Você está na página 1de 83

LAS MAYARA AZEVEDO BARROSO

Dissertao apresentada Universidade


Federal de Viosa, como parte das
exigncias do Programa de Ps(
Graduao em Estatstica Aplicada e
Biometria, para obteno do ttulo de
Magister Scientiae.

VIOSA
MINAS GERAIS BRASIL
2014
LAS MAYARA AZEVEDO BARROSO

!"#$% & #$ ' ( ( )! *$#$( (


! *$#$( ( + !")$%

Dissertao apresentada Universidade


Federal de Viosa, como parte das
exigncias do Programa de Ps(
Graduao em Estatstica Aplicada e
Biometria, para obteno do ttulo de
Magister Scientiae.

APROVADA: 17 de fevereiro de 2014

________________________________ ___________________________________
Fabyano Fonseca e Silva Ana Carolina Campana Nascimento
(Coorientadora)

________________________________
Moyss Nascimento
(Orientador)
Seria mais fcil fazer como todo mundo faz
o caminho mais curto, produto que rende mais
seria mais fcil fazer como todo mundo faz
um tiro certeiro, modelo que vende mais...
Mas ns vibramos em outra freqncia
sabemos que no bem assim
se fosse fcil achar o caminho das pedras
tantas pedras no caminho no seria ruim.
(Engenheiros do Hawaii)

,Nunca deixe que lhe digam que no vale a pena


Acreditar no sonho que se tem-
(Renato Russo)
ii
.

Agradeo a Deus por ter me dado fora para realizao de mais este sonho, por
ouvir minhas preces e por ter colocado pessoas maravilhosas no meu caminho que
muito me auxiliaram nesta etapa que chega ao fim.
Aos meus pais, Adelson e Inz, por sonharem junto comigo e por serem minha
base. Tudo o que sou hoje agradeo a vocs. Obrigada pelas oraes, incentivos e apoio
em todos os momentos. Vocs so meus heris e exemplos.
Aos meus irmos Thiago, Lvia e Maria Isabel por estarem sempre ao meu lado
me apoiando e me fazendo dar muitas risadas. Por todos os momentos que vivemos que
s nos ajudaram a crescer e aumentar ainda mais a nossa unio.
Ao meu orientador e amigo Moyss Nascimento pelos conselhos, incentivo e
confiana depositada na execuo deste trabalho. Agradeo pela disponibilidade,
ateno e amizade adquirida ao longo destes anos de convivncia. Por me incentivar a
cada dia mais e por ser um exemplo de profissional a ser seguido.
professora e co(orientadora Ana Carolina Campana Nascimento pelas
sugestes, incentivo e carinho.
Aos professores e co(orientadores Cosme Damio Cruz e Leonardo Lopes
Bhering pelas sugestes e pela ajuda.
Ao professor Fabyano Fonseca e Silva por abrir as portas da estatstica para mim
na Iniciao Cientifica fazendo com que eu tomasse gosto pela pesquisa, por me
apresentar o professor Moyss nesta poca para que pudssemos trabalhar juntos e por
ter aceitado participar desta banca.
Aos amigos de mestrado, dimo, Elingela, Fanni, Pmela, Nayara, Lucas e
Regiane pelos timos momentos e pelas trocas de experincia. A Camila, minha eterna
veterana, pelas conversas e pelos conselhos. A Gabi, que ao longo destes anos se tornou
uma irm, por todos os momentos inesquecveis, pela fora e pela amizade. Sem vocs
nada disso seria possvel.
Aos amigos de Viosa, em especial a Camila, Matheus, Vinicius, Rafael,
Thiago, Victor, Michele, Izabela e Susana por sempre terem uma palavra de incentivo e
apoiarem minhas decises.
s amigas de Bocaiva, Maria Eugnia, Marcela, Brbara, Rassa, Vernica,
Izabella pela valiosa amizade e por torcerem sempre por mim.
iii
Repblica Serenssimas, Ana Flvia, Ana Marisa, Tssia, Carol, Jlia,
Priscila, Aline, Kllen e Cristiana, por serem minha famlia em Viosa, por tornarem
essa caminhada mais tranquila e divertida. Serei eternamente grata a vocs.
Aos meus familiares pelo apoio.
Aos professores e funcionrias do Departamento de Estatstica da UFV, pela
competncia profissional e por todo apoio dado ao longo das minhas atividades
acadmicas.
Universidade Federal de Viosa e ao Programa de Ps(Graduao em
Estatstica Aplicada e Biometria pela oportunidade.
CAPES, pela concesso da bolsa de estudos.
todos que de uma maneira ou outra auxiliaram na concretizao deste
trabalho.

iv
LAS MAYARA AZEVEDO BARROSO, filha de Maria Inez Azevedo Barroso
e Antnio Adelson Barroso, nasceu em Bocaiva, Minas Gerais, em 16 de maro de
1989.
Em maro de 2007, ingressou no curso de Licenciatura em Matemtica na
Universidade Federal de Viosa, Viosa ( MG, graduando(se em janeiro de 2012.
Em maro do mesmo ano, iniciou o curso de Mestrado no Programa de Ps(
Graduao em Estatstica Aplicada e Biometria na Universidade Federal de Viosa,
submetendo(se defesa da dissertao em 17 de fevereiro de 2014.

v
./

RESUMO................................................................................................................... viii
ABSTRACT............................................................................................................... x
1 INTRODUO GERAL.................................................................................... 1
2 REVISO DE LITERATURA........................................................................... 4
2.1 Interao Gentipo x Ambiente...................................................................... 4
2.2 Metodologia de Adaptabilidade e Estabilidade baseada em Regresso
Linear Simples....................................................................................................... 5
2.2.1 Eberhart e Russell (1966)....................................................................... 5
2.3 Metodologia de Adaptabilidade e Estabilidade baseada em anlises no
paramtrica............................................................................................................. 7
2.3.1 Adaptabilidade e Estabilidade via regresso no paramtrica................ 8
2.4 Regresso Quantlica...................................................................................... 9
2.4.1 Introduo............................................................................................... 9
2.4.2 Quantil como soluo para um problema de minimizao..................... 11
2.4.3 Modelo da RQ......................................................................................... 13
2.4.4 Estimao................................................................................................ 14
2.4.5 Intervalo de Confiana............................................................................ 18
2.4.5.1 Metodologia baseada em bootstrap.............................................. 18
2.4.6 Qualidade de ajuste na RQ................................................................ 18
2.4.7 Interpretao das estimativas dos parmetros......................................... 19
2.4.7.1 RLS............................................................................................... 19
2.4.7.2 RQ................................................................................................. 19
REFERNCIAS BIBLIOGRFICAS.................................................................... 21
CAPTULO 1............................................................................................................ 25
Adaptabilidade e estabilidade para gentipos de alfafa via regresso
quantlica................................................................................................................... 25
RESUMO................................................................................................................... 25
1 Introduo............................................................................................................ 26
2 Material e Mtodos.............................................................................................. 27
2.1 RQ em estudos de adaptabilidade e estabilidade............................................ 27
2.2 Dados simulados............................................................................................. 30

vi
2.3 Comparao de mtodos de adaptabilidade e estabilidade............................. 31
2.4 Dados Reais.................................................................................................... 32
2.5 Aspectos Computacionais............................................................................... 33
3 Resultados e Discusso........................................................................................ 34
3.1 Dados Simulados ........................................................................................... 34
3.2 Dados Reais.................................................................................................... 37
4 Concluses............................................................................................................ 44
REFERNCIAS BIBLIOGRFICAS.................................................................... 45
CONSIDERAES FINAIS................................................................................... 48
APNDICE A ( Rotinas Computacionais implementadas .................................. 49
APNDICE B Tabela com os demais gentipos................................................. 65
APNDICE C ( Demonstrao de que a mediana minimiza a mdia da distancia
absoluta...................................................................................................... 69

vii
.

BARROSO, Las Mayara Azevedo, M.Sc., Universidade Federal de Viosa, fevereiro


de 2014. !"#$% & #$ ' ( ( )! *$#$( ( ! *$#$( (
+ !")$% 0 Orientador: Moyss Nascimento. Coorientadores: Ana Carolina Campana
Nascimento, Cosme Damio Cruz e Leonardo Lopes Bhering.

No melhoramento gentico de plantas, quando o objetivo selecionar ou recomendar


gentipos para o plantio, o estudo da interao entre gentipo x ambiente de extrema
importncia. Entretanto, tal estudo no fornece informaes pormenorizadas sobre o
comportamento de cada cultivar diante das variaes ambientais. Assim, tornam(se
necessrias as anlises de adaptabilidade e de estabilidade para a identificao e
recomendao de materiais superiores em diferentes ambientes. Embora a literatura
apresente diversos mtodos, para realizao da anlise de adaptabilidade e estabilidade,
nenhum leva em considerao a presena de fentipos no normais, ou seja,
distribuies de valores fentipos assimtricos ou com caudas pesadas. Desta forma,
caso haja a presena desse tipo de valores fenotpicos, os mtodos podem sofrer a
influncia de modo que a recomendao pode ser errnea, ou seja, o uso de tais
mtodos ocasionam estimativas inadequadas, que no refletem a verdadeira relao
existente entre a variao ambiental e a resposta fenotpica. Uma soluo interessante
para tratar este problema de maneira unificada, isto , a presena de pontos discrepantes
ou assimetria, a utilizao de regresso quantlica (RQ). Tal metodologia,
diferentemente dos mtodos de regresso usuais, que utilizam a mdia condicional para
explicar a relao funcional entre a variao ambiental e a resposta fenotpica, faz uso
de funes quantlicas condicionais. Desta forma, a RQ possibilita escolher o quantil
que melhor representa a relao 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 regresso quantlica, atravs de uma
discusso detalhada de seus fundamentos tericos, evidenciando, com aplicaes
concretas, seu uso em anlise de adaptabilidade e estabilidade, fornecendo assim um
material de fcil acesso para leitores interessados no assunto, contribuindo com
pesquisadores e interessados nesta rea. Para avaliao da tcnica foram simulados
valores fenotpicos, com distribuies simtrica, simtrica com outliers, assimtrica
direita, assimtrica direita com outliers, assimtrica esquerda e assimtrica
esquerda com outliers. Alm disso, foram utilizados dados provenientes de um
viii
experimento sobre produo de matria seca de 92 gentipos de alfafa (Medicago
sativa) avaliados em 20 ambientes. Sugere(se que, para valores fenotpicos simtricos
deve(se averiguar se este possui outlier, se sim utilizada ou a regresso no
paramtrica ou a RQ ( = 0,50) , se no, se utiliza ou a metodologia de Eberhart e
Russell (1966) ou a RQ ( = 0,50) . J se o fentipo for assimtrico, com ou sem a
presena de outlier, utiliza(se RQ ( = 0,25) para assimetria a direita e RQ ( = 0,75)
para assimetria esquerda. De acordo com os resultados encontrados a RQ foi eficiente
para classificao de gentipos de alfafa.

ix
BARROSO, Las Mayara Azevedo, M.Sc., Universidade Federal de Viosa, February,
2014. !$# $ $ !1 & # !$ + ( )! *$#$!2 ( )1 !2)$%
! *$#$!20 Advisor: Moyss Nascimento. Co(Advisors: Ana Carolina Campana
Nascimento, Cosme Damio Cruz and Leonardo Lopes Bhering.

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 ( = 0,50 )
x
should be used, if not, should be used either Eberhart and Russell methodology (1966)
or QR ( = 0,50 ). Since the phenotype is asymmetric, with or without the presence of
outlier, it uses QR ( = 0,25 ) to right asymmetry and QR ( = 0,75) to the left
asymmetry. According to the results the QR method was efficient for classifying alfalfa
genotypes.

xi
30

No melhoramento gentico vegetal, seja na fase de seleo e, principalmente, na


fase de recomendao, o conhecimento do componente de interao gentipo x
ambiente (IGA) de extrema importncia. Entretanto, tal conhecimento no fornece
informaes detalhadas a respeito do comportamento de cada cultivar frente s
variaes ambientais (CRUZ et al., 2012). Assim, visando identificar e recomendar
materiais superiores em diferentes ambientes, o estudo pormenorizado desta
componente, por meio de anlises de adaptabilidade e de estabilidade, torna(se
necessrio.
As metodologias de anlise de adaptabilidade e estabilidade so diferentes
quanto aos conceitos adotados e a certos princpios estatsticos empregados (CRUZ et
al., 2012). Como exemplo, pode(se citar as metodologias paramtricas baseadas em
regresso (FINLAY e WILKINSON,1963; EBERHART e RUSSELL, 1966; CRUZ et
al., 1989; NASCIMENTO et al., 2010; NASCIMENTO et al., 2011) e anlises no
paramtricas, tais como os mtodos propostos por Lin e Binns (1988), Carneiro (1998)
alm do mtodo centroide (ROCHA et al. 2005) e seus desenvolvimentos posteriores,
centroides mltiplos e ampliado (NASCIMENTO et al., 2009a, 2009b).
Dentre as metodologias citadas, uma classe que apresenta grande destaque a
formada pelos mtodos baseados em regresso. A utilizao dessas metodologias pode
ser verificada no trabalho de Ldo et al. (2005), os quais classificaram cultivares de
alfafa quanto a adaptabilidade e estabilidade e, nos estudos de Pereira et al. (2009) e
Nascimento et al. (2011), em que foram avaliadas cultivares de feijo e caf,
respectivamente.
Embora tais mtodos sejam teis, devido ao processo de estimao, o qual
utiliza de mdias condicionais para explicar a relao entre a variao ambiental e a
resposta fenotpica, os mesmos sofrem a ao de pontos extremos e so pouco
representativos quando a distribuio do fentipo no normal. Visando contornar este
problema, Nascimento et al. (2010) apresentam uma soluo para tratar fentipos que
no possuem distribuio normal. Especificamente, tal metodologia recomendada
quando a distribuio do fentipo apresenta caudas pesadas, ou seja, distribuies que
podem gerar outilers. Nesta metodologia, visto que para a obteno dos estimadores
utilizam(se medianas, as estimativas dos parmetros so menos sensveis a pontos

1
extremos que os estimadores clssicos obtidos pelo mtodo dos mnimos quadrados
ordinrios, que so baseados em mdias. Na prtica, a presena de outliers pode
proporcionar estimativas inadequadas, que no refletem a verdadeira relao existente
entre a variao ambiental e a resposta fenotpica, e assim superestimar ou subestimar o
parmetro de adaptabilidade em mtodos baseados em regresso.
Distribuies com caudas pesadas so na verdade um caso particular de
distribuies de fentipos que no apresentam normalidade. Assim, tanto para casos em
que a distribuio do fentipo apresente assimetria quanto caudas pesadas, a utilizao
de mtodos usuais, baseados em regresso, os quais assumem uma relao funcional
entre a variao ambiental e a resposta fenotpica atravs da mdia condicional ou
mediana, podem proporcionar estimativas menos acuradas, que no reetem a
verdadeira relao existente entre a variao ambiental e a resposta fenotpica. Outras
metodologias tais como as propostas por Lin e Binns (1988) e Carneiro (1998), tambm
podem ocasionar resultados imprprios na presena de fentipos no normais, como por
exemplo, na presena de pontos extremos, o valor dos parmetros pode ser inacionado
e provocar a incorreta classicao do gentipo quanto adaptabilidade e estabilidade.
Quando se consideram as metodologias dos centroides mltiplos e centroide ampliado
(NASCIMENTO et al., 2009a, 2009b), baseadas em componentes principais, a
presena de pontos discrepantes inuncia diretamente a congurao grca obtida por
meio dos escores dos gentipos.
Uma soluo interessante, no utilizada at o momento em estudos de
adaptabilidade e estabilidade para tratar os problemas ocasionados pela presena de
outliers ou assimetria na distribuio fenotpica a utilizao de regresso quantlica
(RQ), que diferentemente dos mtodos usuais, baseados em regresso, utiliza quantis
condicionais e no a mdia para explicar a relao funcional entre a variao ambiental
e a resposta fenotpica. Assim, a RQ possibilita escolher o quantil que melhor representa
relao entre a variao ambiental e a resposta fenotpica com o intuito de contemplar
naturalmente os problemas mencionados acima.
A RQ j foi abordada no melhoramento gentico vegetal em alguns trabalhos,
como por exemplo, De La Veja e Chapman (2010) e Gourdji et al. (2012). De La Veja e
Chapman (2010) utilizaram a RQ para estimar o ganho gentico como funo limite
superior da relao entre os rendimentos hbridos e ano de lanamento. Gourdji et al.
(2012) utilizaram a RQ para ajustar os rendimentos observados para mudanas nos

2
locais e condies ambientais de ensaios ao longo do tempo, um passo considerado
necessrio para avaliar verdadeiros ganhos genticos em condies teoricamente
constantes.
Silva e Porto Jnior (2006) usaram a RQ para fornecer uma viso mais detalhada
dos impactos gerados pelo sistema financeiro na distribuio condicional do
crescimento econmico. Beyerlein et al. (2011) utilizou RQ em anlises GWAS
(Genome Wide Association Study) na rea de medicina humana e enfatizou vantagens
estatsticas e biolgicas ao se estimar efeitos de marcadores em diferentes quantis das
distribuies dos fentipos. Nascimento et al. (2012) utilizaram a RQ para investigar os
determinantes da eficincia de produtores de leite de MG, para diferentes nveis de
eficincia.
Diante do exposto, este trabalho pretende apresentar a metodologia da Regresso
Quantlica e seus aspectos tericos e, alm disso, apresentar uma proposta de anlise em
estudos de adaptabilidade e estabilidade.
De acordo com o apresentado, este trabalho est organizado em reviso de
literatura, captulo 1 e concluses.
Na reviso de literatura apresentam(se mtodos de adaptabilidade e estabilidade
baseado em regresso linear simples (EBERHART e RUSSELL, 1966) e baseado em
anlises no paramtricas (NASCIMENTO et al., 2010). Posteriormente, tratada a
Regresso Quantlica, seus conceitos, modelo, processo de estimao, construo de
intervalos de confiana e coeficiente de determinao.
No captulo 1 apresentada uma aplicao da RQ, em que os autores propem
uma nova metodologia de anlise de adaptabilidade e estabilidade fenotpica de
gentipos de alfafa baseada em RQ.
Finalmente, apresentam(se as concluses do trabalho.

3
40

2.1. Interao Gentipo x Ambiente (IGA)

Para o estudo de um determinado ambiente, tem(se que a manifestao


fenotpica o efeito da ao do gentipo considerando a influncia do meio (CRUZ et
al., 2012). Todavia, quando avaliado um conjunto de ambientes, alm dos efeitos
genotpicos e ambientais, deve(se considerar o efeito adicional ocasionado pela
interao destes efeitos.
Esta interao importante, pois, caso exista, pode ocorrer de gentipos
superiores em um determinado ambiente no os serem em outro. Tal fato influencia o
ganho de seleo e dificulta a recomendao de cultivares com ampla adaptabilidade
(CRUZ et al., 2012). Desta forma a avaliao da magnitude e significncia da IGA
torna(se imprescindvel em um programa de melhoramento.
2
A quantificao do componente da variao atribudo aos efeitos da IGA ( ga )
realizada por meio da anlise conjunta da varincia, atravs de um sistema no qual se
igualam os quadrados mdios aos respectivos estimadores dos componentes de suas
esperanas matemticas. Posteriormente, por meio do teste F, verificada a
significncia deste componente.
Dada significncia do componente de varincia da IGA necessrio
metodologias para contornar alguns inconvenientes, como o fato de um gentipo ser o
melhor em um ambiente e no o ser em outro. Uma maneira de contornar estes
inconvenientes proporcionados pela IGA a utilizao da estratificao da regio
considerada em sub(regies com caractersticas ambientais semelhantes. Entretanto, ao
utilizar este procedimento uma frao da interao ainda permanece, pois h ocorrncia
de fatores incontrolveis dos ambientes, como chuvas e temperaturas (CRUZ et al.,
2012). Outra maneira utilizar estudos de adaptabilidade e estabilidade, os quais
permitem identificar cultivares que apresentam comportamento previsvel e que
respondam de forma satisfatria s variaes dos ambientes.
Existem na literatura diversas metodologias que fazem estudos de adaptabilidade
e estabilidade. vlido ressaltar que, para a escolha do mtodo, devem(se levar em
considerao alguns fatores, como o nmero de ambientes avaliados. Conforme descrito

4
em Resende et al. (2001) quando as metodologias so baseadas unicamente em anlises
de varincia, estas so recomendadas quando se dispe de um nmero restrito de
ambientes, geralmente entre 3 e 5, enquanto que as metodologias que so baseadas em
anlises de varincia e de regresso necessitam, para a sua aplicao, de um nmero no
muito grande de ambientes de 5 ou mais.
Dentre as metodologias existentes podem(se citar o mtodo Tradicional (apud
CRUZ et al., 2012, p. 143), o mtodo proposto por Plaisted e Peterson (1959), a
metodologia de Finlay e Wilkinson (1963), o mtodo de Eberhart e Russell (1966), a
metodologia proposta por Tai (1971), o mtodo de Cruz, Torres e Vencovsky (1989).
Alm destes, pode(se citar as metodologias de Lin e Binns (1988), regresso no
paramtrica (NASCIMENTO et al., 2010), mtodo centroide (ROCHA et al., 2005) e
seus desenvolvimentos posteriores, centroides mltiplos e ampliado (NASCIMENTO et
al., 2009a, 2009b), alm das metodologias baseadas em anlises grficas, tais como
AMMI (GAUCH JUNIOR, 2006) e GGE biplot (YAN e TINKER, 2006). Estas
metodologias distinguem(se dos conceitos de adaptabilidade e estabilidade adotados e
dos princpios estatsticos empregados (CRUZ et al., 2012).
A seguir so apresentadas algumas metodologias de anlise de adaptabilidade e
estabilidade utilizadas neste trabalho.

2.2. Metodologia de Adaptabilidade e Estabilidade baseada em Regresso


Linear simples

2.2.1. Eberhart e Russell (1966)

Nos mtodos de adaptabilidade e estabilidade baseados em anlise de regresso,


a variao de cada gentipo frente s variaes ambientais estabelecida por meio do
ajuste de um modelo de regresso linear simples.
Dessa forma, para um experimento com g gentipos e a ambientes define(se o
seguinte modelo estatstico:
Yij = 0i + 1i I j + ij , (1)

5
em que: Yij a mdia de gentipo i , obtida por meio de r repeties, no ambiente j,

com i = 1,..., g e j = 1,..., a ; 0i a constante da regresso referente ao i(simo

gentipo; 1i o coeficiente de regresso, que mede a resposta do i(simo gentipo

Yij Yij
variao do ambiente; I j o ndice ambiental codificado I j = i
i j
;
g ga
ij = ij + ij o erro aleatrio composto pela soma do desvio da regresso ij e o erro

experimental mdio ij .

As estimativas do ndice ambiental I j , indicam a qualidade do ambiente, uma

vez que valores negativos de I j identificam ambientes desfavorveis e valores

positivos de I j , ambientes favorveis.

Na metodologia de Eberhart e Russell (1966), o conceito de adaptabilidade


refere(se capacidade de os gentipos responderem ao estmulo do ambiente enquanto
que o conceito de estabilidade refere(se capacidade de os gentipos mostrarem um
comportamento previsvel em funo do estmulo do ambiente (CRUZ et al., 2012).
Para obteno dos parmetros de um modelo de regresso, utiliza(se o mtodo
de mnimos quadrados ordinrios (MQO). Este mtodo consiste em tomar como
estimativas dos parmetros, os valores que minimizem a soma de quadrados dos desvios
(erros). Assim, os estimadores de mnimos quadrados dos coeficientes do modelo (1)
Yij I j
so dados por: 0i = Yi e 1i =
j
2
.
Ij
j

Nesta metodologia, alm de 1i , o desvio da regresso ( d2 ) tambm


i

considerado como parmetro para a classificao dos gentipos. Assim, os parmetros


de adaptabilidade e estabilidade so dados pelo coeficiente angular da regresso 1i e o

desvio da regresso d2 , respectivamente. Os autores consideram como ideal o


i

gentipo que apresenta 1i = 1 e desvios da regresso to pequenos quanto possveis.

A classificao dos gentipos quanto adaptabilidade feita a partir das


estimativas deste parmetro. Valores de 1i maiores que 1 indicam que os gentipos

6
so recomendados a ambientes favorveis, enquanto que, para valores de 1i menores

que 1 os gentipos so indicados a ambientes desfavorveis. J para o caso onde 1i


igual a 1, os gentipos so classificados como de adaptabilidade geral. A avaliao da
hiptese de que o parmetro seja igual unidade, H 0i : 1i = 1 , realizada por meio do

1i 1 QMR
teste t, cuja estatstica dada por t = , em que V ( 1i ) = . Esta estatstica
V(1i ) r I 2j
j

est associada ao nmero de graus de liberdade do resduo da anlise de varincia


conjunta e ao nvel de significncia .

QMDi QMR
O parmetro de estabilidade ( d2 ) obtido por meio de, d2 = ,
i i r
em que QMDi : quadrado mdio do desvio do gentipo i; QMR : quadrado mdio do
resduo; r: nmero de repeties.

A avaliao da hiptese H 0 : di2 = 0 realizada por meio do teste F, cuja

QMDi
estatstica dada por F = , que est associada a a 2 e m graus de liberdade, em
QMR
que a o nmero de ambientes, m o nmero de graus de liberdade do resduo da
anlise conjunta e a um nvel de significncia .

Em relao ao parmetro de estabilidade ( d2 ), gentipos com d2 igual a zero


i i

classificam(se como de alta previsibilidade, ou seja, os gentipos mostram um


comportamento altamente previsvel em funo do estmulo do ambiente, e gentipos

com d2 maior que zero classificam(se como de baixa previsibilidade.


i

Alm disso, o valor de 0i = Yi representa a mdia de produo do gentipo i


quando se considera todos os ambientes, assim, quanto maior o valor de sua estimativa
maior o interesse para o plantio.

2.3. Metodologia de Adaptabilidade e Estabilidade baseada em anlise no


paramtrica

7
2.3.1. Adaptabilidade e estabilidade via regresso no paramtrica
(NASCIMENTO et al., 2010)

Nesta metodologia, da mesma forma que em Eberhart e Russell (1966), a


adaptabilidade definida como a capacidade dos gentipos responderem ao estmulo do
ambiente, sendo que os mesmos so classificados de acordo com o resultado do teste t
aplicado ao coeficiente de regresso.
A definio de estabilidade tambm a mesma que a descrita no mtodo de
Eberhart e Russell (1966). Entretanto, nesta metodologia, diferentemente de Eberhart e

Russell (1966), utiliza(se o coeficiente de determinao, RT2 como parmetro de


i

estabilidade, de modo que os gentipos so classificados da seguinte forma: i) gentipos

com estabilidade ou previsibilidade alta, so aqueles em que RT2 so maiores que 70%
i

e, ii) gentipos com estabilidade ou previsibilidade baixa, so aqueles em que RT2 so


i

menores que 70%.

Segundo Nascimento et al. (2010) a estimao do coeficiente angular 1i ,


parmetro de adaptabilidade via regresso no paramtrica, realizada da seguinte
forma: calculam(se todos os valores amostrais A = [a(a 1 )] / 2 de
S ikl = (Yil Yik ) /(I l I k ) para todo i = 1,..., g e 1 k < l a , em que Yil a mdia

referente ao i(simo gentipo no l(simo ambiente; I l o valor do ndice ambiental

referente ao l(simo ambiente. Assim, o estimador de 1i dado por

1i = mediana {S ikl ,1 k < l a}. Ento, se A mpar, A = 2k + 1 , tem(se 1i = S k +1 .

Se A par, A = 2k , tem(se 1i = (S k + S k +1 ) / 2 .

A avaliao da hiptese H 0 : 1i = 1 realizada da mesma maneira que na


metodologia de Eberhart e Russell (1966), atravs do teste t.

O intercepto 0i estimado, segundo Theil (1950), a partir da mediana de todos

0i = y ij 1i I j .

8
Nesta metodologia a estimao da estabilidade feita a partir do clculo do
coeficiente de determinao, isto , a variabilidade da varivel dependente que
explicada pelo modelo ajustado e dada por:

RT2 = Var(y ij ) / Var(yij ) (2)


i

em que Var(y ij ) a varincia dos valores estimados e Var(yij ) a varincia dos

valores observados.
Para utilizar o mtodo proposto por Nascimento et al. (2010), necessrio saber
se h um ponto extremo que esteja subestimando ou superestimando o parmetro de
adaptabilidade. Desta forma, definiu(se como medida da influncia de um ponto a
variao, em mdulo, entre os estimadores do coeficiente de inclinao estimados pelos
mtodos de mnimos quadrados ( 1*i ) e pelo mtodo de regresso no paramtrica ( 1i )

| |
para cada gentipo, isto , 51i = 1*i 1i . Os autores consideram o valor de 0,05 de
variao para assumir a existncia de um ponto extremo. Caso a variao no ultrapasse
este valor definido, utilizado o mtodo de Eberhart e Russell (1966).
Esta metodologia menos influenciada por pontos extremos e caso os gentipos
tenham resposta diferenciada em algum ambiente, a m interpretao do parmetro de
adaptabilidade evitada.
Diversos autores eliminam os outliers para contornar os inconvenientes
provocados por eles (LY et al., 2013), entretanto ao realizar esta ao pode acontecer de
haver perda de informao no conjunto de dados, pois mesmo interferindo na estimao,
o outlier faz parte do fenmeno estudado.

