A avaliação genética dos candidatos à seleção é um processo fundamental ao melhoramento genético de plantas e animais. Em plantas perenes, a seleção propriamente dita deve basear-se nos valores genéticos aditivos (quando o interesse é a propagação sexuada dos indivíduos selecionados) e genotípicos (quando o interesse é a propagação assexuada dos indivíduos selecionados) preditos de todos os indivíduos avaliados em campo. As técnicas ótimas de avaliação genética envolvem simultaneamente a predição de valores genéticos e a estimação de componentes de variância, sob modelos estatísticos em nível de indivíduos. O procedimento ótimo e padrão para predição de valores genéticos é o BLUP (melhor predição linear não viciada) individual, usando estimativas de componentes de variância obtidas pelo método da máxima verossimilhança restrita (REML) sob modelo individual. No presente estudo, foram testados 312 clones de um experimento de Eucalyptus spp in-stalado em Eunápolis, BA, incluindo as espécies grandis, pellita e híbridos urograndis aos 7 anos de idade. Com o objetivo de selecionar os melhores clones foi obtida a Melhor Predição Linear não Viesada (BLUP) dos efeitos genotípicos via metodologia de modelos mistos e estimados os componentes de variância e parâmetros genotípicos pelo processo da Máxima Verossimilhança Restrita (REML). O vetor de soluções das equações de modelos mistos processadas pelo programa SELEGEN, desenvolvido pela Embrapa, apresenta os efeitos genotípicos preditos, ganhos de seleção e valores genotípicos preditos para cada clone. A seleção dos clones com desempenho relativo superior a 80% resultou numa nova média para volume igual a 0,519 m3 correspondendo a um aumento de 22,8% em relação à média das testemunhas (clones de E. grandis, origem Rio Claro), que foi de 0,415 m3, e ganho de 36,8% em relação à média do experimento, que foi equivalente a 0,380 m3. Foram selecionados 26 clones, sendo 23 procedentes da Aracruz (E. urograndis), dois de Avaré (híbridos de E. urophylla) e um originário de Cardwell, Austrália (E. grandis puro). / The genetic evaluation of candidates to the selection is a fundamental process to the genetic improvement of plants and animals. In perennial plants, the selection properly said should be based in the addictive genetic values (when the interest is the sexuated propagation of the selected individuals) and genotypics (when the interest is the vegetative propagation of selected individuals) predicted of all the individuals evaluated in ¯eld. The optimized techniques of genetic evaluation involve the simultaneous prediction of genetic values and the estimate of variance components, under statistical models in individual level. The optimum and standard procedure for prediction of breeding values is the BLUP (best linear unbiased prediction) individual, using estimates of variance components obtained by the method of the restricted maximum likelihood (REML) under individual model. A clonal test of Eucalyptus spp was evaluated in Eunápolis, Bahia state. The objective of this work was selecting the best clones based on Best Lineal Unbiased Prediction (BLUP) of the genotypic effects using the Mixed Models Methodology. The variance components and genotypic parameters were obtained by using the Maximum Restricted Likeli- hood (REML) process. The vector of solutions of mixed models equations, processed by the program SELEGEN, developed by Embrapa, presents the predicted genotypic effects, gain of selection and predicted genotypic values for each clone. The selection of the best clones by the REM/BLUP methodology was e±cient with high gain by selection. The selection of the clones with superior relative acting at 80% resulted in a new average for volume equal to 0,519 m3 corresponding to an increase of 22,8% in relation to the average of the witness (clones of E. grandis, from Rio Claro), and a gain of 36,8% in relation to the average of the experiment, that was equivalent at 0,380 m3. From total, 26 clones were selected, being 23 of Aracruz (E. urograndis), 2 of Avaré (hybrid of E. urophylla) and 1 of Cardwell, Australia (E. grandis).

