Inferencia Bayesiana aplicada al mejoramiento animal

FACULTAD DE AGRONOMÍA
UNIDAD DE ENSEÑANZA
UNIDAD DE POSGRADOS Y EDUCACIÓN PERMANENTE
FORMULARIO DE PROPUESTA DE ASIGNATURAS
(curso, seminario, taller, otros)
1. Datos generales de la asignatura
Nombre de la asignatura
Inferencia Bayesiana aplicada al mejoramiento animal
Abreviación para Bedelía (41
caracteres como máximo)
Inferencia Bayesiana
Nombre de la asignatura en
Inglés
Bayesian inference in Animal Breeding
Pregrado
Tec. Agroenergético
Tec. Cárnico
Lic. en Diseño de Paisaje
Grado
Ingeniero Agrónomo
Educación
Permanente
Cupos
Carreras
(Marque las que corresponda)
Nivel
Mínimo Máximo
Tec. de la Madera
Lic. en Viticultura y Enología
Ingeniero de Alimentos
Marque si este curso es ofrecido exclusivamente como EP
Diploma y Maestría en Agronomía
Posgrados
Profesionales
Diploma y Maestría en Desarrollo Rural
Sustentable
Académicos
Maestría en Ciencias Agrarias
X
CUPO TOTAL
Modalidad de dictado de la asignatura:
(Marque con X lo que corresponda)
A distancia
Presencial
2. Equipo docente
Docente responsable
Nombre (incluir el título académico):
Cargo
(especificar
grado
dedicación horaria global):
Prof. Dr. Jorge I. Urioste
docente, Grado 5, 40 horas, DT
Otros Docentes participantes
Nombre (incluir el título académico):
Cargo
(especificar
grado
dedicación horaria global):
Institución y país:
Dr. Fernando Cardoso
docente,
EMBRAPA Pecuaria Sul, Bagé, Brasil
X
Nombre (incluir el título académico):
Cargo
(especificar
grado
dedicación horaria global):
docente,
Institución y país:
Nombre (incluir el título académico):
Cargo
(especificar
grado
dedicación horaria global):
docente,
Institución y país:
Nombre (incluir el título académico):
Cargo
(especificar
grado
dedicación horaria global):
docente,
Institución y país:
3. Programa de la asignatura
Objetivos
Generales
Desarrollar conocimientos teóricos y prácticos para la utilización de métodos
bayesianos en genética cuantitativa, con foco en la estimación de parámetros
genéticos y ambientales y la predicción de mérito genético de animales de
producción, y para interpretar y aplicar los resultados obtenidos en programas de
mejoramiento genético animal.
Específicos
Unidades Temáticas
Unidade 1. Revisão de conceitos básicos de álgebra linear e teoria estatística
1.1. Álgebra de matrizes.
1.2. Variáveis aleatórias, leis e distribuições de probabilidade, uni e multivariadas,
simulação de dados.
1.3. Função de verossimilhança e derivação de estimadores de máxima verossimilhança.
1.4. Prática : Procedimento IML do SAS – Operações com matrizes e simulação de dados.
Unidade 2. Elementos de inferência bayesiana.
2.1. Introdução ao paradigma bayesiano com referência aos modelos mistos lineares
2.2. Inferência posterior marginal com prioris conjugadas
2.3. Modelos hierárquicos bayesianos e análise de Bayes empírica
2.4. Inferência bayesiana no modelo linear misto
2.5. Prática: Procedimentos MIXED e IML do SAS – Inferência bayesiana no modelo linear
misto com variâncias conhecidas e desconhecidas.
Unidade 3. Métodos Monte Carlo via cadeias de Markov (MCMC) para inferência
genética.
3.1. Métodos Monte Carlo
3.2. Introdução à amostragem de Gibbs
3.3. Aplicação da amostragem de Gibbs ao modelo animal
3.4. Prática : Procedimentos IML do SAS – Implementação da amostragem de Gibbs
3.5. Algoritmo de Metropolis-Hastings
3.6. Prática : Procedimentos IML do SAS – Implementação do algoritmo de MetropolisHastings
Unidade 4. Aplicação da inferência bayesiana no melhoramento animal usando o
Programa Intergen.
4.1. Descrição Programa Intergen
4.1.2 Prática modelo animal no Intergen
4.2. Diagnóstico de convergência em MCMC
4.3. Métodos para comparação e escolha de modelos
4.4. Modelos hieraquicos bayesianos no Programa Intergen
4.4.1. Modelos para incerteza de paternidade
4.4.2. Modelos estruturais heteroscedásticos robustos
4.4. Modelos hieraquicos bayesianos no Programa Intergen (continuação)
4.4.3. Modelos de normas de reação
4.4.4. Modelos multirraciais
Unidade 5. Métodos bayesianos para seleção genômica.
