Marburg, Universiẗat, Diss., 2004.

Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2016-03-15T16:17:54Z No. of bitstreams: 1 texto completo.pdf: 551563 bytes, checksum: f7cb31ef1435a6af93d0fbfbf681271a (MD5) / Made available in DSpace on 2016-03-15T16:17:54Z (GMT). No. of bitstreams: 1 texto completo.pdf: 551563 bytes, checksum: f7cb31ef1435a6af93d0fbfbf681271a (MD5) Previous issue date: 2015-11-27 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A escolha do método estatístico para o estudo da adaptabilidade e estabilidade é uma tarefa que exige atenção do melhorista. Dentre os métodos mais utilizados, destaca- se o modelo de efeitos principais aditivos e interação multiplicativa (AMMI). Entretanto, a análise AMMI possui limitações quando se trata de um conjunto de dados desbalanceado e com heterogeneidade de variâncias. O modelo fator analítico multiplicativo misto (FAMM) é uma alternativa para analisar dados com estas características. O objetivo deste estudo foi aplicar os métodos AMMI e FAMM em um conjunto de dados desbalanceado para avaliar a adaptabilidade e estabilidade de linhagens de soja. As produtividades de 48 genótipos de soja em sete ambientes foram avaliadas, com diferentes números de repetições, replicados no delineamento em blocos casualizados. A classificação dos genótipos quanto aos padrões de adaptabilidade e estabilidade utilizando os modelos AMMI e FAMM em geral não se manteve, indicando que as duas técnicas podem levar a conclusões diferentes no que se refere à recomendação de genótipos. Esta diferença na classificação pode estar associada às condições de desbalanceamento e heterogeneidade de variâncias. O modelo FAMM apresenta a vantagem de predizer valores genotípicos e considerar o uso da informação de parentesco, o que pode tornar mais confiável o estudo dos padrões de adaptabilidade e estabilidade. / The choice of statistical method to study the adaptability and stability is a task that requires attention from the breeder. Among the most used methods, stands out Additive Main Effects And Multiplicative Interaction (AMMI) model. However, AMMI analysis has limitations when it comes to a set of unbalanced data and with heterogeneity of variances. The factor analytic multiplicative mixed (FAMM) model is an alternative to analyze data with these characteristics. The objective of this study was to apply the AMMI and FAMM methods in an unbalanced set of data to evaluate the adaptability and stability of soybean lines. Yields of 48 soybean genotypes in seven environments were evaluated, with different numbers of repeats, replicated in randomized block design. The classification of genotypes regarding the standards of adaptability and stability using the AMMI and FAMM models generally not maintained, indicating that the two techniques can lead to different conclusions as regards the recommendation of genotypes. This difference in classification may be associated with conditions of unbalanced and heterogeneity of variances. The FAMM model has the advantage of predicting genotypic values and consider the use of pedigree information, which may make more reliable the study of adaptability and stability standards.

O feijÃo-de-corda (Vigna unguiculata (L.) Walp.), à uma espÃcie cultivada de grande importÃncia para a alimentaÃÃo das populaÃÃes rurais e urbanas das regiÃes tropicais e subtropicais do mundo. A produtividade dessa espÃcie varia muito, em virtude, principalmente, das variaÃÃes climÃticas e da utilizaÃÃo de materiais genÃticos pouco produtivos ou com caracterÃsticas indesejÃveis. A produtividade de grÃos à influenciada por efeitos genotÃpicos (G), efeitos ambientais (E) e das interaÃÃes genÃtipo x ambiente (G x E), que levam ao comportamento diferencial dos genÃtipos nos diversos ambientes. A interaÃÃo G x E pode ser caracterizada por estudos sobre adaptabilidade e estabilidade fenotÃpica por meio de diversas tÃcnicas. Com base nisso, esta pesquisa objetivou verificar a magnitude da interaÃÃo G x E, e a sua conseqÃÃncia na adaptabilidade e a estabilidade fenotÃpica da produtividade de grÃos de quinze cultivares de feijÃo-de-corda, por meio de quatro metodologias (Eberhart e Russell, Cruz, Torres e Vencovsky, Lin e Binns e AMMI ou âAdditive Main effects and Multiplicative Interactionâ). Os experimentos foram conduzidos em cinco municÃpios (Alto Santo, Barreira, CrateÃs, Itapipoca e Limoeiro do Norte) do estado do CearÃ, em cultivo de sequeiro nos anos 2006 e 2007. O delineamento utilizado foi o de blocos casualizados com 15 tratamentos e quatro repetiÃÃes. A parcela experimental teve dimensÃes de 3,0 m x 5,0 