A avaliação genética dos candidatos à seleção é um processo fundamental ao melhoramento genético de plantas e animais. Em plantas perenes, a seleção propriamente dita deve basear-se nos valores genéticos aditivos (quando o interesse é a propagação sexuada dos indivíduos selecionados) e genotípicos (quando o interesse é a propagação assexuada dos indivíduos selecionados) preditos de todos os indivíduos avaliados em campo. As técnicas ótimas de avaliação genética envolvem simultaneamente a predição de valores genéticos e a estimação de componentes de variância, sob modelos estatísticos em nível de indivíduos. O procedimento ótimo e padrão para predição de valores genéticos é o BLUP (melhor predição linear não viciada) individual, usando estimativas de componentes de variância obtidas pelo método da máxima verossimilhança restrita (REML) sob modelo individual. No presente estudo, foram testados 312 clones de um experimento de Eucalyptus spp in-stalado em Eunápolis, BA, incluindo as espécies grandis, pellita e híbridos urograndis aos 7 anos de idade. Com o objetivo de selecionar os melhores clones foi obtida a Melhor Predição Linear não Viesada (BLUP) dos efeitos genotípicos via metodologia de modelos mistos e estimados os componentes de variância e parâmetros genotípicos pelo processo da Máxima Verossimilhança Restrita (REML). O vetor de soluções das equações de modelos mistos processadas pelo programa SELEGEN, desenvolvido pela Embrapa, apresenta os efeitos genotípicos preditos, ganhos de seleção e valores genotípicos preditos para cada clone. A seleção dos clones com desempenho relativo superior a 80% resultou numa nova média para volume igual a 0,519 m3 correspondendo a um aumento de 22,8% em relação à média das testemunhas (clones de E. grandis, origem Rio Claro), que foi de 0,415 m3, e ganho de 36,8% em relação à média do experimento, que foi equivalente a 0,380 m3. Foram selecionados 26 clones, sendo 23 procedentes da Aracruz (E. urograndis), dois de Avaré (híbridos de E. urophylla) e um originário de Cardwell, Austrália (E. grandis puro). / The genetic evaluation of candidates to the selection is a fundamental process to the genetic improvement of plants and animals. In perennial plants, the selection properly said should be based in the addictive genetic values (when the interest is the sexuated propagation of the selected individuals) and genotypics (when the interest is the vegetative propagation of selected individuals) predicted of all the individuals evaluated in ¯eld. The optimized techniques of genetic evaluation involve the simultaneous prediction of genetic values and the estimate of variance components, under statistical models in individual level. The optimum and standard procedure for prediction of breeding values is the BLUP (best linear unbiased prediction) individual, using estimates of variance components obtained by the method of the restricted maximum likelihood (REML) under individual model. A clonal test of Eucalyptus spp was evaluated in Eunápolis, Bahia state. The objective of this work was selecting the best clones based on Best Lineal Unbiased Prediction (BLUP) of the genotypic effects using the Mixed Models Methodology. The variance components and genotypic parameters were obtained by using the Maximum Restricted Likeli- hood (REML) process. The vector of solutions of mixed models equations, processed by the program SELEGEN, developed by Embrapa, presents the predicted genotypic effects, gain of selection and predicted genotypic values for each clone. The selection of the best clones by the REM/BLUP methodology was e±cient with high gain by selection. The selection of the clones with superior relative acting at 80% resulted in a new average for volume equal to 0,519 m3 corresponding to an increase of 22,8% in relation to the average of the witness (clones of E. grandis, from Rio Claro), and a gain of 36,8% in relation to the average of the experiment, that was equivalent at 0,380 m3. From total, 26 clones were selected, being 23 of Aracruz (E. urograndis), 2 of Avaré (hybrid of E. urophylla) and 1 of Cardwell, Australia (E. grandis).