5.1. Métodos Bayes A e Bayes B
5.2. Prática – Procedimentos IML do SAS – Implementação da seleção genômica
Metodología
4 horas de clases teóricas en la mañana, y 4 horas de práctica en salón de informática, en la tarde
Evaluación
Pregrado/
Grado
Sistema de prueba de evaluación
Evaluación continua
Pruebas parciales
Pruebas parciales y Seminario
trabajo
Monografía
Revisión bibliográfica
Trabajos prácticos
Exoneración (*)
Otros (especificar):
Posgrado y
Educación
Permanente
Prueba final
(*)Reglamento del Plan de Estudio de Ingeniero Agrónomo. Artículo Nº15, literal B "...al menos el 80% del puntaje exigido ...y
más el 50% del puntaje de cada prueba de evaluación...".
Bibliografía
COWLES, M.K.; CARLIN, B.P. Markov chain Monte Carlo convergence diagnostics: A
comparative review. Journal of the American Statistical Association, v.91, n.434,
Jun, p.883-904. 1996.
GELFAND, A.E. Model determination using sampling-based methods. In: W.R. Gilks,
Richardson S. et al. (Ed.). Markov Chain Monte Carlo in practice. London:
Champman & Hall, 1996. Model determination using sampling-based methods,
p.145-161
GELMAN, A.; RUBIN, D.B. Inference from iterative simulation using multiple sequences.
Statistical Science, v.7, n.4, Nov, p.457-472. 1992.
GEYER, C.J. Practical Markov Chain Monte Carlo. Statistical Science, v.7, n.4, p.473511. 1992.
HENDERSON, C.R. Aplications of linear models in animal breeding. Guelph:
University of Guelph. 1984. 462 p.
MRODE, R.A. Linear models for the prediction of animal breeding values. 2nd ed.
Wallingford, UK: CABI Publishing. 2005. 344p.
NEWTON, M.A., RAFTERY, A.E.; DAVISON, A.C.et al. Approximate Bayesian-Inference
With The Weighted Likelihood Bootstrap. Journal of the Royal Statistical Society
Series B-Methodological, v.56, n.1, p.3-48. 1994.
SORENSEN, D.A., ANDERSEN, S.; GIANOLA, D. et al. Bayesian-inference in threshold
models using Gibbs sampling. Genetics Selection Evolution, v.27, n.3, p.229-249.
1995.
SORENSEN, D.A.; GIANOLA, D. Likelihood, Bayesian and MCMC methods in
quantitative genetics. New York: Springer-Verlag New York, Inc. 2002. 740 p.
SPIEGELHALTER, D.J.; BEST, N.G.; CARLIN, B.P. et al. Bayesian measures of model
complexity and fit. Journal of the Royal Statistical Society Series B-Statistical
Methodology. v.64, p.583-616. 2002.
TANNER, M.A. Tools for Statistical Inference: Methods for the Exploration of
Posterior Distributions and Likelihood Functions. New York: Springer-Verlag.
1993. 156 p. (Springer Series in Statistics)
Frecuencia con que se ofrece la asignatura
(anual, cada dos años, a demanda)
Ocasionalmente
Cronograma de la asignatura
Año:
2012
Semestre:
Fecha de inicio
07/05
Fecha de finalización
Localidad:
Montevideo
Bimestre
11/05
Días y Horarios Lunes a viernes,
todo el día
Salón:
Asignatura presencial - Carga horaria (hs. demandada al estudiante)
Exposiciones Teóricas
Talleres
Actividades Grupales o
individuales de preparación
de informes
Otras (indicar cual/es)
Total
20
Teórico - Prácticos
Seminarios
Presentaciones orales,
defensas de informes
o evaluaciones
Prácticos (campo o laboratorio)
Excursiones
Lectura o trabajo domiciliario
60
Asignatura a distancia (indique recurso a utilizar)
Video-conferencia:
Localidad emisora
Plataforma Educativa (AGROS u otra)
Materiales escritos
Localidad receptora
20
20
Internet
Total de horas (equivalente a presencial):
Interservicio (indique cuál/es)
Otros datos de interés:
POR FAVOR NO COMPLETE LA SIGUIENTE INFORMACIÓN, la misma será completada por
las Unidades Técnicas (UE / UPEP / Bedelía)
Créditos de Grado:
Código
Grado:
de
la
asignatura
Resolución del Consejo
cursos de Grado Nº:
Año que entra en vigencia:
Departamento o Unidad:
Créditos de Posgrados:
de
para
Código de la asignatura de Posgrado:
Resolución del CAP para cursos de
Posgrados: