Escolar Documentos
Profissional Documentos
Cultura Documentos
LAVRAS - MG
2012
Orientador
Dr. Joel Augusto Muniz
Coorientadora
Dra. Taciana Villela Savian
LAVRAS - MG
2012
fantasma
CDD - 519.536
UFLA
UFLA
LAVRAS - MG
2012
Aos meus familiares,em especial minha me, Maria Jos e meus avs Jos
Raimundo e Raimunda, pelo amor, apoio e fora em todos os momentos ;
Aos meus irmos, Ana Cristina, Antonio Alberto e Albertino Neto pelo
apoio e amizade;
A minha bisav, Francisca (in memorian) pelo amor, pelos momentos
compartilhados.
DEDICO.
AGRADECIMENTOS
Acima de tudo, agradeo a Jesus Cristo por sua presena em minha vida,
mostrando-me, muitas vezes, que durante a angstia e o cansao, ainda vale a pena.
Obrigada por seu amor, fora e sabedoria ao longo dessa caminhada.
Ao meu orientador,Dr. Joel Augusto Muniz, pelo acolhimento, apoio, estmulo, confiana e disponibilidade durante todo o desenvolvimento da orientao.
A professora Dra . Taciana Villela Savian, por estar sempre disponvel a
esclarecer dvidas.
minha famlia maravilhosa: minha me, Maria Jos; meus irmos Ana
Cristina, Antonio Alberto e Albertino Neto; meus avs, tios, primos e afilhados
pelo apoio, carinho e incentivo que mesmo de longe estavam sempre presentes.
Universidade Federal de Lavras, que me proporcionou cursar o mestrado em Estatstica e Experimentao Agropecuria.
Aos amigos da UFLA, Carolina, Juliano, Mariele, Adriele, Adriana, Andr, Elayne, Tbata, Marcelo, Leandro, Juracy, Larissa, Daniele, Loureno, Jusclia, Siomara, Jair Rocha, Diogo, Jair Wyzykowsky. Obrigada pelo aprendizado e
trocas de informaes, pelas reunies, viagens, passeios. Agradecimento especial
s irms de orientao Adriana Dias, Thais e Diana ao irmo de orientao Walmes Zeviani pelas dvidas tiradas e por sempre me socorrer com o R. Guardarei
em meu corao todos os momentos de alegria compartilhados com todos vocs.
Aos professores da Ps-Graduao pelos conhecimentos transmitidos e
pela disposio em ajudar. S eu sei o quanto aprendi com vocs.
A todos os funcionrios do DEX, em especial, as "Josis"e Selminha. Exemplos de cordialidade e profissionalismo.
Ao professor Dr. Renato Mendes, Johan e aos funcionrios do Laboratrio
de Anlise de Sementes por contribuir na realizao do experimento desse estudo.
RESUMO
Sementes de caf com qualidade fisiolgica, de procedncia conhecida e com alto
desempenho germinativo fundamental para a obteno de mudas vigorosas. Na
avaliao de sementes, o estudo da curva de germinao pode contribuir para melhor entendimento do processo de germinao. O objetivo desse estudo foi avaliar
a qualidade do ajuste dos modelos Logstico e Gompertz, com estrutura de erros independentes e autorregressivos, com autocorrelao de primeira ordem, AR(1), na
descrio de germinao de sementes de caf (Coffea arbicaL.) linhagem Catua
vermelho IAC 99, em cinco diferentes percentuais de germinao. A estimao
dos parmetros para os modelos foi feita pelos mtodos de mnimos quadrados e
pelo processo interativo de Gauss-Newton, utilizando-se a funo gnls do pacote
nlme do programa R verso 2.13.1. A seleo do melhor modelo, para descrever o
processo germinativo, teve como base a preciso dos ajustes baseados no mximo
da funo de verossimilhana (MFV) atravs do teste de razo de mxima verossimilhana utilizado para modelos encaixados, critrio de informao de Akaike
(AIC) e critrio Bayesiano de Schwarz (BIC), alm dos avaliadores de qualidade
de ajuste (coeficiente de determinao ajustado e desvio padro residual). Os dados utilizados foram provenientes de um experimento conduzido no ano de 2011
no Laboratrio de Anlises de Sementes da Universidade Federal de Lavras. Os
modelos no lineares Logstico e Gompertz apresentaram-se adequados para ajuste
da porcentagem de germinao. O modelo Gompertz com estrutura de erros autoregressivo de ordem 1 apresentou-se como o melhor para descrever o processo
germinativo ao longo do tempo.
