---

A correta classifica‡Æo de indivíduos é de extrema importância para fins de preserva‡Æo da variabilidade genética existente bem como para a maximiza‡Æo dos ganhos. As técnicas de estatística multivariada comumente utilizada nessas situa‡äes sÆo as fun‡äes discriminantes de Fisher e de Anderson, que permitem alocar um indivíduo inicialmente desconhecido em uma das g popula‡äes prováveis ou grupos pré-definidos. Entretanto, para altos níveis de similaridade como é o caso de popula‡äes de retrocruzamentos esses métodos tem se mostrado pouco eficientes. Atualmente, muito se fala de um novo paradigma de computa‡Æo, as redes neurais artificiais, que podem ser utilizadas para resolver diversos problemas da Estatística, como agrupamento de indivíduos similares, previsÆo de séries temporais e em especial, os problemas de classifica‡Æo. O objetivo desse trabalho foi realizar um estudo comparativo entre as fun‡äes discriminantes de Fisher e de Anderson e as redes neurais artificiais quanto ao número de classifica‡äes incorretas de indivíduos sabidamente pertencentes a diferentes popula‡äes simuladas de retrocruzamento, com crescentes níveis de similaridade.

---

Graduada em Ciências Biológicas e Mestre em Genética e Melhoramento pela Universidade Federal de Vi‡osa é atualmente Doutoranda em Genética e Melhoramento Vegetal pela mesma institui‡Æo. Atua na área de Bioinformática, Biometria e Sele‡Æo Genômica Ampla no Laboratório de Bioinformática Bioagro-UFV.

---