2.4. Regresso Quantlica

2.4.1. Introduo

Uma das tcnicas mais estudadas no meio acadmico a Regresso Linear (RL),
cujo principal objetivo estabelecer uma relao funcional entre a varivel resposta e a
varivel preditora. No modelo de regresso linear simples (RLS), a relao entre a

9
varivel preditora X e a varivel resposta Y dada pela equao de uma reta e
representada por:
Yi = 0 + 1 X i + e i (3)
em que o intercepto 0 e o coeficiente angular 1 so constantes desconhecidas,

tambm conhecidos como parmetros e e i so os erros aleatrios. Os termos de erros


tm mdia zero, varincia desconhecida 2 e so homocedsticos. Adicionalmente
assumimos que os erros so no correlacionados e normalmente distribudos.
Uma maneira de se estimar os coeficientes do modelo (3) atravs do
mtodo dos mnimos quadrados ordinrios (MQO), no qual se adotam como estimativas
dos parmetros os valores que minimizam a soma de quadrados dos erros, ou seja, das
diferenas entre as distncias verticais das observaes yi e a reta estimada
(GUJARATI, 2011; CECON et al., 2012).
Apesar da facilidade de interpretao e implementao, a RLS apresenta
algumas limitaes. Em primeiro lugar, os pressupostos do modelo nem sempre so
vlidos para conjuntos de dados reais. A pressuposio de homocedasticidade (Figura 1)
geralmente falha. Segundo Gujarati (2011) existem vrias razes que podem causar a
quebra do pressuposto de homocedasticidade dos erros e, dentre elas podem(se citar:
modelos de aprendizagem com o erro, aperfeioamento de tcnicas de coleta de dados,
dados discrepantes, entre outras. Desta forma, quando exclumos o pressuposto de
homocedasticidade, embora os estimadores de mnimos quadrados sejam ainda no
tendenciosos os mesmos no possuem varincia mnima (MONTGOMERY et al.,
2012). Assim, os estimadores obtidos por meio do mtodo dos mnimos quadrados no
sero BLUE (Best Linear Unbiased Estimator).
Quando a distribuio apresenta caudas pesadas, a mdia condicional pode se
tornar uma medida inadequada e enganosa de localizao central, pois fortemente
influenciada por outliers.
Alm disso, o calculo dos p(valores se baseiam no pressuposto de normalidade e
caso exista violao desta condio pode ocorrer vis nos p(valores, acarretando em
testes de hipteses invlidos (HAO E NAIMAN, 2007).

10
$ 30 Representao do modelo RLS com erros homocedsticos.

Para contornar a limitao referente distribuio normal dos erros, pode(se


utilizar o mtodo de minimizao dos erros absolutos, uma vez que este robusto na
presena de outliers e descreve melhor uma medida de posio central da distribuio
condicional da varivel resposta, uma vez que estima o valor mediano da distribuio.
Koenker e Bassett (1978) propuseram uma abordagem mais geral, a regresso
quantlica (RQ), que se baseia no mtodo dos erros absolutos ponderados. Entretanto,
nesta metodologia no se considera apenas o valor mediano, e sim realizada uma
ponderao na minimizao dos erros para se estimar os diversos quantis de interesse.
A utilizao de diversos quantis possibilita a obteno de maiores informaes
de localizao do que quando se utiliza apenas o centro da distribuio. Desta forma
possvel examinar uma localizao na cauda inferior (por exemplo, o quantil 0,1) ou na
cauda superior (por exemplo, o quantil 0,9) quando o pesquisador necessita de
informaes sobre subpopulaes especficas (HAO e NAIMAN, 2007). Como por
exemplo, nos estudos envolvendo problemas econmicos (SILVA e PORTO JUNIOR,
2006), medicina humana (BEYERLEIN et al., 2011) e problemas sociais (HAO e
NAIMAN, 2007).
Alm disso, de acordo com Koenker (2005), modelos de RQ so capazes de
incorporar uma possvel heterocedasticidade, que seria detectada a partir da variao das
estimativas dos coeficientes dos parmetros para diferentes quantis ( ' s ).

2.4.2. Quantil como soluo para um problema de minimizao

De acordo com Hao e Naiman (2007), um quantil de ordem pode ser


considerado como a soluo de um determinado problema de minimizao.

11
O quantil de ordem de uma populao ou de uma amostra o valor m tal que
100 dos valores populacionais ou amostrais so inferiores a ele, com 0 < < 1 .
Outra definio bastante utilizada est descrita em Hao e Naiman (2007), onde
os autores falam que o (simo quantil da funo de distribuio acumulada F o valor
mnimo de y tal que F(y) .
Seja Y uma varivel aleatria com funo de distribuio acumulada F. Hao e
Naiman (2007) mostraram que o valor de m que minimiza a mdia da distancia
absoluta, E |Y m| , a mediana, ou seja, o ponto em que a derivada em relao m
nula ou onde as duas derivadas direcionais mudam de sinal. A demonstrao deste
resultado encontra(se no Apndice C.
Considerando uma amostra tambm possvel definir a distncia mdia absoluta
1 n
de m at pontos amostrais a partir de f(m) = | yi m| . Desta forma, a funo ser
n i=1
1 1
mnima quando a derivada valer , para m < y i e para m > y i . Alm disso, a
n n
funo no diferencivel em m = y i , e ento, assumir uma derivada direcional de

1 1
na direo negativa e no sentido positivo.
n n
Este resultado pode ser generalizado para qualquer quantil de interesse, [0,1] .
Para tanto, considere a distncia absoluta de Y para um dado p aplicado diferentes pesos
se Y est
esquerda ou direita de p, ou seja:
( 1 )|Y p|, se Y < p
d (Y, p) = (4)
|Y p|, se Y p

Como apresentado em Hao e Naiman (2007), o mnimo da mdia desta funo


( E [d (Y , p)] ) ocorre quando p o simo quantil. Da mesma forma, uma amostra do

simo quantil o valor de p que minimiza a distncia ponderada mdia:


1 n 1
d (y i , p ) = | y i p| + | y i p| (5)
n i=1 n yi < p n yi p

12
em que d ( y i , p ) a distncia de y i at p , n o tamanho amostral, o quantil de

interesse ( [0,1] ), p um ponto qualquer e y i so os valores observados.

2.4.3. Modelo da RQ

O modelo da Regresso Quantlica, que descreve a relao funcional entre a


varivel dependente e a varivel independente, pode ser descrito como:

Yi = 0i ( ) + 1i ( ) X i + ei ( ) (6)

em que 0i ( ) a constante da regresso; 1i ( ) o coeficiente da regresso; ei ( ) so

os erros aleatrios independentes e identicamente distribudos com quantil de ordem


igual a zero; X varivel independente e refere(se ao quantil assumido ( [0,1]) .
Nos modelos de RLS (3) estima(se apenas uma reta para explicar todo o
conjunto de dados. Entretanto, a linha da regresso no captura mudanas na
distribuio da varivel dependente. J na RQ (6) podem ser estimadas retas para cada
quantil de interesse, desta maneira se torna mais adequado interpretao dos
resultados para o conjunto de dados com presena de assimetria, pois atravs dela
possvel traar a relao em regies centrais, atravs da mediana, e nas caudas da
distribuio condicional de acordo com o interesse.
Pode(se observar que a RLS fornece apenas informaes em termos mdios da
varivel dependente (Figura 2A). Enquanto que a RQ possibilita observar a relao
funcional em diferentes nveis da varivel dependente (Figura 2B).

13
$ 40 Ajuste de um modelo linear e diversos ajustes da regresso quantlica.
Fonte: Hao e Naiman (2007).

2.4.4. Estimao

Conforme discutido anteriormente, tem(se que a estimao da RLS feita por


meio do MQO, no qual se deseja minimizar a soma de quadrados dos erros.
A principal diferena entre as estimaes da RQ e da RLS que a distncia dos
pontos observados a reta estimada na RQ medida minimizando a mdia ponderada da
soma das distncias verticais, sendo que para pontos abaixo da linha atribui(se peso
1 , e para pontos acima da linha peso , conforme apresentado em Hao e Naiman
(2007).
Cada escolha do valor do peso resultar numa funo ajustada do quantil
condicional. Assim, como descrito na seo 2.4.2, tem(se que um quantil pode ser
visto como o ponto em que minimiza a distncia mdia ponderada, com pesos
dependendo da localizao do ponto, se o ponto est acima ou abaixo da reta ajustada.
O objetivo ento encontrar os valores de i' s que minimizem a equao:

| yi 0i ( ) 1i ( ) X i | + ( 1 ) | yi 0i ( )i 1i ( ) X i |
n
d (yi , y i ) = (7)
i=1 yi 0i ( )+ 1i ( ) X i y i < 0i ( )+ 1i ( ) X i

14
em que d a distncia entre yi e yi ; 0i ( ) a constante da regresso; 1i ( ) o

coeficiente da regresso; X varivel independente e refere(se ao quantil assumido


( [0,1]) .
Ao minimizar a Equao 7 tem(se como resultados a reta da regresso do quantil
de interesse.
Hao e Naiman (2007) ilustram o algoritmo de minimizao da soma dos erros
ponderados para obteno dos estimadores da RQ, considerando quatro pares de pontos
hipotticos (((2,(1); (1,2); (2,(2); (3,1)) e as seis retas que ligam cada um destes pares de
pontos (Figura 3). Para este exemplo considere ainda o valor de = 0,5 , ou seja, deseja(
se encontrar a reta da regresso mediana que passa por um par de pontos do conjunto de
modo que, metade dos pontos se encontram abaixo desta reta e a outra metade acima.
Desta forma, metade dos resduos negativa e a outra metade positiva (HAO e
NAIMAN, 2007). Assim, necessrio minimizar a equao:

| yi 0i ( 0,5) X i 1i ( 0,5)| + ( 1 0,5 ) | yi 0i ( 0,5) X i1i ( 0,5)|


n
d (yi , y i ) = 0,5
i=1 yi 0i ( 0,5)+ X ( 0,5) y i < 0i ( 0,5)+ X ( 0,5)
i 1i i 1i

A linha pontilhada exatamente a linha ajustada pela regresso mediana (Figura


3), visto que a mesma apresenta exatamente um ponto abaixo e acima da reta e
apresenta a menor soma das distncias ponderadas considerando = 0,5 .

$ 50 Grfico do plano (x,y)

15
Cada reta apresentada na Figura 3 pode ser representada por uma equao do
tipo y = 0 + 1 x . Desta forma, podem(se obter seis pontos do tipo ( 0 , 1) . De posse
destes pares, possvel estabelecer uma relao entre os pontos do plano (x, y) e as retas
do plano ( 0 , 1) , uma vez que para o primeiro plano temos a equao da reta

y 1
y = 0 + 1 x , e desta forma os pontos ( 0 , 1) encontram(se na reta 1 = i 0 .
xi xi
Tal relao denotada como dualidade ponto/reta (point/line duality) (EDGEWORTH,
1888) (Figura 4) (HAO E NAIMAN, 2007).

$ 60 Grfico do plano ( 0 , 1)

A Figura 4 apresenta o plano ( 0 , 1 ) onde cada ponto representado corresponde


a uma reta do plano (x, y). O ponto em destaque (azul) corresponde linha da regresso
mediana ajustada na Figura 3.
Na Figura 4 as quatro linhas apresentadas correspondem aos quatro pontos da
Figura 3. Estas linhas dividem o grfico em regies poligonais1. Os pontos que formam
estas regies correspondem a um conjunto de linhas no plano (x, y). Alm disso, estes
pontos dividem o conjunto de dados da
mesma forma. Portanto, como neste exemplo foram utilizadas apenas retas, tem(se que
a funo de ( 0 , 1) que minimiza a Equao 8 linear em cada regio. Considerando
uma nova dimenso definida como os valores para todos os pares de betas e de

1
Regio Poligonal a reunio de um polgono com o seu interior.

16
observaes da equao 7 com = 0,5 (Figura 5), conclui(se que esta funo convexa
com um grfico que forma uma superfcie polidrica2 e o par de betas que minimiza a
funo a reta mediana, ilustrada na Figura 3.

$ 70 Superfcie polidrica.

Um algoritmo que permite minimizar a equao 7, estimando os coeficientes da


regresso mediana ( 0 , 1) , baseado em algoritmos de problemas de programao
linear (HAO e NAIMAN, 2007). Tais algoritmos no fazem parte do escopo deste
trabalho e assim ser apresentada apenas a maneira como tais mtodos trabalham. O
mtodo utilizado para soluo de problemas de programao linear o Mtodo
Simplex. A ideia da minimizao no Mtodo Simplex que a partir de qualquer um dos
pontos ( 0 , 1) , que corresponde aos vrtices da regio poligonal (Figura 5), feita uma
iterao percorrendo vrtice a vrtice das arestas da superfcie e desta forma escolhe(se
o caminho onde a distncia mnima. O principal objetivo neste mtodo obter o ponto
que corresponde ao menor valor da equao 7.
Este resultado pode ser generalizado para qualquer estimador da regresso
quantlica (KOENKER e DOREY, 1987). Deste modo necessrio encontrar os
estimadores 0i ( ) e 1i ( ) que minimizem a soma dos erros absolutos ponderados da

equao 7, ou seja, deve(se minimizar a soma dos resduos yi y i de maneira que

resduos com valores positivos recebem peso e resduos negativos recebem peso
2
Superfcie Polidrica limitada convexa a reunio de um nmero finito de polgonos planos e
convexos.

17
1 . Assim devem(se obter os estimadores 0i ( ) e 1i ( ) que minimizem a equao
7.

2.4.5. Intervalo de Confiana

Na literatura so descritos dois mtodos para construo do intervalo de


confiana para os parmetros dos modelos de RQ. O primeiro baseado em resultados
assintticos e o segundo baseado em bootstrap. Hao e Naiman (2007) consideram a
utilizao do procedimento baseado em bootstrap prefervel, visto que o mesmo no
depende de pressuposies quanto distribuio dos dados.
Assim, neste trabalho ser descrito apenas o mtodo baseado em bootstrap para
obter os intervalos de confiana desejados.

2.4.5.1. Metodologia baseada em bootstrap.

De acordo com Koenker (2005) selecionam(se os pares de observaes (y i , xi )

com probabilidade 1 n , onde n o tamanho amostral. Desta forma constri(se um novo


vetor Y * com os valores da varivel resposta e uma nova matriz de delineamento X * .
Este procedimento repetido M vezes e em cada repetio calculado o vetor * ( ) .
Com as M estimativas para o vetor de parmetros do modelo da RQ estimado o erro
padro de ( ) a partir do erro padro encontrado nas reamostragens.

Dessa forma um intervalo de confiana para ( ) , com coeficiente de confiana


= 1 , dado por:

i ( ) z / 2 s boot , (8)

em que z / 2 o quantil de ordem 1 2 da distribuio normal padro e sboot o

estimador do erro padro do parmetro i ( ) encontrado por meio de procedimento


bootstrap.

2.4.6. Qualidade de ajuste na RQ

18
O coeficiente de determinao, R 2 , mede a qualidade do ajuste de um modelo
de regresso, ou seja, ele indica a proporo da variao da varivel resposta que
explicada pela regresso.
Uma alternativa para calcular o coeficiente de determinao dado por:

Var(y ij )
R 2 ( ) = (9)
Var(y ij )

em que Var(y ij ) a varincia dos valores estimados e Var(yij ) a varincia dos

valores observados.
Alm disso, os valores de R 2 ( ) esto compreendidos entre 0 e 1

( 0 R 2 ( ) 1 ).

