Baixe o app para aproveitar ainda mais
Prévia do material em texto
PGM 522 - ANÁLISE DE EXPERIMENTOS EM GENÉTICA E MELHORAMENTO DE PLANTAS Semestre 2018.2 Tópico: Emprego do Método dos Quadrados Mínimos no Melhoramento Genético ______________________________________ Prof. José Airton Rodrigues Nunes Setor de Genética - DBI/UFLA E-mail: jarnunes@dbi.ufla.br Noções sobre Álgebra Matricial Álgebra de matrizes ❑ Matriz Arranjos retangulares ou quadrados de números, dispostos em linhas e colunas (CRUZ, 2012) Álgebra de matrizes ❑ Matriz == npnn p p pnpn aaa aaa aaa AA .. ::: .. .. 21 22221 11211 5 3 3,8 7,2 6,4 4,6 8,2 4,8 5,2 9,4 7,6 4,6 7,6 6,4 6,4 8,6 6,2 H = Dados de produção (t/ha) de cinco híbridos de milho em três locais 2 2 2 6 10 3 A = 4 1 10 6 4 15 B = Álgebra de matrizes: tipos de matrizes ❑ Vetor 4 1 10 6 4 15 B = 1 3 2 1 7C = − ❑ Matriz escalar ou escalar 14D = ❑ Matriz quadrada 2 2 2 6 10 3 A = 4 4 4 10 13 14 5 12 6 8 5 8 1 3 3 7 2 10 E = ❑ Matriz simétrica 2 2 2 1 1 3 A − = − 4 4 4 8 2 0 8 12 5 11 2 5 1 6 0 11 6 10 B − − = − − ❑ Matriz diagonal 2 2 2 0 0 3 D = 4 4 4 0 0 0 0 12 0 0 0 0 1 0 0 0 0 10 D = Álgebra de matrizes: tipos de matrizes ❑ Matriz identidade 2 2 1 0 0 1 I = 4 4 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 I = ❑ Matriz de 1’s 2 1 1 1 J = 3 3 1 1 1 1 1 1 1 1 1 J = Álgebra de matrizes: tipos de matrizes Álgebra de matrizes: Operações com matrizes ❑ Adição ou subtração 2 3 12 15 8 13 10 6 A = 2 3 18 13 12 10 12 8 B = 2 3 2 3 12 18 15 13 8 12 13 10 10 12 6 8 A B + + + + = + + + 2 3 30 28 20 23 22 14 C = Álgebra de matrizes: Operações com matrizes ❑ Adição ou subtração 2 3 12 15 8 13 10 6 A = 2 3 18 13 12 10 12 8 B = 2 3 2 3 12 18 15 13 8 12 13 10 10 12 6 8 A B + + + + = + + + 2 3 30 28 20 23 22 14 C = Álgebra de matrizes: Operações com matrizes ❑ Multiplicação por um escalar 2 3 2 5 8 3 0 6 A = 3k = 2 2 3 2 3 5 3 8 3 3 3 0 3 6 k A = 2 2 6 15 24 9 0 18 C = Álgebra de matrizes: Operações com matrizes ❑ Multiplicação de matrizes ► Duas matrizes são conformáveis para multiplicação, se o número de colunas da matriz que pré-multiplica é igual ao número de linhas da matriz que pós-multiplica. nAq x qBk = nCk = = = = = = = = = q q q 1j j1 1j j2 1j jk j 1 j 1 j 1 q q q 2 j j1 2 j j2 2 j jk j 1 j 1 j 1 n q q k q q q nj j1 nj j2 nj jk j 1 j 1 j 1 a b a b ... a b a b a b ... a b A B . . . . . . . . . a b a b ... a b Álgebra de matrizes: Operações com matrizes ❑ Multiplicação de matrizes 2 2 3 5 4 6 A = 2 2 1 4 3 2 B = 2 2 2 2 3 1 5 3 3 4 5 2 18 22 4 1 6 3 4 4 6 2 22 28 A B + + = = + + A x B = B x A ? 