Aplicações do R no Melhoramento Genético Vegetal

2017-07-24

Sobre o evento

Tópicos

Gráficos básicos
1. Representação de dados gerais
2. Dados climáticos

Tópicos

Gráficos básicos
1. Representação de dados gerais
2. Dados climáticos
Gráficos mais elaborados
1. Dados climáticos em escala mensal
2. Dados climáticos para experimentos com dados longitudinais

Tópicos

Gráficos básicos
1. Representação de dados gerais
2. Dados climáticos
Gráficos mais elaborados
1. Dados climáticos em escala mensal
2. Dados climáticos para experimentos com dados longitudinais
Análise de experimento com modelos fixos
1. Mapa de campo (croqui)
2. Análises individuais e conjunta de experimentos
3. Representação gráfica dos dados (básica e mais elaborada)

Gráficos básicos

Representação de dados gerais

Gráficos Básicos

Número de acessos no BAG

BAG	UFV	ESALQ
Soja	80	69
Trigo	200	42
Feijão	183	125
Milho	23	200

Gráficos Básicos

Número de acessos no BAG

# Entrada de dados
UFV<-c(80,200,183,23)
ESALQ<-c(69,42,125,200)

# Culturas
Especies<-c("Soja", "Trigo", "Feijão", "Milho")

# Múltiplas janelas
par(mfrow=c(1,2))

# Barplot
barplot(UFV, names.arg=Especies,  ylab = 'Número de acessos', 
        xlab = 'Culturas', main = 'BAG UFV')
barplot(ESALQ, names.arg=Especies,  ylab = 'Número de acessos', 
        xlab = 'Culturas', main = 'BAG ESALQ')

Gráficos Básicos

Número de acessos no BAG

barplot(UFV, …, density=30)

Número de acessos no BAG

barplot(UFV, …, density=30, angle = 90)

Número de acessos no BAG

barplot(UFV, …, density=30, angle = 200)

Número de acessos no BAG

barplot(UFV, …, density=30, angle = 200, border = NA)

Número de acessos no BAG

barplot(UFV, …, col = 'green')

Número de acessos no BAG

barplot(UFV, …, col=c("red","green", "black","blue"))

Gráfico básicos e mais elaborados

Dados climáticos

Dados Climáticos dos Experimentos

Londrina - PR

Clima_Exp<-read.table("http://cristianetaniguti.github.io/Workshop_
                      genetica_esalq//praticas_2017/
                      Tempo_Londrina.csv",
                      header = T, sep = ";", dec = ",")
head(Clima_Exp)

##   dia     Mes prec.mm       Data
## 1   1 Janeiro    51.2 2017-01-01
## 2   2 Janeiro    44.8 2017-01-02
## 3   3 Janeiro     6.8 2017-01-03
## 4   4 Janeiro     0.6 2017-01-04
## 5   5 Janeiro     4.8 2017-01-05
## 6   6 Janeiro     0.0 2017-01-06

Fonte: IAPAR

Dados Climáticos dos Experimentos

Londrina - PR

summary(Clima_Exp)

##       dia              Mes        prec.mm              Data    
##  Min.   : 1.0   Abril    :30   Min.   : 0.00   2017-01-01:  1  
##  1st Qu.: 8.0   Fevereiro:28   1st Qu.: 0.00   2017-01-02:  1  
##  Median :16.0   Janeiro  :31   Median : 0.00   2017-01-03:  1  
##  Mean   :15.6   Junho    :30   Mean   : 5.21   2017-01-04:  1  
##  3rd Qu.:23.0   Maio     :31   3rd Qu.: 3.60   2017-01-05:  1  
##  Max.   :31.0   Março    :31   Max.   :59.60   2017-01-06:  1  
##                                                (Other)   :175

Dados Climáticos dos Experimentos

Londrina - PR

summary(Clima_Exp)

##       dia              Mes        prec.mm              Data    
##  Min.   : 1.0   Abril    :30   Min.   : 0.00   2017-01-01:  1  
##  1st Qu.: 8.0   Fevereiro:28   1st Qu.: 0.00   2017-01-02:  1  
##  Median :16.0   Janeiro  :31   Median : 0.00   2017-01-03:  1  
##  Mean   :15.6   Junho    :30   Mean   : 5.21   2017-01-04:  1  
##  3rd Qu.:23.0   Maio     :31   3rd Qu.: 3.60   2017-01-05:  1  
##  Max.   :31.0   Março    :31   Max.   :59.60   2017-01-06:  1  
##                                                (Other)   :175

