β)] δβ = Xy + XX β Xy + XX β = 0 XX β = Xy. Consderndo que sejm fets dequds restrções se X X não tem posto completo, então: ˆ β ( 1 XX ) = Xy. Um vez estmdos os efetos fxos de mbente s observções podem ser corrgds por y X ˆβ. Pr lustrr estmção de efetos fxos de mbente e o justmento dos ddos consdere-se o conjunto de nformções smulds de gnho de peso d desmm o sobreno em gdo Nelore presentdo n Tbel 1.1. Além do gnho de peso, são fornecds tmbém nformções sobre genelog, sexo do nml, no de nscmento e rebnho em que o nml fo crdo. Esss nformções permtem formulr o segunte modelo pr os gnhos de peso observdos. y = µ + gc + ε, em que y é observção de gnho de peso referente o ndvíduo j pertencente o grupo contemporâneo ; gc é o efeto de mbente no grupo contemporâneo ; ε é o resíduo no gnho de peso do ndvíduo j pertencente o grupo contemporâneo. Os grupos contemporâneos form formdos por nms do mesmo sexo, nscdos num mesmo no e no mesmo rebnho, como mostrdo n Tbel 1.. Deve-se ter em mente que o conjunto de ddos qu presentdo tem pens fnldde de lustrr procedmentos de vlção genétc. Assm, é certo que precem stuções por vezes muto dstntes do que contece ns plcções prátcs. Assm, formção de grupos contemporâneos com número muto reduzdo de nms como ocorre no exemplo não devem ser utlzdos em stuções res. O processo de estmção dos efetos de mbente nos grupos contemporâneos, por meo do Método de Qudrdos Mínmos produz s estmtvs presentds n Tbel 1.3. Um vez obtds s estmtvs dos efetos de mbente de cd grupo contemporâneo, o justmento dos ddos é feto subtrndo-se de cd observção estmtv de efeto de mbente correspondente o grupo contemporâneo onde el fo produzd, como pode ser vsto n Tbel 1.4.
4 13 Melhormento Genétco Aplcdo em Gdo de Corte TABELA 1.1. Ddos Smuldos de Gnho de Peso d Desmm o Sobreno ANIMAL PAI MÃE SEXO ANO REBANHO GANHO , , , , , , , , , , , , , ,77
5 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S 133 TABELA 1.1. Ddos Smuldos de Gnho de Peso d Desmm o Sobreno (cont.) ANIMAL PAI MÃE SEXO ANO REBANHO GANHO , , , , , , , , , , ,90 TABELA 1.. Formção dos Grupos Contemporâneos (GC) pr os Anms com Ddos Observdos de Gnho de Peso d Desmm o Sobreno ANIMAL SEXO ANO REBANHO GANHO GC , , , , , , , , , , , , , ,77 5
6 134 Melhormento Genétco Aplcdo em Gdo de Corte TABELA 1.. Formção dos Grupos Contemporâneos (GC) pr os Anms com Ddos Observdos de Gnho de Peso d Desmm o Sobreno (cont.) ANIMAL SEXO ANO REBANHO GANHO GC , , , , , , , , , , ,90 10 Tbel 1.3. Estmtvs de efetos de mbente nos grupos contemporâneos, obtds por meo do Método de Qudrdos Mínmos GRUPOS CONTEMPORÂNEOS Efeto 8,65 91,5 77,08 88,71 10,58 68,0 69,90 66,15 7,5 86,40 TABELA 1.4. Ajustmento dos Ddos Observdos de Gnho de Peso pr os Efetos de Ambente dos Grupos Contemporâneos (GC) ANIMAL GC GANHO AJUSTAMENTO GANHO AJUSTADO ,40 7,40-8,65-10, ,65 95,65-8,65 13, ,90 79,90-8,65 -, ,65 101,65-91,5 10,13 90,40 90,40-91,5-1, ,65 74,65-91,5-16, ,40 99,40-91,5 7, ,90 46,90-77,08-30,18
7 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S 135 TABELA 1.4. Ajustmento dos Ddos Observdos de Gnho de Peso pr os Efetos de Ambente dos Grupos Contemporâneos (GC) (cont.) ANIMAL GC GANHO AJUSTAMENTO GANHO AJUSTADO ,84 95,84-77,08 18, ,5 88,5-77,08 11, ,65 9,65-88,71 3, ,77 84,77-88,71-3, ,40 13,40-10,58 0, ,77 81,77-10,58-0, ,0 77,0-68,0 9, ,64 53,64-68,0-14, ,65 73,65-68,0 5, ,65 67,65-69,90 -, ,15 7,15-69,90, ,90 63,90-66,15 -, ,40 68,40-66,15, ,77 56,77-7,5-15, ,7 88,7-7,5 15, ,90 90,90-86,40 4, ,90 81,90-86,40-4,75 Dess form efetos dentfcáves de mbente form elmndos dos ddos e gor os gnhos de peso justdos são descrtos pelo modelo ε = + d+ E, em que: é o vlor genétco do ndvíduo ; d é o conjunto de efetos genétcos não dtvos no ndvíduo ; E é o conjunto de efetos mbents não dentfcáves no ndvíduo. UMA FORMA DE OBTER A PREDIÇÃO DOS VALORES GENÉTICOS Nosso nteresse é, em prtculr, obter um predção pr o vlor genétco e então pr fcltr o entendmento podemos reescrever o modelo como ε = + e, em que e = d + E.
8 136 Melhormento Genétco Aplcdo em Gdo de Corte Agor pr se estbelecer um predtor pr os vlores genétcos é convenente escrever expressões pr s méds e vrâncs de ε e. As méds pr ε e, dds por E( ε ) e E( ), são por defnção gus zero, enqunto que s vrâncs são dds respectvmente por E( ε ) = ε, que é vrânc fenotípc, e E( ) =, que é vrânc genétc dtv. Adconlmente, pode-se defnr covrânc entre ε e por E( ε) =, que é própr vrânc genétc dtv, vsto que está contdo em ε e é ndependente de e. Um possível predtor pr pode ser ˆ = bˆ ε, de tl sorte que o vlor obtdo pelo predtor â sej o ms próxmo possível do vlor genétco verddero. Em outrs plvrs sgnfc encontrr o vlor de b que torn vrânc do erro de predção, dd por Vr ( ˆ ) = E ( ˆ ), o menor possível. Isso pode ser feto como segue: E[ ( ˆ ) ] = E ( bˆ ε ) Como b é um constnte ( ˆ ε ε ) = E b b + ( ˆ ε ) ( ε ) ( ) = E b E b + E ( ˆ ε ) ( ε ) ( ) = be be + E Usndo s defnções fets nterormente pr s vrâncs e covrâncs de ε e, temos: E[ ( ˆ ) ] = b b + ε Por meo dess expressão verfc-se que vrânc do erro de predção é um função qudrátc de b, e ssm dervd dess função, em relção b, qundo nul permte obter o vlor de b que torn mínm vrânc do erro de predção. δ { E ( ˆ ) } δb= bε = 0 b ε = = =. b h ε coefcente de herdbldde Esse resultdo sgnfc que se lguém pretende predzer o vlor genétco prtr dos desempenhos ndvdus dos nms, predção ms próxm do vlor genétco verddero é obtd corrgndo-se s observções pr os efetos fxos de mbente e em segud multplcndo-se o resultdo pelo coefcente de herdbldde. Supondo-se um coefcente de herdbldde de 0,3, título de lustrção, pode-se plcr ess conclusão o conjunto de ddos fornecdo n Tbel 1.1, como se mostr n Tbel 1.5. Observ-se que clssfcção dos nms com bse nos ddos justdos e com bse n predção do vlor genétco é mesm. Isto é óbvo vsto que predção do vlor genétco é obtd multplcndo-se os ddos justdos por um constnte, que é o coefcente de herdbldde.