2.4.7. Interpretao das estimativas dos parmetros

2.4.7.1. RLS

Considerando o exemplo utilizado por Hao e Naiman (2007) para o modelo de


RLS, tem(se o coeficiente da regresso estimado ( 1 ) $6,314 para ED (anos de
escolaridade do chefe da famlia), ou seja, o aumento de um ano na escolaridade
aumenta a renda, na mdia, $6,314.
Como na RLS tem(se como pressuposto a linearidade, observa(se que a mesma
quantidade de aumento da mdia condicional poderia ocorrer por famlias em qualquer
nvel fixo de escolaridade. Por exemplo, para as famlias cujo chefe tem 9 ou 16 anos de
escolaridade, mais de um ano de educao est associada a uma mesma quantidade de
aumento na renda mdia (HAO e NAIMAN, 2007).

2.4.7.2. RQ

Hao a Naiman (2007) afirmam que o modelo de RQ mais simples de se entender


a regresso mediana ( = 0,50 ). Nesse caso a interpretao do coeficiente realizada
de maneira anloga ao de um coeficiente da RLS. Para uma covarivel contnua, como

19
por exemplo, anos de escolaridade, a estimativa do coeficiente interpretada como a
alterao mediana da varivel dependente correspondente para uma unidade de
mudana da varivel independente, ou seja, aumenta(se 1 para os indivduos que se
encontram no quantil 0,50 .
Da mesma forma que na RLS, o efeito sobre a resposta mediana de um aumento
de um ano na educao o mesmo para todos os nveis de ensino.
Considerando a Tabela 1, para a regresso mediana ( = 0,50 ), tem(se que o
valor do coeficiente para ED ($4,794) menor que o coeficiente da RLS ($6,314), o que
sugere que o aumento no seria to substancial para a maior parte da amostra.
Hao e Naiman (2007) ajustaram 19 quantis para verificar os efeitos da educao
em vrios quantis da renda (Tabela 1). Observa(se que o aumento de um ano na
educao provoca um aumento de $1,130 na renda para o quantil 0,05 e $1,782 para o
quantil 0,10. Em outras palavras, os indivduos que pertencem ao quantil 0,05 tem um
aumento de $1,130 na renda e os que pertencem ao quantil 0,10 apresentam um
aumento de $1,782 na renda.
Caso o interesse do pesquisador seja na cauda a direita tem(se que o aumento na
renda do quantil 0,95 muito maior que no quantil 0,90, passa de $8,279 para $9,575.
Isto sugere a contribuio da alta escolaridade para a disparidade de renda (HAO e
NAIMAN, 2007).
* # 30 Estimativas da RQ e seus erros padro assintticos para renda.
Quantil ED Quantil ED
0,05 1,130 (36) 0,55 5,182 (86)
0,10 1,782 (41) 0,60 5,571 (102)
0,15 2,315 (51) 0,65 5,841 (107)
0,20 2,757 (51) 0,70 6,224 (129)
0,25 3,172 (60) 0,75 6,598 (154)
0,30 3,571 (61) 0,80 6,954 (150)
0,35 3,900 (66) 0,85 7,505 (209)
0,40 4,266 (73) 0,90 8,279 (316)
0,45 4,549 (82) 0,95 9,575 (605)
0,50 4,794 (92)
Nota: erros padro assintticos esto em parnteses
Fonte: Hao e Naiman (2007).

20
8 /

BEYERLEIN, A; VON KRIES, R., NESS, A. R., ONG, K. K. Genetic Markers of


Obesity Risk: Stronger Associations with Body Composition in Overweight Compared
to Normal(Weight Children. . v. 6, 2011.

CARNEIRO, P.C.S. & 9 ! ( # $ ( :#$ ( ( )! *$#$( ( ! *$#$( (


( % 9) ! 9 ! . 168p. Tese (Doutorado) ( Universidade Federal de Viosa, Viosa.
1998.

CECON, P. R.; SILVA, A. R.; NASCIMENTO, M.; FERREIRA, A. .;! (


! !" !$% . 1. ed., Viosa: UFV, 229p., 2012.

CRUZ, C. D.; REGAZZI, A. J.; CARNEIRO, P. C. S. . ( # *$ 9;! $% )#$% (


9 #1 9 ! ;!$% . 4.ed. Viosa: UFV, v.1, 514p., 2012.

CRUZ, C. D.; TORRES, R. A.; VENCOVSKY, R. An alternative approach to the


stability analysis proposed by Silva and Barreto. &$ ! $# $ ( !$% < v.12,
p. 567(80., 1989.

DE LA VEJA, A. J.; CHAPMAN, S. C. Mega(Environment Diff erences Aff ecting


Genetic Progress for Yield and Relative Value of Component Traits. ) %$ % , v.
50, p. 574 ( 583,2010.

EBERHART, S. A.; RUSSELL, W. A. Stability parameters for comparing varieties.


) %$ % , v.6, p.36-40, 1966.

EDGEWORTH, F. On a new method of reducing observations relating to several


quantiles. 1$# )1$% # . =$ , v. 25, p. 184191, 1888.

FINLAY, K. W.; WILKINSON, G. N. The analysis of adaptation in a plant(breeding


programme. ! #$ > # + $% #! # %1, v.14, p.742(754, 1963.

21
GAUCH JUNIOR, H. G. Statistical analysis of yield trials by AMMI and GGE0 )
%$ % < Madison, v. 46, p. 488(1500, 2006.

GOURDJI, S. M.; MATHEWS, K. L .; REYNOLDS, M.; CROSSA, J.; LOBELL, D.B.


An assessment of wheat yield sensitivity and breeding gains in hot environments,
Proceedings of the royal society B. v. 280, n. 1552, p. 1 8, 2012.

GUJARATI, D. N. % 9 ! $ *: $% . 5. ed. So Paulo: Pearson Makron Books,


920p., 2011.

HAO, L.; NAIMAN, D. Q. !$# $ 0 Sage publications. 126p. 2007.

KOENKER, R. !$# $ . 1.ed. Cambridge University Press, v.1. 349p,


2005.

KOENKER, R; DOREY, V. Computing regression quantiles. ))#$ ( ! !$ !$% 0 v. 36,


p. 383 393. 1987.

KOENKER, R.; BASSETT, G. Regression Quantiles. % 9 ! $% , v. 46, p. 33(50,


1978.

LDO, F.J. DA S.; BOTREL, M. DE A.; EVANGELISTA, A. R.; VIANA, M. C. M.;


PEREIRA, A. V.; SOUZA SOBRINHO, F. DE; OLIVEIRA, J. S.; XAVIER, D.F.;
HEINEMANN, A. B. Adaptabilidade e estabilidade de cultivares de alfafa avaliadas em
Minas Gerais. $? %$ ! % # $ , v.29, p.409(414, 2005.

LIN, C.S.; BINNS, M.R. A superiority measure of cultivar performance for cultivar x
location data. ($ > # + # ! %$ % , v.68, p.193-198, 1988.

LY, D.; HAMBLIN, M.; RABBI, I.; MELAKU, G.; BAKARE, M.; GAUCH JR., H.
G.; OKECHUKWU, R.; DIXON, A. G. O; KULAKOW, P.; JANNINK, J. L.
Relatedness and Genotype Environment Interaction Affect Prediction Accuracies in
Genomic Selection: A Study in Cassava . ) %$ % , v. 53, p. 1312 ( 1325, 2013.
22
MONTGOMERY, D.C.; PECK, E.A.; VINING, G.G. ! ( %!$ ! #$
$ #2 $ . 5. ed. New York: John Wiley & Sons, 645p., 2012.

NASCIMENTO, A. C. C.; LIMA, J. E. de; BRAGA, M. J.; NASCIMENTO, M.;


GOMES, A. P. Eficincia tcnica da atividade leiteira em Minas Gerais: uma aplicao
de regresso Quantlica. 0 0 @ ! %., v.41, n.3, p.783(789, 2012

NASCIMENTO, M.; CRUZ, C.D.; CAMPANA, A.C.M.; TOMAZ, R.S.; SALGADO,


C.C; FERREIRA, R. de P. Alterao no mtodo centroide de avaliao da
adaptabilidade genotpica. $ ) % : $ $# $ , v.44, p.263(269, 2009a.

NASCIMENTO, M.; FERREIRA, A.; CAMPANA, A.C.M.; SALGADO, C.C.; CRUZ,


C.D. Multiple centroid methodology to analyze genotype adaptability. ) ($
( ))#$ ( $ ! %1 # 2, v.9, p.8(16, 2009b.

NASCIMENTO, M.; FERREIRA, A.; FERRO, R. G.; CAMPANA, A. C.


M.; BHERING, L. L.; CRUZ, C. D.; FERRO, M. A. G.; FONSECA, A. F. A. da.
Adaptabilidade e estabilidade via regresso no paramtrica em gentipos de caf.
$ ) % : $ $# $ , v. 45, p. 41(48, 2010.

NASCIMENTO, M; SILVA, F. F. e; SFADI, T.; NASCIMENTO, A. C. C.;


FERREIRA, R. de P.; CRUZ, C. D. Abordagem bayesiana para avaliao da
adaptabilidade e estabilidade de gentipos de alfafa. $ ) % : $
$# $ , v. 46, p. 26(32, 2011.

PEREIRA, H.S.; MELO, L.C.; PELOSO, M.J.D.; FARIA, L.C. de; COSTA, J. G. C. da,
DAZ, J. L. C.; RAVA, C. A.; WENDLAND, A. Comparao de mtodos de anlise de
adaptabilidade e estabilidade fenotpica em feijoeiro(comum. $ ) % : $
* $# $ , v.44, p.374(383, 2009.

23
PLAISTED, R. L.; PETERSON, L. C. A technique for evaluating the ability of
selections to yield consistently in different locations and seasons. 9 0 !0 >0,
Orono, v. 36, p. 381(385, 1959.

RESENDE, M. D. V. de; STURION, J. A. HIGA, A. R. Comparao entre mtodos de


avaliao da estabilidade fenotpica e adaptabilidade aplicados a dados de Eucalyptus
cloesiana (F. MUELL.). # !$9 ( $ # ! #, Colombo, v. 1, n.42, p. 3(34,
2001.

ROCHA, R.B.; ABAD, J.I.M.; ARAUJO, E.F.; CRUZ, C.D. Avaliao do mtodo
centride para estudo de adaptabilidade ao ambiente de clones de Eucalyptus grandis.
$? %$ # ! #< v. 15, p. 255(266, 2005.

SILVA, E. N da; PORTO JNIOR, S. S. Sistema financeiro e crescimento econmico:


Uma aplicao de regresso Quantlica. % 0 )#$%., v. 10, p. 425(442, 2006.

TAI, G. C. C. Genotypic stability analysis and its application to potato regional trials.
) %$ % < Madison, v. 11, p. 184(190, 1971.

THEIL, H. A rank(invariant method of linear and polynomial regression analysis.


( !$ . !1 9 !$% , v.12, p.85(91, 1950.

YAN, W.; TINKER, N. A. Biplot analysis of multi(environment trial data: Principles


and applications. ($ A # + )# ! %$ % < v. 86, p. 623 645, 2006.

24
3

( )! *$#$( ( ! *$#$( ( ) B!$) ( #+ + &$ !"#$%

9 C

No melhoramento gentico de plantas, quando o objetivo selecionar ou


recomendar gentipos para o plantio, o estudo pormenorizado da interao entre
gentipo x ambiente de extrema importncia. Para tanto, a literatura apresenta
inmeros mtodos baseados em modelos de regresso que medem a resposta de cada
fentipo frente s variaes ambientais por meio de uma relao funcional. Embora
teis, nenhum destes mtodos trata a modelagem de maneira adequada quando o
fentipo de interesse apresenta um comportamento assimtrico ou quando apresenta
outliers. Nessas situaes, ao utilizar as metodologias usuais de adaptabilidade e
estabilidade, baseadas em regresso, a relao funcional entre o fentipo e a variao
ambiental explicada por meio de um comportamento mdio, porm para estas
situaes o efeito do parmetro de adaptabilidade pode ser sub ou superestimado
levando a uma possvel recomendao errnea. Desta forma, este trabalho tem por
objetivo propor e avaliar uma metodologia de anlise de adaptabilidade e estabilidade
fenotpica de gentipos de alfafa baseada em regresso quantlica. Para tanto, utilizou(se
um conjunto de dados provenientes de um experimento sobre produo de matria seca
de 92 gentipos de alfafa (Medicago sativa) avaliados em 20 ambientes. Foram
simulados valores fenotpicos, com distribuies simtrica, simtrica com outliers,
assimtrica direita, assimtrica direita com outliers, assimtrica esquerda,
assimtrica esquerda com outliers para avaliao da metodologia proposta. Diante dos
resultados apresentados e visto a importncia econmica do lanamento de um novo
cultivar, percebe(se que o tratamento adequado para fentipos que apresentam
assimetria e outliers de extrema importncia. O mtodo proposto e avaliado pelos
autores obteve bons resultados e desta forma, recomenda(se o uso da RQ para a
adaptabilidade e estabilidade fenotpica.

# & D%1 & : Medicago sativa, interao gentipo x ambientes, melhoramento


vegetal.

