Made available in DSpace on 2015-03-26T13:32:21Z (GMT). No. of bitstreams: 1 texto completo.pdf: 562430 bytes, checksum: 182da810cb5c6524a339ad2ea7c37142 (MD5) Previous issue date: 2014-02-17 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / In plant breeding, when the objective is to select or recommend genotypes to be planted, the study of the interaction between genotype and environment plays a important role. However, this kind of study does not provide detailed information on the behavior of each cultivar due to environmental variations. Thus become necessary to perform analyzes of stability and adaptability for identification and recommendation superior materials in different environments. Although the literature presents several methods for performing analysis of adaptability and stability, none of them take account of the presence of non-normal phenotype, in other words, phenotypic values asymmetric distributions or heavy tails. Thus, if there is the presence of such phenotypic values, the methods can be influenced and the recommendation may be mistaken, that is, the use of such methods cause inadequate estimates that do not reflect the true relationship between the variation environmental and phenotypic response. An interesting solution for treating this problem in a unified way, that is, the presence of outliers or asymmetry is to use the quantile regression (QR). Such methodology, besides the usual regression methods, using the conditional mean to explain the functional relationship between environmental variation and phenotypic response, makes use of conditional quantile functions. This way the QR possible to choose the quantile which best represents the functional relationship of interest in order to naturally cover the lack of normality cited above. Thus, this paper aims to present the methodology of quantile regression, through a detailed discussion of its theorical foundations, demonstrating it by concrete applications, its use in analysis of adaptability and stability, thus providing a easily and accessible material for readers interested in that subject, contributing researchers and those interested in this area. To the technic evaluation symmetric distributions phenotypic values, symmetric with outliers, right asymmetric, right asymmetric with outliers, left asymmetric and left asymmetric with outliers were simulated. Furthermore, we used data from an experiment on dry matter yield of 92 genotypes of alfalfa (Medicago sativa) evaluated in 20 environments. It is suggested that, for symmetrical phenotypic values should be determined if it has outlier, if it has a QR ( τ = 0,50 ) should be used, if not, should be used either Eberhart and Russell methodology (1966) or QR ( τ = 0,50 ). Since the phenotype is asymmetric, with or without the presence of outlier, it uses QR ( τ = 0,25 ) to right asymmetry and QR ( τ = 0,75) to the left asymmetry. According to the results the QR method was efficient for classifying alfalfa genotypes. / No melhoramento genético de plantas, quando o objetivo é selecionar ou recomendar genótipos para o plantio, o estudo da interação entre genótipo x ambiente é de extrema importância. Entretanto, tal estudo não fornece informações pormenorizadas sobre o comportamento de cada cultivar diante das variações ambientais. Assim, tornam-se necessárias as análises de adaptabilidade e de estabilidade para a identificação e recomendação de materiais superiores em diferentes ambientes. Embora a literatura apresente diversos métodos, para realização da análise de adaptabilidade e estabilidade, nenhum leva em consideração a presença de fenótipos não normais, ou seja, distribuições de valores fenótipos assimétricos ou com caudas pesadas. Desta forma, caso haja a presença desse tipo de valores fenotípicos, os métodos podem sofrer a influência de modo que a recomendação pode ser errônea, ou seja, o uso de tais métodos ocasionam estimativas inadequadas, que não refletem a verdadeira relação existente entre a variação ambiental e a resposta fenotípica. Uma solução interessante para tratar este problema de maneira unificada, isto é, a presença de pontos discrepantes ou assimetria, é a utilização de regressão quantílica (RQ). Tal metodologia, diferentemente dos métodos de regressão usuais, que utilizam a média condicional para explicar a relação funcional entre a variação ambiental e a resposta fenotípica, faz uso de funções quantílicas condicionais. Desta forma, a RQ possibilita escolher o quantil que melhor representa a relação funcional de interesse com o intuito de contemplar naturalmente a mencionada falta de normalidade. Desta forma, o presente trabalho tem como objetivo apresentar a metodologia de regressão quantílica, através de uma discussão detalhada de seus fundamentos teóricos, evidenciando, com aplicações concretas, seu uso em análise de adaptabilidade e estabilidade, fornecendo assim um material de fácil acesso para leitores interessados no assunto, contribuindo com pesquisadores e interessados nesta área. Para avaliação da técnica foram simulados valores fenotípicos, com distribuições simétrica, simétrica com outliers, assimétrica à direita, assimétrica à direita com outliers, assimétrica à esquerda e assimétrica à esquerda com outliers. Além disso, foram utilizados dados provenientes de um experimento sobre produção de matéria seca de 92 genótipos de alfafa (Medicago sativa) avaliados em 20 ambientes. Sugere-se que, para valores fenotípicos simétricos deve-se averiguar se este possui outlier, se sim é utilizada ou a regressão não paramétrica ou a RQ (τ = 0,50) , se não, se utiliza ou a metodologia de Eberhart e Russell (1966) ou a RQ (τ = 0,50) . Já se o fenótipo for assimétrico, com ou sem a presença de outlier, utiliza-se RQ (τ = 0,25) para assimetria a direita e RQ (τ = 0,75) para assimetria à esquerda. De acordo com os resultados encontrados a RQ foi eficiente para classificação de genótipos de alfafa.

Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2018-01-16T11:32:00Z No. of bitstreams: 1 texto completo.pdf: 1247418 bytes, checksum: e985fa1f1156f534c1dbec006984c2de (MD5) / Made available in DSpace on 2018-01-16T11:32:00Z (GMT). No. of bitstreams: 1 texto completo.pdf: 1247418 bytes, checksum: e985fa1f1156f534c1dbec006984c2de (MD5) Previous issue date: 2017-07-18 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / O desenvolvimento de novos cultivares de alfafa está relacionado, além do potencial produtivo, com o valor nutritivo da forragem, ambos determinados por uma série de caracteres de controle genético complexo. Por isso, o melhoramento da cultura exige adoção de técnicas que maximizem a acurácia seletiva. Nesse contexto, a utilização das Redes Neurais Artificiais (RNAs) pode ser útil para otimizar a seleção simultânea de caracteres, que tem sido a estratégia mais utilizada no melhoramento da alfafa. Assim, o objetivo deste trabalho foi aplicar a abordagem de índices de seleção no contexto das redes neurais artificiais para auxiliar o melhoramento da cultura da alfafa, além de avaliar a eficiência das redes para realizar a seleção de caracteres complexos. Para isso, foram utilizados dados de 77 genótipos de alfafa avaliados em quatro cortes realizados ao longo das diferentes estações no ano, mensurados quanto a caracteres de produção e valor nutritivo. Primeiramente, foram estimados os ganhos por seleção direta, indireta e simultânea pelo índice de Taí para cada um dos grupos de caracteres. Para obtenção das redes para cada grupo, os genótipos foram subdivididos em classes segundo os escores do índice. A fim de garantir boa capacidade de generalização das redes, nas etapas de treinamento e validação foram utilizados dados ampliados de cada grupo de caracteres e, só então, as redes foram utilizadas para classificar os dados reais dos quatro cortes. Posteriormente, utilizou- se dados ampliados de três cortes para treinamento e validação e a rede, então estabelecida, foi empregada em dados reais, relativos a um dos cortes que não participou do processo de ampliação. De modo geral, as seleções diretas proporcionaram ganhos per se satisfatórios para os propósitos do melhoramento, mas sua utilização deve ser bastante criteriosa tendo em vista a existência de correlações desfavoráveis entre alguns caracteres estudados. Já as seleções indiretas apresentaram dificuldades para manter ganhos desejados em todos os caracteres no conjunto de genótipos. Os resultados da seleção simultânea utilizando o índice de Taí proporcionaram distribuição de ganhos mais equilibrada para os conjuntos de caracteres em todos os cortes. No contexto das redes neurais artificiais, as taxas de erros das redes de produção e valor nutritivo foram baixas, evidenciando a grande concordância destas com o índice. Entretanto, a limitação do conjunto de treinamento e teste das RNAs para ampliação de três cortes, levou tanto a altas taxas de erro ou a níveis muito baixos, indicativo de perda da habilidade de generalização. Quando se utilizou as redes no novo corte, as taxas de erro foram altas em todos os cenários. O baixo desempenho obtido pode ser explicado pela discrepância observada entre o conjunto de treinamento e o conjunto de teste. Dessa forma, percebe-se a importância da qualidade do conjunto de dados para treinamento de uma rede eficiente, pois a utilização desta é diretamente relacionada com a disponibilidade de bons exemplos e em grande número. O uso das RNAs será mais difundido à medida que haja mudança no paradigma da experimentação em que as decisões passarão a ser tomadas em bancos de dados, construídos ao longo do tempo de um programa de melhoramento, que constituirão de base para o processamento de dados. / Developing new alfalfa cultivars is related with productive potential besides to the nutritive value of the forage, which are determined by traits of complex genetic control. That is why alfalfa breeding requires adoption of techniques that maximize selective accuracy. In this context, using Artificial Neural Networks (ANNs) can be useful to optimize the simultaneous selection, which has been the strategy most used in alfalfa breeding. Thus, the aim of this work was to apply the selection index approach in the context of artificial neural networks to help in alfalfa breeding, as well as to evaluate the efficiency of the ANNs to perform the complex trait selection. The data from 77 alfalfa genotypes evaluated in four cuts were collected considering different seasons in the year. In each cut were measured production and nutritive value traits. Firstly, we estimated the gains by direct, indirect and simultaneous selection by the Taí index for each trait groups. To obtain the ANN for each group, the genotypes were subdivided into classes according to the index scores. In order to ensure good network generalization, in the training and validation stages we used amplificated data from each group of characters, later we used the ANNs to classify the real data of the four cuts. Subsequently, we used amplificated data from three cuts for training and validation, and the established ANNs were used in a new cut that did not participate in the amplification process. In general, the direct selections provided satisfactory individual gains for the breeding purposes, but their use must be very judicious since the existence of unfavorable correlations between some studied traits. Indirect selections, presented difficulties in maintaining desired gains in all traits in the genotype set. The results of simultaneous selection using the Taí index provided a more balanced distribution gains for the trait sets in all cuts. In the context of the artificial neural networks, the error rates of the production and nutritional value groups were low, evidencing the great agreement of these with the index. However, the limitation of the training set and test of ANNs for data of three cut amplification, led either to high error rates or to very low levels, indicating of loss of the generalization ability. When the networks were used in the new cut, error rates were high in all scenarios. The low performance obtained can be explained by the discrepancy between the training set and the test one. In this way, the importance of the quality of data set for training an efficient network is perceived, since its use is directly related to the availability of good examples and in large numbers. The use of ANNs will be more widespread with a change in the experimentation paradigm in which decisions will be made into databases built over time from a breeding program that will form the basis for data processing.