m, com quatro fileiras, espaÃadas de 0,75 m entre, e 0,25 m dentro das fileiras. As duas fileiras centrais corresponderam à Ãrea Ãtil. O desbaste foi feito aos 15 dias apÃs plantio deixando-se em mÃdia duas plantas por cova. Os ambientes corresponderam à combinaÃÃo de ano e local totalizando dez ambientes, dos quais foram utilizados oito para as anÃlises estatÃsticas. O efeito de ambientes foi mais importante do que o efeito da interaÃÃo genÃtipos x ambientes (G x E), e este mais importante do que o efeito de genÃtipos. A magnitude da interaÃÃo G x E para a produtividade de grÃos foi alta, indicando que este à um caractere instÃvel. A regressÃo linear de Eberhart e Russell nÃo classificou nenhum dos genÃtipos testados como de adaptaÃÃo geral, nem estÃvel nos ambientes avaliados. A regressÃo bissegmentada de Cruz, Torres e Vencovsky caracterizou os genÃtipos quanto à adaptabilidade em condiÃÃes especÃficas de ambientes favorÃveis, desfavorÃveis ou de adaptaÃÃo geral, mas todos instÃveis. O mÃtodo de Lin e Binns classificou simultaneamente os genÃtipos quanto à adaptabilidade e estabilidade com apenas um parÃmetro, ordenando os genÃtipos em sequÃncia decrescente. O mÃtodo AMMI possibilitou a explicaÃÃo da maior parte interaÃÃo G x E nos dois primeiros CPIs. Esse mÃtodo classificou os genÃtipos e ambientes quanto a estabilidade de forma precisa em dois biplots. A correlaÃÃo de Spearman indicou que alguns parÃmetros das diferentes metodologias utilizadas estÃo diretamente associados nÃo devendo ser utilizados simultaneamente, enquanto outros nÃo associados podem ser usados em complementaridade. Os genÃtipos que reuniram mais adaptabilidade com estabilidade para produtividade de grÃos foram: Inhuma, BR 17 â GurguÃia, BRS-MarataoÃ, Sempre Verde-CE, BRS-ParaguaÃu e BRS-Rouxinol, pela combinaÃÃo de vÃrios parÃmetros. / Cowpea (Vigna unguiculata (L.) Walp.), is very important crop for feeding the rural and urban populations of the tropical and subtropical areas of the world. The yield of that crop varies, mainly, because climate variations and of the use of low yield genetic materials with undesirable characteristics. Grains yield is influenced by the effects of environments (E), genotypes (G) and G à E interaction that into account the variabily of the genotypes in the several environments. The interaction G x E can be characterized by studying the adaptability and stability phenotipic using several techniques. This research aimed to verify the magnitude of the interaction G x E, their effects or the adaptability and the phenotipic stability of the productivity of grains of fifteen cultivate of cowpea. Four methodologies were used for this study (Eberhart and Russel, Cruz, Torres and Vencovsky, Lin and Binns and AMMI or âAdditive Main effect and Multiplicative Interaction "). The experiments were carried out in five countries (âAlto Santo, Barreira, CrateÃs, Itapipoca and Limoeiro do Norteâ) of the state of âCearÃâ, Brasil, under rainfall conditions during the years of 2006 and 2007. A complete randomized design with 15 treatments and four replication were used. Each experimental unit were 3,0 m x 5,0 m, with four rows spaced by 0,75 m containing 20 plants 0,25 m apart. The two central rows were harvested for futher analysis. The extra plants in each experimental unit were thinning 15 days after sowing, leaving two plants per rows. The Eberhart and Russell linear regression did not classified the cultivars tested for general adaptation and stability; it means that all cultivars were considered unstable by this methodology. The bissegmented regression methodology proposed by Cruz, Torres and Vencovsky allowed to classify the cultivars as adaptable for favorable, unfavorable environment and for general adaptation, but all of than were considered unstable. The method of Lin and Binns classified the cultivars simultaneously for adaptability and stability with just a parameter in decreased order of sequence. The AMMI method made possible the explain most of the G x E interaction in the first two IPCA. This method classified the cultivars and environment in relation to the stability in two biplots in a pricise way. The f Spearmanâs correlation indicated that some parameters used by the methodologies mentioned were associated and so they can not be used simultaneously. On the other hand, the one that were not associated be used as a complementarity. The list genotypes that showed highest adaptability and stability for grain yield were âInhuma, BR 17 â GurguÃia, BRS-MarataoÃ, Sempre Verde-CE, BRS-ParaguaÃu e BRS-Rouxinolâ because they combined both parameters.

