Modelos Mistos Aplicado ao

Melhoramento Animal

IV- PREDITORES LINEARES

 Introdução
• Desde a década de 30, métodos para avaliação genética
de animais têm sido propostos
• Lush (1931) e Wright (1931)
– Índices baseados nas médias de produção das filhas
• Smith (1936)
– Deu forma e nome aos índices de seleção aplicando no
melhoramento de plantas
• Hazel (1943)
– Aplicou no melhoramento animal
• Lush (1947)
– Seleção combinada => valor fenotípico e média da família
 Introdução
• Yates (1931)
– Outra técnica baseada na aplicação de quadrados mínimos
– Problemas: O erro de predição não tem variância mínima; as
funções de predição nem sempre são estimáveis; e dependendo
do grau de desbalanceamento os valores genéticos pode ser
sub ou superestimados.
• Henderson (1963)
– Junção das equações de quadrados mínimos e os princípios do
índice de seleção => BLUP
 Quadrados Mínimos
y  X  e
Y= vetor de registros das características dos indivíduos
X= matriz de incidência de efeitos fixos
 = vetor de efeitos fixos desconhecidos
e= vetor de erros aleatórios associados a cada observação

Pressuposições

Objetivo: estimar o vetor desconhecido de efeitos

fixos ou alguma de suas funções lineares, dado por K `
 Quadrados Mínimos

• O método consiste em encontrar um estimador linear, dado por

b`y de modo que a E(b`y) seja
K `
e a Var(b`y) seja mínima.
` ` o
byK 
Em que  o é a solução que minimiza

e `V 1e   y  X  V 1  y  X 
`

Derivar em relação a 

` 1 O ` 1
X V X XV Y
 Quadrados Mínimos

• Quadrados mínimos ordinários: se os resíduos são não

correlacionados e têm variância igual (homogeneidade).

• Quadrados mínimos ponderados: se os resíduos são não-

correlacionados e não há igualdade de variâncias
(heterogeneidade).

• Quadrados mínimos generalizados: se os resíduos são

correlacionados e existe heterogeneidade de variância.
 Quadrados Mínimos
y  X 1 1  X 2  2  e (Pag. 4)
• X1 não tem posto coluna completo (dependência linear,
determinante = 0).
o
• 1
não é invariante, uma vez que o sistema admite várias soluções.
• A solução é obtida com tendenciosidade. Neste caso o que pode
ser feito é utilizar funções lineares estimáveis de , dado por
• Assim é dito o BLUE – Best Linear Unbiased Estimator, de 1
• Problemas: P 1
– AdmiteP1oinfinitas soluções, o preditor não é invariante (propriedade
P1
indesejável desse método).
– Em alguns casos, a avaliação pelo MQM pode não apresentar
variância mínima do erro de predição.
– Desbalanceamento, pode levar a sub ou superestimação.
 Máxima Verossimilhança
• MQM não é feita qualquer pressuposição a cerca da
distribuição dos resíduos;
• ML algumas pressuposições são feitas, normalmente é
assumido normalidade.
• Então a verossimilhança da amostra de observações,
representada pelos dados, é maximizada.

f ( y)  L  nq
1
1
1
2
 `

EXP   y  X  V 1  y  X 
2  2 V 2

Para maximização dessa função, usa-se o artifício de

transformação logarítmica , uma vez que L e log L são funções
contínuas.
 Preditores Lineares
• Termo usualmente associado ao acontecimento futuro
de eventos ou à estimação de valores realizados de
uma variável aleatória que foi amostrada de uma
população com uma estrutura de matriz de variância e
covariância conhecida.
• Ex.(Lush, 1945): Capacidade mais provável de
produção: valor genético de um indivíduo.

• Os preditores dos valores genéticos dos indivíduos que

serão submetidos à seleção variam de acordo com os
conhecimentos disponíveis a cerca das populações a
que eles pertencem.
• Existe três classes de preditores: BL, BLP e BLUP.
 Melhor Preditor- BP (Best Predictor)
• Considere um vetor de variáveis aleatórias
conjuntamente distribuídos com um vetor de
observações.