2 2 19 29 17 27 B A = 2 2 3 5 4 6 A = 2 4 1 2 3 4 5 6 7 7 C = A x C C x A (não conformáveis) Álgebra de matrizes: Operações com matrizes ❑ Multiplicação de matrizes 2 2 3 5 4 6 A = 2 2 1 0 0 1 I = 2 2 3 5 4 6 A I I A A = = = Álgebra de matrizes: Operações com matrizes ❑ Transposta de uma matriz 2 3 12 15 8 13 10 6 A = 3 2 12 13 15 10 8 6 A = 4 4 4 8 2 0 8 12 5 11 2 5 1 6 0 11 6 10 B − − = − − 4 4 4 8 2 0 8 12 5 11 2 5 1 6 0 11 6 10 tB − − = − − Álgebra de matrizes: Operações com matrizes ❑ Transposta de um produto de matrizes 2 2 3 5 4 6 A = 2 4 1 2 3 4 5 6 7 7 C = ( )A C C A = ( ) 2 4 28 36 44 47 34 44 54 58 A C = ( ) 4 2 28 34 36 44 44 54 47 58 A C = 1 5 28 34 2 6 3 4 36 44 3 7 5 6 44 54 4 7 47 58 C A = = Álgebra de matrizes: Operações com matrizes ❑ A’A 2 3 2 5 8 3 10 6 A = 3 2 2 3 5 10 8 6 A = 2 2 2 2 2 2 2 5 8 2 3 5 10 8 6 2 3 5 10 8 6 3 10 6 A A + + + + = + + + + 93 104 104 145 A A = Álgebra de matrizes: Operações com matrizes ❑ Multiplicação de matrizes [i] Soma dos elementos de B [ii] Soma dos quadrados dos elementos de B Matricialmente, obter: 4 1 4 2 1 3 B = 1 4 4 1J B 1 4 4 1B B 5 3 3,8 7,2 6,4 4,6 8,2 4,8 5,2 9,4 7,6 4,6 7,6 6,4 6,4 8,6 6,2 H = Dados de produção (t/ha) de cinco híbridos de milho em três locais Álgebra de matrizes: Operações com matrizes ❑ Multiplicação de matrizes [i] Totais de produção (t/ha) em cada local [ii] Totais de produção (t/ha) de cada híbrido Matricialmente, obter: 1 5 5 3J B 5 3 3 1B J Álgebra de matrizes: Operações com matrizes ❑ Inversão de matrizes 1 1 p p p p p p p pA A I A A − − = = 4 2 2 2 A = Como obter A-1? Sistema de equações: 1 4 2 1 0 2 2 0 1 a b AA c d − = = 4 2 1 4 2 0 2 2 0 2 2 1 a c b d a c b d + = + = + = + = 1 1/ 2 1/ 2 1/ 2 1 A− − = − Algoritmos gerais: Método de Gauss-Jordan (Pivotamento) Álgebra de matrizes: Operações com matrizes ❑ Inversa de matrizes Como verificar se existe inversa única de pAp? [i] Determinante da matriz Existe A-1 – matriz A é não-singular Não existe A-1 – matriz A é singular [ii] Posto ou rank da matriz Det (A) = 0 – matriz singular Det (A) ≠ 0 – matriz não-singular Álgebra de matrizes: Determinante ❑ Determinante de uma matriz |A|= (3 x 20) - (9 x 5) ❑ Traço de uma matriz Soma dos elementos de sua diagonal principal |A|= 15 Álgebra de matrizes: Posto ou rank ❑ Posto de uma matriz Número de linhas ou colunas linearmente independentes de uma matriz Seja nAp, então o