25
30 ! ( '

No melhoramento gentico de plantas, quando o objetivo selecionar ou


recomendar gentipos para o plantio, o estudo da interao entre gentipo x ambiente
de extrema importncia. Entretanto, tal estudo no fornece informaes pormenorizadas
sobre o comportamento de cada cultivar diante das variaes ambientais (CRUZ et al.,
2012). Desta forma, tornam(se necessrias as anlises de adaptabilidade e de
estabilidade para a identificao e recomendao de materiais superiores em diferentes
ambientes.
Na literatura encontram(se inmeros mtodos para realizao da anlise de
adaptabilidade e estabilidade. Como por exemplo, as metodologias baseadas em
regresso linear mltipla (CRUZ et al., 1989), regresso linear simples (FINLAY e
WILKINSON, 1963; EBERHART e RUSSELL, 1966), centroides mltiplos e centroide
ampliado (NASCIMENTO et al., 2009a, 2009b) e, as anlises no paramtricas (LIN e
BINNS, 1988; CARNEIRO, 1998).
Embora teis, nenhum destes mtodos leva em considerao a presena de
fentipos no normais, ou seja, distribuies de valores fentipos assimtricos ou com
caudas pesadas. Desta forma, caso haja a presena desse tipo de fentipos, os mtodos
podem sofrer a influncia de modo que a recomendao pode ser errnea. Por exemplo,
trabalhos que utilizaram metodologias baseadas em regresso, como os de Vasconcelos
et al. (2008) e Miranda et al. (2009), podem ter o efeito do parmetro de adaptabilidade
sub ou superestimado.
Alm desses, outras metodologias tais como as propostas por Lin e Binns (1988) e
Carneiro (1998), podem tambm ocasionar resultados imprprios, inflacionando o valor
do parmetro e com isso provocando a incorreta classicao do gentipo quanto
adaptabilidade e estabilidade. Ademais, quando se consideram as metodologias dos
centroides mltiplos e centroide ampliado (NASCIMENTO et al., 2009a, 2009b),
baseadas em componentes principais, a presena de pontos discrepantes inuncia
diretamente a congurao grca obtida por meio dos escores dos gentipos. Na
prtica, a presena de outliers e assimetria podem proporcionar estimativas
inadequadas, que no refletem a verdadeira relao existente entre a variao ambiental
e a resposta fenotpica.
Visando contornar o problema de distribuies fenotpicas com caudas pesadas,
Nascimento et al. (2010) propuseram a obteno dos estimadores utilizando(se
26
medianas, de forma a tornar as estimativas dos parmetros menos sensveis a pontos
extremos que os estimadores clssicos, obtidos pelo mtodo dos mnimos quadrados
ordinrios. Entretanto, tal metodologia indicada apenas para um caso particular de
distribuies de valores fenotpicos que no apresentam normalidade.
Uma soluo interessante para tratar este problema de maneira unificada, isto , a
presena de pontos discrepantes ou assimetria, a utilizao de regresso quantlica
(RQ). Tal metodologia, diferentemente dos mtodos de regresso usuais, que utilizam a
mdia condicional para explicar a relao funcional entre a variao ambiental e a
resposta fenotpica, faz uso de funes quantlicas condicionais. Desta forma, a RQ
possibilita escolher o quantil que melhor representa a relao funcional de interesse com
o intuito de contemplar naturalmente a mencionada falta de normalidade.
A RQ tem sido utilizada em estudos na rea de zootecnia, medicina humana e
economia. Como por exemplo, Silva e Porto Jnior (2006) usaram a RQ para fornecer
uma viso mais detalhada dos impactos gerados pelo sistema financeiro na distribuio
condicional do crescimento econmico. Beyerlein et al. (2011) utilizaram RQ em
anlises GWAS (Genome(Wide Association Study) na rea de medicina humana e
enfatizaram as vantagens estatsticas e biolgicas ao se estimar efeitos de marcadores
em diferentes quantis das distribuies dos fentipos. Alm desses, Nascimento et al.
(2012) utilizaram a RQ para investigar os determinantes da eficincia de produtores de
leite de MG, para diferentes nveis de eficincia.
Diante do exposto, este trabalho teve por objetivo propor e avaliar uma
metodologia de anlise de adaptabilidade e estabilidade baseada em regresso
quantlica. O mtodo proposto foi utilizado para analisar um conjunto de 92 gentipos
de alfafa (Medicago sativa), submetidos a 20 cortes. Para avaliar a metodologia, foram
simulados 100 gentipos em seis situaes distintas, e assim os valores das estimativas
obtidas pelo mtodo proposto foram ento comparados com aqueles advindos dos
mtodos de Eberhart e Russell (1966) e regresso no paramtrica (NASCIMENTO et
al. 2010).

40 . ! $ # .;! (

4030 9 ! ( ( ( )! *$#$( ( ! *$#$( (

27
O modelo estatstico para avaliao da adaptabilidade e estabilidade
considerando a ambientes, g gentipos e r repeties pode ser definido da seguinte
formaC
Yij = 0i ( ) + 1i ( ) I j + ei ( ) (1)

em que 0i ( ) a constante da regresso; 1i ( ) o coeficiente da regresso; ei ( ) so

os erros aleatrios independentes e identicamente distribudos com quantil de ordem


Yij Yij


i j
igual a zero; I j o ndice ambiental codificado I j = i e refere(se ao
g ga

quantil estimado ( [ 0,1] ) .
As estimativas de I j so de grande importncia, pois indicam a qualidade do

ambiente, para os quais valores negativos identificam ambientes desfavorveis e valores


positivos, ambientes favorveis.
Na metodologia proposta, o conceito de adaptabilidade refere(se capacidade de
os gentipos responderem de maneira vantajosa ao estmulo do ambiente. Desta forma,
quando 1i ( ) = 1 os gentipos sero classificados como de adaptabilidade ampla ou
geral; 1i ( ) > 1 , gentipos com adaptabilidade especfica a ambientes favorveis;
1i ( ) < 1 , gentipos com adaptabilidade especfica a ambientes desfavorveis.
Para a estimao do parmetro de estabilidade, utilizou(se o coeficiente de
determinao da RQ, dado por:

Var(y ij )
R 2 ( ) = (2)
Var(yij )

em que Var(y ij ) a varincia dos valores estimados e Var(yij ) a varincia dos

valores observados.
O conceito de estabilidade refere(se capacidade de os gentipos mostrarem um
comportamento previsvel em funo do estmulo do ambiente. E, para medir a
estabilidade, foi utilizado o parmetro R 2 ( ) , que neste trabalho representa a proporo
da variabilidade dos valores da varivel dependente explicada pela varivel

28
independente. A partir da, pode(se classificar os gentipos de duas maneiras, gentipos
com estabilidade ou previsibilidade alta, quando R 2 ( ) maior que 90% ou gentipos

com estabilidade ou previsibilidade baixa, quando R 2 ( ) menor que 90%. No trabalho


de Nascimento et al. (2010) considerou(se gentipos de previsibilidade alta aqueles em
que o R 2 fosse maior que 70%, entretanto visando obter um resultado mais preciso os
autores optaram por 90%.
Para a estimao dos coeficientes da RQ, 0i ( ) e 1i ( ) , necessrio minimizar

a soma dos resduos ponderados yi y i , de maneira que resduos com valores positivos

recebem peso e resduos negativos recebem peso 1 . Portanto, devem(se obter os


estimadores 0i ( ) e 1i ( ) que minimizem a seguinte equao:
(
| yi 0i ( ) X i 1i ( )| + ( 1 ) | yi 0i ( ) X i1i ( )|
n
d (yi , y i ) =
i=1 y i 0i ( )+ X 1i ( ) y i < 0i ( )+ X1i ( )
(3)
em que d a distncia entre yi e yi .
A minimizao da equao 2, permite estimar os coeficientes da regresso
( 0 ( ), 1 ( ) ) , o que feito com base em algoritmos de problemas de programao
linear, conforme descrito em Hao e Naiman (2007). O algoritmo citado est
implementado no software R no pacote quantreg (Koenker, 2012).
Aps a estimao dos parmetros, as hipteses de interesse, H 0 : 1i ( ) = 1

versus H 1 : 1i ( ) 1 , so avaliadas pelo teste t, cuja estatstica dada por

1i ( ) 1
t= . Esta estatstica est associada ao nmero de graus de liberdade do
(
V ( )
1i )
resduo da anlise de varincia conjunta e ao nvel de significncia . Em estudos de
adaptabilidade e estabilidade, a varincia de 1 ( ) dada por e2 = QMR / r , onde r o
nmero de repeties que deram origem s mdias submetidas anlise de
adaptabilidade e estabilidade e QMR = 2 o quadrado mdio do resduo da anlise de
varincia conjunta.

29
4040 ( $9 # (

Para avaliao da metodologia proposta, foram simulados 100 gentipos

considerando o seguinte modelo:

y ij = 0i + 1i I j + eij , (4)

em que: yij a mdia de gentipo i no ambiente j; 0i a constante da regresso

referente ao i(simo gentipo; 1i o coeficiente de regresso, que mede a resposta do

i(simo gentipo variao do ambiente; I j o ndice ambiental e ei so os erros

aleatrios gerados independentemente e identicamente distribudos (i.i.d.) com

distribuio de probabilidade de interesse. Considerou(se que os gentipos foram

avaliados em 20 ambientes. Deve ser ressaltado que a simulao deste conjunto foi

realizada levando em considerao os valores do ndice ambiental ( I i ) e 0 , que

representa a mdia geral do experimento, obtidos a partir do conjunto de dados

avaliados no estudo de Nascimento et al. (2011) e 1 .

Foram consideradas 6 situaes distintas. Especificamente, tais situaes so

caracterizadas pela simulao de valores fenotpicos, yi , com distribuies simtrica,

simtrica com outliers, assimtrica direita, assimtrica direita com outliers,

assimtrica esquerda, assimtrica esquerda com outliers.

A insero de assimetria direita e esquerda foi realizada somando(se e

subtraindo(se, aos valores fenotpicos, resduos amostrados de uma distribuio

r
exponencial com parmetro igual , onde r o nmero de repeties ( r = 2) e
QMR

QMR ( QMR = 55851) (NASCIMENTO et al., 2011) o quadrado mdio do resduo da

30
r
anlise conjunta, ou seja, ei ~ Exp . Assim, os valores fenotpicos so dados

QMR

por:

r r
yiad = yi + exp e yiae = yi exp


QMR ,
QMR

em que yiad o i(simo valor do fentipo com distribuio assimtrica a direita e yiae

i(simo valor do fentipo com distribuio assimtrica a esquerda.

Visando contemplar situaes em que a distribuio dos valores fenotpicos

simtrica simularam(se resduos independentes e identicamente distribudos como uma

(
distribuio normal com mdia zero e varincia e2 , ou seja, ei ~ N 0, e2 . )
Para a simulao dos valores fenotpicos com presena de outliers considerou(se
como ponto de corte para a medida de influncia DFBETA, o valor de
2 2
= = 0,44 , ou seja, o conjunto de observaes simuladas que apresente valor de
n 20
DFBETA superior a 0,44 considerado com a presena de outlier (MONTGOMERY et
al., 2012). Para simular tais valores fenotpicos, utilizou(se como valor observado 1,5
vezes amplitude interquartil acrescido de uma constante escolhida de maneira
adequada para que o conjunto de dados apresentasse outlier (MONTGOMERY e
RUNGER, 2009).

4050 9) ' ( 9;! ( ( ( )! *$#$( ( ! *$#$( (

A fim de avaliar o desempenho da regresso quantlica na estimao dos


coeficientes de regresso ( 1i ), o processo de simulao apresentado na seo anterior
foi repetido 100 vezes permitindo assim, os clculos dos Erros Quadrticos Mdios
(EQM) associados a cada estimador e a porcentagem de acerto do teste, uma vez que se
testaram valores de 1 = 1. Os EQM foram calculados da seguinte

31
forma: EQM(1i )i = (
1 100
) 2
1ik 1 , em que 1ik
100 k=1
foi o coeficiente de regresso

estimado do gentipo i na k(sima repetio e EQM(0i )i =


100 k=1
(
1 100 2
)
0ik 1176 , em

que 0ik a constante da regresso estimada do gentipo i na k(sima repetio.


Os valores das estimativas obtidas pelo mtodo proposto foram ento
comparados com aqueles advindos dos mtodos de Eberhart e Russell (1966) e
regresso no paramtrica (NASCIMENTO et al. 2010). Foram utilizadas as funes
quantlicas = 0.25 , = 0.50 e = 0.75 para a estimao dos efeitos do parmetro de
adaptabilidade. Vale ressaltar que os valores de foram escolhidos arbitrariamente
pelos autores, o que no implica que estes so os que melhor descrevem o conjunto de
dados.
Aps obteno da estimativa do parmetro de adaptabilidade, atravs dos

mtodos avaliados neste estudo, (Eberhart e Russell (1966), regresso no paramtrica e

QR (0.25, 0.50 e 0.75)), foi aplicado o teste t para verificar se existe diferena

significativa na hiptese avaliada, H 0 : 1i = 1 . Posteriormente, foram calculadas as

porcentagens de acerto considerando que os dados foram simulados de acordo com o

modelo (4).

4060 ( $

Foram utilizados dados de um experimento conduzido pela Embrapa Pecuria


Sudeste, para o desenvolvimento de gentipos de alfafa adaptados a diferentes
ecossistemas brasileiros. Neste experimento, que utilizou o delineamento de blocos ao
acaso com duas repeties, foi avaliada a produo de massa de matria seca de 92
gentipos de alfafa (Medicago sativa), submetidos a 20 cortes no perodo de novembro
de 2004 a junho de 2006. Os cortes foram caracterizados como diferentes condies
ambientais, porque foram realizados em diferentes pocas.
A avaliao da adaptabilidade e estabilidade dos gentipos foi realizada pela
metodologia aqui proposta e pelas metodologias de Eberhart e Russell (1966) e de
Nascimento et al. (2010). Da mesma forma que no estudo de Nascimento et al. (2010),
32
definiu(se como medida da influncia de um ponto, a variao em mdulo entre os
estimadores do coeficiente de inclinao estimados pelos mtodos de mnimos

quadrados ( 1i ) e o mtodo de regresso no(paramtrica ( 1i ) para cada gentipo, isto ,


*

1i =| 1*i 1i | em que um valor de 0,05 indica a existncia de um ponto extremo.

Para verificar a assimetria dos dados, no presente trabalho foi utilizado o teste de
D'Agostino (1970), cuja hiptese de nulidade a ser testada se os dados amostrais so
provenientes de uma populao normalmente distribuda, ou seja, simtrica com mdia
2
F e varincia . Sua estatstica dada por:
T
D= ,
n2s
n n +1
em que s o desvio padro amostral, n o tamanho da amostra e T = i yi .
i=1 2
Caso a amostra apresente distribuio normal, obtm(se:
n 1
(n 1 )
E(D) = 2 2 0,282 e s(D) = 12 3 37 + 2 0,02998
n 24n n
2 2n
2
Desta forma, possvel utilizar a estatstica D padronizada:
D E(D)
D =
s(D)
que apresenta distribuio normal padro aproximada sob a hiptese nula.

4070 ) %! 9) ! %$ $

Em todo o processo de simulao e avaliao da adaptabilidade e estabilidade do


mtodo proposto utilizou(se o software livre R (R Development Core Team, 2012). O
ajuste do modelo QR foi realizado utilizando(se a funo rq do pacote quantreg
(KOENKER, 2012). Para o ajuste do modelo da regresso no paramtrica utilizou(se a
funo mblm do pacote mblm (KOMSTA, 2013). A aplicao do teste de D'Agostino
(1970) foi realizada utilizando o pacote moments (KOMSTA, 2012).
As rotinas computacionais implementadas no software R esto apresentadas no
Apndice A.

33
50 #! ( $%

5030 ( $9 # (

De acordo com os valores de EQM(1 ) observados na Tabela 1, a RQ


( = 0,50 ) que considera a funo quantlica mediana, apresentou resultados
semelhantes queles obtidos pelo Eberhart e Russell (1966), em todas as situaes
avaliadas (Tabela 1). Quando so considerados fentipos com distribuies
assimtricas, verifica(se ainda, uma reduo nos valores de EQM(1 ) quando so
utilizadas as funes quantilicas RQ ( = 0,25 ) e RQ ( = 0,75 ), respectivamente para
distribuies assimtricas direita e esquerda (Tabela 1).
Alm disso, ao analisar as porcentagens de acerto dos dados simulados verifica(
se que a RQ obteve o resultado esperado para cada distribuio estudada, sendo que
quando os fentipos so simtricos os valores de EQM(1 ) < EQM( 0 ) e a porcentagem
de acerto estiveram prximos do mtodo de Eberhart e Russell (1966).
A regresso no paramtrica, que segundo Nascimento et al. (2010) menos
influenciada por pontos extremos, obteve resultados inferiores a RQ para os casos onde
a distribuio do fentipo assimtrica.