E comum encontrar nos ensaios experimentais a analise de dois fatores, cada um com diferente numero de níveis, eles proporcionam uma tabela de dados de dupla entrada. Geralmente a analise destes dados e feita através da analise de variância - ANOVA, cumprindo algumas pressuposições básicas do modelo, mas ha outros estudos nos quais e de grande importância a interação, como e o caso dos estudos de melhoramento genético, em que o objetivo e selecionar genótipos com ótimos desempenhos em diferentes ambientes. A pouca eficiência na analise da interação dos genótipos com os ambientes (GE) da ANOVA pode representar um problema aos melhoristas, que devem tirar proveito dessa interação para os seus estudos. Os modelos aditivos com interação multiplicativa - AMMI, traz vantagens na seleção de genótipos quando comparados com métodos convencionais, pois proporcionam uma melhor analise da interação (GE), alem de permitir combinar componentes aditivos e multiplicativos em um mesmo modelo; estes modelos tem demonstrado ser eficientes na analise quando se tem apenas uma variável resposta, mas quando há mais de uma, ainda n~ao existe um procedimento geral para realizar a analise. O presente trabalho propõe uma metodologia de analise quando se têm modelos AMMI bivariados, realizando analises individuais das variáveis respostas seguidas de uma analise de procrustes, que permite fazer comparações dos resultados obtidos nas analises individuais e finalmente uma confirmação destes resultados através da analise multivariada de variância - MANOVA. Os resultados obtidos permitem concluir que a analises AMMI e procrustes proporcionam uma boa alternativa de analise para os modelos AMMI bivariados. / Is frequently nd in the studies the two way factor analysis, each factor with dierent number of levels, they conform a two way table of data, generally the analysis of the data is made with the analysis of variance - ANOVA, satisfying some assumptions, but there are some studies in which is very important the interaction, like the case of the improvement studies, where the objetive is select genotypes with optimum performance in dierents environments. The poor eciency in the genotypes and environment interaction (GE) analysis of the ANOVA can represents a problem for the researchers, that need to take advantage of the interaction. The additive main eects and multiplicative interactions model - AMMI, give advantages in the selection of genotypes when is compare with traditional methods, because give a better interaction (GE) analysis, also permit combine additive and multiplicative components in the same model, these models have demonstrated be ecient in the analysis with just one response variable but when there is more than one there is not a clear procedure to do the analysis. This work presents a analysis methodology for the bivariate AMMI models, doing individuals analysis in the response variables follow by the procrustes, which permit compare the results of the individuals analysis, and nally a conrmation of theses results with the multivariate analysis of variance - MANOVA. From the results can be concluded that the AMMI and the procrustes analysis give a good alternative for the bivariate AMMI models analysis.

Os experimentos multiambientes são um tipo especial dos experimentos bifatoriais, muito usados em melhoramento genético de plantas, nos quais algumas cultivares são avaliadas em diferentes locais. Geralmente nesses estudos se encontra uma resposta diferencial das cultivares em cada local que é chamada de interação genótipo x ambiente ou G x E, que é bem explicada por modelos de efeitos aditivos e interação multiplicativa (AMMI). Frequentemente os experimentos G x E podem ser desbalanceados e um ou vários genótipos não serem testados em alguns locais. Às vezes para o pesquisador recomendar os ambientes pode ser de interesse obter estimativas daquelas combinações genótipo ambiente que não foram testadas e tais estimativas podem ser calculadas explorando a informação inerente a aquelas combinações que foram atualmente obtidas. Além do interesse do pesquisador por essas estimativas, os da- dos ausentes podem causar alguma modificação na estimação tradicional dos parâmetros nos modelos AMMI, pois para estimar os parâmetros é necessário um processo sequencial fazendo uma análise de variância com uma posterior decomposição por valor singular da matriz de residuais, a qual não pode ser calculada se existir uma matriz de interação com dados faltantes. Para resolver esses problemas Bergamo (2007) e Bergamo et al. (2008) propuseram uma nova técnica através do uso de imputação