9 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S 137 TABELA 1.5. Predções pr os Vlores Genétcos com Bse nos Ddos Indvdus de Gnho de Peso d Desmm o Sobreno Ajustdos pr os Efetos de Ambente dos Grupos Contemporâneos (GC) ANIMAL GANHO GANHO AJUSTADO VALOR GENÉTICO PREDITO 36 13,40 0,8 4, ,84 18,76 4, ,7 15,75 3,6 1 95,65 13,00, ,5 11,44, ,65 10,13, ,0 9,00, ,40 7,88 1, ,65 5,63 1, ,90 4,50 1, ,65 3,94 0, ,40,5 0,5 4 7,15,5 0,5 90,40-1,1-0, ,65 -,5-0, ,90 -,5-0,5 5 79,90 -,75-0, ,77-3,94-0, ,90-4,75-1, ,40-10,5 -, ,64-14,6-3, ,77-15,75-3, ,65-16,87-3, ,77-0,81-4, ,90-30,18-6,94
10 138 Melhormento Genétco Aplcdo em Gdo de Corte A PREDIÇÃO DO VALOR GENÉTICO CONSIDERANDO OS PARENTESCOS Anterormente fo comentdo que o vlor genétco não er estmável por estr confunddo com os efetos genétcos não dtvos e mbents, vsto que esses três efetos estão ssocdos exclusvmente à observção y. No entnto, se for dd tenção à estrutur genelógc (Fgur 1.1) verfc-se que os vlores genétcos presentm ssocções com outrs observções, lém dquel fet no própro nml. Ests ssocções podem ser descrts pels relções de prentesco. Assm, se ests ssocções forem consderds, s observções fornecds por prentes tmbém podem ser utlzds como bse pr predção dos vlores de termndo ndvíduo. Pr que se tenh um melhor noção de como sso pode ser feto, tome-se como exemplo o nml 17 que tem os nms 16, 18 e 19 como meo-rmãos, os nms 8 e 9 como flhos e os nms 31 e 34 como sobrnhos. Os coefcentes de prentesco do nml 17 com seus meo-rmãos é 0,5; com seus flhos é 0,5 e com seus sobrnhos é 0,15. Assm, um predtor pr o vlor genétco do nml 17, que leve em consderção o seu desempenho e os de seus prentes ser: ˆ 17 = bˆ 1ε17 + b ˆ ε16 + b ˆ 3ε18 + b ˆ 4ε19 + b ˆ 5ε8 + b ˆ 6ε9 + b ˆ 7ε31+ b ˆ 8ε34. A questão gor se resume em defnr os vlores de b 1 té b 8, que são os coefcentes de regressão do vlor genétco do nml 17 em função ds observções com ele ssocds. Aqu novmente é desejdo um predtor que produz predções o ms próxmo possível dos vlores genétcos verdderos, o que equvle mnmzr vrânc do erro de predção dd por Vr ( ˆ ) = E ( ˆ ) FIGURA 1.1. Genelog dos nms.
11 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S 139 N form mtrcl o predtor â 17 pode ser escrto como ˆ ε 17 ˆ ε16 ˆ ε 18 ˆ ε19 ˆ 17 = b1 b b3 b4 b5 b6 b7 b 8 ˆ ε 8 ˆ ε9 ˆ ε 31 ˆ ε e então ˆ 17 = b ε 34 E ( ˆ 1 ) = E ( b ˆ ε ) ( ' ˆˆ εε ' ' ˆ ε + ) E b b b ( ' ˆˆ εε ' ) ( ' ˆ ε ) + ( ) E b b E b E ( ˆˆ εε ) ( ˆ ε ) ( ) = be ' ' b be ' + E O termo E( εε ˆˆ ) é mtrz V de vrânc e covrânc fenotípc referente o vetor de nformções e o termo E( ˆε ) é o vetor g de covrânc entre o vlor genétco ser predto e o vetor de nformções. Então, ( ) ˆ = ' ' + E b Vb b g Verfc-se qu tmbém que vrânc do erro de predção é um função qudrátc de b, e ssm dervd dess função, em relção b, qundo nul permte obter o vlor de b que torn mínm vrânc do erro de predção. δ { E ( ˆ ) } δ b = b V g b V g = 0 Pr lustrr esse resultdo pode-se plcá-lo pr obter-se predção do vlor genétco pr o nml 17. Nesse cso mtrz V e o vetor g serão
12 140 Melhormento Genétco Aplcdo em Gdo de Corte V = ε ε ε ε ε ε ε ε g= Supondo-se que vrânc fenotípc sej de 900 kg e vrânc genétc dtv de 07 kg, têm-se: ,75 51,75 51,75 103,5 103,5 5,875 5,875 51, ,75 51,75 5,875 5, ,5 5,875 51,75 51, ,75 5,875 5,875 5, ,5 51,75 51,75 51, ,875 5,875 5,875 5,875 V = 103,5 5,875 5,875 5, ,75 14, , ,5 5,875 5,875 5,875 51, , ,9375 5, ,5 5,875 5,875 14, , ,9375 5,875 5, ,5 5,875 14, , , g = 07 51,75 51,75 51,75 103,5 103,5 5,875 5,875 b=gv b = 0,0396 0, , , , , , , Assm, pode-se obter predção do vlor genétco do nml 17 bsendo-se no seu desempenho e no de seus prentes por:
13 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S , 5 14, 6, 5 16,87 ˆ 0, , , , , , , , = = 5, 7 3, 94 0,81, 5 3, 94 Observe-se que predção do vlor genétco do nml 17 qundo bsed n nformção exclusv de seu desempenho fo de -,36. Contudo, qundo nformção do desempenho de seus prentes fo levd em consderção, predção de seu vlor genétco cu pr -5,7. É obvo que sto conteceu porque seus prentes presentm desempenho nferor. Ao se utlzr nformções de prentes, n form como mostrdo gor, não fo consderdo que ests nformções de desempenho tmbém podem estr ssocds outrs, como por exemplo, o nml 8 é flho de 17 ms tmbém é flho de 4. Observe-se que se for consderd nformção de desempenho do nml 4 pr se predzer o vlor genétco de 17, o que contecerá é um justmento d nformção de 8 pr o desempenho de su mãe e, utomtcmente, predção pr o vlor genétco de 17 tmbém estrá justd. Pensndo dess form pr predzer o vlor genétco de 17 podemos consderr nformção de seu própro desempenho e dos nms 16, 18, 19, 8, 9, 31, 34,, 4 e 6. Nesse cso predção ser dd como segue. ˆ ε17 ˆ ε 16 ˆ ε 18 ˆ ε19 ˆ ε 8 ˆ 17 = b b b b b b b b b b b ˆ ε9 ˆ ε 31 ˆ ε34 ˆ ε ˆ ε4 ˆ ε 6 10,5 14,6,5 16,87 3,94 ˆ 17 = [ 0, , , , , , , , , , , 00161] 0,81,5 3,94 1,1,5 10,13
14 14 Melhormento Genétco Aplcdo em Gdo de Corte ˆ 17 = 5,3 Observe-se que os vlores de b 9, b 10 e b 11 são negtvos. Isto contece porque corrgem predção do vlor genétco de 17. Se pr predção do vlor genétco de 17 for utlzd nformção de lgum nml que não tenh qulquer relção com os prentes de 17 ou com o própro 17, o vlor de b correspondente esse nml ser zero, ssm ess nformção em nd contrbur pr predção do vlor genétco do nml 17. Sendo ssm, esse rcocíno pode ser expnddo todo o conjunto de ddos e, ssm, utlzr-se tod nformção coletd pr predção dos vlores genétcos. Nesse cso, mtrz V será mesm pr predção dos vlores genétcos de todos nms e os vetores g necessáros pr cd predção podem ser grupdos formndo mtrz G, que é mtrz de vrânc e covrânc genétc dtv entre os ddos. O produto de GV 1 produz um mtrz B em que cd lnh corresponde um vetor b referente cd vlor genétco ser predto. Isto permte que tods s predções sejm obtds smultnemente, consderndo tod nformção dsponível. A expressão que descreve tl stução é ( ) ˆ Bˆ ε GV = = ˆ ε = GV y Xβ 1 1 ˆ De mner forml esss expressões são dervds como segue. O que se desej é mnmzr Vr ( ˆ ), vrânc do erro de predção. Isso equvle mnmzr E[ ˆ ˆ ]. Assm ( )( ) ( ˆ )( ˆ ) = ( ˆ ε )( ˆ ε ) E[ ] E B B ( ˆ ε )( ˆ ε ) = E B B ( ˆˆ εε ˆ ε ˆ ε ) = EB B B B+ Sendo vrânc do erro de predção um função qudrátc de B dervd dess função, em relção B, qundo nul permte estmção desejd. em que E( ˆˆ εε ) e ( ) δ E δb BE εε E ε ( ˆ )( ˆ ) = ( ˆˆ ) ( ˆ ) E ˆε são, respectvmente, s mtrzes de vrânc e covrâncs fenotípc e genétc, V e G. Então, BV = G B= GV 1. Se não houver qulquer prentesco entre os ndvíduos, então, G= I e V = I I( d E) I ε = + + = y e, por consegunte, B= Ih. Ness stução o vetor de predções dos vlores genétcos se resume à expressão bem conhecd ( β ) ˆ = h y X, ˆ