* # 30 Resultados dos valores de EQM e Porcentagem de acerto para as


metodologias de Eberhart e Russell (1966), Regresso Quantlica e Regresso no
paramtrica.
$ ! $* $' ( % ! 9(
.;! ( EQM(1 ) EQM( 0 )
+ B!$) % !
Eberhart e
0,0043 29120,59 94,86
Russell

Assimetria direita RQ ( = 0,25 ) 0,0019 3593,41 98,91


RQ ( = 0,50 ) 0,0044 16697,57 94,87
RQ ( = 0,75 ) 0,0125 61592,36 78,10
Regresso no
0,0048 17010,99 93,37
paramtrica
Assimetria Eberhart e
0,0043 145409,25 94,69
esquerda Russell
34
RQ ( = 0,25 ) 0,0125 200795,44 78,20
RQ ( = 0,50 ) 0,0044 122715,37 94,51
RQ ( = 0,75 ) 0,0019 88891,89 98,75
Regresso no
0,0048 123985,42 93,28
paramtrica
Eberhart e
0,0043 1384412,00 97,65
Russell

Simtrico RQ ( = 0,25 ) 0,0082 1136971,00 92,15


RQ ( = 0,50 ) 0,0069 1385132,00 94,23
RQ ( = 0,75 ) 0,0080 1658201,00 92,87
Regresso no
0,0087 1384246,00 84,30
paramtrica

Quando o fentipo de interesse apresenta outlier (Tabela 2), para o caso em que
a distribuio simtrica, observam(se melhores resultados para a RQ ( = 0,50 ) e para
a regresso no paramtrica. Quando se consideram fentipos com distribuies
assimtricas e presena de outliers, verifica(se uma reduo nos valores de EQM(1 )
quando so utilizadas as funes quantilicas RQ ( = 0,25 ) e RQ ( = 0,75 ),
respectivamente para distribuies assimtricas direita e esquerda e a regresso no
paramtrica (Tabela 2).
Para a simulao a RQ obteve os melhores resultados em todas as situaes
descritas na Tabela 2, seguida da regresso no paramtrica.

* # 40 Resultados dos valores de EQM e Porcentagem de acerto para as


metodologias de Eberhart e Russell (1966), Regresso Quantlica e Regreso no
paramtrica com presena de outliers.
$ ! $* $' ( % ! 9
.;! ( EQM(1 ) EQM( 0 )
+ B!$) ( % !
Eberhart e
Assimetria direita 0,1848 64676,76 0
Russell
com presena de
RQ ( = 0,25 ) 0,0022 3859,21 98
outliers
RQ ( = 0,50 ) 0,0069 18143,74 89

35
RQ ( = 0,75 ) 0,0974 99255,05 30
Regresso no
0,0060 15513,73 90
paramtrica
Eberhart e
0.1821 4747753,00 0
Assimetria esquerda Russell

com presena de RQ ( = 0,25 ) 0,1238 4418813,00 33


outliers RQ ( = 0,50 ) 0,0077 5316426,00 85
RQ ( = 0,75 ) 0,0023 5668763,00 96
Regresso no
0,0064 5345482,00 90
paramtrica
Eberhart e
0,0855 1529605,00 0
Russell
Simtrico com
RQ ( = 0,25 ) 0,0169 1095687,00 60
presena de outliers
RQ ( = 0,50 ) 0,0128 1350122,00 79
RQ ( = 0,75 ) 0,05635 1788108,00 39
Regresso no
0,0202 1326998,00 61
paramtrica

Resumindo, independente do grau de assimetria do fentipo, a RQ provm


resultados similares ou melhores aos obtidos por meio dos demais mtodos avaliados
neste trabalho. Assim, esta metodologia torna(se uma alternativa em estudos de
adaptabilidade e estabilidade.
De acordo com os resultados apresentados, sugere(se, para a escolha do mtodo,
verificar a distribuio do fentipo de interesse, de modo que para simtricos deve(se
averiguar se este possui outlier, se sim utilizada a RQ ( = 0,50 ), se no, se utiliza ou
a metodologia de Eberhart e Russell (1966) ou a RQ ( = 0,50 ). J se o fentipo for
assimtrico utiliza(se RQ ( = 0,25 ) para assimetria a direita e RQ ( = 0,75 ) para
assimetria esquerda (Figura 1).

36
$ 30 Fluxograma resumindo todos os resultados obtidos.

5040 ( $

Observa(se, pela Tabela 3, que houve diferenas significativas entre gentipos, o


que indica a existncia de variabilidade gentica entre os gentipos para a produo de
matria seca. Alm disso, se constatou a existncia de interao gentipos x cortes
( P 0,01 ), desta forma tem(se a necessidade de estudo pormenorizado da resposta das
cultivares frente a essas variaes, por meio da anlise de adaptabilidade e estabilidade,
uma vez que os gentipos apresentam desempenho diferenciado frente s diferentes
condies ambientais.

* # 50 Anlise de varincia conjunta, mdia geral (kg ha(1) de 92 gentipos de


alfafa, para produo de matria seca em 20 cortes em experimento conduzido de
novembro de 2004 a junho de 2006
Fontes de variao GL Quadrados mdios
Blocos 1 2 002 415.43
Cultivar 91 1 384 475.75*
Erro a 91 5 74 269.72
Corte 91 62 331 022.56*
Erro b 91 946 917.67
Interao Cultivar x Corte 1 729 60 682.46**
Erro c 1 729 55 851.26
Mdia (kg ha(1) 1 176
37
ns
no significativo; ** e * significativos a 5 e 1 % de probabilidade, respectivamente pelo teste F.

A Tabela 4 apresenta os 35 gentipos que obtiveram classificaes de


adaptabilidade discordantes de acordo com as metodologias avaliadas neste estudo. Os
demais gentipos encontram(se na Tabela 6 no Apndice B.
Dos 35 gentipos, 30 apresentaram distribuies de valores fenotpicos
simtricos e 5 assimtricos direita pelo teste DAgostino (1970). Para os fentipos
assimtricos direita utilizou(se a RQ no quantil 0,25 para anlise da adaptabilidade,
uma vez que conforme apresentado na Tabela 1 este quantil mostrou melhores
resultados para fentipos com distribuio deste tipo. Assim, a utilizao do mtodo de
Eberhart e Russell (1966) pode proporcionar estimativas menos acuradas.

* # 60 Classificao da adaptabilidade dos gentipos com classificaes


discordantes de acordo com as trs metodologias descritas no trabalho.
Eberhart e Regresso Regresso Regresso 51i =
Russell(1966) Quantlica Quantlica No( |
1iER 1iNP |
Gentipos ( = 0,25 ) ( = 0,50 ) Paramtrica

Adaptab.1 Adaptab. Adaptab. Adaptab.

Primaverans Desf. Desf. Geral Geral 0,105


LE Semit Geral Fav. Geral Fav. 0,142
711ns
Topperns Desf. Geral Desf. Geral 0,198
LE N 3ns Geral Desf. Geral Geral 0,017
Sequel HRns Geral Geral Geral Fav. 0,045
Victoria SP Geral Desf. Geral Geral 0,025
INTAns
Aca 900ns Geral Geral Geral Desf. 0,135
ns
5 939 Geral Geral Fav. Geral 0,136
Medinans Geral Geral Geral Desf. 0,093
N 910* Geral Geral Geral Desf. 0,182
Coronado* Geral Desf. Desf. Desf. 0,084
Eternans Geral Desf. Geral Geral 0,057
ns
DK 193 Geral Geral Geral Desf. 0,092

38
Crioulans Geral Geral Fav. Geral 0,050
ns
DK 181 Geral Geral Fav. Geral 0,005
Activa* Fav. Geral Fav. Fav. 0,118
Aurora* Fav. Geral Geral Geral 0,177
Hunterfieldns Geral Geral Geral Fav. 0,251
P 105ns Geral Fav. Geral Geral 0,007
WL 516* Desf. Geral Geral Geral 0,317
ns
Tahoe Geral Geral Fav. Fav. 0,033
DK 167ns Geral Geral Fav. Geral 0,054
DK 177ns Desf. Geral Geral Geral 0,151
Maxidorns Geral Geral Fav. Geral 0,026
Tangons Desf. Desf. Desf. Geral 0,033
ns
Rio Grande Geral Geral Geral Desf 0,165
ns
Key II Fav. Fav. Fav. Geral 0,191
Lujanns Desf. Geral Geral Geral 0,343
DK 194ns Geral Geral Desf. Desf 0,082
P 5715ns Geral Desf. Geral Geral 0,051
Aca 901ns Fav. Geral Fav. Fav. 0,026
ns
Rocio Desf. Geral Geral Geral 0,088
GT 13 R Geral Geral Fav. Fav. 0,051
Plusns
DK 187 Rns Geral Desf. Geral Desf. 0,026
Legenda: Adaptab. refere(se a Adaptabilidade, Desf. refere(se a ambientes desfavorveis, Fav. refere(se a ambientes favorveis. ns:
no significativo a 5% de probabilidade pelo teste DAgostino. *: significativo a 5% de probabilidade pelo teste DAgostino.

Ao analisar a presena de pontos extremos, tem(se que 23 gentipos apresentam


51i 0,05 , desta forma deve(se, segundo Nascimento et al. (2010), utilizar regresses
baseadas na mediana, pois o ponto extremo ter influncia reduzida na estimao dos
parmetros, o que evita a m interpretao do parmetro de adaptabilidade. Para este
caso utiliza(se a RQ ( = 0,50 ) ou regresso no paramtrica.
Os gentipos Primavera, Eterna, DK 177, Lujan, DK 194, P 5715, Rocio e GT
13 R Plus so simtricos, possuem outliers e, alm disso, apresentam a mesma
classificao na regresso no paramtrica e RQ ( = 0,50 ). J os gentipos LE Semit

39
711 e Hunterfiled classificados como de adaptabilidade geral pelo mtodo da RQ
( = 0,50 ), so considerados de adaptabilidade especfica a ambientes favorveis pela
regresso no paramtrica, o que indica que a presena do outlier est influenciando na
estimao da reta na regresso no paramtrica. O mesmo acontece para os gentipos
Aca 900, Medina, DK 193 e Rio Grande, uma vez que estes foram classificados como
de adaptabilidade geral pelo mtodo da RQ ( = 0,50 ) e como adaptabilidade especfica
a ambientes desfavorveis pela regresso no paramtrica.
Os gentipos LE N 3, Sequel HR, Victoria SP INTA, P 105, Tango, Aca 901 e
DK 187 R so simtricos, no apresentam outliers e possuem a mesma classificao na
metodologia de Eberhart e Russell (1966) e RQ ( = 0,50 ). Os gentipos Crioula, DK
181, Tahoe e Maxidor so classificados como de adaptabilidade geral quando avaliados
pelo mtodo de Eberhart e Russell (1966), entretanto, quando so analisados com base
na metodologia proposta neste trabalho (RQ ( = 0,50 )), esses gentipos so
classificados como de adaptabilidade especfica a ambientes favorveis, o que indica
que a RQ ( = 0,50 ) mais sensvel no processo de estimao que a metodologia
proposta por Eberhart e Russell (1966).
Os gentipos Coronado, Activa, Aurora e WL 516 so classificados como
assimtricos pelo teste DAgostino (1970) e foram discrepantes quanto s classificaes
(Tabela 3), ao se comparar as estimativas dos parmetros de adaptabilidade pela
metodologia de Eberhart e Russell (1966) com a de RQ ( = 0,25 ), e revelou a
ocorrncia de recomendao incorreta quando no levada em considerao a
assimetria. O gentipo WL 516 foi classificado como de adaptabilidade especifica a
ambientes desfavorveis na metodologia proposta por Eberhart e Russell (1966) e no
trabalho de Ferreira et al. (2004), entretanto neste trabalho, devido a presena de
assimetria, este gentipo classificado como de adaptabilidade geral.
O gentipo P 5715 foi classificado como de adaptabilidade geral pela
metodologia proposta neste trabalho (RQ ( = 0,50 )). Esse mesma classificao foi
obtida no estudo de Vasconcelos et al. (2008) o que corrobora com os resultados
encontrados.
Do mesmo modo que Nascimento et al. (2010), neste trabalho utilizou(se
Var(y ij )
R2 = , tanto para a Regresso no paramtrica quanto para a RQ, uma vez que
Var(y ij )

40
devido falta de ortogonalidade no modelo, a soma de quadrados total no pode ser
decomposta em soma do quadrado da regresso mais soma do quadrado do resduo e
isso pode acarretar em estimativas negativas para o primeiro parmetro.

* # 70 Classificao da estabilidade dos gentipos de acordo com as trs


metodologias descritas no trabalho
Eberhart e Regresso Regresso Regresso
Gentipos Russell(1966) Quantlica Quantlica No(
( = 0,25 ) ( = 0,50 ) Paramtrica

Estabil.1 Estabil. Estabil. Estabil.


Winter Previsvel Previsvel Previsvel Previsvel
SPS 6550 Previsvel Previsvel Previsvel Previsvel
Primavera Previsvel Imprevisvel Previsvel Previsvel
LE N 1 Previsvel Previsvel Imprevisvel Previsvel
Trindade 87 Previsvel Imprevisvel Previsvel Previsvel
LE N 2 Previsvel Previsvel Previsvel Previsvel
LE Semit 711 Previsvel Previsvel Previsvel Previsvel
Topper Imprevisvel Previsvel Imprevisvel Previsvel
LE N 3 Previsvel Imprevisvel Previsvel Imprevisvel
Sequel HR Previsvel Previsvel Previsvel Previsvel
LE N 4 Previsvel Previsvel Previsvel Previsvel
Victoria SP Previsvel Imprevisvel Previsvel Previsvel
INTA
Monarca SP Previsvel Previsvel Previsvel Previsvel
INTA
Brbara SP Previsvel Previsvel Previsvel Imprevisvel
INTA
PRIMAVERA Previsvel Imprevisvel Previsvel Previsvel
Aca 900 Previsvel Previsvel Imprevisvel Imprevisvel
5 939 Imprevisvel Imprevisvel Previsvel Imprevisvel
WL 612 Previsvel Imprevisvel Imprevisvel Imprevisvel
Medina Previsvel Previsvel Previsvel Imprevisvel
N 910 Previsvel Imprevisvel Imprevisvel Imprevisvel

