Show simple item record

dc.contributorInstituto Forestal (Chile)
dc.date2018-09-25T17:26:14Z
dc.date2018-09-25T17:26:14Z
dc.date2011-09-05
dc.date2007
dc.date.accessioned2019-04-30T17:05:01Z
dc.date.available2019-04-30T17:05:01Z
dc.identifierhttp://192.168.2.41:80//handle/20.500.12220/18777
dc.identifier.urihttp://revistaschilenas.uchile.cl/handle/2250/80419
dc.descriptionpáginas 133-142
dc.descriptionDiversos estudios han enfatizado las ventajas de la utilización de los métodos de estimación y predicción basados en Máxima Verosimilitud Restringida (REML) y la Mejor Predicción Linear Insesgada (BLUP) en el análisis genético de especies forestales. Por otra parte, existen otras metodologías que permiten la obtención también robusta, tanto de los componentes de varianza como la predicción de valores genéticos, como por ejemplo la inferencia Bayesiana basada en los algoritmos Markov Chain Monte Carlo (MCMC). El presente estudio busca examinar la viabilidad de la obtención de parámetros genéticos y valores predichos en el mejoramiento genético de especies forestales, usando una variante de la metodología MCMC llamado algoritmo de Cadenas Independientes (CI). Para ilustrar el análisis genético bayesiano se usó un ensayo de procedencias de Acacia Saligna establecido en el norte de Chile, en el marco de un proyecto financiado por el Fondo de Desarrollo e Innovación y desarrollado por el Instituto Forestal.
dc.formatapplication/pdf
dc.languageEspañol
dc.sourceCiencia e Investigacion Forestal 2007
dc.subjectAcacia saligna
dc.subjectANALISIS DE DATOS
dc.subjectESTIMACIÓN
dc.subjectMETODOS ESTADISTICOS
dc.subjectTÉCNICAS DE PREDICCIÓN
dc.titleEstimación de componentes de varianza y predicción de valores genéticos en poblaciones de Acacia azul usando el algoritmo de cadenas independientes
dc.typeAnalíticas
dc.typeArtículos de Revistas


This item appears in the following Collection(s)

Show simple item record