Clima_Exp$dia<-as.factor(Clima_Exp$dia)

Dados Climáticos dos Experimentos

Londrina - PR

tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, mean)

##     Abril Fevereiro   Janeiro     Junho      Maio     Março 
##  4.653333  3.650000  8.532258  3.573333  7.406452  3.222581

Dados Climáticos dos Experimentos

Londrina - PR

tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, mean)

##     Abril Fevereiro   Janeiro     Junho      Maio     Março 
##  4.653333  3.650000  8.532258  3.573333  7.406452  3.222581

print(levels(Clima_Exp$Mes))

## [1] "Abril"     "Fevereiro" "Janeiro"   "Junho"     "Maio"      "Março"

Reordenar os fatores para mês:

Clima_Exp$Mes = factor(Clima_Exp$Mes,
                       levels(Clima_Exp$Mes)[c(3,2,6,1,5,4)])

Dados Climáticos dos Experimentos

Londrina - PR

tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, mean)

##   Janeiro Fevereiro     Março     Abril      Maio     Junho 
##  8.532258  3.650000  3.222581  4.653333  7.406452  3.573333

tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, sum)

##   Janeiro Fevereiro     Março     Abril      Maio     Junho 
##     264.5     102.2      99.9     139.6     229.6     107.2

Dados Climáticos dos Experimentos

plot(prec.mm~Mes, data = Clima_Exp, main="Médias",
     xlab = "Meses do ano de 2017",
     ylab = "Precipitação em mm")

barplot(tapply(Clima_Exp$prec.mm, Clima_Exp$Mes, sum), 
        main="Total Mensal",
        xlab = "Meses do ano de 2017",
        ylab = "Precipitação em mm")

Dados Climáticos dos Experimentos

Londrina - PR, via ggplot2

Dados Climáticos dos Experimentos

Londrina - PR, via ggplot2

Gráfico mais elaborado

Dados climáticos para exp. longitudinais

Dados Climáticos - Exp. Longitudinais

Londrina - PR

Clima_Long <- matrix(c(302.9,205.9,81.2,86,7.6,88.7,103.2,31.7,7,278.3,140.1,86.4,
                       201.6,40.3,87.8,159,64.5,344.2,33.1,1,65,111.1,120,232.7,
                       202.4,328.5,146.8,134.7,173.1,250.2,71.5,0,84.7,259.5,96.4,125.9,
                       148,172.2,146.2,162,96.7,65.7,102.8,19.5,176.3,9.9,148.4,234.7,
                       201.2,173.8,118.3,65,145.4,10.3,345.9,33.2,201.5,256.5,516.1,390.6,
                       417.8,308.4,131.9,79,292.9,108.5,33.8,120.7,56.2,187.8,87.3,152.1),
                     6,12,byrow=TRUE)

##       [,1]  [,2]  [,3]  [,4]  [,5]  [,6]  [,7]  [,8]  [,9] [,10] [,11]
## [1,] 302.9 205.9  81.2  86.0   7.6  88.7 103.2  31.7   7.0 278.3 140.1
## [2,] 201.6  40.3  87.8 159.0  64.5 344.2  33.1   1.0  65.0 111.1 120.0
## [3,] 202.4 328.5 146.8 134.7 173.1 250.2  71.5   0.0  84.7 259.5  96.4
## [4,] 148.0 172.2 146.2 162.0  96.7  65.7 102.8  19.5 176.3   9.9 148.4
## [5,] 201.2 173.8 118.3  65.0 145.4  10.3 345.9  33.2 201.5 256.5 516.1
## [6,] 417.8 308.4 131.9  79.0 292.9 108.5  33.8 120.7  56.2 187.8  87.3

Fonte: IAPAR

Dados Climáticos - Exp. Longitudinais

Londrina - PR

colnames(Clima_Long) <- c("Jan", "Feb", "Mar", "Apr", "May", "Jun",
                          "Jul", "Aug", "Sep", "Oct", "Nov", "Dec")

rownames(Clima_Long) <- c("2011", "2012", "2013",
                          "2014", "2015", "2016")
Clima_Long