15 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S 143 em que predção do vlor genétco é obtd pel regressão do vlor genétco em relção o vlor fenotípco, dd pelo produto do coefcente de herdbldde pel observção corrgd pr os efetos fxos de mbente. Todv, se há prentesco entre os ndvíduos, mtrz de vrânc genétc pss ser não-dgonl e dd por G= A, em que A é mtrz que descreve o prentesco entre os ndvíduos, d mesm form que mtrz de vrânc e covrânc dos efetos genétcos não-dtvos dd por D = N d. Consequentemente, mtrz de vrânc e covrânc fenotípc tmbém será não dgonl e dd por V = A + N d + I E. Ness stução predção do vlor genétco de um determndo ndvíduo levrá em cont s nformções referentes os seus prentes, lém d su própr, por meo de regressores específcos pr cd tpo de nformção. Esses regressores estão dspostos n mtrz B, de tl form que -ésm lnh de B corresponde o conjunto de regressores pr s nformções ssocds o -ésmo ndvíduo. Deve-se observr que não pens s nformções dos prentes são utlzds n predção do vlor genétco de determndo ndvíduo. As nformções referentes àqueles ndvíduos não prentdos o -ésmo ndvíduo, ms que contrbuírm n formção do vlor genétco de um prente dele, serão regredds pr justr predção de seu vlor genétco. Isso contece, por exemplo, se dspomos ds nformções de touros, de seus flhos e ds vcs que produzrm ts flhos. Nesse cso s nformções ds vcs são computds pr justr predção dos vlores genétcos dos touros, mesmo não sendo prentds com eles. Além dess vntgem, utlzção d estrutur de prentesco permte predção de vlores genétcos de ndvíduos nos qus não se fez observções. Pr que sso sej possível é necessáro pens o uso de um mtrz Z, de ncdênc de vlores genétcos, com dmensão lnh gul o número de observções e dmensão colun gul o número de ndvíduos serem vldos, de tl form que mtrz B de regressores pss ser dd por B= GZ V 1. D mesm form, é necessáro o uso d mtrz Z se crcterístc envolvd present medds repetds. MELHORANDO A ESTIMAÇÃO DOS EFEITOS AMBIENTAIS IDENTIFICÁVEIS O fto d mtrz V não presentr estrutur dgonl, em função do prentesco entre os ndvíduos, torn ms curd predção dos vlores genétcos, entretnto, lev à necessdde de revsão d form como form estmdos os efetos mbents. As pressuposções fets pr o estbelecmento dos estmdores dos efetos fxos não consderrm estrutur não dgonl de V. Se tl fto for levdo em consderção torn-se necessáro ponderr som de qudrdos d prte letór ds observções pel estrutur de correlções entre els. Ess estrutur está descrt n mtrz V. Assm, o que deve ser mnmzdo é E( ε V 1 ε) e não E( εε ), então, 1 ' 1 E( ε V ε) = E[( y Xβ) V ( y Xβ)] 1 ' ' 1 ' ' 1 = EyV ( y β XV y+ β XV Xβ)
16 144 Melhormento Genétco Aplcdo em Gdo de Corte 1 ' 1 ' ' 1 ' ' 1 ' δ[ E( ε V ε)] δβ = δ[ E( y V y β XV y+ β XV Xβ)] δβ ' 1 ' 1 = XV y+ XV Xβ ' 1 ' 1 XV y+ XV Xβ = 0 ' 1 ' 1 XV Xβ = XV y. X não tem posto com- Consderndo que sejm fets dequds restrções se XV pleto, então, ˆ β ( ' 1 1 ' 1 XV X ) = XV y ' 1 Agor estmção dos efetos fxos de mbente se process, coerentemente, por meo do método de Qudrdos Mínmos Generlzdos (GLS) e não Qudrdos Mínmos Ordnáros (OLS) como ntes. Assm, o procedmento pr vlção genétc consstrá n plcção do método GLS, produzndo Melhores Estmdores Lneres Não Vesdos (BLUE) dos efetos fxos de mbente, e em segud, usndo ts estmdores, justr s observções e regred-ls obtendo-se os Melhores Predtores Lneres Não Vesdos (BLUP) dos vlores genétcos. ˆ ' 1 1 ' 1 = ( XV X ) XV y β ( β ) ˆ = GZ V y X. As dfculddes n plcção desss equções resdem n obtenção d nvers de V. 1 ˆ USANDO AS EQUAÇÕES DE MODELOS MISTOS Um form lterntv de obtenção de Melhores Estmdores Lneres Não Vesdos (BLUE) pr os efetos fxos de mbente e de Melhores Predtores Lneres Não Vesdos (BLUP) pr os vlores genétcos pode ser estbelecd por meo d mxmzção d função densdde de probbldde conjunt ds observções e dos vlores genétcos, como segue. O modelo nclmente defndo gor é reescrto como Sendo e d E = +. N form mtrcl, tem-se y = f + + d + E, y = f + + e, y= Xβ + Z+ e, cujos elementos já form descrtos. Assume-se que y, e e presentm segunte dstrbução
17 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S 145 y Xβ V ZG R ' ~ 0 ; GZ G 0 e 0 R 0 R ' em que V = ZGZ + R, sendo G= A e R= I e. Observe-se que nest defnção desprez-se estrutur não dgonl d mtrz de vrânc e covrânc dos efetos genétcos não dtvos, o que em prncípo não terá grnde mportânc, menos que estrutur de prentesco presente quntdde consderável de rmãos completos. A função densdde de probbldde conjunt ds observções e dos vlores genétcos, f( y, ), pode ser escrt como o produto d função densdde de probbldde de y, ddo que se conhece, pel função densdde de probbldde de. f( y, ) = f( y ) f( ) 1 1 f( y, ) = e. e ( y Xβ Z) R ( y Xβ Z) ( 0) G ( 0) n n ( π) R ( π) G Pr se proceder mxmzção pode-se plcr trnsformção logrítmc pr fcltr mnpulção lgébrc. Assm, L 1 n ln( ) ln R ln G yr 1 y yr 1 X yr 1 Z ' XR ' 1 Z ' XR ' 1 X ZR ' π β β β β 1 = Z+ G 1 Dervndo-se em relção β e tem-se ' 1 ' 1 ' 1 δl δβ XR y+ XR Xβ + XR Z 0 ' 1 ' 1 ' 1 1 δl δ = = ZR y ZR Xβ ZR Z G ' 1 ' 1 ' 1 XR Xβ + XR Z XR y ' 1 ' 1 1 = ' 1 ZR Xβ + ( ZR Z+ G ) ZR y ' 1 ' 1 ' 1 XR X XR Z β XR y ' 1 ' 1 1 = ' 1 ZR X ( ZR Z G ) + ZR y Esss são s Equções de Modelos Mstos (MME) que permtem obtenção de BLUE pr os efetos fxos de mbente e BLUP pr os vlores genétcos. A solução desse sstem pode ser obtd por bsorção resultndo em 1 { ( ) } ( ) ' 1 1 ' ' 1 ' 1 1 ' ' 1 ˆβ = X R R Z ZR Z G ZR X X R R Z ZR Z G ZR + + y ' ( ) ˆ ( β ) ˆ= ZR Z+ G ZR y X.
18 146 Melhormento Genétco Aplcdo em Gdo de Corte Esss equções fornecem os mesmos resultdos de ˆ ' 1 1 ' 1 = ( XV X ) XV y β ( β ) ˆ = GZ V y X, 1 ˆ como pode ser vsto em MARTINS et l. (1993). N Tbel 1.6 são presentds s predções dos vlores genétcos e clssfcção dos nms do exemplo de lustrção. TABELA 1.6. Predção do vlor genétco de todos os nms utlzndo modelo nml NÚMERO VALOR GENÉTICO CLASSE NÚMERO VALOR GENÉTICO CLASSE
19 CAPÍTULO 1 Avlção Genétc: dos Ddos às DEP S 147 CONSIDERAÇÕES FINAIS A dferenç entre os modelos y= Xβ + ε e y= Xβ + Z+ e está pens no fto de que no prmero o vlor genétco não é consderdo de form explíct. Contudo, sendo um efeto letóro é consderdo n mtrz de vrânc e covrânc ds observções dd por V = ZGZ + R. Aldo sto há ortogonldde entre ' prte fx e prte letór ds observções, de tl sorte que estmção dos efetos fxos ndepende d form como os efetos letóros são consderdos, se decompostos como Z + e ou n form compct como ε. A vntgem n utlzção do segundo modelo resde no fto de não ser necessáro obter nvers de V e, lém dsso, s nverss ds mtrzes de vrâncs e covrâncs 1 1 genétc e resdul são fclmente obtds porque R é dgonl e G = A, e exstem lgortmos efcentes pr obtenção dret d nvers de A, mtrz de prentesco. Um dfculdde pode persstr se solução for obtd por bsorção, porque será ' necessáro obter-se ( ZR 1 1 Z+ G ) 1 que, pesr de presentr rápd convergênc em métodos tertvos de obtenção de nverss, é, frequentemente, de grndes dmensões. Todv, ts métodos tertvos podem ser usdos dretmente no sstem de Equções de Modelos Mstos pr obtenção dos vetores β, de efetos fxos de mbente, e, de vlores genétcos. Se o nteresse é pens predção dos vlores genétcos de touros, defnção de um modelo de reprodutor, com esse efeto tomdo como letóro, pode ser fet e s MME fornecerão BLUP dos vlores genétcos dos touros, com expressv redução do esforço computconl (MRODE, 1996). Porém, neste cso deve-se tentr pr o fto de que ts predções não estrão justds pr os vlores genétcos ds vcs com s qus os touros form csldos. Pr que s predções dos vlores genétcos dos touros sejm corrgds pr os vlores genétcos ds vcs com eles cslds, tendo-se mesmo ssm um menor esforço computconl, torn-se necessáro utlzção do Modelo Anml Reduzdo (RAM) que consste num mnpulção lgébrc do Modelo Anml, em que s equções referentes os ndvíduos que não têm flhos são bsorvds nquels dos ndvíduos que têm descendentes (MARTINS et l., 1997). Neste cso, são obtds predções dos vlores genétcos de touros e vcs. A metodolog de modelos mstos é robust em sus plcções, no sentdo de que mesmo qundo s condções dos ddos coletdos não stsfzem plenmente s premsss envolvds n su concepção, os resultdos obtdos são pouco dstorcdos. Isto, contudo, não nos exme d responsbldde de coletr e nformr corretmente os ddos de cmpo, os qus são mtér prm no processo de vlção genétc. A despeto dess breve explnção sobre o uso ds MME pr predções de vlores genétcos pode-se observr su mportânc como ferrment pr orentr s decsões de seleção nos rebnhos.
20 148 Melhormento Genétco Aplcdo em Gdo de Corte FONTES DE REFERÊNCIA HENDERSON, C.R. Applctons of lner models n nml breedng. Guelph, Cndá, Unversty of Guelph Press, p. LOPES, P.S.; MARTINS, E.N.; SILVA, M.A.; RAGGI, L.A. Métodos de resolução de sstems de equções lneres. Vços, MG, UFV, Imprens Unverstár, p. MARTINS, E.N.; LOPES, P.S.; SILVA, M.A.; REGAZZI, A.J. Modelo lner msto. Vços, MG, UFV, Imprens Unverstár, p. MARTINS, E.N. Uso de modelos mstos no melhormento nml. In: SIMPÓSIO INTERNACIONAL DE PRODUÇÃO DE NÃO-RUMINANTES, Mrngá, PR. Ans... Mrngá, Socedde Brsler de Zootecn, p MARTINS, E.N.; LOPES, P.S.; SILVA, M.A.; TORRES JUNIOR, R.A.A. Uso de modelos mstos n vlção genétc nml. Vços, MG, UFV, Imprens Unverstár, p. MRODE, R.A. Lner models for the predcton of nml breedng vlues. Wllngford, UK, CAB Interntonl, p.
AUTOVALORES E AUTOVETORES
UTOLOES E UTOETOES Defnção Sej T : um operdor lner Um vetor v, v, é dto utovetor, vetor própro ou vetor crcterístco do operdor T, se exstr λ tl que T v) = λ v O esclr λ é denomndo utovlor, vlor própro
Leia maisCapítulo 5 AJUSTAMENTO DOS VETORES OBSERVADOS. os possíveis vetores de serem formados entre as estações, ou seja,
5 Cpítulo 5 JUSMENO DOS EORES OBSERDOS Como resultdo do processmento de fses observds por R, R 3, receptores, em um mesm sessão, obter-se-ão os vlores ds componentes de todos os possíves vetores de serem
Leia maisUniversidade do Vale do Rio dos Sinos UNISINOS Programa de Pós-Graduação em Engenharia Mecânica. Ajuste de equações
Unversdde do Vle do Ro dos Snos UNISINOS Progrm de Pós-Grdução em Engenhr Mecânc Ajuste de equções Ajuste de curvs Técnc usd pr representr crcterístcs e comportmento de sstems térmcos. Ddos representdos
Leia maisREGRESSÃO LINEAR. À variável Y cujo comportamento se pretende estudar dá-se o nome de variável dependente.
REGRESSÃO LINEAR N tm N lq À vrável Y cuo comportmento se pretende estudr dá-se o nome de vrável dependente. O comportmento dest vrável depende de outrs vráves X chmds vráves ndependentes. A modelção do
Leia mais6.2 Sabendo que as matrizes do exercício precedente representam transformações lineares 2 2
Cpítulo Vlores própros e vectores própros. Encontrr os vlores e vectores própros ds seguntes mtrzes ) e) f). Sendo que s mtrzes do exercíco precedente representm trnsformções lneres R R, represente s rects
Leia mais2 Teoria de membranas elásticas
Teor de membrns elástcs teor de membrn pr mters ltmente deformáves dfere d elstcdde clássc, á que s deformções n superfíce méd d membrn deformd são em módulo mores que undde. Dentro dests crcunstâncs utlz-se
Leia maisCAPÍTULO IV DIFERENCIAÇÃO NUMÉRICA
PMR Mecânc Computconl CAPÍTULO IV DIFERENCIAÇÃO NUMÉRICA O problem de derencção numérc prentemente é semelnte o de ntegrção numérc ou sej obtendo-se um polnômo nterpoldor ou outr unção nterpoldor d unção
Leia maisAula 1b Problemas de Valores Característicos I
Unversdde Federl do ABC Aul b Problems de Vlores Crcterístcos I EN4 Dnâmc de Fludos Computconl EN4 Dnâmc de Fludos Computconl . U CASO CO DOIS GRAUS DE LIBERDADE EN4 Dnâmc de Fludos Computconl Vbrção em
Leia maisPARTE I. Figura Adição de dois vetores: C = A + B.