múltipla livre de distribuição (IMLD) e é por essa razão que se decidiu avaliar o recente desenvolvimento comparando-o com algumas metodologias de imputação que têm sido usadas com sucesso nos experimentos G x E com dados ausentes como os mínimos quadrados alternados ALS(0), ALS(1) (CALINSKI et al., 1992) e estimativas robustas r-AMMI1 e r-AMMI2 (DENIS; BARIL, 1992). Assim, foi de- senvolvido um estudo de simulação baseado em uma matriz de dados reais genótipos (15) ambientes (27) do ensaio estadual de algodoeiro herbáceo 2000/01 (FARIAS, 2005), fazendo retiradas aleatórias de 10%, 20% e 30%, imputando os dados e comparando os métodos através da raiz quadrada da diferença preditiva média (RMSPD), a estatística de similari- dade de Procrustes e o coe…ciente de correlação não paramétrico de Spearman. Também foi feita uma análise sobre a escolha de componentes multiplicativos de um modelo AMMI quando se têm matrizes completadas (observados + imputados). Os resultados do estudo de simulação mostraram que segundo a distribuição da RMSPD padronizada, o método r- AMMI1 é o melhor, superando o IMLD. Entretanto, utilizando a estatística de Procrustes se encontrou que completando matrizes com ALS(0) se obtém a maior similaridade com relação à matriz de dados originais, também foi mostrado que os cinco métodos considerados têm uma alta correlação entre as imputações e os correspondentes dados reais. Finalmente, recomenda-se utilizar a imputação de dados para a estimação dos parâmetros de um modelo AMMI sob ocorrência de dados ausentes, mas para determinar o número de componentes multiplicativos é preferível tomar a decisão somente sobre a informação observada. / The multienvironment trials are a special type of the two-factor experiments, widely used in genetic improvement of plants, where some cultivars are assessed in diferent locations. Generally, in these studies there is a di¤erential response of cultivars in each location that is called genotype environment interaction, or G x E, which is well explained by the additive main e¤ects and multiplicative interaction models (AMMI). Often the experiments GE may be unbalanced and one or several genotypes were not tested in some locations. Sometimes for the environments recommendations, the researcher may be interested in obtain estimates of those combinations G x E that were not tested and such estimates can be calcu- lated using the information of those combinations that were actually obtained. Additionally to the interest of the researchers in these estimates, the missing data may cause some pro- blems in the classical estimation of parameters in the AMMI models, because the parameter estimation need of a sequential process doing an analysis of variance followed by a singular value decomposition, which can not be calculated if there is a matrix of interaction with missing data. To solve these problems Bergamo (2007) and Bergamo et al. (2008) proposed a new technique using the distribution free multiple imputation (IMLD), and for this reason was decided to evaluate the recent development through the comparison with some methods of imputation that have been used successfully in experiments GE with missing data like the AMMI estimates based on alternating least squares ALS(0), ALS(1) (CALINSKI et al. 1992) and AMMI estimates with robust sub-model r-AMMI1 and r-AMMI2 (DENIS; BARIL, 1992). Thus, was developed a simulation study based on a matrix of true data genotypes (15) environments (27) of the upland cotton variety trials (ensaio estadual de algodoeiro her- báceo) 2000/01 (FARIAS, 2005), doing missed random (10%, 20%, 30%), imputing the data and comparing the methods through the root mean square predictive di¤erence (RMSPD) of the true value, the Procrustes statistic and the Spearman´s ranks correlation coe¢ cient. Also was made an analysis on the choice of the multiplicative components of an AMMI model after imputation on the complete data sets (observed + imputed). The results of the simulation study has shown that according to the distribution of RMSPD standardized, the r-AMMI1 method is better than the IMLD. However, using the Procrustes statistic was found that imputing data matrix with ALS(0), is obtained the greatest similarity related to the true data matrix. The …ve methods considered show high correlation between the true and the imputed missing values. Finally, is recommended using the imputation data for the estimation of the parameters of an AMMI model under the presence of missing data, but for choosing the number of multiplicative terms is preferable take the decision only on the observed information.