As características genéticas das culturas agrícolas podem ser influenciadas pelo ambiente, interferindo na produtividade. Sendo assim, esta pesquisa visa entender como ocorre a interação entre genótipo e ambiente (IGA) e a interação entre quantitative trait locus (QTL) e ambiente (IQA), a fim de fornecer instrumentos que possam melhorar a produtividade. Em destaque, vemos que o modelo de efeitos principais aditivos e interação multiplicativa (AMMI), que considera como aditivos os efeitos principais de genótipo e ambiente e como multiplicativos os efeitos da interação, é uma importante ferramenta que permite estudar a interação com dados de ensaios multi-ambientais e apresentar boas previsões na detecção de QTL para novos ambientes. Para se levar em considera- ção a heterogeneidade da variância do erro ao longo dos ambientes, uma generalização do modelo AMMI é utilizada, o modelo AMMI ponderado ou W-AMMI. Nesta pesquisa, observando os dados resultantes de um experimento com 9 genótipos de milho conduzidos em 20 ambientes e 4 blocos, foram comparadas as análises da IGA utilizando o modelo AMMI e W-AMMI. Com um segundo conjunto de dados, resultantes do cruzamento das variedades de cevada Harrington e TR306, com 141 genótipos conduzidos em 12 ambientes foram comparados os resultados das análises da IGA e IQA utilizando os modelos AMMI e W-AMMI, sendo que foram propostas ponderações por linha (todos os ambientes para determinado genótipo ficam com o mesmo peso) e coluna (todos os genótipos para determinado ambiente ficam com o mesmo peso). / The genetic characteristics of crops can be influenced by the environment, interfering with productivity. This research intends to understand the genotype-by-environment interaction(IGA) and quantitative trait locus (QTL)-by-environment interection (IQA), in order to provide tools that can improve productivity. That the Additive Main Effects and Multiplicative Interactions (AMMI) model, has been widely used to study and understand these interactions and has shown to provide good interpretations of both IGA and IQA, as well as QTL detection. In order to take into account of the heterogeneity of error variance over the environments, a generalization of the AMMI model is used, the weighted AMMI or W-AMMI. In this study, observing the data resulting from an experiment with 9 maize genotypes conducted in 20 environments and 4 blocks, was used to compare the results between the AMMI and W-AMMI models. A second set of data, resulting a cross between the barley varieties Harrington and TR306, with 141 genotypes conducted in 12 environments, was used to compare the AMMI and two versions of the W-AMMI (equal weighs per row; and equal weights per column) models in terms of IGA, IQA and QTL detection.