1 PRTE I FUNDENTS D ESTÁTIC VETRIL estudo d estátc dos corpos rígdos requer plcção de operções com vetores. Estes entes mtemátcos são defndos pr representr s grndes físcs que se comportm dferentemente
Leia maisMuitas vezes, conhecemos a derivada de uma função, y = f (x) = F(x), e queremos encontrar a própria função f(x).
Integrção Muts vezes, conhecemos dervd de um função, y f (x) F(x), e queremos encontrr própr função f(x). Por exemplo, se semos que dervd de um função f(x) é função F(x) 2x, qul deve ser, então, função
Leia maisMódulo de Matrizes e Sistemas Lineares. Operações com Matrizes
Módulo de Mtrzes e Sstems Lneres Operções com Mtrzes Mtrzes e Sstems Lneres Operções com Mtrzes 1 Exercícos Introdutóros Exercíco 1. Encontre o vlor de () 2 A. 1/2 A. 3 A. Exercíco 2. Determne ) A + B.
Leia maisRevisão de Matemática Simulado 301/302. Fatorial. Análise combinatória
Revsão de Mtemátc Smuldo / Ftorl Eemplos: )! + 5! =! b) - Smplfcr (n+)! (n-)! b) Resolv s equções: (+)! = Permutção Smples Análse combntór Permutções são grupmentos com n elementos, de form que os n elementos
Leia maisMétodo de Gauss-Seidel
Método de Guss-Sedel É o ms usdo pr resolver sstems de equções lneres. Suponhmos que temos um sstem A=b e que n= Vmos resolver cd equção em ordem um ds vráves e escrevemos 0/0/9 MN em que Método de Guss-Sedel
Leia maisEixos e árvores Projeto para eixos: restrições geométricas. Aula 4. Elementos de máquinas 2 Eixos e árvores
Exos e árvores Projeto pr exos: restrções geométrcs Aul 4 Elementos de máquns Exos e árvores 1 Exos e árvores Projeto pr exos: restrções geométrcs o Deflexões e nclnções: geometr de um exo corresponde
Leia mais3.Redução de ruído 23
3.Redução de ruído 3 3 Redução de ruído 3.. Algortmo NLM Como mor dos lgortmos pr redução de ruído o lgortmo NLM us o cálculo de méds como form de elmnr ruído. A dferenç está em que enqunto mor dos lgortmos
Leia mais1a Verificação Refino dos Aços I EEIMVR-UFF, Setembro de 2011 Prova A
1 Verfcção Refno dos s I EEIMVR-UFF, Setembro de 11 Prov A 1. Clcule o vlor de γ no ferro, 168 o C, com os ddos fornecdos n prov. Vmos em ul que o S G e o γ estão relcondos trvés de, 5585γ G R ln M Logo,
Leia maisCAP. VI Integração e diferenciação numéricas. 1. Introdução
CAP. VI Integrção e dferencção numércs. Introdução Se um função f é contínu num ntervlo [ ; ] e é conecd su prmtv F, o ntegrl defndo dquel função entre e pode clculr-se pel fórmul fundmentl do cálculo
Leia maisIntegração Numérica Regras de Newton-Cotes
Integrção Numérc Regrs de Newton-Cotes Aproxmr função ntegrnd por um polnómo nterpoldor, utlzndo pr nós de nterpolção os extremos do ntervlo e nós gulmente espçdos no nteror do ntervlo If ( ) fxdx ( )
Leia maisCinemática de Corpos Rígidos Cinética de Corpos Rígidos Métodos Newton-Euler Exemplos. EESC-USP M. Becker /67
SEM004 - Aul Cnemátc e Cnétc de Corpos Rígdos Prof. Dr. Mrcelo Becker SEM - EESC - USP Sumáro d Aul ntrodução Cnemátc de Corpos Rígdos Cnétc de Corpos Rígdos Métodos Newton-Euler Eemplos EESC-USP M. Becker
Leia maisObtendo uma solução básica factível inicial. Método Simplex duas fases
Obtendo um solução básc fctível ncl Método Smple dus fses Bse ncl FASE I Como determnr um prtção básc fctível ncl (A(B, N)). Algums clsses de problems de otmzção lner oferecem nturlmente solução básc fctível
Leia maisIntegração Numérica Regras de Newton-Cotes
Integrção Numérc Regrs de Newton-Cotes Aproxmr função ntegrnd por um polnómo nterpoldor, utlzndo pr nós de nterpolção os extremos do ntervlo e nós gulmente espçdos no nteror do ntervlo If ( ) fxdx ( )
Leia maisTÓPICOS. Exercícios. Os vectores que constituem as colunas da matriz, 1 = [ 2 0 1] T
Note em: letur destes pontmentos não dspens de modo lgum letur tent d logrf prncpl d cder Chm-se tenção pr mportânc do trlho pessol relzr pelo luno resolendo os prolems presentdos n logrf, sem consult
Leia maisANÁLISE DE ESTRUTURAS I
IST - DECvl Deprtmento de Engenhr Cvl NÁISE DE ESTRUTURS I Tels de nálse de Estruturs Grupo de nálse de Estruturs IST, 0 Formuláro de es IST - DECvl Rotções: w w θ θ θ θ n θ n n Relção curvtur-deslocmento:
Leia maisEscalonamento de processos num sistema computacional multi-processo e uni-processador
Sstems de empo el no ectvo / lgums Nots Muto áscs Sobre o º rblho Prátco Esclonmento de processos num sstem computconl mult-processo e un-processdor. Obectvo Notção escrção Máxmo tempo de computção de
Leia maisIntegração Numérica Regras de Newton-Cotes
Integrção Numérc Regrs de Newton-Cotes Aproxmr função ntegrnd por um polnómo nterpoldor, utlzndo pr nós de nterpolção os extremos do ntervlo e nós gulmente espçdos no nteror do ntervlo If ( ) fxdx ( )
Leia maisAngela Nieckele PUC-Rio DIFUSÃO
Angel ecele UC-Ro IFUSÃO Angel ecele UC-Ro q e qw q w e S w d qe W w e E dw de Angel ecele UC-Ro ossíves ers pr vlr o luo erl em egru: erl ms smples possível porém nclnção de d/d ns ces do volume de controle
Leia maisXI OMABC NÍVEL O lugar geométrico dos pontos P x, y cuja distância ao ponto Q 1, 2 é igual a y é uma:
O lugr geométrco dos pontos P x, y cu dstânc o ponto Q, é gul y é um: prábol com foco no ponto Q crcunferênc de ro gul N fgur segur, o trângulo ABC é equlátero de ldo 0, crcunferênc mor é tngente os três
Leia maisMÉTODO DE HOLZER PARA VIBRAÇÕES TORCIONAIS
ÉODO DE HOZE PAA VIBAÇÕES OCIONAIS Este método prómdo é dequdo pr vgs com crcterístcs não unformes centuds, ou sstems com um número grnde de msss concentrds. Substtu-se o sstem contínuo por um sstem dscreto
Leia maisFernando Nogueira Dualidade 1
Dldde Fernndo Noger Dldde Fernndo Noger Dldde 8 6.5 M ( ) ( ) ( ).5.5.5.5.5.5.5.5.5 é m lmtnte speror é m lmtnte speror melhor Pr encontrr o lmtnte speror mltplc-se s restrções por constntes postvs e som-se
Leia maisIntegração Numérica Regras de Newton Cotes
Integrção Numérc Regrs de Newton Cotes Aproxmr função ntegrnd por um polnómo nterpoldor, utlzndo pr nós de nterpolção os extremos do ntervlo e nós gulmente espçdos no nteror do ntervlo If ( ) fxdx ( )
Leia maisMatriz-coluna dos segundos membros das restrições técnicas. Matriz-linha dos coeficientes das variáveis de decisão, em f(x) = [ c c ] [ 6 8] e C a
Versão Mtrcl do Splex VI Versão Mtrcl do Splex Introdução onsdere-se o segunte odelo de PL: Mx () 6x + 8x 2 sujeto : 3x + 2x 2 3 5x + x 2 x, x 2 Mtrzes ssocds o odelo: Mtrz Tecnológc 3 5 2 Mtrz-colun ds
Leia maisEm muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Vl, Dr. vll@mt.ufrgs.r http://www.mt.ufrgs.r/~vll/ Em muts stuções dus ou ms vráves estão relcods e surge etão ecessdde de determr turez deste relcometo. A álse de regressão é um técc esttístc
Leia maisLista de Exercícios - Otimização Linear Profa. Maria do Socorro DMAp/IBILCE/UNESP. Método Simplex
Lst de Eercícos - Otmzção Lner Prof. Mr do Socorro DMAp/IBILCE/UNESP Método Smple Ref.: Bzr, M. e J.J. Jvs - Lner Progrmmng nd Network Flows - John Wley, 77. ) Resolv o problem bo pelo método smple começndo
Leia maisMATRIZES. pela matriz N = :
MATQUEST MATRIZES PROF.: JOSÉ LUÍS MATRIZES - (CEFET-SP) Se A, B e C são mtres do tpo, e, respectvmente, então o produto A. B. C: ) é mtr do tpo ; é mtr do tpo ; é mtr do tpo ; é mtr do tpo ; não é defndo.
