dc.contributor.advisor | Di Rienzo, Julio Alejandro | |
dc.contributor.author | Paccapelo, María Valeria | |
dc.date.accessioned | 2016-03-07T18:50:00Z | |
dc.date.available | 2016-03-07T18:50:00Z | |
dc.date.issued | 2015 | |
dc.identifier.uri | http://hdl.handle.net/11086/2355 | |
dc.description | 1. Introducción - 2. Objetivos - 2.1 Objetivos Generales - 2.2 Objetivos Específicos - 3. Materiales - 3.1. Proceso de generación de datos para selección genómica - 3.2. Datos fenotípicos - 3.3. Datos de marcadores moleculares - 4. Metodología - 4.1. Metodología para el análisis de datos fenotípicos - 4.2. Metodología para el análisis de datos moleculares - 4.2.1. Introducción a los marcadores moleculares - 4.2.2. Análisis de los marcadores moleculares - 4.3. Modelos de selección genómica - 4.3.1. Selección de variables y ajuste por Mínimos Cuadrados - 4.3.2. Estimación Penalizada: regresión de Ridge - 4.3.3. Selección de Variables y Estimación Penalizada: Regresión LASSO - 4.3.4. Evaluación de la habilidad predictiva de los modelos - 5. Resultados - 5.1. Resultados del análisis de datos fenotípicos - 5.2. Resultados del análisis de los datos de marcadores moleculares - 5.3. Aplicación de métodos de selección genómica a una población y carácter - 5.3.1. Aplicación de Selección de variables y ajuste por Mínimos Cuadrados (SMC) - 5.3.2. Aplicación de Regresión de Ridge clásica (RR) - 5.3.3. Aplicación de la Regresión de Ridge BLUP (RR-BLUP) - 5.3.4. Aplicación de la Regresión de Ridge Bayesiana (BRR) - 5.3.5. Aplicación de la regresión LASSO Bayesiana (BLR) - 5.3.6. Aplicación de la regresión LASSO (LR) - 5.4. Evaluación de la habilidad predictiva de los modelos de selección genómica - 6. Conclusiones - 7. Discusión - 8. Referencias - 9. Anexo | es |
dc.description.abstract | En la actualidad, los modelos de selección genómica (SG) han cobrado gran importancia ya que permiten predecir los valores genéticos de los individuos en función de marcadores moleculares (MM). La incorporación de numerosos MM en modelos de regresión conduce a problemas de dimensionalidad y multicolinealidad. Esta tesis tuvo como objetivo evaluar seis métodos de SG que confrontan estas dificultades (selección de variables, estimación penalizada y la combinación de ambos) desde enfoques clásicos o bayesianos y evaluar su habilidad predictiva para tres caracteres fenotípicos observados en 20 poblaciones de maíz (Zea mays L.). Los resultados indican que la habilidad predictiva se vio asociada a la heredabilidad del carácter y fue superior para los métodos penalizados, entre los que se recomienda la Regresión de Ridge vía modelos mixtos (RR-BLUP). Este trabajo permitió analizar diferentes técnicas estadísticas aplicadas a la SG en un contexto propio de un programa de mejoramiento genético de maíz. | es |
dc.language.iso | spa | es |
dc.rights | Atribución-NoComercial 2.5 Argentina | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/2.5/ar/ | * |
dc.subject | Estadística | es |
dc.subject | Método LASSO. | es |
dc.subject | Regresión de Ridge | es |
dc.subject | métodos de estimación bayesiana | es |
dc.subject | Métodos de estimación penalizada | es |
dc.subject | Valores genéticos | es |
dc.subject | Genómica | es |
dc.subject | Maíz | es |
dc.title | Modelos de selección genómica para caracteres cuantitativos basados en marcadores moleculares aplicados al mejoramiento de maíz | es |
dc.type | masterThesis | es |
dc.description.fil | Fil: Paccapelo, María Valeria. Universidad Nacional de Córdoba; Argentina. | |