Interação genótipo × ambiente (GEI) é uma questão extremamente importante no melhoramento genético de plantas e produção. A seleção e recomendação de genótipos superiores são dificultadas devido à ocorrência de GEI e representa um grande desafio para os pesquisadores. Nesse contexto, as análises biplot têm sido cada vez mais utilizadas na análise de dados agronômicos, em que os dados são representados por uma tabela de dupla entradas de médias de GEI. Entretanto, as particularidades existentes no gráfico biplot dificultam sua interpretação, podendo induzir o pesquisador a erros. Existem vários modelos na literatura para análise de DGE (dados de GEI), entre eles, os mais utilizados são os modelos AMMI (Additive Main effects and Multiplicative Interaction) e GGE biplot (Genotype main effects + Genotype environment interaction). O modelo AMMI é um método estatístico para compreender a estrutura de interações entre genótipos e ambientes, que combina a análise de variância e a análise de componentes principais, para ajustar, respectivamente, os efeitos principais (G e E) e os efeitos da GEI. O GGE Biplot agrupa o efeito aditivo de genótipo com o efeito multiplicativo da GEI, e submete estes à análise de componentes principais. Existem dois problemas na utilização destes modelos: i) só pode ser utilizado para analisar dados MET (multi-ambientes), que tenha uma única característica e ii) cujos ambientes são heterogêneos. O presente trabalho tem como objetivos propor novos modelos W-GGE biplot (Weighted Genotype main effects + Genotype environment interaction) e AMMI-ponderado para análise de dados multi-ambientes, além de fazer uma comparação entre os modelos existentes como AMMI e GGE biplot; análise de mega-ambiente; avaliação de genótipos, ambiente de teste dentro de cada mega-ambiente e compreender as causas da GEI. / Genotype × environment interaction (GEI) is an extremely important issue in plant breeding and production. The selection and recommendation of superior genotypes are hampered due to the occurrence of GEI and represents a major challenge for researchers. In this context, biplot analyzes have been increasingly used in analyzing agronomic data, in which data are represented by a table of two entries of means of GEI. However, the particularities in the biplot graphic hamper its interpretation, and could lead the researcher to errors. There are several models in the literature for DGE analysis (GEI data), among them, the most used are the AMMI model (Additive Main effects and Multiplicative Interaction Models) and GGE biplot (Genotype main effects + Genotype environment interaction). The AMMI model is a statistical method to understand the structure of interactions between genotypes and environments, combining the analysis of variance and principal component analysis, to adjust, respectively, the main effects (G and E) and the effects of GEI. The GGE Biplot groups genotype of additive effect with multiplicative effect of GEI, and submit these to the principal component analysis. There are two problems in using these models: i) can only be used to analyze MET data (multi-environments), which has a unique feature and ii) whose environments are heterogeneous. This paper aims to propose new W-GGE biplot models (Weighted Genotype main efffects + Genotype environment interaction) and AMMI-weighted multi-environments for data analysis, and make a comparison between the existing models as AMMI and GGE biplot; mega-environment analysis; genotype evaluation, test environment within each mega-environment and understand the causes of GEI.

MANO, Ana Raquel de Oliveira. Adaptabilidade e estabilidade fenotípica de cultivares de feijão de corda. 2009. 152f. Tese(Doutorado em Agronomia/Fitotecnia)- Centro de Ciências Agrárias, Universidade Federal do Ceará, Fortaleza, 2009. / Submitted by Maria Naires Souza (marianaires@ufc.br) on 2011-12-14T18:47:06Z No. of bitstreams: 1 2009-tese-aromano.pdf: 875027 bytes, checksum: 022f3ead1ca1bf8426ac46de4b7dafdc (MD5) / Approved for entry into archive by Aline Nascimento(vieiraaline@yahoo.com.br) on 2011-12-19T14:50:13Z (GMT) No. of bitstreams: 1 2009-tese-aromano.pdf: 875027 bytes, checksum: 022f3ead1ca1bf8426ac46de4b7dafdc (MD5) / Made available in DSpace on 2011-12-19T14:50:13Z (GMT). No. of bitstreams: 1 2009-tese-aromano.pdf: 875027 bytes, checksum: 022f3ead1ca1bf8426ac46de4b7dafdc (MD5) Previous issue date: 2009-08-18 / Cowpea (Vigna unguiculata (L.) Walp.), is very important crop for feeding the rural and urban populations of the tropical and subtropical areas of the world. The yield of that crop varies, mainly, because climate variations and of the use of low yield genetic materials with undesirable characteristics. Grains yield is influenced by the effects of environments (E), genotypes (G) and G × E interaction that into account the variabily of the genotypes in the several environments. The interaction G x E can be characterized by studying the adaptability and stability phenotipic using several techniques. This research aimed to verify the magnitude of the interaction G x E, their effects or the adaptability and the phenotipic stability of the productivity of grains of fifteen cultivate of cowpea. Four methodologies