##        Jan   Feb   Mar   Apr   May   Jun   Jul   Aug   Sep   Oct   Nov
## 2011 302.9 205.9  81.2  86.0   7.6  88.7 103.2  31.7   7.0 278.3 140.1
## 2012 201.6  40.3  87.8 159.0  64.5 344.2  33.1   1.0  65.0 111.1 120.0
## 2013 202.4 328.5 146.8 134.7 173.1 250.2  71.5   0.0  84.7 259.5  96.4
## 2014 148.0 172.2 146.2 162.0  96.7  65.7 102.8  19.5 176.3   9.9 148.4
## 2015 201.2 173.8 118.3  65.0 145.4  10.3 345.9  33.2 201.5 256.5 516.1
## 2016 417.8 308.4 131.9  79.0 292.9 108.5  33.8 120.7  56.2 187.8  87.3
##        Dec
## 2011  86.4
## 2012 232.7
## 2013 125.9
## 2014 234.7
## 2015 390.6
## 2016 152.1

Dados Climáticos - Exp. Longitudinais

Londrina - PR, via lattice e hydroTSM

library(lattice)
library(hydroTSM)
print(matrixplot(Clima_Long, ColorRamp="Precipitation", 
                 main="Precipitação Média em Londrina
                 - PR [mm/mês/ano]"))

Análise de experimento com mod. fixos

Análise de experimento

Entrada dos dados

rm(list=ls())

Feijão <- read.table("http://cristianetaniguti.github.io/Workshop_
                     genetica_esalq//praticas_2017/
                     Feijao_Magno.csv", header = TRUE,
                     sep = ";", dec = ",", na.strings = TRUE)
head(Feijão)

##   Cultivar  Local Bloco Produtividade
## 1        1 Lavras     1          1000
## 2        2 Lavras     1           800
## 3        3 Lavras     1           700
## 4        4 Lavras     1           920

Fonte: Ramalho et al. 2012

Análise de experimento

summary(Feijão)

##     Cultivar               Local        Bloco   Produtividade   
##  Min.   : 1.0   Lavras        :30   Min.   :1   Min.   : 120.0  
##  1st Qu.: 3.0   Patos de Minas:30   1st Qu.:1   1st Qu.: 327.5  
##  Median : 5.5                       Median :2   Median : 600.0  
##  Mean   : 5.5                       Mean   :2   Mean   : 608.5  
##  3rd Qu.: 8.0                       3rd Qu.:3   3rd Qu.: 832.5  
##  Max.   :10.0                       Max.   :3   Max.   :1090.0

Análise de experimento

summary(Feijão)

##     Cultivar               Local        Bloco   Produtividade   
##  Min.   : 1.0   Lavras        :30   Min.   :1   Min.   : 120.0  
##  1st Qu.: 3.0   Patos de Minas:30   1st Qu.:1   1st Qu.: 327.5  
##  Median : 5.5                       Median :2   Median : 600.0  
##  Mean   : 5.5                       Mean   :2   Mean   : 608.5  
##  3rd Qu.: 8.0                       3rd Qu.:3   3rd Qu.: 832.5  
##  Max.   :10.0                       Max.   :3   Max.   :1090.0

Feijão$Cultivar <- as.factor(Feijão$Cultivar)
Feijão$Bloco <- as.factor(Feijão$Bloco)

Análise de experimento

summary(Feijão)

##     Cultivar             Local    Bloco  Produtividade   
##  1      : 6   Lavras        :30   1:20   Min.   : 120.0  
##  2      : 6   Patos de Minas:30   2:20   1st Qu.: 327.5  
##  3      : 6                       3:20   Median : 600.0  
##  4      : 6                              Mean   : 608.5  
##  5      : 6                              3rd Qu.: 832.5  
##  6      : 6                              Max.   :1090.0  
##  (Other):24

str(Feijão)

## 'data.frame':    60 obs. of  4 variables:
##  $ Cultivar     : Factor w/ 10 levels "1","2","3","4",..: 1 2 3 4 5 6 7 8 9 10 ...
##  $ Local        : Factor w/ 2 levels "Lavras","Patos de Minas": 1 1 1 1 1 1 1 1 1 1 ...
##  $ Bloco        : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
##  $ Produtividade: int  1000 800 700 920 820 980 1020 600 620 930 ...

Fases do Programa de Melhoramento

Aonde estamos?

Fonte: P. Stephen et al.