E comum encontrar nos ensaios experimentais a analise de dois fatores, cada um com diferente numero de níveis, eles proporcionam uma tabela de dados de dupla entrada. Geralmente a analise destes dados e feita através da analise de variância - ANOVA, cumprindo algumas pressuposições básicas do modelo, mas ha outros estudos nos quais e de grande importância a interação, como e o caso dos estudos de melhoramento genético, em que o objetivo e selecionar genótipos com ótimos desempenhos em diferentes ambientes. A pouca eficiência na analise da interação dos genótipos com os ambientes (GE) da ANOVA pode representar um problema aos melhoristas, que devem tirar proveito dessa interação para os seus estudos. Os modelos aditivos com interação multiplicativa - AMMI, traz vantagens na seleção de genótipos quando comparados com métodos convencionais, pois proporcionam uma melhor analise da interação (GE), alem de permitir combinar componentes aditivos e multiplicativos em um mesmo modelo; estes modelos tem demonstrado ser eficientes na analise quando se tem apenas uma variável resposta, mas quando há mais de uma, ainda n~ao existe um procedimento geral para realizar a analise. O presente trabalho propõe uma metodologia de analise quando se têm modelos AMMI bivariados, realizando analises individuais das variáveis respostas seguidas de uma analise de procrustes, que permite fazer comparações dos resultados obtidos nas analises individuais e finalmente uma confirmação destes resultados através da analise multivariada de variância - MANOVA. Os resultados obtidos permitem concluir que a analises AMMI e procrustes proporcionam uma boa alternativa de analise para os modelos AMMI bivariados. / Is frequently nd in the studies the two way factor analysis, each factor with dierent number of levels, they conform a two way table of data, generally the analysis of the data is made with the analysis of variance - ANOVA, satisfying some assumptions, but there are some studies in which is very important the interaction, like the case of the improvement studies, where the objetive is select genotypes with optimum performance in dierents environments. The poor eciency in the genotypes and environment interaction (GE) analysis of the ANOVA can represents a problem for the researchers, that need to take advantage of the interaction. The additive main eects and multiplicative interactions model - AMMI, give advantages in the selection of genotypes when is compare with traditional methods, because give a better interaction (GE) analysis, also permit combine additive and multiplicative components in the same model, these models have demonstrated be ecient in the analysis with just one response variable but when there is more than one there is not a clear procedure to do the analysis. This work presents a analysis methodology for the bivariate AMMI models, doing individuals analysis in the response variables follow by the procrustes, which permit compare the results of the individuals analysis, and nally a conrmation of theses results with the multivariate analysis of variance - MANOVA. From the results can be concluded that the AMMI and the procrustes analysis give a good alternative for the bivariate AMMI models analysis.

Os experimentos multiambientes são um tipo especial dos experimentos bifatoriais, muito usados em melhoramento genético de plantas, nos quais algumas cultivares são avaliadas em diferentes locais. Geralmente nesses estudos se encontra uma resposta diferencial das cultivares em cada local que é chamada de interação genótipo x ambiente ou G x E, que é bem explicada por modelos de efeitos aditivos e interação multiplicativa (AMMI). Frequentemente os experimentos G x E podem ser desbalanceados e um ou vários genótipos não serem testados em alguns locais. Às vezes para o pesquisador recomendar os ambientes pode ser de interesse obter estimativas daquelas combinações genótipo ambiente que não foram testadas e tais estimativas podem ser calculadas explorando a informação inerente a aquelas combinações que foram atualmente obtidas. Além do interesse do pesquisador por essas estimativas, os da- dos ausentes podem causar alguma modificação na estimação tradicional dos parâmetros nos modelos AMMI, pois para estimar os parâmetros é necessário um processo sequencial fazendo uma análise de variância com uma posterior decomposição por valor singular da matriz de residuais, a qual não pode ser calculada se existir uma matriz de interação com dados faltantes. Para resolver esses problemas Bergamo (2007) e Bergamo et al. (2008) propuseram uma nova técnica através do uso de imputação