出版社：Grupo de Pesquisa Metodologias em Ensino e Aprendizagem em Ciências
摘要：A análise de conjuntos de dados provenientes de ensaios multiambientais é de fundamental importância nas fases finais dos programas de melhoramento de plantas. Nesse contexto, o Modelo de Efeitos Principais Aditivos e Interação Multiplicativa (AMMI) se tornou um método popular para avaliar respostas de genótipos em diversos ambientes. No presente trabalho aplicou-se o modelo AMMI, sob o enfoque bayesiano, a um conjunto de dados provenientes de um experimento em blocos casualizados com 12 genótipos (variedades) de mostarda em 6 ambientes distintos. O objetivo foi analisar estabilidade e adaptabilidade genotípica por meio da representação biplot AMMI-2, ressaltando diferenças dessa abordagem em relação a análise AMMI-clássica. Os resultados evidenciaram a grande flexibilidade do método bayesiano para incorporar efeito aleatório para genótipos, bem como inferência ao biplot por meio de regiões de credibilidade para escores genotípicos e ambientais que descrevem o efeito da interação genótipos por ambientes (GEI). As regiões de credibilidade construídas para efeitos principais e parâmetros bilineares permitiram identificar genótipos mais produtivos e visualizar subgrupos homogêneos de genótipos e ambientes em relação ao efeito da GEI. Os genótipos mais produtivos foram G8 e G10 e apenas o G2 foi considerado estatisticamente estável.
其他摘要：The analysis of data sets from multienvironmental trials is of fundamental importance in the final stages of plant breeding programs. In this context, the Additive Main Effects and Multiplicative Interaction (AMMI) model has become a popular method for evaluating genotype responses in different environments. In the present work, the AMMI model was applied, under the bayesian approach, to a set of data from a randomized block experiment with 12 mustard genotypes (varieties) in 6 different environments. The objective was to analyze genotypic stability and adaptability through the AMMI-2 biplot representation, highlighting differences in this approach in relation to the classical AMMI analysis. The results showed the great flexibility of the bayesian method to incorporate a random effect for genotypes, as well as inference to the biplot through regions of credibility for genotypic and environmental scores that describe the effect of the interaction between genotypes by environments (GEI). The regions of credibility built for main effects and bilinear parameters allowed to identify more productive genotypes and to visualize homogeneous subgroups of genotypes and environments in relation to the effect of GEI. The more productive genotypes were G8 and G10 and only G2 was considered statistically stable.