Palavras-chave: Modelos de crescimento. Erros autocorrelacionados. Regresso
no linear. Germinao de sementes de caf.
ABSTRACT
Seeds of coffee with physiological quality and known origin with high germinative performance becomes mandatory to achieve homogeneous germination of
vigorous seedlings. The germination curve may contribute for better understanding of the process in seed analisys studies. The objective of this study was to
evaluate the fit of Gompertz and Logistic models, with independent structure and
autocorrelated errors, with first-order autocorrelation, AR (1), in description of the
germination of coffee seeds Coffea arabica red line Catua IAC 99 in five different percentages of germination. The estimation of parameters for the models was
made by Least Squares method and the iterative Gauss-Newton, using the function gnls Package nlme of the R program version 2.13.1. The selection of the best
model to describe the germination process was based on the accuracy of the adjustments based on the maximum likelihood function (MFV) by testing maximum
likelihood ratio used for nested models, Akaike information criterion (AIC) and
Schwarz Bayesian criterion (BIC), and evaluators goodness of fit (adjusted coefficient of determination and residual standard deviation). The data used were taken
from an experiment that was carried out in 2011 in Seeds Laboratory Analysis of
the Federal University of Lavras. The nonlinear Logistic and Gompertz models
were adequate to adjust the percentage of germination. The Gompertz model with
order 1 autoregressive error structure seemed to be the most suitable to describe
the germination process over time.
Key words: Growth models. Autocorrelated errors. Non linear regression. Germination of coffee seeds.
LISTA DE FIGURAS
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
Figura
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Figura 18
Figura 19
Figura 20
Figura 21
Figura 22
Figura 23
32
32
32
32
32
32
41
41
42
42
43
43
44
44
45
45
48
48
49
49
50
52
53
54
54
55
55
57
60
61
61
62
62
LISTA DE TABELAS
Tabela 1 Estimativas das estatsticas dos testes de Shapiro-Wilk, BreuschPagan e Durbin-Watson e os respectivos valor-p dos resduos do
modelo Logstico para os cinco lotes de semente de caf. . . . .
Tabela 2 Estimativa das estatsticas dos testes de Shapiro-Wilk, BreuschPagan e Durbin-Watson e os respectivos valor-p dos resduos do
modelo Gompertz para os cinco lotes de semente de caf. . . . .
Tabela 3 Estimativas dos parmetros para o ajuste do modelo Logstico,
com erros independentes, aos valores de porcentagem de germinao de sementes para os cinco lotes . . . . . . . . . . . . . .
Tabela 4 Estimatvas da estatstica do teste de Shapiro-WilK dos resduos
do modelo Logstico e valor - p para os cinco lotes de sementes
de caf. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 5 Estimativas dos parmetros para o ajuste do modelo Gompertz,
com erros independentes, aos valores de porcentagem de germinao de sementes para os cinco lotes . . . . . . . . . . . . . .
Tabela 6 Estimatvas da estatstica do teste de Shapiro-WilK dos resduos
e valor - p do modelo Gompertz para os cinco Lotes. . . . . . . .
Tabela 7 Estatsticas do teste de razo de mxima verossimilhana (TRV)
para os modelos estudados. . . . . . . . . . . . . . . . . . . . .
Tabela 8 Estimativas dos parmetros para o ajuste do modelo Logstico e
Gompertz, com estrutura de erros autoregressivos de ordem 1,
aos valores de porcentagem de germinao de sementes para os
cinco lotes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tabela 9 Estimativas dos critrios de seleo: coeficiente de determinao
2 ), desvio padro residual (DPR), critrio de inforajustado (Raj
mao de Akaike (AIC) e critrio bayesiano de Schwarz (BIC)
para os modelos ajustados, na descrio de germinao de sementes para os cinco lotes . . . . . . . . . . . . . . . . . . . . .