posto de A: r(A) ≤ mínimo(n,p) Se r(A)=p, então A tem posto coluna completo r(A’A) = p, então A tem posto completo Existe a inversa única (A’A)-1 Álgebra de matrizes: Posto ou rank ❑ Posto de uma matriz Número de linhas ou colunas linearmente independentes de uma matriz - 1c1 + 2c2 + ... +pcp = 0 ( > 0) 1 1 0 1 1 0 1 0 1 1 0 1 A = r(A) ≤ mínimo(4,3) 1 2 3 1 1 0 0 1 1 0 0 1 0 1 0 1 0 1 0 + + = 1 = 1 2 = -1 3 = -1 r(A) ≤ 2 Álgebra de matrizes: Posto ou rank ❑ Como determinar o posto de uma matriz? ▪ Ordem da submatriz quadrada inversível ▪ Funções ou algoritmos implementados em softwares (SAS, R, etc) /*There is no SAS/IML function that directly computes the linear algebraic rank of a matrix.*/ /*In linear algebra, the rank of a matrix is the maximal number of linearly independent columns (or rows).*/ /*You can use the following technique to compute the numerical rank of matrix a:*/ rank = round(trace(ginv(X)*X)); print 'Posto da Matriz X' rank; run;quit; fBasics::rk (X) ❑ Exemplo 01 - Seja um experimento de avaliação de duas cultivares de soja com três repetições no DIC. 11 11 12 12 13 13 6 1 6 3 3 1 6 1 1 21 21 2 22 22 23 23 1 1 0 1 1 0 1 1 0 1 0 1 1 0 1 1 0 1 y e y e y e y X e g y e g y e y e = + = + : ij i ijModelo y g e= + + MODELO ESTATÍSTICO NA FORMA MATRICIAL X tem posto coluna incompleto❑ Exemplo 02 - Modelo polinomial de 1º grau (Linear) entre a produção de grãos (y) e doses de N (x). MODELO ESTATÍSTICO NA FORMA MATRICIAL 1 1 1 2 2 20 1 2 2 1 1 1 1 1 : : : : 1 n n n n n n y x e y x eb y X e b y x e = + = + 0 1: i i iModelo y b b x e= + + X tem posto coluna completo y: vetor de dados (n x 1) MODELO ESTATÍSTICO NA FORMA MATRICIAL y X e= + X: matriz do modelo/delineamento/incidência ou dos coeficientes que associam os parâmetros aos dados (n x p) β: vetor de parâmetros (p x 1) e: vetor dos erros/resíduos (n x 1) Método dos Quadrados Mímimos (MQM) ❑ Grande utilidade para geneticistas/melhoristas; ❑ Adrien-Marie Legendre (1805) - Nouvelles méthodes pour la détermination des orbites des comètes "méthode des moindres carrés" ❑ Carl Friedrich Gauss (1795) ❑ Método de estimação de parâmetros; ❑ Método que estima os parâmetros de um modelo de tal forma a tornar mínima a soma de quadrados dos desvios. ESTIMAÇÃO DE PARÂMETROS PELO MÉTODO DOS QUADRADOS MÍNIMOS y X e= + ( ) ( )ˆ ˆˆ ˆ:SQErros e e y X y X = − − ˆŷ X= ˆˆ ˆe y y y X= − = − ❑ Estimação pelo Método dos Quadrados Mínimos (MQM) – Sistema de Equações Normais ( ) ( )ˆ ˆˆ ˆ:SQErros e e y