were used for this study (Eberhart and Russel, Cruz, Torres and Vencovsky, Lin and Binns and AMMI or “Additive Main effect and Multiplicative Interaction "). The experiments were carried out in five countries (“Alto Santo, Barreira, Crateús, Itapipoca and Limoeiro do Norte”) of the state of “Ceará”, Brasil, under rainfall conditions during the years of 2006 and 2007. A complete randomized design with 15 treatments and four replication were used. Each experimental unit were 3,0 m x 5,0 m, with four rows spaced by 0,75 m containing 20 plants 0,25 m apart. The two central rows were harvested for futher analysis. The extra plants in each experimental unit were thinning 15 days after sowing, leaving two plants per rows. The Eberhart and Russell linear regression did not classified the cultivars tested for general adaptation and stability; it means that all cultivars were considered unstable by this methodology. The bissegmented regression methodology proposed by Cruz, Torres and Vencovsky allowed to classify the cultivars as adaptable for favorable, unfavorable environment and for general adaptation, but all of than were considered unstable. The method of Lin and Binns classified the cultivars simultaneously for adaptability and stability with just a parameter in decreased order of sequence. The AMMI method made possible the explain most of the G x E interaction in the first two IPCA. This method classified the cultivars and environment in relation to the stability in two biplots in a pricise way. The f Spearman’s correlation indicated that some parameters used by the methodologies mentioned were associated and so they can not be used simultaneously. On the other hand, the one that were not associated be used as a complementarity. The list genotypes that showed highest adaptability and stability for grain yield were “Inhuma, BR 17 – Gurguéia, BRS-Marataoã, Sempre Verde-CE, BRS-Paraguaçu e BRS-Rouxinol” because they combined both parameters. / O feijão-de-corda (Vigna unguiculata (L.) Walp.), é uma espécie cultivada de grande importância para a alimentação das populações rurais e urbanas das regiões tropicais e subtropicais do mundo. A produtividade dessa espécie varia muito, em virtude, principalmente, das variações climáticas e da utilização de materiais genéticos pouco produtivos ou com características indesejáveis. A produtividade de grãos é influenciada por efeitos genotípicos (G), efeitos ambientais (E) e das interações genótipo x ambiente (G x E), que levam ao comportamento diferencial dos genótipos nos diversos ambientes. A interação G x E pode ser caracterizada por estudos sobre adaptabilidade e estabilidade fenotípica por meio de diversas técnicas. Com base nisso, esta pesquisa objetivou verificar a magnitude da interação G x E, e a sua conseqüência na adaptabilidade e a estabilidade fenotípica da produtividade de grãos de quinze cultivares de feijão-de-corda, por meio de quatro metodologias (Eberhart e Russell, Cruz, Torres e Vencovsky, Lin e Binns e AMMI ou “Additive Main effects and Multiplicative Interaction”). Os experimentos foram conduzidos em cinco municípios (Alto Santo, Barreira, Crateús, Itapipoca e Limoeiro do Norte) do estado do Ceará, em cultivo de sequeiro nos anos 2006 e 2007. O delineamento utilizado foi o de blocos casualizados com 15 tratamentos e quatro repetições. A parcela experimental teve dimensões de 3,0 m x 5,0 m, com quatro fileiras, espaçadas de 0,75 m entre, e 0,25 m dentro das fileiras. As duas fileiras centrais corresponderam à área útil. O desbaste foi feito aos 15 dias após plantio deixando-se em média duas plantas por cova. Os ambientes corresponderam à combinação de ano e local totalizando dez ambientes, dos quais foram utilizados oito para as análises estatísticas. O efeito de ambientes foi mais importante do que o efeito da interação genótipos x ambientes (G x E), e este mais importante do que o efeito de genótipos. A magnitude da interação G x E para a produtividade de grãos foi alta, indicando que este é um caractere instável. A regressão linear de Eberhart e Russell não classificou nenhum dos genótipos testados como de adaptação geral, nem estável nos ambientes avaliados. A regressão bissegmentada de Cruz, Torres e Vencovsky caracterizou os genótipos quanto à adaptabilidade em condições específicas de ambientes favoráveis, desfavoráveis ou de adaptação geral, mas todos instáveis. O método de Lin e Binns classificou simultaneamente os genótipos quanto à adaptabilidade e estabilidade com apenas um parâmetro, ordenando os genótipos em sequência decrescente. O método AMMI possibilitou a explicação da maior parte interação G x E nos dois primeiros CPIs. Esse método classificou os genótipos e ambientes quanto a estabilidade de forma precisa em dois biplots. A correlação de Spearman indicou que alguns parâmetros das diferentes metodologias utilizadas estão diretamente associados não devendo ser utilizados simultaneamente, enquanto outros não associados podem ser usados em complementaridade. Os genótipos que reuniram mais adaptabilidade com estabilidade para produtividade de grãos foram: Inhuma, BR 17 – Gurguéia, BRS-Marataoã, Sempre Verde-CE, BRS-Paraguaçu e BRS-Rouxinol, pela combinação de vários parâmetros.

