Inferencia Bayesiana y metodología de modelos lineales mixtos aplicados al mejoramiento del maíz

• Autores: Freddy Mora, Emmanuel Arnhold
• Localización: Ciencia e investigación agraria: revista latinoamericana de ciencias de la agricultura, ISSN-e 0718-1620, Vol. 33, Nº. 3, 2006, págs. 217-223
• Idioma: español
• Enlaces
  • Texto completo
• Dialnet Métricas: 3 Citas
• Resumen

  • F. Mora y E. Arnhold. 2006. Inferencia Bayesiana y metodología de modelos lineales mixtos aplicados al mejoramiento del maíz. Cien. Inv. Agr. 33(3):217-223. El objetivo del presente trabajo fue examinar los valores genéticos y componentes de varianza de la capacidad de expansión y producción de granos a través de inferencia Bayesiana y metodología de modelos lineales mixtos, en 96 familias S3 de maíz (Zea mays L.). Se obtuvieron las mejores predicciones lineares no sesgadas (BLUP) del efecto familiar, considerando el método de máxima verosimilitud restringida (REML) para la estimación de componentes de varianza. El algoritmo de cadenas independientes (IC) se utilizó como un método de inferencia Bayesiana. Las varianzas residual y familiar fueron muy similares entre IC y REML. Las heredabilidades dieron imperceptibles diferencias entre ambas metodologías, siendo éstas sólo de orden de aproximación. Diferencias evidentes fueron observadas entre las desviaciones estándar de las estimativas, siendo las de REML mayores. La heredabilidad fue moderada para la producción de granos y alta para la capacidad de expansión, indicando que simples métodos de selección pueden ser aplicados. Usando IC y BLUP para la predicción de valores genéticos, no se evidenciaron cambios relevantes en el ordenamiento de las familias, lo que fue confirmado con valores de correlación de Spearman altos y significativos, variando desde 0,9941±0,004 a 0,9973±0,001. Correlación de Pearson entre los valores BLUP de la capacidad de expansión y producción de granos fue bajo, negativo y no significativo (Gs=-0,0320±0,02). Se concluyó que la inferencia Bayesiana, a través de IC, podría ser una importante herramienta para los programas de mejoramiento del maíz, al igual que el análisis clásico de modelos lineares mixtos.