X y X = − − ˆ ˆ ˆ ˆˆ ˆ ˆ ˆ ˆˆ ˆ 2 e e y y y X X y X X e e y y X y X X = − − + = − + ( ) ( ) ˆ ˆ ˆ ˆ2 2 0 e e X y X X X X X y = − + = = Sistema de Equações Normais (SEN) ( ) 1 ˆ ˆ X X X y X X X y − = = A matriz X deve ter posto coluna completo para que exista a inversa única de X´X ❑ No processo de estimação não se assume qualquer pressuposição distribucional a cerca dos dados e/ou desvios. ❑ Solução do SISTEMA DE EQUAÇÕES NORMAIS – Estimativas de mínimos quadrados - Estimador de Mínimos Quadrados ( ) ( ) ( ) ( ) 1 2 1 2 ˆ ˆ ˆ ˆ e kk ekk V X X s X X − − = = ❑ Erros-padrões associados às estimativas de mínimos quadrados ❑ Exemplo 01 - Seja um experimento de avaliação de duas cultivares de soja com três repetições no DIC. 11 11 12 12 13 13 6 1 6 3 3 1 6 1 1 21 21 2 22 22 23 23 1 1 0 1 1 0 1 1 0 1 0 1 1 0 1 1 0 1 y e y e y e y X e g y e g y e y e = + = + 1 1 2 2 ˆ 6 3 3 ˆ ˆ 3 3 0 ˆ 3 0 3 y g y g y − = = X’X de posto incompleto (Infinitas soluções) [1] Restrição gi = 0 [2] Inversa generalizada AGA=A 1 1 2 2 ˆ ˆ ˆ ˆ y g y y g y y = = − − 1 1 1 2 2 20 1 2 2 1 1 1 1 1 : : : : 1 n n n n n n y x e y x eb y X e b y x e = + = + 1 1 10 21 1 1 1 ˆ n n i i i i n n n i i i i i i i n x y b b x x x y − = = = = = = = ❑ Exemplo 02 - Modelo polinomial de 1º grau entre a produção de grãos (y) e doses de N (x). 1 2 2 11 1 1 1 ˆ ˆ nn n ii in n ii i i i i i i y b x xx y x y x n n == = = = − = − − ❑ Exemplo 02 - Modelo de regressão linear entre a produção de grãos e doses de N. e1 (X2,Y2) (X1,Y1) Valores observados Valores estimados e4 (X3,Y3) e3 e2 X Y a 10 2 b 3 Yi = a + b Xi + ei (X4,Y4) b > 0 b < 0 b = 0 APLICAÇÕES DO MÉTODO DOS QUADRADOS MÍNIMOS NO MELHORAMENTO GENÉTICO ESTIMAÇÃO DO GANHO GENÉTICO EM SUCESSIVOS CICLOS SELETIVOS Questão 1. Houve ganho com a seleção? Questão 2. O ganho com a seleção foi linear? Questão 3. O ganho com a seleção em Lavras foi diferente do de Sete Lagoas? Modelo de regressão linear entre a produtividade de grãos de milho (kg/ha) em relação ao ciclo seletivo, independente do local. 0 1: i i iModelo y b b x e= + + 1 0 2 1 3 4 5986,5 1 0 6487,8 1 1 6559,4 1 2 6713,6 1 3 y X e e b e b e e = + = + ( ) 1ˆ:Soluçao SEN X X X y − = 1 0 1 4 6 25747,3ˆ 6 14 39747,4 b b − = = 0 1 0,7 0,3 25747,3 6098,89ˆ 0,3 0,2 39747,4 225,29 b b − = = = − ˆ: 6098,89 225,29i iModelo y x= + Erro associado às estimativas dos parâmetros ( ) ( ) 1 2ˆ ˆeV X X − = ( ) ( ) 0 1 0 1 0,7 0,3ˆ 559383,13/ 20 0,3 0,2 19578,41 8390,75ˆ 8390,75 5593,831 b V V b b V V b − = = − − = = − ( ) ( ) ( ) ( ) 0 0 1 1 6098,89 139,926098,89 19578,41 225,29 74,79225,29 5593,831 b s b b s b = = ANAVA DA REGRESSÃO SQ Ciclo = SQ Regressão Linear + SQ Desvios da Regressão 1 1ˆ( ) SQY y y y Jy n SQModelo Corr X y y Jy n SQDesvio SQY SQModelo = − = − = − FV GL SQ QM Fc Ciclos 3 5938214,13 1979404,71 Modelo 1 5080708,00 5080708,00 9,08* Desvio 2 859694,00 429847,00 0,77n.s. Erro Médio 54 - 559383,13 Questão 2. O ganho com a seleção foi linear? Em que consiste a técnica da regressão? Modelo de regressão linear entre a produtividade de grãos de milho (kg/ha) em relação ao ciclo seletivo para cada local. ( ) ( ) ( ) ( ) 0 0 1 1 6247,7 197,88 253,65 105,77 b s b b s b = • Lavras • Sete Lagoas ( ) ( ) ( ) ( ) 0 0 1 1 5950,16 197,88 196,86 107,77 b s b b s b = Questão 3. O ganho com a seleção em Lavras foi diferente do de Sete Lagoas? 5800 6000 6200 6400 6600 6800 7000 7200 0 1 2 3 Ciclos seletivos P ro d u ç ã o Lavras Média Sete Lagoas ####Ganho linear com a seleção ### y = XB + e ### yi = bo + b1xi + ei #Vetor de dados y<-matrix(c(5986.5,6487.8,6559.4,6713.6),4,1) nrep <-20 #numero de observações que gerou cada média #Matriz do modelo intercepto<-matrix(1,4,1) #matriz de 1's com 7 linhas e uma coluna ciclos<-matrix(c(0,1,2,3),4,1) #matriz de 1 a 7, com 7 linhas e uma coluna x<-cbind(intercepto,ciclos)# matriz x do MQM. Comando para unir as colunas das duas matrizes #Solução do MQMB = inv(X'X)X'y xx<-t(x)%*%x #Obtendo a matriz x'x dim(xx) fBasics::rk(xx) # Posto completo invxx<-solve(xx) # Inversa clássica de xx B<-invxx%*%(t(x)%*%y) #estimativas dos parâmetros #Erros-padrões associados às estimativas dos parâmetros QME<-559383.13 s<-diag(invxx)*(QME/nrep) sraiz<-sqrt(s) #intervalo de confiança do ganho: sGS<-sraiz[2] (ganho<-B[2,1]) LI<-ganho-(qt(0.025, 54, lower.tail=FALSE)*sGS);LI LS<-ganho+(qt(0.025, 54, lower.tail=FALSE)*sGS);LS #Adequacidade do modelo via teste F correcao<-(1/nrow(y)*((t(y)%*%intercepto%*%t(intercepto)%*%y))) SQY<-((t(y)%*%y)-correcao)*nrep SQModelo<-(t(B)%*%t(x)%*%y-correcao)*nrep SQdesv<-SQY-SQModelo QMModelo <- SQModelo/1 Qmdesvio<-SQdesv/2 Fdesvio<-Qmdesvio/QME TesteFmodelo<-QMModelo/QME ##Usando a função lm – ### Atenção aos valores não corretos dos testes F e t e erros-padroes dadosreg <- data.frame(cbind(x,y)) colnames(dadosreg) <- c("intercepto","ciclos","y") lm.y <- lm(y ~ ciclos) summary(lm.y) anova(lm.y) ESTIMAÇÃO DOS COMPONENTES GENÉTICOS DE MÉDIA Exemplo 1: Dados produção de grãos de