Interação genótipo × ambiente (GEI) é uma questão extremamente importante no melhoramento genético de plantas e produção. A seleção e recomendação de genótipos superiores são dificultadas devido à ocorrência de GEI e representa um grande desafio para os pesquisadores. Nesse contexto, as análises biplot têm sido cada vez mais utilizadas na análise de dados agronômicos, em que os dados são representados por uma tabela de dupla entradas de médias de GEI. Entretanto, as particularidades existentes no gráfico biplot dificultam sua interpretação, podendo induzir o pesquisador a erros. Existem vários modelos na literatura para análise de DGE (dados de GEI), entre eles, os mais utilizados são os modelos AMMI (Additive Main effects and Multiplicative Interaction) e GGE biplot (Genotype main effects + Genotype environment interaction). O modelo AMMI é um método estatístico para compreender a estrutura de interações entre genótipos e ambientes, que combina a análise de variância e a análise de componentes principais, para ajustar, respectivamente, os efeitos principais (G e E) e os efeitos da GEI. O GGE Biplot agrupa o efeito aditivo de genótipo com o efeito multiplicativo da GEI, e submete estes à análise de componentes principais. Existem dois problemas na utilização destes modelos: i) só pode ser utilizado para analisar dados MET (multi-ambientes), que tenha uma única característica e ii) cujos ambientes são heterogêneos. O presente trabalho tem como objetivos propor novos modelos W-GGE biplot (Weighted Genotype main effects + Genotype environment interaction) e AMMI-ponderado para análise de dados multi-ambientes, além de fazer uma comparação entre os modelos existentes como AMMI e GGE biplot; análise de mega-ambiente; avaliação de genótipos, ambiente de teste dentro de cada mega-ambiente e compreender as causas da GEI. / Genotype × environment interaction (GEI) is an extremely important issue in plant breeding and production. The selection and recommendation of superior genotypes are hampered due to the occurrence of GEI and represents a major challenge for researchers. In this context, biplot analyzes have been increasingly used in analyzing agronomic data, in which data are represented by a table of two entries of means of GEI. However, the particularities in the biplot graphic hamper its interpretation, and could lead the researcher to errors. There are several models in the literature for DGE analysis (GEI data), among them, the most used are the AMMI model (Additive Main effects and Multiplicative Interaction Models) and GGE biplot (Genotype main effects + Genotype environment interaction). The AMMI model is a statistical method to understand the structure of interactions between genotypes and environments, combining the analysis of variance and principal component analysis, to adjust, respectively, the main effects (G and E) and the effects of GEI. The GGE Biplot groups genotype of additive effect with multiplicative effect of GEI, and submit these to the principal component analysis. There are two problems in using these models: i) can only be used to analyze MET data (multi-environments), which has a unique feature and ii) whose environments are heterogeneous. This paper aims to propose new W-GGE biplot models (Weighted Genotype main efffects + Genotype environment interaction) and AMMI-weighted multi-environments for data analysis, and make a comparison between the existing models as AMMI and GGE biplot; mega-environment analysis; genotype evaluation, test environment within each mega-environment and understand the causes of GEI.