Leia maisSequências Teoria e exercícios
Sequêcs Teor e exercícos Notção forml Defmos um dd sequêc de úmeros complexos por { } ( ) Normlmete temos teresse em descobrr um fórmul fechd que sej cpz de expressr o -ésmo termo d sequêc como fução de
Leia maisCapítulo 4. Vetores. Recursos com copyright incluídos nesta apresentação:
Cpítulo 4 Vetores Reursos om oprght nluídos nest presentção: Grndes eslres: mss, volume, tempertur,... Epresss por um número e undde Grndes vetors: deslomento, forç,... Requerem módulo, dreção, sentdo
Leia maisSIMETRIA MOLECULAR E TEORIA DE GRUPOS
SIMETIA MOLECULA E TEOIA DE GUPOS Prof. rle P. Mrtns Flho Operções de smetr e elementos de smetr Operção de smetr : operção que dex um corpo em confgurção espcl equvlente à orgnl Elemento de smetr: ponto,
Leia maisProposta de resolução do Exame Nacional de Matemática A 2016 (1 ạ fase) GRUPO I (Versão 1)
Propost de resolução do Eme Nconl de Mtemátc A 06 ( ạ fse) GRUPO I (Versão ). Sbemos que P(A) =, P(B) = e P(A B) = 5 0 6 Assm, P(A B) P(A B) = = 6 P(B) 6 P(A B) = 6 0 P(A B) = 6 0 P(A B) = 0 Tem-se que
Leia maisMétodo de Análise Nodal
étodo de Análse Nodl. ntrodução Conorme sto nterormente, solução de um crcuto elétrco contendo rmos requer determnção de ncógnts, s qus são corrente e tensão de cd rmo. Tmém o mostrdo que plcção ds Les
Leia maisCalibração de Modelo Hidráulico de Rede de Distribuição de Água
RBR - Revst Brsler de Recursos ídrcos Volume n. Jul/Set, - Clbrção de Modelo dráulco de Rede de Dstrbução de Águ Antono Mrozz Rghetto LARISA - Depto. Eng. Cvl - Centro de Tecnolog UFRN - Centro Unverstáro
Leia maisUniversidade do Vale do Rio dos Sinos UNISINOS Programa de Pós-Graduação em Engenharia Mecânica. Ajuste de equações
7//4 Unversdde do Vle do Ro dos Snos UNISINOS Progr de Pós-Grdução e Engenhr Mecânc Ajuste de equções Ajuste de curvs Técnc usd pr representr crcterístcs e coportento de sstes tércos. Ddos representdos
Leia maisBusca. Busca. Exemplo. Exemplo. Busca Linear (ou Seqüencial) Busca em Vetores
Busc e etores Prof. Dr. José Augusto Brnusks DFM-FFCP-USP Est ul ntroduz busc e vetores que está entre s trefs s freqüenteente encontrds e progrção de coputdores Serão borddos dos tpos de busc: lner (ou
Leia maisII TESTES PARA O CASO DE UMA AMOSTRA (Testes de Aderência)
II TESTES PARA O CASO DE UMA AMOSTRA (Testes de Aderênc) Estes testes são útes pr verfcr se determnd mostr pode provr de um populção especfcd. São usulmente conhecdos como testes de derênc ou bondde do
Leia maisNeste capítulo usaremos polinômios interpoladores de primeiro e segundo grau, que substituirão uma função de difícil solução por um polinômio.
CAPÍULO INEGRAÇÃO NUMÉRICA. INRODUÇÃO Neste cpítulo usremos polômos terpoldores de prmero e segudo gru, que substturão um ução de dícl solução por um polômo. Sej :, b um ução cotíu em, b. A tegrl ded I
Leia maisExemplo: y 3, já que sen 2 e log A matriz nula m n, indicada por O m n é tal que a ij 0, i {1, 2, 3,..., m} e j {1, 2, 3,..., n}.
Mrzes Mrz rel Defnção Sem m e n dos números neros Um mrz rel de ordem m n é um conuno de mn números res, dsrbuídos em m lnhs e n coluns, formndo um bel que se ndc em gerl por 9 Eemplo: A mrz A é um mrz
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM UM ÚNICO FATOR E A ANÁLISE DE VARIÂNCIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM UM ÚNICO FATOR E A ANÁLISE DE VARIÂNCIA Dr. Sivldo Leite Correi EXEMPLO DE UM PROBLEMA COM UM ÚNICO FATOR Um empres do rmo textil desej desenvolver
Leia mais1.6- MÉTODOS ITERATIVOS DE SOLUÇÃO DE SISTEMAS LINEARES PRÉ-REQUISITOS PARA MÉTODOS ITERATIVOS
.6- MÉTODOS ITRATIVOS D SOLUÇÃO D SISTMAS LINARS PRÉ-RQUISITOS PARA MÉTODOS ITRATIVOS.6.- NORMAS D VTORS Defção.6.- Chm-se orm de um vetor,, qulquer fução defd um espço vetorl, com vlores em R, stsfzedo
Leia maisEQUAÇÕES LINEARES E DECOMPOSIÇÃO DOS VALORES SINGULARES (SVD)
EQUAÇÕES LINEARES E DECOMPOSIÇÃO DOS VALORES SINGULARES (SVD) 1 Equções Leres Em otção mtrcl um sstem de equções leres pode ser represetdo como 11 21 1 12 22 2 1 x1 b1 2 x2 b2. x b ou A.X = b (1) Pr solução,
Leia maisProva 1 Soluções MA-602 Análise II 27/4/2009 Escolha 5 questões
Prov 1 Soluções MA-602 Análise II 27/4/2009 Escolh 5 questões 1. Sej f : [, b] R um função limitd. Mostre que f é integrável se, e só se, existe um sequênci de prtições P n P [,b] do intervlo [, b] tl
Leia mais6 Modelo Econométrico e Resultados Principais
6 Modelo Eonométro e Resultdos rnps O modelo lner estmdo pr méd ondonl e qunts é desrto n expressão xo. ~ log( p t ) = 0 + β1epsodet + β β Merhnt Epsode + + ε t t onde é um ttulo e t um semn. log( p ~
Leia maisEscola Secundária com 3º ciclo D. Dinis 10º Ano de Matemática A. 6º Teste de avaliação versão2. Grupo I
Escol Secundár com 3º cclo D. Dns 10º Ano de Mtemátc A 6º Teste de vlção versão Grupo I As cnco questões deste grupo são de escolh múltpl. Pr cd um dels são ndcds qutro lterntvs, ds qus só um está corret.