feijão, g/planta, referentes ao cruzamento das cultivares ESAL 545 x Milionário, F1, F2, RC1 e RC2 - DBCC r=2 FV GL QM Gerações 5 11,7882* Erro 5 1,4284 Média Geral 12,36 CV(%) 9,7 Valores médios da produção de grãos de feijão, g/planta, obtidos nas gerações parentais (P1: ESAL 545; P2: Milionário), F1, F2, RC1 e RC2 Gerações Média P1 9,525 P2 11,585 F1 14,985 F2 12,720 RC1=P1xF1 10,080 RC2=P2xF1 15,295 Modelo 3: Genitores de médias diferentes sem heteroseModelo 2: Genitores de médias iguais com heterose Modelo 1: Genitores de médias diferentes com heterose Modelo 1: Genitores de médias diferentes (m1, m2) com heterose (h) P1 m1 P2 m2 F1 (m1+m2)/2 + h F2 (m1+m2)/2 + 1/2h RC1=P1xF1 3/4m1+1/4m2 + 1/2h RC2=P2xF1 1/4m1+3/4m2 + 1/2h 1 2 1 3 2 4 5 6 9,525 1 0 0 11,585 0 1 0 14,985 1/ 2 1/ 2 1 12,720 1/ 2 1/ 2 1/ 2 10,080 3/ 4 1/ 4 1/ 2 15,295 1/ 4 3/ 4 1/ 2 e e m e m e h e e = + 1 1 2 ˆ 2,125 0,875 1,250 34,7612 8,6627 ˆ ˆ 0,875 2,125 1,250 39,4287 12,3967 ˆ 1,250 1,250 1,750 34,0325 4,4047 m m h − = = = y X e= + ( ) 1ˆ X X X y − = ( ) ( ) 1 2ˆ ˆeV X X − = ( ) 1 2 ˆ 0,8118 0,0118 0,5882 1,4284ˆ ˆ 0,0118 0,8118 0,5882 2 ˆ 0,5882 0,5882 1,4118 m V V m h − = = − − − 1 1 2 2 1,4284 8,6627 0,8118 2 ˆ ( ) 8,6627 0,7614 1,4284 ˆ ( ) 12,3967 0,8118 12,3967 0,7614 2 ˆ 4,4047 1,0041( ) 1,4284 4,4047 1,4118 2 m s m m s m h s h = = ANAVA FV GL SQ QM Fc Gerações 5 58,9410 11,7882 Modelo 2 44,9140 22,4570 15,72** Desvio 3 14,0272 4,6757 3,27n.s. Erro 5 7,1420 1,4284 Modelo 2: Genitores de médias iguais (m1=m2=m) com heterose (h) P1 m P2 m F1 m + h F2 m + 1/2h RC1=P1xF1 m + 1/2h RC2=P2xF1 m + 1/2h Teste F dos desvios do modelo = 5,51 > Ftab(5%,4,5) Hipótese (H0): m1 = m2 rejeitada Teste F dos desvios do modelo = 7,2656 > Ftab(5%,4,5) Modelo 3: Genitores de médias diferentes (m1, m2) sem heterose (h) P1 m1 P2 m2 F1 (m1+m2)/2 F2 (m1+m2)/2 RC1=P1xF1 3/4m1+1/4m2 RC2=P2xF1 1/4m1+3/4m2 Hipótese (H0): h=0 rejeitada 1 1 2 2 1,4284 8,6627 0,8118 2 ˆ ( ) 8,6627 0,7614 1,4284 ˆ ( ) 12,3967 0,8118 12,3967 0,7614 2 ˆ 4,4047 1,0041( ) 1,4284 4,4047 1,4118 2 m s m m s m h s h = = Hipótese (H0): h=0 rejeitada ( )5%,5 ˆ 0 4,4047 4,3867 4,03 ˆ 1,0041( ) tab h t t s h − = = = = ˆ 0 ˆ( ) h t s h − = ESTIMAÇÃO DOS COMPONENTES GENÉTICOS DE MÉDIA Exemplo 2: Análise de cruzamentos dialélicos Delineamento genético em que n parentais são cruzados dois a dois. •Dialelo completo •Dialelo parcial •Dialelo circulante Dificuldade: Dialelos desbalanceados. Pais 2 3 4 5 1 48,0 31,0 28,7 31,3 