As características genéticas das culturas agrícolas podem ser influenciadas pelo ambiente, interferindo na produtividade. Sendo assim, esta pesquisa visa entender como ocorre a interação entre genótipo e ambiente (IGA) e a interação entre quantitative trait locus (QTL) e ambiente (IQA), a fim de fornecer instrumentos que possam melhorar a produtividade. Em destaque, vemos que o modelo de efeitos principais aditivos e interação multiplicativa (AMMI), que considera como aditivos os efeitos principais de genótipo e ambiente e como multiplicativos os efeitos da interação, é uma importante ferramenta que permite estudar a interação com dados de ensaios multi-ambientais e apresentar boas previsões na detecção de QTL para novos ambientes. Para se levar em considera- ção a heterogeneidade da variância do erro ao longo dos ambientes, uma generalização do modelo AMMI é utilizada, o modelo AMMI ponderado ou W-AMMI. Nesta pesquisa, observando os dados resultantes de um experimento com 9 genótipos de milho conduzidos em 20 ambientes e 4 blocos, foram comparadas as análises da IGA utilizando o modelo AMMI e W-AMMI. Com um segundo conjunto de dados, resultantes do cruzamento das variedades de cevada Harrington e TR306, com 141 genótipos conduzidos em 12 ambientes foram comparados os resultados das análises da IGA e IQA utilizando os modelos AMMI e W-AMMI, sendo que foram propostas ponderações por linha (todos os ambientes para determinado genótipo ficam com o mesmo peso) e coluna (todos os genótipos para determinado ambiente ficam com o mesmo peso). / The genetic characteristics of crops can be influenced by the environment, interfering with productivity. This research intends to understand the genotype-by-environment interaction(IGA) and quantitative trait locus (QTL)-by-environment interection (IQA), in order to provide tools that can improve productivity. That the Additive Main Effects and Multiplicative Interactions (AMMI) model, has been widely used to study and understand these interactions and has shown to provide good interpretations of both IGA and IQA, as well as QTL detection. In order to take into account of the heterogeneity of error variance over the environments, a generalization of the AMMI model is used, the weighted AMMI or W-AMMI. In this study, observing the data resulting from an experiment with 9 maize genotypes conducted in 20 environments and 4 blocks, was used to compare the results between the AMMI and W-AMMI models. A second set of data, resulting a cross between the barley varieties Harrington and TR306, with 141 genotypes conducted in 12 environments, was used to compare the AMMI and two versions of the W-AMMI (equal weighs per row; and equal weights per column) models in terms of IGA, IQA and QTL detection.

Em estudos multiambientais, o processo de recomendação de genótipos com maior produção e a determinação de genótipos estáveis são de suma importância para os melhoristas. Porém, quando ocorre falta de genótipo em um ou mais ambientes este processo passa a ter dificuldades. Pois, este procedimento depende de métodos estatísticos que necessitam de uma matriz de dados sem dados em falta. Desde 1976 diversos matemáticos e estatísticos estudam, continuamente, uma forma de lidar com dados em falta em dados multiambientais buscando obter um método que estime, de forma precisa, as unidades ausentes sem perda de informação. Desta forma, esta pesquisa propõe um novo método de imputação baseado na metodologia AMMI fazendo reamostragens Bootstrap Não-paramétrico na matriz de médias de interação genótipos e ambientes (G × E), o modelo de imputação AMMI Bootstrap Não-paramétrico (IAMMI-BNP). Para estudo de simulação foi considerado o conjunto de dados referente a procedência S. of Ravenshoe - Mt Pandanus - QLD (14.420) de Eucalyptus grandis coletada na Austrália em 1983. Com a finalidade de obter estimativas precisas dos valores em falta, foi considerado dois estudos de simulação. O primeiro considerou 2000 reamostragens no sentido linha da matriz de interação G × E considerando duas porcentagens de perda de dados (10% e 20 %). O segundo estudo de simulação, considerou 200 reamostragens na matriz de falta (10%) e três diferentes modelos de IAMMI-BNP: IAMMI0-BNP, que considera apenas os efeitos principais do modelo AMMI; IAMMI1-BNP e IAMMI2-BNP que considera um e dois eixos multiplicados do modelo AMMI, respectivamente. De forma geral, de acordo com os métodos de comparação o método de imputação proposto nos dois estudos de simulação forneceu valores imputados próximos dos originais. Considerando os estudos de simulação com 10% de perda, a eficiência do método de imputação proposto foi melhor quando se utilizou o modelo IAMMI2-BNP (com dois eixos multiplicativos). O teste das ordens assinaladas de Wilcoxon mostrou que os valores imputados não influenciaram na estimativa da