41
Coronado Previsvel Previsvel Previsvel Imprevisvel
Eterna Previsvel Imprevisvel Previsvel Imprevisvel
DK 193 Imprevisvel Imprevisvel Imprevisvel Imprevisvel
Candombe Previsvel Imprevisvel Imprevisvel Imprevisvel
WL 414 Previsvel Imprevisvel Previsvel Imprevisvel
Crioula Previsvel Previsvel Previsvel Imprevisvel
LE Semit 711 Previsvel Previsvel Previsvel Previsvel
DK 181 Previsvel Imprevisvel Previsvel Previsvel
5 929 Previsvel Imprevisvel Previsvel Imprevisvel
Activa Previsvel Imprevisvel Previsvel Imprevisvel
Sequel 2 Previsvel Previsvel Previsvel Previsvel
Califnia 60 Previsvel Imprevisvel Imprevisvel Imprevisvel
Cuf 1010 Previsvel Previsvel Imprevisvel Previsvel
58 N 58 Previsvel Previsvel Imprevisvel Imprevisvel
Diamind Previsvel Previsvel Previsvel Imprevisvel
Aurora Previsvel Imprevisvel Imprevisvel Imprevisvel
Sundor Previsvel Imprevisvel Previsvel Previsvel
Springfield Previsvel Previsvel Previsvel Previsvel
Sutter Previsvel Previsvel Imprevisvel Previsvel
Hunterfield Previsvel Imprevisvel Imprevisvel Previsvel
P 105 Previsvel Previsvel Previsvel Previsvel
Prointa Patricia Previsvel Previsvel Previsvel Previsvel
Flrida 77 Previsvel Previsvel Imprevisvel Imprevisvel
Siriver 2 Previsvel Imprevisvel Previsvel Previsvel
WL 516 Imprevisvel Imprevisvel Imprevisvel Imprevisvel
Tahoe Previsvel Imprevisvel Previsvel Previsvel
Esmeralda SP Previsvel Imprevisvel Previsvel Previsvel
INTA
DK 167 Previsvel Imprevisvel Previsvel Previsvel
DK 177 Previsvel Previsvel Previsvel Previsvel
5 683 Previsvel Previsvel Previsvel Previsvel
WL 414 1 Previsvel Previsvel Previsvel Imprevisvel
Express Previsvel Previsvel Previsvel Previsvel

42
F 708 Previsvel Imprevisvel Previsvel Previsvel
Perla SP INTA Previsvel Previsvel Previsvel Imprevisvel
Prointa Lujan Previsvel Previsvel Previsvel Previsvel
DK 166 Previsvel Imprevisvel Previsvel Imprevisvel
Platino Previsvel Previsvel Previsvel Previsvel
Maxidor Previsvel Previsvel Previsvel Previsvel
Amerigraze Previsvel Previsvel Previsvel Imprevisvel
701
13 R Supreme Previsvel Previsvel Previsvel Previsvel
Pecos Previsvel Previsvel Previsvel Previsvel
Califrnia 50 Previsvel Imprevisvel Imprevisvel Previsvel
Maricopa Previsvel Imprevisvel Previsvel Imprevisvel
Kern Previsvel Previsvel Previsvel Previsvel
Costera SP Previsvel Imprevisvel Imprevisvel Previsvel
INTA
F 686 Imprevisvel Previsvel Previsvel Previsvel
Monarca Previsvel Previsvel Previsvel Previsvel
Patrcia Previsvel Previsvel Previsvel Previsvel
Tango Previsvel Imprevisvel Previsvel Previsvel
Brbara Previsvel Imprevisvel Imprevisvel Previsvel
Rio Grande Previsvel Imprevisvel Previsvel Imprevisvel
Key II Previsvel Imprevisvel Previsvel Imprevisvel
Gala Previsvel Previsvel Previsvel Imprevisvel
Lujan Imprevisvel Previsvel Previsvel Previsvel
Perla Previsvel Previsvel Previsvel Previsvel
5683 L Previsvel Previsvel Previsvel Previsvel
Victoria Previsvel Previsvel Imprevisvel Imprevisvel
DK 194 Previsvel Imprevisvel Imprevisvel Imprevisvel
WL 442 Previsvel Previsvel Previsvel Previsvel
P 30 Previsvel Previsvel Previsvel Imprevisvel
P 5715 Previsvel Imprevisvel Previsvel Previsvel
Alfa 200 Previsvel Previsvel Previsvel Imprevisvel
Aca 901 Previsvel Imprevisvel Previsvel Previsvel

43
Gapp 969 Previsvel Previsvel Previsvel Previsvel
Rocio Previsvel Previsvel Previsvel Previsvel
GT 13 R Plus Previsvel Previsvel Previsvel Previsvel
WL 525 Previsvel Imprevisvel Previsvel Previsvel
Sequel Previsvel Previsvel Previsvel Previsvel
DK 187 R Imprevisvel Imprevisvel Previsvel Imprevisvel
Pinto Previsvel Previsvel Previsvel Previsvel
Bacana Previsvel Previsvel Imprevisvel Previsvel
Siriver Previsvel Imprevisvel Imprevisvel Imprevisvel
Legenda: Estabil. refere(se a Estabilidade.

Dentre os fentipos que apresentaram assimetria, PRIMAVERA, N 910, WL


414, Activa e Aurora foram classificados como previsveis pelo mtodo de Eberhart e
Russell (1966). Entretanto, quando foram analisados pela metodologia proposta neste
trabalho com = 0,25 , esses gentipos foram classificados como imprevisveis.
Os trs restantes obtiveram a mesma classificao nas duas metodologias,
Conorado e WL 414 1 foram classificados como previsveis e WL 516 imprevisvel.

60 %# E

Diante dos resultados encontrados e visto a importncia econmica do lanamento


de um novo cultivar, percebe(se que o tratamento adequado para fentipos assimtricos
torna(se importante. O mtodo proposto e avaliado pelos autores obteve bons resultados
para a adaptabilidade e estabilidade fenotpica.
A utilizao do mtodo correto evita a m interpretao do parmetro de
adaptabilidade.
Os autores recomendam a utilizao da Regresso Quantlica, pois menos
influenciada por outliers e por conjunto de dados que apresentam assimetria.

44
+ ? %$ $*#$ :+$%

BEYERLEIN, A; VON KRIES, R., NESS, A. R., ONG, K. K. Genetic Markers of


Obesity Risk: Stronger Associations with Body Composition in Overweight Compared
to Normal(Weight Children. . v. 6, 2011.

CARNEIRO, P.C.S. & 9 ! ( # $ ( :#$ ( ( )! *$#$( ( ! *$#$( (


( % 9) ! 9 ! . 168p. Tese (Doutorado) ( Universidade Federal de Viosa, Viosa.
1998.

CRUZ, C. D.; REGAZZI, A. J.; CARNEIRO, P. C. S. . ( # *$ 9;! $% )#$% (


9 #1 9 ! ;!$% . 4.ed. Viosa: UFV, v.1, 514p., 2012.

CRUZ, C. D.; TORRES, R. A.; VENCOVSKY, R. An alternative approach to the


stability analysis proposed by Silva and Barreto. &$ ! $# $ ( !$% < v.12,
p. 567(80., 1989.

DAGOSTINO, R.B. Transformation to Normality of the Null Distribution of G1.


$ 9 ! $F , v. 57, n.3, p. 679(681, 1970.

EBERHART, S. A.; RUSSELL, W. A. Stability parameters for comparing varieties.


) %$ % , v.6, p.36-40, 1966.

FERREIRA, R. de P.; BOTREL, M. de A.; RUGGIERI, A.C.; PEREIRA, A.V.;


COELHO, A.D.F.; LDO, F.J. da S.; CRUZ, C.D. Adaptabilidade e estabilidade de
cultivares de alfafa em relao a diferentes pocas de corte. $? %$ #, v.34, p.265(
269, 2004.

FINLAY, K. W.; WILKINSON, G. N. The analysis of adaptation in a plant(breeding


programme. ! #$ > # + $% #! # %1, v.14, p.742(754, 1963.

HAO, L.; NAIMAN, D. Q. !$# $ 0 Sage publications. 126p. 2007.

45
KOENKER R. quantreg: Quantile Regression. R package version 4.91. Disponvel
em:http://CRAN.R(project.org/package=quantreg, 2012.

KOMSTA , L. Moments, cumulants, skewness, kurtosis and related tests.


URL http://www.r(project.org;http://www.komsta.net/, 2012.

KOMSTA , L. Median(Based Linear Models.


URL http://www.r(project.org;http://www.komsta.net/, 2013.

LIN, C.S.; BINNS, M.R. A superiority measure of cultivar performance for cultivar x
location data. ($ > # + # ! %$ % , v.68, p.193-198, 1988.

MIRANDA, G.V.; SOUZA, L.V. de; GUIMARES, L.J.M.; NAMORATO, H.;


OLIVEIRA, L.R.; SOARES, M.O. Multivariate analyses of genotype x environment
interaction of popcorn. $ ) % : $ $# $ , v.44, p.45(50, 2009.

MONTGOMERY, D.C.; PECK, E.A.; VINING, G.G. ! ( %!$ ! #$


$ #2 $ . 5. ed. New York: John Wiley & Sons, 645p., 2012.

MONTGOMERY, D.C.; RUNGER, G. C. ! !" !$% )#$% ( ) * *$#$( ( )


1 $ . 4 ed. Rio de Janeiro: LTC, 493 p. , 2009.

NASCIMENTO, M.; CRUZ, C.D.; CAMPANA, A.C.M.; TOMAZ, R.S.; SALGADO,


C.C; FERREIRA, R. de P. Alterao no mtodo centroide de avaliao da
adaptabilidade genotpica. $ ) % : $ $# $ , v.44, p.263(269, 2009a.

NASCIMENTO, M.; FERREIRA, A.; CAMPANA, A.C.M.; SALGADO, C.C.; CRUZ,


C.D. Multiple centroid methodology to analyze genotype adaptability. ) ($
( ))#$ ( $ ! %1 # 2, v.9, p.8(16, 2009b.

NASCIMENTO, M.; FERREIRA, A.; FERRO, R. G.; CAMPANA, A. C.


M.; BHERING, L. L.; CRUZ, C. D.; FERRO, M. A. G.; FONSECA, A. F. A. da.

46
Adaptabilidade e estabilidade via regresso no paramtrica em gentipos de caf.
$ ) % : $ $# $ , v. 45, p. 41(48, 2010.

NASCIMENTO, M. ; SILVA, F.F. ; SFADI, T. ; NASCIMENTO, A.C.C. ; FERREIRA,


R. P. ; CRUZ, C. D. . Abordagem bayesiana para avaliao da adaptabilidade e
estabilidade em gentipos de alfafa. $ ) % : $ $# $ . v. 46, p. 26(
32, 2011

NASCIMENTO, A. C. C.; LIMA, J. E. de; BRAGA, M. J.; NASCIMENTO, M.;


GOMES, A. P. Eficincia tcnica da atividade leiteira em Minas Gerais: uma aplicao
de regresso quantlica. 0 0 @ ! %., v.41, n.3, p.783(789, 2012.

R DEVELOPMENT CORE TEAM. : A language and environment for statistical


computing. Vienna, Austria: R Fundation for Statistical Computing, 2012. Disponvel
em: <http://r(project .org>.

SILVA, E. N da; PORTO JNIOR, S. S. Sistema financeiro e crescimento econmico:


Uma aplicao de regresso Quantlica. % 0 )#$%., v. 10, p. 425(442, 2006.

VASCONCELOS, E.S. de; BARIONI JNIOR, W.; CRUZ, C.D.; FERREIRA, R. de


P.; RASSINI, J.B.; VILELA, D. Seleo de gentipos de alfafa pela adaptabilidade e
estabilidade da produo de matria seca. %! %$ !$ 90 92, v.30, p.339(
343, 2008.

47
G

Este trabalho abordou, de maneira detalhada, a utilizao da Regresso


Quantlica com uma proposta de sua utilizao no melhoramento gentico vegetal.
importante analisar e discutir as diferenas entre o modelo de RQ e regresses
usuais, pois a utilizao do modelo correto para cada conjunto de dados pode identificar
relaes que no seriam possveis utilizando outro modelo.
Desta forma, os autores sugerem a utilizao da Regresso Quantlica quando
seu conjunto de dados apresenta distribuies no normais.

48
APNDICE A Rotinas computacionais implementadas

49
As rotinas computacionais dos mtodos descritos neste trabalho foram
implementadas no software livre R (R Development Core Team, 2012) e esto descritas
a seguir.
30 $9 # ' ( ( C

!
"#$ % & !
'
( &

3030 ( $9;! $% H ($ $!

) &

*+ , -"#$- - - .- -
( /
0
1 *+ , - 2 - - 1 2 3/
, .4 /
0
**+ ,5 - 6 7/
1 8 -9*+ : .;( :
**+1
<
<

= >?3@) A3(B(C D?)4 %

&
.
"#$
50
"#$ EEFE.
G '
5
#
..H7
.
. .

5
I
( *+ ,+7JE-+7F.-+EK.-+E F-+KH5-+LE.-+5FL-+5LH-+.7K-+
.7L-+5J-LL-KE-FJ-..5-.EK-5 L-F7K-. H.-.EEL/
.H5J
, -"#$- - - .- -( /

.
*+ ,G - -E/
@"# . *+ ,G - -E/
@"# *+ ,G - -E/

,M .4 /
0

.
"#$
"#$ EEFE.
G '
5
#
..H7
.
. .

5
I
( *+ ,+7JE-+7F.-+EK.-+E F-+KH5-+LE.-+5FL-+5LH-+.7K-+
.7L-+5J-LL-KE-FJ-..5-.EK-5 L-F7K-. H.-.EEL/
.H5J
, -"#$- - - .- -( /

#"? @ M $ ,.J77/

.*+ ,G - -./
*+ ,G - -./
*+ ,G - -./
, .4 /
0
*+ , 8 -9N( /
O
.*+ 859
.8 -.9*+, .+./
51
*+ 8.9
8 -.9*+, +..H7/
*+, .+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
, R 6 E/
0 8 -.9*+.<
0 8 -.9*+ <

<
@"# .*+ , .Q5/P
@"# *+ , Q5/P
@"#
.*+, , /P /;.
.

8M-.9*+ .
@"# . 8M-.9*+@"# .
@"# 8M-.9*+@"#

$@S$@))T? "A G3(B(> 3 A 65E

..*+ ,G - -./
*+ ,G - -./
.*+ ,G - -./
, .4 /
0
.*+ %, 8 -9N( - 65E/
. .O
.*+ .859
..8 -.9*+, .+./
*+ .8.9
8 -.9*+, +..H7/
*+, .+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
, R 6 E/
0 .8 -.9*+.<
0 .8 -.9*+ <
<

@"# ..*+ , ..Q5/P


@"# ..
@"# *+ , Q5/P
@"#
..*+, , ./P /;.
..

@"# . 8M-59*+@"# ..
@"# 8M-59*+@"#
8M-59*+ ..
52
$@S$@))T? "A G3(B(> 3 A 6E

...*+ ,G - -./
*+ ,G - -./
.*+ ,G - -./
, .4 /
0
.*+ %, 8 -9N( - 6E/
. .O
.*+ .859
...8 -.9*+, .+./
*+ .8.9
8 -.9*+, +..H7/
*+, .+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
, R 6 E/
0 .8 -.9*+.<
0 .8 -.9*+ <
<

@"# ...*+ , ...Q5/P


@"# ...
@"# *+ , Q5/P
@"#
...*+, , ./P /;.
...

@"# . 8M-L9*+@"# ...


@"# 8M-L9*+@"#
8M-L9*+ ...

$@S$@))T? "A G3(B(> 3 A 6HE

....*+ ,G - -./
*+ ,G - -./
.*+ ,G - -./
, .4 /
0
.*+ %, 8 -9N( - 6HE/
. .O
.*+ .859
....8 -.9*+, .+./
*+ .8.9
8 -.9*+, +..H7/
*+, .+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
, R 6 E/
0 .8 -.9*+.<
53
0 .8 -.9*+ <
<

@"# ....*+ , ....Q5/P


@"# ....
@"# *+ , Q5/P
@"#
....*+, , ./P /;.
....