2 30,7 26,0 - 3 29,7 26,0 4 28,0 Exemplo 2: Análise de cruzamentos dialélicos Número médio de dias para o florescimento do feijoeiro obtido no cruzamento dialélico com cinco parentais realizado por Arriel et al. (1993). ESTIMAÇÃO DOS COMPONENTES GENÉTICOS DE MÉDIA : ij i j ij ijModelo y m g g s e= + + + + yij: observação da combinação híbrida envolvendo os genitores i e j; gi e gj: capacidade geral de combinação dos genitores i e j; sij: capacidade específica de combinação dos genitores i e j; eij: erro experimental 12 13 14 1 15 2 23 3 2 4 5 48,0 1 1 1 0 0 0 31,0 1 1 0 1 0 0 28,7 1 1 0 0 1 0 31,3 1 1 0 0 0 1 30,7 1 0 1 1 0 0 26,0 1 0 1 0 1 0 29,7 1 0 0 1 1 0 26,0 1 0 0 1 0 1 28,0 1 0 0 0 1 1 s s m s g s g s g s g g = + 4 34 35 45 s s s y X s= + H0: sij = 0 (Não ocorra CEC) 9 4 3 4 4 3 4 4 1 1 1 1 3 1 3 1 1 0 4 1 1 4 1 1 4 1 1 1 4 1 3 1 0 1 1 3 X X = Matriz de posto incompleto Não existe a inversa única (X’X)-1 Alternativa: Uso de restrição (Searle, 1971) Consiste uma adicionar uma linha e uma coluna em X’X com os valores correspondentes ao número de vezes que cada genitor participa dos cruzamentos e zero para a média. * 9 4 3 4 4 3 0 4 4 1 1 1 1 4 3 1 3 1 1 0 3 4 1 1 4 1 1 4 4 1 1 1 4 1 4 3 1 0 1 1 3 3 0 4 3 4 4 3 0 X X = Matriz de posto completo Existe a inversa única (X’X*)-1 ( ) 1 * 0,11 0,00 0,00 0,00 0,00 0,00 0,11 0,00 0,28 0,11 0,06 0,06 0,11 0,06 0,00 0,11 0,39 0,11 0,11 0,06 0,06 0,00 0,06 0,11 0,28 0,06 0,11 0,06 0,00 0,06 0,11 0,06 0,28 0,11 0,06 0,00 0,11 0,06 0,11 0,11 0,39 0,06 X X − − − − − − − − − − − − − = − − − − − − − − − − − − − 0,11 0,06 0,06 0,06 0,06 0,06 0,00 − ( ) 1 * 0,11 0,00 0,00 0,00 0,00 0,00 0,00 0,28 0,11 0,06 0,06 0,11 0,00 0,11 0,39 0,11 0,11 0,06 0,00 0,06 0,11 0,28 0,06 0,11 0,00 0,06 0,11 0,06 0,28 0,11 0,00 0,11 0,06 0,11 0,11 0,39 X X − − − − − − − − − − − − = − − − − − − − − − − − − − ( ) 1ˆ X X X y − = 1 2 3 4 5 ˆ 31,044 ˆ 4,7333 ˆ 4,7778 ˆ 2,4667 ˆ 4,1333 ˆ 1,9889 m g g g g g = = = = − = − = − 1 2 3 4 5 ˆ ˆ ˆ ˆ ˆ4 3 4 4 3 0g g g g g+ + + + = FV GL SQ QM Modelo (CGC) 4 202,93 50,73** Desvio (CEC) 4 152,21 38,05** Erro 8 0,15 12 13 14 15 23 24 34 35 45 48,0 40,25 31,0 33,31 28,7 31,64 31,3 33,79 30,7 33,05 26,0 31,39 29,7 24,44 26,0 26,59 28,0 24,92 s s s s s s s s s s = = − 7,75 2,31 2,94 2,49 2,35 5,39 5,26 0,59 3,08 − − − = − − − ˆy X s s y X = + = − 0ijs = Estimativas das capacidades específicas de combinação (sij) REGRESSÃO MÚLTIPLA 0 1 2 3i i i i iw b b v b s b z e= + + + + Modelo de