U  u1 , u 2 ,  , u n  Y  y1 , y 2 , , y n 
• Deseja-se predizer U usando Y, ou seja, E(U/Y)
• O critério para derivar um preditor é minimizar
E uˆ  u  Auˆ  u 
`

sendo A uma matriz positiva definida e simétrica

• Estimação: minimiza-se a soma de quadrados do resíduo
• Predição: minimiza-se o quadrado médio do erro de
predição.
 Melhor Preditor- BP (Best Predictor)

uˆ  BP (u )  E (u / Y ) É a média condicional de u dado o

vetor de observações Y

• Requer que se conheça f(u,y) e todos os momentos da

distribuição (média e variância).
• Sob normalidade, sendo a média e variância parâmetros
conhecidos, a média condicional de u é linear em y.
• Neste caso, tem-se: (Pag. 7)
 Melhor Preditor Linear – BLP (Best
Linear Predictor)
• No melhoramento animal, o BLP é denominado índice
de seleção (permite a predição do valor genético de
cada indivíduo, combinando diferentes fontes de
informação disponível, sendo atribuída a cada uma
delas a ponderação adequada).

• Consiste na predição dos valores genéticos dos

indivíduos com base nas informações de suas
características dadas suas variâncias e covariâncias
genéticas e fenotípicas (momentos da distribuição),
sendo que o BLP não requer o conhecimento prévio da
forma da distribuição conjunta das observações e dos
valores genéticos f(u,y).
Melhor Preditor Linear – BLP (Best
Linear Predictor)
• Supondo que os preditores sejam lineares em Y da
forma: uˆ  a  b `Y em que a e b são tais que minimizam
E (u  uˆ )` (u  uˆ )
Quando isto é feito, encontram-se valores de a e b

a   u  b y b `  C `V 1
Então:
BLP (u )  uˆ   u  C `V 1  C `V 1Y
uˆ   u  C `V 1 (Y  Xb)

Sob normalidade, BP é idêntico ao BLP, sendo que o BLP

não requer conhecimento prévio de f(u,y).
 Melhor Preditor Linear Não-viesado –
BLUP (Best Linear Unbiased Predictor)
• BP é obtido quando se conhece f(u,y) e todos os seus
momentos.
• BLP exige que se conheça primeiro e segundo
momento da distribuição (média e variãncia).
• Um problema que surge quando não se conhece a
média ( X ), caso da maioria das aplicações em
melhoramento animal, onde alguns ou todos elementos
de não são conhecidos.

• Neste caso, é necessário estimá-los dos dados
• Criação do BLUP
– Assume somente os segundos momentos conhecidos e a
média estimada por meio de quadrados mínimos generalizados.
 Melhor Preditor Linear Não-viesado –
BLUP (Best Linear Unbiased Predictor)
• De todos os preditores lineares não-viesados, o BLUP
tem o menor quadrado médio do erro de predição.
ˆu  GZ `V 1 (Y  X o )
• Que é o mesmo BLP com a diferença de ter  o no
lugar de  , pressuposto conhecido no BLP.

• BLUP – Best Linear Unbiased Predictor

– Preditor – é um estimador de efeitos aleatórios
– Linear – utiliza modelos lineares
– Não-viesado – a esperança do estimador é igual ao
parâmetro
– Melhor – é um estimador com variância mínima
 Melhor Preditor Linear Não-viesado –
BLUP (Best Linear Unbiased Predictor)
• Para a obtenção do BLUP, as matrizes de variâncias e
covariâncias, G e R, precisam ser conhecidas.
• O BLUP maximiza a correlação entre os valores
genéticos preditos e verdadeiros quando os animais são
avaliados na mesma condição ambiental.
• O BLUP é não-viesado, sendo requerido na sua
derivação (multiplicador de Lagrange).
• Minimiza o quadrado médio do erro de predição.
• BLUP é invariante para a solução de efeitos fixos
(translação invariante).