Use este identificador para citar ou linkar para este item: https://locus.ufv.br//handle/123456789/4027
Tipo: Dissertação
Título: Classificação multivariada de modelos de crescimento para grupos genéticos de ovinos de corte
Título(s) alternativo(s): Multivariate classification of growth models for beef lambs genetic groups
Autor(es): Silveira, Fernanda Gomes da
Primeiro Orientador: Silva, Fabyano Fonseca e
Primeiro coorientador: Silva, Carlos Henrique Osório
Segundo coorientador: Peternelli, Luiz Alexandre
Primeiro avaliador: Cecon, Paulo Roberto
Segundo avaliador: Carneiro, Antônio Policarpo Souza
Terceiro avaliador: Nascimento, Carlos Souza do
Abstract: O objetivo principal desse trabalho foi utilizar a análise de agrupamento para classificar modelos de crescimento não-lineares tendo em vista os resultados de diferentes avaliadores de qualidade de ajuste ao considerar dados dos seguintes grupos genéticos de ovinos de corte: Dorper x Morada Nova (DMN), Dorper x Rabo Largo (DRL) e Dorper x Santa Inês (DSI). Após a indicação do modelo comum adequado aos três grupos, objetivou-se também aplicar a identidade de modelos com o intuito de identificar o grupo genético com maior eficiência de crescimento. Toda a metodologia foi aplicada a duas situações experimentais distintas: com repetição, considerando todos os animais de cada grupo genético, e sem repetição, considerando dados médios de cada um destes grupos. Ajustaram-se doze modelos não-lineares, cuja qualidade de ajuste foi medida pelo coeficiente de determinação ajustado (R2 aj), critério de informação de Akaike (AIC), critério de informação Bayesiano (BIC), erro quadrático médio de predição (MEP) e coeficiente de determinação de predição (R2 p). Os modelos Richards e von Bertalanffy foram, respectivamente, os que apresentaram os melhores ajustes para os conjuntos de dados médios e individuais. De acordo com testes de identidade de modelos, o grupo genético DSI foi o que apresentou maior peso adulto, sendo este, portanto, o mais recomendado para exploração de carne.
The main objective of this work was used the cluster analysis in order to classify nonlinear growth models in relation to different quality fit evaluators when utilized data from the following beef lambs genetic groups: Dorper x Morada Nova (DMN), Dorper x Rabo Largo (DRL) e Dorper x Santa Inês (DSI). After the choice of the best model, we aimed also apply the model identity in order to identify the most efficient group. The proposed methodology was considered in two experimental conditions: with repetitions, using data of all animals from each group; and without repetitions, using average data from each group. Twelve nonlinear models were used, whose fit quality was measured by determination coefficient (R2 aj), Akaike information criterion (AIC), Bayesian information criterion (BIC), mean quadratic error of prediction (MEP) and predicted determination coefficient (R2 p). The Richards and von Bertalanffy models, respectively, presented the best fit for the mean and individual data sets. The model identity tests revealed that the DSI group presented higher adult weight, therefore this group is recommend for meat production.
Palavras-chave: Modelo não-linear
Análise de agrupamento
Ovinos de corte
Nonlinear models
Cluster analysis
Beef lambs
CNPq: CNPQ::CIENCIAS AGRARIAS
Idioma: por
País: BR
Editor: Universidade Federal de Viçosa
Sigla da Instituição: UFV
Departamento: Estatística Aplicada e Biometria
Citação: SILVEIRA, Fernanda Gomes da. Multivariate classification of growth models for beef lambs genetic groups. 2010. 74 f. Dissertação (Mestrado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa, 2010.
Tipo de Acesso: Acesso Aberto
URI: http://locus.ufv.br/handle/123456789/4027
Data do documento: 11-Fev-2010
Aparece nas coleções:Estatística Aplicada e Biometria

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
texto completo.pdf771,67 kBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.