regressão linear múltipla 0 1 2 3 4,7 1 6,57 3,83 18,69 4,6 1 5,90 3,73 20,97 : : : : : 4,6 1 6,37 3,33 21,74 b b e b b = + ˆ 8,6549 0,8042 1,1510 0,1994i i i iw v s z= − + + + FV GL SQ QM Progênies 19 23,0655 1,2140 Regressão 3 22,8102 7,6034** Desvio 16 0,2553 0,0160n.s. Erro 38 12,274 0,323 2 Re 22,8102100 100 98,89% Pr 23,0655 SQ gressao R SQ ogenies = = = MÉTODO DOS QUADRADOS MÍNIMOS – OUTROS MODELOS DE REGRESSÃO Modelos de Regressão Polinomiais Equações de regressão Polinomial de 1o Grau - Linear Y = a + bX + e Polinomial de 2o Grau - Quadrática Y = a + bX + cX2 + e Polinomial de 3o Grau - Cúbica Y = a + bX + cX2 + dX3 + e Polinomial de 4o Grau Y = a + bX + cX2 + dX3 + eX4 + e Modelos de regressão polinomiais e suas respectivas equações. Doses de Gesso Blocos Totais I II III IV 0 134,8 139,7 147,6 132,3 554,4 50 161,7 157,7 150,3 144,7 614,4 100 160,7 172,7 163,4 161,3 658,1 150 169,8 168,2 160,7 161,0 659,7 200 165,7 160,0 158,2 151,0 634,9 250 171,8 157,3 150,4 160,4 639,9 300 154,5 160,4 148,8 154,0 617,7 Exemplo: Experimento conduzido no DIC com quatro repetições realizado para avaliar o efeito de doses de Gesso (0, 50, 100, 150, 200, 250 e 300 kg/há) sobre o peso de 1000 sementes na cultura do feijoeiro (Phaseolus lunatus). FV GL SQ QM Fc Doses de Gesso (6) (1941,83) 323,64 7,67** Efeito linear 1 423,15 423,15 10,02** Efeito quadrático 1 1285,84 1285,84 30,46** Desvios de Regressão 4 232,84 58,21 1,38n.s. Erro 21 886,34 42,21 TABELA. Análise de variância do peso de 1000 sementes de feijão (gramas) em função das doses de gesso 9kg/há) y = -0.0008x2 + 0.2736x + 140.78 R² = 0.8801 135 140 145 150 155 160 165 170 0.0 100.0 200.0 300.0 400.0 P e s o 1 0 0 0 s e m e n te s ( g ) Dose de Gesso (kg/ha) FIGURA. Regressão quadrática do peso de 1.000 sementes de feijão (g) em função de doses de gesso (kg/ha). Slide 1 Slide 2 Slide 3 Slide 4 Slide 5 Slide 6 Slide 7 Slide 8 Slide 9Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15 Slide 16 Slide 17 Slide 18 Slide 19 Slide 20 Slide 21 Slide 22 Slide 23 Slide 24 Slide 25 Slide 26 Slide 27 Slide 28 Slide 29 Slide 30 Slide 31 Slide 32 Slide 33 Slide 34 Slide 35 Slide 36 Slide 37 Slide 38 Slide 39 Slide 40 Slide 41 Slide 42 Slide 43 Slide 44 Slide 45 Slide 46 Slide 47 Slide 48 Slide 49 Slide 50 Slide 51 Slide 52 Slide 53 Slide 54 Slide 55 Slide 56 Slide 57 Slide 58 Slide 59 Slide 60 Slide 61 Slide 62 Slide 63 Slide 64 Slide 65 Slide 66 Slide 67 Slide 68 Slide 69 Slide 70 Slide 71
Compartilhar