Análises individuais

Análises individuavis

Gerar subsets dos dados

Feijão.Lavras<- subset(Feijão, Feijão$Local=='Lavras')
Feijão.Patos<- subset(Feijão, Feijão$Local=='Patos de Minas')
summary(Feijão.Lavras)

##     Cultivar             Local    Bloco  Produtividade   
##  1      : 3   Lavras        :30   1:10   Min.   : 600.0  
##  2      : 3   Patos de Minas: 0   2:10   1st Qu.: 725.0  
##  3      : 3                       3:10   Median : 845.0  
##  4      : 3                              Mean   : 844.3  
##  5      : 3                              3rd Qu.: 970.0  
##  6      : 3                              Max.   :1090.0  
##  (Other):12

Média dos dados para Lavras:

tapply(Feijão.Lavras$Produtividade, Feijão.Lavras$Local, mean)

##         Lavras Patos de Minas 
##       844.3333             NA

Como resolver?

Média dos dados para Lavras:

tapply(Feijão.Lavras$Produtividade, Feijão.Lavras$Local, mean)

##         Lavras Patos de Minas 
##       844.3333             NA

Como resolver? (equivalente ao as.factor)

Feijão.Lavras = transform(Feijão.Lavras, Cultivar = factor(Cultivar),
                          Bloco = factor(Bloco),
                          Local = factor(Local))
Feijão.Patos = transform(Feijão.Patos, Cultivar = factor(Cultivar),
                         Bloco = factor(Bloco),
                         Local = factor(Local))
tapply(Feijão.Lavras$Produtividade, Feijão.Lavras$Local, mean)

##   Lavras 
## 844.3333

Análises individuais - Passo a passo

Gerando o croqui (mapa de campo) dos experimentos:

1 - Definindo os tratamentos

Cultivar<- c("1","2","3","4","5","6","7","8","9","10") #ou
Cultivar<-c(levels(Feijão$Cultivar)) #já temos os dados

2 - Definindo os número de blocos e/ou repetições

Blocos<-c(3)

3 - Gerar o croqui (sorteio)/Mapa de campo

require(agricolae)
Croqui_Lavras<-design.rcbd(Cultivar, seed = 1, Blocos, first=TRUE)$book
Croqui_Patos<-design.rcbd(Cultivar, seed = 2, Blocos, first=TRUE)$book

Croqui para Lavras

Croqui_Lavras

##    plots block Cultivar
## 1    101     1        4
## 2    102     1        5
## 3    103     1        8
## 4    104     1        9
## 5    105     1        7
## 6    106     1        3
## 7    107     1        2
## 8    108     1        1
## 9    109     1       10
## 10   110     1        6
## 11   201     2        4
## 12   202     2        8
## 13   203     2        3
## 14   204     2        7
## 15   205     2        1
## 16   206     2       10
## 17   207     2        5
## 18   208     2        2
## 19   209     2        9
## 20   210     2        6
## 21   301     3        1
## 22   302     3        5
## 23   303     3        6
## 24   304     3        7
## 25   305     3        2
## 26   306     3        9
## 27   307     3       10
## 28   308     3        4
## 29   309     3        3
## 30   310     3        8

Croqui para Patos de Minas

Croqui_Patos

##    plots block Cultivar
## 1    101     1        1
## 2    102     1        2
## 3    103     1        3
## 4    104     1        4
## 5    105     1        5
## 6    106     1        6
## 7    107     1        7
## 8    108     1        8
## 9    109     1        9
## 10   110     1       10
## 11   201     2        3
## 12   202     2        1
## 13   203     2        2
## 14   204     2        5
## 15   205     2        4
## 16   206     2        9
## 17   207     2        6
## 18   208     2        8
## 19   209     2       10
## 20   210     2        7
## 21   301     3        1
## 22   302     3        4
## 23   303     3        8
## 24   304     3        3
## 25   305     3        2
## 26   306     3        5
## 27   307     3        9
## 28   308     3        6
## 29   309     3       10
## 30   310     3        7

Croqui/Mapa de campo

Fonte:YaleISPS

Fonte:Ashu Guru

Análises individuais - Passo a passo

Modelo estatístico para ANAVA individual:

Produtividade = Média + Genótipo + Bloco + Erro

Análises individuais - Passo a passo

Modelo estatístico para ANAVA individual:

Produtividade = Média + Genótipo + Bloco + Erro

Formalizando…

\(Y_{kl} = \mu + t_{k} + b_{l} + e_{kl}\)

Sendo \(k\) = 1,2…,10 e \(l\) = 1,2,3, onde:

\(Y_{kl}\) é o valor observado para a produtividade referente ao \(k-ésimo\) genótipo no \(l-ésimo\) bloco;

\(\mu\) é a média dos genótipos para o local;

\(t_{k}\) é o efeito fixo dos genótipos \(k\) no valor observado;

\(b_{l}\) é o efeito fixo do bloco \(l\); e

\(e_{ij}\) é o erro associado a observação \(y_{ij}\)

Quais são as nossas hipóteses?

\(H_{0}\) = \(\mu_{G1}\) = \(\mu_{G2}\) = \(\mu_{G3}\) = … = \(\mu_{G10}\), com probablidade \(\alpha\) = 0.05

\(H_{A}\) = pelo menos UMA média difere das demais, com probablidade \(\alpha\) = 0.05

Modelo da análises individual no R

O modelo…

Produtividade = Média + Genótipo + Bloco + Erro

… é modelado no R da seguinte maneira:

Modelo.Lavras = aov(Produtividade ~ Bloco + Cultivar, data = Feijão.Lavras)

Modelo da análises individual no R

O modelo…

\(Y_{kl} = \mu + t_{k} + b_{l} + e_{kl}\)

… é modelado no R da seguinte maneira:

Modelo.Lavras = aov(Produtividade ~ Bloco + Cultivar, data = Feijão.Lavras)
anova(Modelo.Lavras)

## Analysis of Variance Table
## 
## Response: Produtividade
##           Df Sum Sq Mean Sq F value    Pr(>F)    
## Bloco      2   1407     703  0.1159    0.8912    
## Cultivar   9 560737   62304 10.2705 1.891e-05 ***
## Residuals 18 109193    6066                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Modelo.Patos = aov(Produtividade ~ Bloco + Cultivar, data = Feijão.Patos)
anova(Modelo.Patos)

## Analysis of Variance Table
## 
## Response: Produtividade
##           Df Sum Sq Mean Sq F value    Pr(>F)    
## Bloco      2  23407   11703  4.9074    0.0199 *  
## Cultivar   9 459453   51050 21.4064 7.438e-08 ***
## Residuals 18  42927    2385                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Modelo.Patos = aov(Produtividade ~ Bloco + Cultivar, data = Feijão.Patos)
anova(Modelo.Patos)

## Analysis of Variance Table
## 
## Response: Produtividade
##           Df Sum Sq Mean Sq F value    Pr(>F)    
## Bloco      2  23407   11703  4.9074    0.0199 *  
## Cultivar   9 459453   51050 21.4064 7.438e-08 ***
## Residuals 18  42927    2385                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Como os 10 genótipos foram avaliados em dois locais, podemos efetuar a análise de variância conjunta, para diagnosticar se há interação genótipos por ambientes. Contudo, antes é preciso verificar a homogeneidade de variâncias das análises individuais. Essa situação é MUITO comum em programas de melhoramento de plantas.

Análise conjunta

Verificação da homogeneidade de variâncias

1 - Teste de Hartley: Razão entre a maior e a menor variância (QMres):

H = \(\frac{max(\sigma^{2})}{min(\sigma^{2})}\)

Verificação da homogeneidade de variâncias

1 - Teste de Hartley: Razão entre a maior e a menor variância (QMres):

H = \(\frac{max(\sigma^{2})}{min(\sigma^{2})}\)

6066/2385

## [1] 2.543396

Em geral, se H < 7, pode-se efetuar a ANAVA conjunta.