média, indicando que valores médios dos dados imputados de cada ambiente foram estatisticamente semelhantes aos valores médios originais. / In multienvironment studies, the process of recommendation of genotypes with higher production and the determination of stable environments are of utmost importance for plant breeders. However, when there is missing of genotype in one or more environments this process show difficulties. Therefore, this procedure depends on statistical methods that complete data matrix requered. Since 1976 various mathematical and statistical study, continually, one way of dealing with the loss of information on data multienvironments, seeking to obtain a method that estimate, precisely, the missing units without loss of information. In this way, the purpose of this study is develop a new method of apportionment based on the methodology AMMI doing reamostragens bootstrap nonparametric in the array of means of genotype x environment interaction (GE). For the study of simulation was considered the data set concerning the origin of S. Mexico City - Mt Pandanus - QLD (14,420) of Eucalyptus grandis collected in Australia in 1983. It was performed two studies of simulation. The first performed 2000 resampling on the lines of the interaction matrix G X E, for two percentages of missing data (10% and 20%). The second simulation study considered 200 replicates in the missing data set (10 %) and three different models of IMAMMI-BNP: AMAMMI0-BNP, which considers only the main effects of the AMMI model; IAMMI1-BNP and IAMMI2-BNP which considers one and two axes multiplied by the AMMI model, respectively. In general, according to the comparison methods, the imputation method proposed in the two simulation studies provided imputed values similar to the originals. Considering the simulation studies with 10 % loss, the efficiency of the proposed imputation method was better when using the IAMMI2-BNP model (with two multiplicative axes). The Wilcoxon test of the orders showed that the values imputed had no influence on the mean estimate, indicating that mean values of the data imputed from each environment were statistically similar to the original mean values.

O objetivo deste trabalho é propor uma nova metodologia de interpretação da estabilidade dos métodos de agrupamento, para dados de vegetação, utilizando a metodologia AMMI e a reamostragem (bootstrap), para ganhar confiabilidade nos agrupamentos formados. Os dados utilizados são provenientes do departamento de genética da Escola Superior de Agricultura \"Luiz de Queiroz\", e visam à produtividade de soja. Primeiramente aplica-se a metodologia AMMI e então, é estimada a matriz de distâncias euclidianas - com base nos dados originais e obtidos via reamostragem (bootstrap) - para a aplicação dos métodos de agrupamento (vizinho mais próximo, vizinho mais distante, ligação média, centroide, mediana e Ward). Para a verificação da validade dos agrupamentos formados utiliza-se o coeficiente de correlação cofenética, e pelo teste de Mantel, é apresentada a distribuição empírica dos coeficientes de correlação cofenética. Os agrupamentos obtidos pelos diferentes métodos são, em sua maioria, semelhantes indicando que, em princípio, qualquer um desses métodos seria adequado para a representação. O método que apresenta resultados discrepantes em relação aos outros (tanto para os dados originais, quanto pelos dados obtidos via bootstrap) - na representação gráfica em dendrograma - é método de Ward. Este estudo é promissor na análise da validade de agrupamentos formados em dados de vegetação. / The objective of this work is to propose a new interpretation methodology of clustering methods for vegetation data stability, using the AMMI and bootstrap methodology, to gain reliability in the clusters formed. The database used is from the Departament of Genetics of Luiz de Queiroz College of Agriculture, aiming soybean yield. Firstly AMMI is applied, then the Euclidian distance matrix is estimated - based on the original data and on the acquired by the bootstrap method - for the application of clustering methods (nearest neighbor, furthest neighbor, average linkage, centroid , median and Ward). In order to assess the validity of clusters formed the cophenetic correlation coefficient is used, and the Mantel test, in order to show the empirical distribution of the cophenetic correlation coefficients. The clusters obtained by different methods are, in most cases, quite similar, indicating that in principle, any of these methods would be suitable for the representation. The method that presents discrepant results (for both the original and bootstrap method obtained data) - on the dendrogram graphical representation, compared to the others - is the Ward\'s. This study is promising in the analysis of validity of clusters formed in vegetation data.