múltipla livre de distribuição (IMLD) e é por essa razão que se decidiu avaliar o recente desenvolvimento comparando-o com algumas metodologias de imputação que têm sido usadas com sucesso nos experimentos G x E com dados ausentes como os mínimos quadrados alternados ALS(0), ALS(1) (CALINSKI et al., 1992) e estimativas robustas r-AMMI1 e r-AMMI2 (DENIS; BARIL, 1992). Assim, foi de- senvolvido um estudo de simulação baseado em uma matriz de dados reais genótipos (15) ambientes (27) do ensaio estadual de algodoeiro herbáceo 2000/01 (FARIAS, 2005), fazendo retiradas aleatórias de 10%, 20% e 30%, imputando os dados e comparando os métodos através da raiz quadrada da diferença preditiva média (RMSPD), a estatística de similari- dade de Procrustes e o coe…ciente de correlação não paramétrico de Spearman. Também foi feita uma análise sobre a escolha de componentes multiplicativos de um modelo AMMI quando se têm matrizes completadas (observados + imputados). Os resultados do estudo de simulação mostraram que segundo a distribuição da RMSPD padronizada, o método r- AMMI1 é o melhor, superando o IMLD. Entretanto, utilizando a estatística de Procrustes se encontrou que completando matrizes com ALS(0) se obtém a maior similaridade com relação à matriz de dados originais, também foi mostrado que os cinco métodos considerados têm uma alta correlação entre as imputações e os correspondentes dados reais. Finalmente, recomenda-se utilizar a imputação de dados para a estimação dos parâmetros de um modelo AMMI sob ocorrência de dados ausentes, mas para determinar o número de componentes multiplicativos é preferível tomar a decisão somente sobre a informação observada. / The multienvironment trials are a special type of the two-factor experiments, widely used in genetic improvement of plants, where some cultivars are assessed in diferent locations. Generally, in these studies there is a di¤erential response of cultivars in each location that is called genotype environment interaction, or G x E, which is well explained by the additive main e¤ects and multiplicative interaction models (AMMI). Often the experiments GE may be unbalanced and one or several genotypes were not tested in some locations. Sometimes for the environments recommendations, the researcher may be interested in obtain estimates of those combinations G x E that were not tested and such estimates can be calcu- lated using the information of those combinations that were actually obtained. Additionally to the interest of the researchers in these estimates, the missing data may cause some pro- blems in the classical estimation of parameters in the AMMI models, because the parameter estimation need of a sequential process doing an analysis of variance followed by a singular value decomposition, which can not be calculated if there is a matrix of interaction with missing data. To solve these problems Bergamo (2007) and Bergamo et al. (2008) proposed a new technique using the distribution free multiple imputation (IMLD), and for this reason was decided to evaluate the recent development through the comparison with some methods of imputation that have been used successfully in experiments GE with missing data like the AMMI estimates based on alternating least squares ALS(0), ALS(1) (CALINSKI et al. 1992) and AMMI estimates with robust sub-model r-AMMI1 and r-AMMI2 (DENIS; BARIL, 1992). Thus, was developed a simulation study based on a matrix of true data genotypes (15) environments (27) of the upland cotton variety trials (ensaio estadual de algodoeiro her- báceo) 2000/01 (FARIAS, 2005), doing missed random (10%, 20%, 30%), imputing the data and comparing the methods through the root mean square predictive di¤erence (RMSPD) of the true value, the Procrustes statistic and the Spearman´s ranks correlation coe¢ cient. Also was made an analysis on the choice of the multiplicative components of an AMMI model after imputation on the complete data sets (observed + imputed). The results of the simulation study has shown that according to the distribution of RMSPD standardized, the r-AMMI1 method is better than the IMLD. However, using the Procrustes statistic was found that imputing data matrix with ALS(0), is obtained the greatest similarity related to the true data matrix. The …ve methods considered show high correlation between the true and the imputed missing values. Finally, is recommended using the imputation data for the estimation of the parameters of an AMMI model under the presence of missing data, but for choosing the number of multiplicative terms is preferable take the decision only on the observed information.