Multiplicative (or linear-bilinear) models are useful in different areas of knowledge to analyze data in two-way tables in which both factors and their interaction are studied. This is particularly important in the final stages of plant breeding programs, where several genotypes are evaluated in different environments and the interaction between genotypes environments (GEI) generally makes it difficult to select and widely recommend cultivars. Among these models, the Main Effects of Genotypes (G) plus GEI, referred to in the literature as GGE or SERG (Sites “environments” Regression Model) has wide applicability by researchers and breeders in the analysis of data resulting from multi-environmental experiments (MET). Of main relevance is its graphical interpretation that considers only the first two main components called GGE biplot. Many authors have pointed out the advantages of applying Bayesian inference in these models, avoiding standard analysis which considers the parameters to be fixed effects. Shrinking estimates of the parameters that model the GEI and the heterogeneity of variances between locations were modeled directly under the Bayesian methodology for the AMMI model (Additive Main Effects and Multiplicative Interaction), another model belonging to the general class of multiplicative models and provided flexibility in the analysis of MET data. The main objective of this thesis was to extend the Bayesian version of the GGE model in two directions: a) to study maximum entropy principle to derive objective a priori distributions to G + GEI effects and b) to implement the heteroscedastic version. These proposals were exemplified with both simulated and actual data. We showed that maximum entropy prior distributions for variance components of singular values makes the GGE model more flexible. Furthermore, considering the specific variance in each location, a better fit of the model is obtained, allowing, on the other hand, to evaluate the genotypes with different precision, retrieving experimental information present in different tests from the biplot graphical representation. The versatility of Bayesian modeling to incorporate inference to the biplot was also shown, with many aspects such as credibility regions for medium environment and ideal genotype, correlations between environments and for the representation “who won where”, that are all difficult to obtain in the standard biplot analysis. In this sense, the method presented here looks quite promising and his implementation on statistical packages suitable for researchers is a work in progress.Modelos multiplicativos (ou lineares-bilineares) são úteis em distintas áreas do conhecimento para analisar dados organizados em tabelas de dupla entrada com dois fatores e sua interação sendo estudados. Isso é particularmente importante nas fases finais de programas de melhoramento de plantas, em que, via de regra, vários genótipos são avaliados em diferentes ambientes e a interação genótipos ambientes (GEI), geralmente, dificulta a seleção e recomendação ampla de cultivares superiores. Dentre esses modelos, o de efeitos principais de genótipos (G) mais GEI, referido na literatura como GGE ou SERG (Sites “environments” Regression Model) merece especial destaque devido à ampla aplicabilidade por pesquisadores e melhoristas na análise de dados resultantes de experimentos multiambientais (MET), especialmente a sua interpretação gráfica que considera apenas os dois primeiros componentes principais denominada GGE biplot. Muitos autores têm apontado as vantagens obtidas pela aplicação da inferência bayesiana nestes modelos em substituição à analise padrão, ou clássica, que considera os parâmetros como sendo de efeitos fixos (frequentista). Tanto o encolhimento de estimativas dos parâmetros que modelam a GEI quanto modelos que contemplam a heterogeneidade de variâncias entre locais foram tratados diretamente sob a metodologia bayesiana para o modelo AMMI (Additive Main Effects and Multiplicative Interaction), mas ainda não foram discutidos para modelos GGE. O principal objetivo desta tese foi estender a versão bayesiana do modelo GGE em dois sentidos: a) estudar distribuições a priori de máxima entropia para o encolhimento dos efeitos G+GEI e b) implementar a versão heterocedástica. Essas propostas foram verificadas em cenários simulados e exemplificadas com dados reais. Os resultados mostraram que a inferência bayesiana, com distribuições a priori de máxima entropia para componentes de variância dos valores singulares, flexibiliza o modelo GGE. Além disso, considerando variância especifica em cada local obtem-se um melhor ajuste do modelo, permitindo, por outro lado, avaliar os genótipos com diferentes precisões, recuperando informações experimentais presentes em diferentes ensaios a partir da representação gráfica biplot. Ficou também evidenciada a versatilidade da modelagem bayesiana para incorporar inferência ao biplot (atribuindo regiões de credibilidade para ambiente médio, genótipo ideal, correlações entre ambientes e resumos do tipo “quem venceu onde”) difíceis de serem obtidas nas análises biplot usuais do modelo GGE. Os métodos aqui discutidos são bastante promissores e estão sendo implementados programas para disponibilizá-los aos pesquisadores.