Ensaios agrícolas implantados em diferentes locais são bastante comuns, principalmente em fases finais de programas de melhoramento genético. Estudar a adaptabilidade e a estabilidade dos materiais genéticos é de grande interesse para o melhorista, seja para identificar genótipos superiores, seja para fazer recomendações regionalizadas. Estudar o efeito do ambiente sobre o rendimento das culturas é um dos principais desafios deste tipo de pesquisa, considerando-se que a interação genótipo × ambiente pode se tornar bastante complexa. O tipo de análise mais comum para situações como essa é fazer a análise de variância de grupos de experimentos e aplicação de testes de comparação de médias. No entanto, também é possível fazer uso de métodos estatísticos multivariados. Entre as metodologias mais proeminentes, destaca-se o modelo AMMI. Esta metodologia combina em uma única análise a ANOVA, para estudar os efeitos aditivos do modelo, e a Análise de Componentes Principais, ou Decomposição em Valor Singular para decompor a interação. Ocorre que esta técnica possui pressupostos muito fortes, como a necessidade de normalidade e homogeneidade de variâncias residual. Para contornar esta limitação, alternativas têm sido propostas, entre estas destaca-se métodos de reamostragem e o algoritmo R-AMMI. Assim, objetivou-se neste trabalho aplicar o modelo AMMI tradicional e os métodos de reamostragem e algoritmo R-AMMI quando as pressuposições do modelo não forem atendidas, em um conjunto de dados proveniente da estação experimental do CIMMYT (Centro Internacional de Mejoramiento de Maíz y Trigo), localizada em Ciudad Obregon, Sonora, no noroeste do México, de um ensaio realizado em quatro ambientes distintos: (E1) canteiros convencionalmente arados com irrigação total, (E2) canteiros convencionalmente arados com irrigação reduzida, (E3) plantio direto com irrigação total e (E4) plantio direto com irrigação reduzida. Dentro de cada ambiente foi implantado um delineamento em blocos completamente casualizados, com três blocos e 24 genótipos de duas espécies de trigo, sendo 12 genótipos de trigo comum (Triticum aestivum) e 12 de trigo durum (Triticum turgidum). A variável resposta analisada neste estudo foi o rendimento de grãos (kg/ha), referentes à safra de 2017-2018. Os ambientes E1 e E4 foram bastante similares entre si, indicando que é possível ter um ambiente altamente produtivo com práticas conservacionistas do solo. O sistema de plantio direto pode ser prejudicado no caso de excesso de irrigação, possivelmente devido a maior infiltração de água nesses ambientes, que podem resultar estresse hídrico às plantas. Os algoritmos R-AMMI e o método baseado em reamostragem são importantes formas para contornar a situação de se trabalhar com dados contaminados com observações discrepantes. Como sugestão para estudos futuros, recomenda-se combinar o algoritmo de reamostragem com o R-AMMI, aplicando-o diretamente nos resíduos da regressão robusta.

Agricultural trials implemented in different locations are quite common, especially in the final stages of genetic improvement programs. Studying the adaptability and stability of genetic materials is of great interest to breeders, either to identify superior genotypes or to make regionalized recommendations. Studying the effect of the environment on crop yields is one of the main challenges of this type of research, considering that the genotype × environment interaction can become quite complex. The most common type of analysis for situations like this is to perform the analysis of variance of groups of experiments and application of mean comparison tests. However, it is also possible to use multivariate statistical methods. Among the most prominent methodologies, the AMMI model stands out. This methodology combines in a single analysis the ANOVA to study the additive effects of the model and Principal Component Analysis or Singular Value Decomposition to decompose the interaction. However, this technique has very strong assumptions, such as the need for normality and homogeneity of residual variances. To overcome this limitation, alternatives have been proposed, including resampling methods and the R-AMMI algorithm. Thus, the objective of this work was to apply the traditional AMMI model and resampling methods and R-AMMI algorithm when the model assumptions are not met, in a dataset from the experimental station of CIMMYT (Centro Internacional de Mejoramiento de Maíz y Trigo) located in Ciudad Obregon, Sonora, in northwest Mexico, from a trial conducted in four different environments: (E1) conventionally plowed beds with full irrigation, (E2) conventionally plowed beds with reduced irrigation, (E3) no-till with full irrigation and (E4) no-till with reduced irrigation. Within each environment, a completely randomized block design was implanted, with three blocks and 24 genotypes of two species of wheat, 12 of common wheat (Triticum aestivum) and 12 of durum wheat (Triticum turgidum). The response variable analyzed in this study was grain yield (kg/ha) for the 2017-2018 crop. Environments E1 and E4 were quite similar, indicating that it is possible to have a highly productive environment with soil conservation practices. The no-till system can be impaired in case of excessive irrigation, possibly due to greater water infiltration in these environments, which can result in water stress to plants. The R-AMMI algorithm and the resampling-based method are important ways to deal with the situation of working with data contaminated with peripheral observations. As a suggestion for future studies, it is recommended to combine the resampling algorithm with R-AMMI, applying it directly to the residuals of robust regression.