@"# . 8M-K9*+@"# ....


@"# 8M-K9*+@"#
8M-K9*+ ....

$@S$@))T? GT? = $ #@3$(>

.....*+ ,G - -./
*+ ,G - -./
*+ ,G - -./
, .4 /
0

1*+ 8 -9
*+(

*+ ,1N /
O
.*+ 859
.....8 -.9*+, .+./
*+ 8.9
8 -.9*+, +..H7/
*+, .+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
, R 6 E/
0 8 -.9*+.<
0 8 -.9*+ <

<
@"# .....*+ , .....Q5/P
@"# *+ , Q5/P
.....*+, , /P /;.

8M-E9*+ .....
@"# . 8M-E9*+@"# .....
@"# 8M-E9*+@"#

54
<
# , /
# ,@"# /
# ,@"# . /

3040 ( $9;! $% H (

) &

*+
, -"#$- - - .- -
( /
0
1 *+ , - 2 - - 1 2
3/
, .4 /
0
**+,+ ,5 - % , P"#$///
1 .*+ : .;( :
1 8 -9*+1 .:, ,1 ./;+./
**+1
<
<

A partir daqui idntico simulao direita.

3050 ( $9;! $%

) &

*+ , -"#$- - - .- -
( /
0
1 *+ , - 2 - - 1 2 3/
, .4 /
0
**+ ,5 - - % ,"#$P5//
1 8 -9*+ : .;( :
**+1
<
<

55
A partir daqui idntico simulao direita.

3060 ( $9;! $% H ($ $! % 9 ) ' (

*+ , - - .-( /
0
*+ ,5 - 6 7/
1 *+ : .;( :
<

#
..H7
.
. .

5
I
( *+ ,+7JE-+7F.-+EK.-+E F-+KH5-+LE.-+5FL-+5LH-+.7K-+
.7L-+5J-LL-KE-FJ-..5-.EK-5 L-F7K-. H.-.EEL/

*+
*+ , - - - 1 2 3/
*+.

0
U.*+ , - - .-( /
*+ ,U.N( /
M , /
, ,M8-59R , 6KK//R /
0
8 -9*+U.
*+ :.
*+ :.
<
, /
V
<

A partir daqui idntico simulao direita.


56
3070 ( $9;! $% H ( % 9) ' (

*+ , - - .-( /
0
**+,+ ,5 - 6 7//
1 .*+ : .;( :, /
1 *+1 .:, ,1 ./;+./
**+1
<

"#$
"#$ EEFE.
G '
5
#
..H7
.
. +.

5
I
( *+ ,+7JE-+7F.-+EK.-+E F-+KH5-+LE.-+5FL-+5LH-+.7K-+
.7L-+5J-LL-KE-FJ-..5-.EK-5 L-F7K-. H.-.EEL/

*+
*+ , - - - 1 2 3/
*+.

0
U.*+ , - - .-( /
U.*+,+U.:, ,U.///
*+ ,U.N( /
M , /
, ,M8-59R , 6KK//R /
0
8 -9*+U.
*+ :.
*+ :.
<
, /
V
<

57
A partir daqui idntico simulao direita.

30I0 ( $9;! $% % 9) ' (

*+ , - - .-( /
0
*+ ,5 - - % ,"#$P5//
1 *+ : .;( :
<

"#$
"#$ EEFE.
G '
5
#
..H7
.
. .

5
I
( *+ ,+7JE-+7F.-+EK.-+E F-+KH5-+LE.-+5FL-+5LH-+.7K-+
.7L-+5J-LL-KE-FJ-..5-.EK-5 L-F7K-. H.-.EEL/

*+
*+ , - - - 1 2 3/
*+.

0
U.*+ , - - .-( /
U.85 9*+KE
*+ ,U.N( /
M , /
, ,M8-59R , 6KK//R /
0
8 -9*+U.
*+ :.
*+ :.
<
, /
V
<
58
A partir daqui idntico simulao direita.

40 ( $
4030 ( )! *$#$( (

#AD $ = $ ? D($@3W$(? ?GD@ )@ @G>?G3$ ?


>?GXAG3? D@ D D?)

= >?3@) A3(B(C D?)4 %

,Y 6 Y/
.*+ , -J5-5.- 1 2 3/
.8.-9
( *+ ,+7JE-+7F.-+EK.-+E F-+KH5-+LE.-+5FL-+5LH-+.7K-+
.7L-+5J-LL-KE-FJ-..5-.EK-5 L-F7K-. H.-.EEL/
(
"#$ EEFE.
5
..H7
.H5J

@ M $ ,.J77/4
*+ ,G -J5-./
.*+ ,G -J5-./
*+ ,G -J5-./

, .4J5/
0
*+ , .8 -+5.9N( /
O
.8 -.9*+ 859
8 -.9*+ 8.9
*+, .+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
*+, R 6 E/

<

2 6 , .-Y .6 Y- 26 B)@-% B)@/

59
$@S$@))T? GT? = $ #Z3$(>

3*+ ,G -J5-./
.3*+ ,G -J5-./
3*+ ,G -J5-./

, .4J5/

1*+ .8 -+5.9
*+(
*+ ,1N /
O
.38 -.9*+ 859
38 -.9*+ 8.9
*+, .3+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
3*+, R 6 E/

<

2 6 , .3-Y .36 Y- 26 B)@-% B)@


/

$@S$@))T? "A G3(B(> 3 A 65E

"*+ ,G -J5-./
."*+ ,G -J5-./
"*+ ,G -J5-./

, .4J5/
0
.*+ %, .8 -+5.9N( - 65E/
.O
."8 -.9*+ 859
"8 -.9*+ 8.9
*+, ."+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
"*+, R 6 E/

<

60
2 6 , ."-Y ." 65E6 Y- 26 B)@-%
B)@/

$@S$@))T? "A G3(B(> 3 A 6E

6E"*+ ,G -J5-./
. 6E"*+ ,G -J5-./
6E"*+ ,G -J5-./

, .4J5/
0
.*+ %, .8 -+5.9N( - 6E /
. .O
. 6E"8 -.9*+ .859
6E"8 -.9*+ .8.9
*+, . 6E"+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
6E"*+, R 6 E/

<

2 6 , . 6E"-Y ." 6E6 Y- 26 B)@-%


B)@/

$@S$@))T? "A G3(B(> 3 A 6HE

6HE"*+ ,G -J5-./
. 6HE"*+ ,G -J5-./
6HE"*+ ,G -J5-./

, .4J5/
0
.*+ %, .8 -+5.9N( - 6HE/
. .O
. 6HE"8 -.9*+ .859
6HE"8 -.9*+ .8.9
*+, . 6HE"+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
6HE"*+, R 6 E/
<

61
2 6 , ." 6HE-Y ." 6HE6 Y- 26 B)@-%
B)@/

4040 ! *$#$( (

#AD $ = $ ? D($@3W$(? ?GD@ )@


@G>?G3$ ? >?GXAG3? D@ D D?)

= >?3@) A3(B(C D?)4 %

,Y 6 Y/
.*+ , -J5-5.- 1 2 3/
.8.-9
( *+ ,+7JE-+7F.-+EK.-+E F-+KH5-+LE.-+5FL-+5LH-+
.7K-+.7L-+5J-LL-KE-FJ-..5-.EK-5 L-F7K-. H.-.EEL/
(
"#$ EEFE.
5
..H7
.H5J

$@S$@))T? GT? = $ #Z3$(>

3*+ ,G -J5-./
.3*+ ,G -J5-./
3*+ ,G -J5-./
. ,G - J5-./
5 ,G - J5-./
$5 ,G - J5-./

, .4J5/
0

1*+ .8 -+5.9

*+(

*+ ,1N /
O
.38 -.9*+ 859
38 -.9*+ 8.9
62
*+, .3+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
3*+, R 6 E/
.8 -.9*+ , .8 -+5.9/
58 -.9*+ , O 6 /
$58 -.9*+ 58 -.9P .8 -.9

<

$@S$@))T? "A G3(B(> 3 A 65E

"*+ ,G -J5-./
."*+ ,G -J5-./
"*+ ,G -J5-./
. ,G - J5-./
5 ,G - J5-./
$5 ,G - J5-./

, .4J5/
0
.*+ %, .8 -+5.9N( - 65E/
.O
."8 -.9*+ 859
"8 -.9*+ 8.9
*+, ."+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
"*+, R 6 E/
.8 -.9*+ , .8 -+5.9/
58 -.9*+ , .O 6 /
$58 -.9*+ 58 -.9P .8 -.9
<

$@S$@))T? "A G3(B(> 3 A 6E

"*+ ,G -J5-./
."*+ ,G -J5-./
"*+ ,G -J5-./
. ,G - J5-./
5 ,G - J5-./
$5 ,G - J5-./

, .4J5/
0
63
.*+ %, .8 -+5.9N( - 6E /
.O
."8 -.9*+ 859
"8 -.9*+ 8.9
*+, ."+./P % ,,"#$P5/P ,( Q5//
*+5;, , , /- - 2 6 //
"*+, R 6 E/
.8 -.9*+ , .8 -+5.9/
58 -.9*+ , .O 6 /
$58 -.9*+ 58 -.9P .8 -.9
<

50 ! ( J !$ K3LMNO

= >?3@ A3(B(C D?4

,Y 6 Y/
.*+ , -J5-5.- 1 2 3/
, ./

*+ ,G -J5-./
*+ ,G -J5-./
V 2 *+ ,G -J5-./

, .4J5/
0

.8 -+5.9

V 2 8 -.9*+ V 2 , /
*+ 6 , /

*+ O 6
8 -.9*+
*+, R 6 E/

<

64
APNDICE B Tabela com os demais gentipos.

65
* # I0 Classificao da adaptabilidade dos gentipos com que possuem a mesma
classificao nas trs metodologias descritas
no trabalho.
Eberhart e Regresso Regresso Regresso 51i =
Russell(1966) Quantlica Quantlica No( |
1iER 1iNP |
Gentipos ( = 0,25 ) ( = 0,50 ) Paramtrica

Adaptab.1 Adaptab. Adaptab. Adaptab.

Winterns Geral Geral Geral Geral 0,038


ns
SPS 6550 Geral Geral Geral Geral 0,067
LE N 1ns Geral Geral Geral Geral 0,029
Trindade 87ns Geral Geral Geral Geral 0,040
LE N 2ns Geral Geral Geral Geral 0,008
LE N 4ns Geral Geral Geral Geral 0,008
Monarca SP Geral Geral Geral Geral 0,010
ns
INTA
Brbara SP Geral Geral Geral Geral 0,091
INTAns
PRIMAVERA* Geral Geral Geral Geral 0,027
WL 612ns Desf. Desf. Desf. Desf. 0,096
ns
Candombe Desf. Desf. Desf. Desf. 0,015
WL 414* Desf. Desf. Desf. Desf. 0,198
LE Semit 711ns Geral Geral Geral Geral 0,025
5 929ns Geral Geral Geral Geral 0,041
Sequel 2ns Geral Geral Geral Geral 0,002
Califnia 60ns Geral Geral Geral Geral 0,047
ns
Cuf 1010 Geral Geral Geral Geral 0,014
58 N 58ns Geral Geral Geral Geral 0,046
Diamindns Geral Geral Geral Geral 0,064
Sundorns Fav. Fav. Fav. Fav. 0,010
Springfieldns Geral Geral Geral Geral 0,030
Sutterns Geral Geral Geral Geral 0,132

66
Prointa Fav. Fav. Fav. Fav. 0,013
ns
Patricia
Flrida 77ns Geral Geral Geral Geral 0,062
Siriver 2ns Geral Geral Geral Geral 0,019
Esmeralda SP Geral Geral Geral Geral 0,098
INTAns
5 683ns Geral Geral Geral Geral 0,013
WL 414 1* Geral Geral Geral Geral 0,061
Expressns Geral Geral Geral Geral 0,025
F 708ns Geral Geral Geral Geral 0,018
Perla SP Geral Geral Geral Geral 0,048
INTAns
Prointa Lujanns Fav. Fav. Fav. Fav. 0,059
ns
DK 166 Geral Geral Geral Geral 0,080
Platinons Fav. Fav. Fav. Fav. 0,034
Amerigraze Geral Geral Geral Geral 0,079
701ns
13 R Supremens Geral Geral Geral Geral 0,000
ns
Pecos Geral Geral Geral Geral 0,037
Califrnia 50ns Geral Geral Geral Geral 0,019
Maricopans Geral Geral Geral Geral 0,094
Kernns Fav. Fav. Fav. Fav. 0,007
Costera SP Geral Geral Geral Geral 0,005
INTAns
F 686ns Desf. Desf. Desf. Desf. 0,062
Monarcans Geral Geral Geral Geral 0,036
Patrcians Geral Geral Geral Geral 0,006
Brbarans Desf. Desf. Desf. Desf 0,007
Galans Geral Geral Geral Geral 0,057
ns
Perla Geral Geral Geral Geral 0,012
ns
5683 L Geral Geral Geral Geral 0,042
Victorians Geral Geral Geral Geral 0,071
WL 442ns Geral Geral Geral Geral 0,010

67
P 30ns Geral Geral Geral Geral 0,046
ns
Alfa 200 Geral Geral Geral Geral 0,058
Gapp 969ns Geral Geral Geral Geral 0,022
WL 525ns Desf. Desf. Desf. Desf. 0,011
Sequelns Desf. Desf. Desf. Desf. 0,022
Pintons Geral Geral Geral Geral 0,010
Bacanans Geral Geral Geral Geral 0,011
ns
Siriver Geral Geral Geral Geral 0,010
Legenda: Adaptab. refere(se a Adaptabilidade, Desf. refere(se a ambientes desfavorveis, Fav. refere(se a ambientes favorveis. ns:
no significativo a 5% de probabilidade pelo teste DAgostino. *: significativo a 5% de probabilidade pelo teste DAgostino.

68
APNDICE C Demonstrao de que a mediana minimiza a mdia
da distancia absoluta

69
Seja F a funo de distribuio acumulada e f a funo densidade de
probabilidade, sabe(se que:

+ m +
E Y m = y m f ( y )dy = y m f ( y )dy + y m f ( y )dy =
m
m +
= (m y ) f ( y )dy + ( y m) f ( y )dy
m

Alm disso, tem(se que para se obter o mnimo de uma funo necessrio
encontrar a derivada parcial desta funo e iguala(la a zero. Desta forma:

+ m +

y m f ( y )dy = ( m y ) f ( y ) dy + ( y m) f ( y )dy =
m m m
m +
= (m y ) f ( y )dy + ( y m) f ( y )dy =
m m m
m +
= (m y ) f ( y )dy + ( y m) f ( y )dy =
m m m
m + m +
= f ( y )dy + f ( y )dy = f ( y )dy f ( y )dy =
m m

= F (m) (1 F (m)) = 2 F (m) 1 (1)

Igualando (1) a zero obtemos:


1
2 F ( m) 1 = 0 2 F ( m) = 1 F ( m) =
2
1
Como F (m) = , tem(se que o valor de m que minimiza a mdia da distancia
2
absoluta a mediana.

70