Modelo hierárquico bayesiano aplicado na avaliação genética de curvas de crescimento de bovinos de corte / Bayesian hierarchical model appllied to genetic evaluation of beef cattle growth curves

RESUMO

A estimação dos componentes de (co)variância dos parâmetros de modelos de crescimento pode ser feita por vários métodos. A metodologia bayesiana se apresenta como uma forma alternativa de estimação. Foi realizado um estudo, por meio de dados simulados e de dados reais de animais Nelore, para a estimação dos componentes de (co)variância dos parâmetros do modelo de crescimento de Von Bertalanffy, por meio da metodologia hierárquica bayesiana. Com base nos componentes estimados, foram encontradas as herdabilidades para cada parâmetro do modelo e as correlações genéticas e ambientais entre esses parâmetros. As distribuições marginais a posteriori dos parâmetros a, R, μ, u, G e σ2e foram obtidas por meio do algoritmo Gibbs Sampler e as dos parâmetros b e k por meio do algoritmo Metropolis-Hastings. A metodologia se mostrou eficiente, proporcionando estimativas para os parâmetros próximas aos valores simulados. Os parâmetros a e k dos dados reais apresentaram valores de herdabilidades compatíveis com a realidade, indicando que esses parâmetros poderiam ser usados para fins de seleção.

ABSTRACT

The estimation of the (co)variance components for the parameters of the growth models can be evaluated by many methods. The Bayesian approach is an alternative method of the estimation. A study was performed using simulated and real data from Nelore cattle for estimation of the (co)variance components for the parameters of Von Bertalanffy growth curve, using a bayesian hierarchical model. From the estimated components, the heritabilities for each parameter and genetic and environmental correlations between these parameters were determined. The samples of posterior marginal distributions for the parameters a, R, μ , u, G, and σ2e were obtained by using Gibbs Sampler algorithm and for the parameters b e k by using the Metropolis-Hastings algorithm. The efficiency of the bayesian inference methodology was verified since estimated parameters were quite close to the simulated ones. The parameters a and k from real data showed heritabilities compatible with the reality indicating they could be used in selection programs.