Fonte: Pimentel Gomes 1990, pág 128

Modelo da análise conjunta

Prod = Média + Gen + Local + Bloco(Local) + Gen x Local + Erro

Modelo da análise conjunta

Formalizando…

\(Y_{klq} = \mu + t_{k} + a_{q} + b_{(l)q} + (ta)_{kq} + e_{(q)kl}\)

Em que:

\(Y_{klq}\) é o valor de produtividade observado para o genótipo \(k\) no bloco \(l\) dentro do local \(q\);

\(\mu\) é a média geral dos genótipos;

\(t_{k}\) é o efeito fixo dos genótipos \(k\);

\(a_{q}\) é o efeito do local \(q\);

\(b_{(l)q}\) é o efeito do bloco \(l\) dentro do ambiente \(q\);

\((ta)_{kq}\) é o efeito da interação genótipos \(k\) por locais \(q\); e

\(e_{(q)kl}\) é o erro experimental médio

Modelo da análise conjunta

O modelo…

Prod = Média + Gen + Local + Bloco(Local) + Gen x Local + Erro

… é modelado no R da seguinte maneira:

Modelo_Conj<- aov(Produtividade~Cultivar + Local + Local:Bloco +
                    Local:Cultivar, data = Feijão)

Modelo da análise conjunta

O modelo…

\(Y_{klq} = \mu + t_{k} + a_{q} + b_{(l)q} + (ta)_{kq} + e_{(q)kl}\)

… é modelado no R da seguinte maneira:

Modelo_Conj<- aov(Produtividade~Cultivar + Local + Local:Bloco +
                    Local:Cultivar, data = Feijão)
anova(Modelo_Conj)

## Analysis of Variance Table
## 
## Response: Produtividade
##                Df  Sum Sq Mean Sq  F value    Pr(>F)    
## Cultivar        9  561415   62379  14.7624 1.203e-09 ***
## Local           1 3337042 3337042 789.7285 < 2.2e-16 ***
## Local:Bloco     4   24813    6203   1.4681    0.2322    
## Cultivar:Local  9  458775   50975  12.0635 1.693e-08 ***
## Residuals      36  152120    4226                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Análise conjunta

Médias dos genótipos entre locais

tapply(Feijão$Produtividade, Feijão$Cultivar, mean)

##        1        2        3        4        5        6        7        8 
## 768.3333 683.3333 625.0000 590.0000 546.6667 605.0000 746.6667 476.6667 
##        9       10 
## 465.0000 578.3333

Faz sentido?

Análise conjunta

Médias dos genótipos entre locais

tapply(Feijão$Produtividade, Feijão$Cultivar, mean)

##        1        2        3        4        5        6        7        8 
## 768.3333 683.3333 625.0000 590.0000 546.6667 605.0000 746.6667 476.6667 
##        9       10 
## 465.0000 578.3333

Faz sentido?

NÃO!

Análise conjunta

Médias dos genótipos para cada local

Médias_Lavras=tapply(Feijão.Lavras$Produtividade, Feijão.Lavras$Cultivar, mean)
sort(Médias_Lavras, decreasing = TRUE)

##         1         6         7         4        10         2         5 
## 1046.6667  966.6667  940.0000  920.0000  910.0000  846.6667  836.6667 
##         3         8         9 
##  733.3333  633.3333  610.0000

Médias_Patos=tapply(Feijão.Patos$Produtividade, Feijão.Patos$Cultivar, mean)
sort(Médias_Patos, decreasing = TRUE)

##        7        2        3        1        8        9        4        5 
## 553.3333 520.0000 516.6667 490.0000 320.0000 320.0000 260.0000 256.6667 
##       10        6 
## 246.6667 243.3333

Como sempre, o melhor é fazer gráficos!

Análise conjunta

Representação gráfica das médias para cada local

par(mfrow=c(1,2))
barplot(sort(Médias_Lavras, decreasing = TRUE), 
        main = "Média dos Genótipos em Lavras",
        xlab = "Genótipos",
        ylab = "Produtividade em g/parcela",
        col = c("blue","blue","blue","red","red",
                "red","red","red","red","red"))

barplot(sort(Médias_Patos, decreasing = TRUE), 
        main = "Média dos Genótipos em Patos de Minas",
        xlab = "Genótipos",
        ylab = "Produtividade em g/parcela",
        col = c("blue","blue","blue","red","red",
                "red","red","red","red","red"))

Via ggplot2, barplot

Via ggplot2, barplot, default

Via ggplot2, boxplot

Via multicompView, boxplot

library(multcompView)
par(mfrow=c(2,1))
multcompBoxplot(Produtividade ~ Cultivar, data=Feijão.Lavras,
                compFn = "TukeyHSD", decreasing = FALSE)

Via multicompView, boxplot

library(multcompView)
multcompBoxplot(Produtividade ~ Cultivar, data=Feijão.Patos,
                compFn = "TukeyHSD", decreasing = FALSE)