Leia maisMaterial envolvendo estudo de matrizes e determinantes
E. E. E. M. ÁREA DE CONHECIMENTO DE MATEMÁTICA E SUAS TECNOLOGIAS PROFESSORA ALEXANDRA MARIA º TRIMESTRE/ SÉRIE º ANO NOME: Nº TURMA: Mteril envolvendo estudo de mtrizes e determinntes INSTRUÇÕES:. Este
Leia maisTP062-Métodos Numéricos para Engenharia de Produção Ajuste de Curva pelo Método dos Quadrados Mínimos-MQM
TP06-Métodos Numércos pr Egehr de Produção Ajuste de Curv pelo Método dos Qudrdos Mímos-MQM Prof. Volmr Wlhelm Curtb, 05 Método dos Qudrdos Mímos Ajuste Ler Prof. Volmr - UFPR - TP06 Método dos Qudrdos
Leia mais(x, y) dy. (x, y) dy =
Seção 7 Função Gm A expressão n! = 1 3... n (1 está definid pens pr vlores inteiros positivos de n. Um primeir extensão é feit dizendo que! = 1. Ms queremos estender noção de ftoril inclusive pr vlores
Leia mais10/09/2016 UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS DA TERRA DEPARTAMENTO DE GEOMÁTICA AJUSTAMENTO II GA110. Prof. Alvaro Muriel Lima Machado
UNIVERSIDDE FEDERL DO PRNÁ SEOR DE IÊNIS D ERR DEPRMENO DE GEOMÁI JUSMENO II G Prof. lvro Muriel Lim Mchdo justmento de Observções Qundo s medids não são feits diretmente sobre s grndezs procurds, ms sim
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisEquações diferenciais ordinárias Euler e etc. Equações diferenciais ordinárias. c v m. dv dt
Euções derecs ordárs Euler e etc. Aul 7/05/07 Métodos Numércos Aplcdos à Eger Escol Superor Agrár de Combr Lcectur em Eger Almetr 006/007 7/05/07 João Noro/ESAC Euções derecs ordárs São euções composts
Leia maisESTIMATIVA DE ERROS DE DISCRETIZAÇÃO MULTIDIMENSIONAL EM DINÂMICA DOS FLUIDOS
ESTIMATIVA DE ERROS DE DISCRETIZAÇÃO MULTIDIMENSIONAL EM DINÂMICA DOS FLUIDOS Antóno Fábo Crvlho d Slv Crlos Henrque Mrch IV SIMMEC Smpóso Mnero de Mecânc Computconl Uberlând, MG, mo de 000 pp. 497-504
Leia maisMétodos Numéricos Ajuste de Curva pelo Método dos Quadrados Mínimos-MQM. Professor Volmir Eugênio Wilhelm Professora Mariana Kleina
Métodos Numércos Ajuste de Curv pelo Método dos Qudrdos Mímos-MQM Professor Volmr Eugêo Wlhelm Professor Mr Kle Método dos Qudrdos Mímos Ajuste Ler Professor Volmr Eugêo Wlhelm Professor Mr Kle Método
Leia maisLISTA DE EXERCÍCIOS #5 - ELETROMAGNETISMO I
STA DE EXERCÍCOS #5 - EETROMAGNETSMO 1. Dds s confgurções de corrente o, otenh o cmpo mgnétco correspondente. () Fo reto e longo, percorrdo por corrente. () Solenode de seção trnsversl constnte, com n
Leia maisALGEBRA LINEAR AUTOVALORES E AUTOVETORES. Prof. Ademilson
LGEBR LINER UTOVLORES E UTOVETORES Prof. demilson utovlores e utovetores utovlores e utovetores são conceitos importntes de mtemátic, com plicções prátics em áres diversificds como mecânic quântic, processmento
Leia maisORGANIZAÇÃO: PROF. ADRIANO CARIBÉ E PROF. WALTER PORTO.
RESOLUÇÃO DA AVALIAÇÃO DE MATEMÁTICA_UIII_ EM_MAIO DE 4 ORGANIZAÇÃO: PROF. ADRIANO CARIBÉ E PROF. WALTER PORTO. Questão. (ENEM) Álvro, Bento, Crlos e Dnlo trlhm em um mesm empres, e os vlores de seus sláros
Leia maisSolução da Terceira Lista de Exercícios Profa. Carmem Hara
Exercíco 1: Consdere grmátc G xo: B ǫ ǫ B B Introdução eor d Computção olução d ercer Lst de Exercícos Prof. Crmem Hr. Mostre um dervção ms esquerd d plvr. B B B B B. Quntos pssos de dervção tem o tem
Leia maisSOCIEDADE PORTUGUESA DE MATEMÁTICA
SOCIEDADE PORTUGUESA DE MATEMÁTICA Propost de Resolução do Exme de Mtemátc A - º ANO Códgo 65 - Fse - 07 - de junho de 07 Grupo I 5 6 7 8 Versão A B D A B C D C Versão D D B C C A B A Grupo II. 0 5 5 5
Leia mais6º Teste de avaliação versão1. Grupo I
Escol Secundár com 3º cclo D. Dns 0º Ano de Mtemátc A 6º Teste de vlção versão Grupo I As cnco questões deste grupo são de escolh múltpl. Pr cd um dels são ndcds qutro lterntvs, ds qus só um está corret.
Leia mais1. Ajustamento de observações aplicado na Fotogrametria
CAPÍTULO I. Ajustmento de observções plcdo n Fotogrmetr Devdo às propreddes estocástcs ds observções (vrbldde ds observções), su redundânc não é comptível com o modelo funconl que represent reldde físc.
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais3.1 Introdução Forma Algébrica de S n Forma Matricial de Sn Matriz Aumentada ou Matriz Completa do Sistema
Cálculo Numérco Resolução de sstems de equções leres - Resolução de sstems de equções leres. Itrodução Város prolems, como cálculo de estruturs de redes elétrcs e solução de equções dferecs, recorrem resolução
Leia maisProf. Ms. Aldo Vieira Aluno:
Prof. Ms. Aldo Vieir Aluno: Fich 1 Chmmos de mtriz, tod tbel numéric com m linhs e n coluns. Neste cso, dizemos que mtriz é do tipo m x n (onde lemos m por n ) ou que su ordem é m x n. Devemos representr
Leia mais1.3 O método da Decomposição LU A Decomposição LU. Teorema ( Teorema da Decomposição LU)
. O método d Decomposção U.. A Decomposção U Teorem.. ( Teorem d Decomposção U) Sej A m mtrz qdrd de ordem n, e A k o menor prncp, consttído ds prmers nhs e cons. Assmmos qe det(a k ) pr k,,..., n. Então
Leia maisMODELO PARA RESOLUÇÃO DE PROBLEMAS DE LAYOUT DE INSTALAÇÕES COM A TECNOLOGIA
4 MODELO PARA RESOLUÇÃO DE PROBLEMAS DE LAYOUT DE INSTALAÇÕES COM A TECNOLOGIA DAS RESTRIÇÕES Desde os fns dos nos otent tecnolog d PLR, e em prtculr PLR(DF), tem vndo ser plcd n resolução de problems,
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisANÁLISE DE ESTRUTURAS I
IST - DECvl Dertento de Engenr Cvl NÁISE DE ESTRUTURS I Tels de nálse de Estruturs Gruo de nálse de Estruturs IST, IST - DECvl Gruo de nálse de Estruturs Foruláro de es Eq. de grnge: w w w q D Equção de
Leia maisConceitos fundamentais. Prof. Emerson Passos
Cocetos fudmets Prof. Emerso Pssos 1. Espço dos vetores de estdo. Operdores leres. Represetção de vetores de estdo e operdores. 2. Observáves. Autovlores e utovetores de um observável. Medd Mecâc Quâtc.
Leia maisUNIVERSIDADE FEDERAL DA BAHIA DEPARTAMENTO DE MATEMÁTICA MATA07 ÁLGEBRA LINEAR A PROFESSORES: Glória Márcia, Enaldo Vergasta. 1 a LISTA DE EXERCÍCIOS
NIESIDADE FEDEAL DA BAHIA DEPATAMENTO DE MATEMÁTICA MATA7 ÁLGEBA LINEA A POFESSOES: Glór Márc Enldo ergst LISTA DE EXECÍCIOS ) Sejm A B e C mtres nversíves de mesm ordem encontre epressão d mtr X nos tens
Leia mais1ª PROVA ICIN 2º/2010
Dertmento de Engenhr Elétrc Prof. Adolfo Buchsess Fculdde de Tecnolog Lbortóro de Automção e Robótc Unversdde de Brsíl 6848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 2 /200 ENE/FT/UnB ª Prov de dezembro
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisQUEBRA-CABEÇA DE LANGFORD UM CONVITE AO PENSAMENTO CRIATIVO MATEMÁTICO
QUEBRA-CABEÇA DE LANGFORD UM CONVITE AO PENSAMENTO CRIATIVO MATEMÁTICO Mteus Mendes Mgel mteusmendes.m@uol.com.br Unversdde Federl do Espírto Snto - Brsl Tem: Jogos e Estrtégs em Mtemátc. Modldde: Fer
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisSERVIÇO PÚBLICO FEDERAL Ministério da Educação
SERVIÇO PÚBLICO FEDERAL Ministério d Educção Universidde Federl do Rio Grnde Universidde Abert do Brsil Administrção Bchreldo Mtemátic pr Ciêncis Sociis Aplicds I Rodrigo Brbos Sores . Mtrizes:.. Introdução:
Leia maisTÓPICO. Fundamentos da Matemática II DERIVADA DIRECIONAL E PLANO TANGENTE8. Licenciatura em Ciências USP/ Univesp. Gil da Costa Marques
DERIVADA DIRECIONAL E PLANO TANGENTE8 TÓPICO Gil d Cost Mrques Fundmentos d Mtemátic II 8.1 Diferencil totl de um função esclr 8.2 Derivd num Direção e Máxim Derivd Direcionl 8.3 Perpendiculr um superfície
Leia maisPrimeira Prova de Mecânica A PME /08/2012
SL LITÉNI UNIVRSI SÃ UL eprtmento de ngenhr Mecânc rmer rov de Mecânc M 100 8/08/01 Tempo de prov: 110 mnutos (não é permtdo o uso de dspostvos eletrôncos) r r r r r r 1º Questão (3,0 pontos) onsdere o
Leia maisNotas de Aula: Mecânica dos Sólidos I Prof. Willyan Machado Giufrida. Características geométrica das superfícies planas
Nots de ul: Mecânc dos Sóldos I Prof Wllyn Mchdo Gufrd Crcterístcs geométrc ds superfíces plns Nots de ul: Mecânc dos Sóldos I Prof Wllyn Mchdo Gufrd Momento estátco Centro de Grvdde (CG) Momento estátco
Leia maisTP062-Métodos Numéricos para Engenharia de Produção Sistemas Lineares Métodos Iterativos
TP6-Métodos Numércos pr Egehr de Produção Sstems Leres Métodos Itertvos Prof. Volmr Wlhelm Curt, 5 Resolução de Sstems Leres Métodos Itertvos Itrodução É stte comum ecotrr sstems leres que evolvem um grde
Leia maisBhaskara e sua turma Cícero Thiago B. Magalh~aes
1 Equções de Segundo Gru Bhskr e su turm Cícero Thigo B Mglh~es Um equção do segundo gru é um equção do tipo x + bx + c = 0, em que, b e c são números reis ddos, com 0 Dd um equção do segundo gru como
Leia maisAdriano Pedreira Cattai
Adrino Pedreir Ctti pctti@hoocomr Universidde Federl d Bhi UFBA, MAT A01, 006 Superfícies de Revolução 1 Introdução Podemos oter superfícies não somente por meio de um equção do tipo F(,, ), eistem muitos
Leia maisMétodos Numéricos Sistemas Lineares Métodos Iterativos. Professor Volmir Eugênio Wilhelm Professora Mariana Kleina
Métodos Numércos Sstems Leres Métodos Itertvos Professor Volmr Eugêo Wlhelm Professor Mr Kle Resolução de Sstems Leres Métodos Itertvos Itrodução É stte comum ecotrr sstems leres que evolvem um grde porcetgem
Leia maisApós encontrar os determinantes de A. B e de B. A, podemos dizer que det A. B = det B. A?
PROFESSOR: EQUIPE DE MATEMÁTICA BANCO DE QUESTÕES - MATEMÁTICA - ª SÉRIE - ENSINO MÉDIO ============================================================================================= Determinntes - O vlor
Leia maisUma Aplicação de Análise de Correspondência Retificada à Comunidades Aquáticas
Um Aplcção de Análse de Correspondênc Retfcd à Comunddes Aquátcs 1 Introdução An Betrz Tozzo Mrtns 1 Vnderly Jnero 1 Tereznh Aprecd Guedes 1 Evnlde Benedto 2 Gustvo Henrque Z Alves 3 A nálse de correspondênc
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisDiogo Pinheiro Fernandes Pedrosa
Integrção Numéric Diogo Pinheiro Fernndes Pedros Universidde Federl do Rio Grnde do Norte Centro de Tecnologi Deprtmento de Engenhri de Computção e Automção http://www.dc.ufrn.br/ 1 Introdução O conceito
Leia maisModelamento não Linear de Dois Elos de um Robô Eletromecânico de Cinco Graus de Liberdade
Proceedng Seres of the Brzln Socety of Appled nd Computtonl Mthemtcs, Vol. 3, N., 5. Trblho presentdo no III CMAC - SE, Vtór-ES, 5. Proceedng Seres of the Brzln Socety of Computtonl nd Appled Mthemtcs
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia maisAlocação de recursos e seqüenciamento de atividades no planejamento e controle de projetos
XXVI ENEGEP - Fortlez, CE, Brsl, 9 11 de Outubro de 006 Alocção de recursos e seqüencmento de tvddes no plnemento e controle de proetos Clrsse d Slv Ver (UFMG) cosver@terr.com.br Crlos Roberto Venânco
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisCapítulo III - Resolução de Sistemas. Como sabemos os sistemas podem ser classificados em possíveis. (determinados ou indeterminados) e impossíveis.
Cpítulo III - Resolução de Sstems Vmos estudr métodos umércos pr: - resolver sstems de equções leres ão leres (; - Resolução de Sstems de Equções eres Cosdere-se o sstem ler de equções cógts:............
Leia maisOTIMIZAÇÃO DE MÚLTIPLOS DUAIS CORRELACIONADOS NO PROCESSO DE TORNEAMENTO DO AÇO DE CORTE FÁCIL ABNT 12L14
UNIVESIDADE FEDEAL DE ITAJUBÁ POGAMA DE PÓS-GADUAÇÃO EM ENGENHAIA DE PODUÇÃO OTIMIZAÇÃO DE MÚLTIPLOS DUAIS COELACIONADOS NO POCESSO DE TONEAMENTO DO AÇO DE COTE FÁCIL ABNT 1L14 Aluzo mos Slgdo Júnor Itjubá,
Leia mais