46
46
47
50
52
56
57
58
59
SUMRIO
1
2
2.1
2.2
2.3
2.3.1
2.3.2
2.3.3
2.3.4
2.4
3
3.1
3.2
3.2.1
3.2.2
3.2.2.1
3.2.2.2
3.2.2.3
3.3
3.4
4
4.1
4.2
5
INTRODUO . . . . . . . . . . . . . . . . . . . . .
REFERENCIAL TERICO . . . . . . . . . . . . . .
Caracterizao e Germinao das sementes de caf
arabica L.) . . . . . . . . . . . . . . . . . . . . . . . .
Modelos de regresso no linear . . . . . . . . . . . .
Estimao dos parmetros de modelos no lineares .
Mtodo dos mnimos quadrados ordinrios . . . . .
Mtodo dos mnimos quadrados ponderados . . . . .
Mtodo dos mnimos quadrados generalizados . . . .
Processos iterativos . . . . . . . . . . . . . . . . . . .
Modelos de crescimento . . . . . . . . . . . . . . . .
MATERIAl E MTODOS . . . . . . . . . . . . . . .
Material . . . . . . . . . . . . . . . . . . . . . . . . .
Mtodos . . . . . . . . . . . . . . . . . . . . . . . . .
Modelos estudados . . . . . . . . . . . . . . . . . . .
Critrios para seleo do modelo . . . . . . . . . . .
2 ) . . . . .
Coeficiente de determinao ajustado (Raj
Desvio padro residual (DPR) . . . . . . . . . . . . .
Critrios de informao . . . . . . . . . . . . . . . .
Anlise dos resduos . . . . . . . . . . . . . . . . . .
Recursos computacionais . . . . . . . . . . . . . . .
RESULTADOS E DISCUSSO . . . . . . . . . . . .
Ajuste dos modelos no lineares . . . . . . . . . . .
Seleo dos modelos ajustados . . . . . . . . . . . . .
CONCLUSO . . . . . . . . . . . . . . . . . . . . .
REFERNCIAS . . . . . . . . . . . . . . . . . . . .
ANEXOS . . . . . . . . . . . . . . . . . . . . . . . .
. . . . .
. . . . .
(Coffea
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
14
15
15
18
19
20
23
24
26
27
31
31
33
33
34
35
35
36
37
39
40
40
58
63
64
71
14
INTRODUO
15
2.1
REFERENCIAL TERICO
Elemento principal no estabelecimento, expanso, diversificao e desenvolvimento da agricultura, as sementes tm a funo de perpetuao e multiplicao das espcies. Sob o aspecto ecolgico, representam a interligao natural
entre as espcies vegetais e o ambiente (MARCOS FILHO, 2005).
Detentoras de reservas nutritivas necessrias ao desenvolvimento da planta
durante o incio da germinao, as sementes, do ponto de vista funcional, so constitudas por um tecido de reserva endospermtico ou cotiledonar e eixo embrion-
16
rio, cujo crescimento est temporariamente suspenso, ambos protegidos por uma
cobertura protetora constituda de tecidos vivos e mortos (POPINIGIS, 1985).
As mudas das variedades de caf arabica podem ser produzidas a partir
de sementes, j que a fecundao se d em sua maioria (90 a 95%). Portanto, a
obteno de sementes de caf de qualidade fisiolgica de procedncia conhecida
e com alto desempenho germinativo tem sido considerada como o principal fator responsvel pela obteno de mudas vigorosas em condies de campo. As
sementes devem ser obtidas em Fazendas Experimentais de rgos de Pesquisa,
federais ou estaduais, ou de produtores registrados para a produo de sementes,
tendo - se certeza quanto boa origem do material, devendo ser conhecida variedade/linhagem (MATIELLO et al., 2005).
Os frutos da espcie Coffea arabica produzem sementes viveis quando
esto fisiologicamente maduros, tendo sua descrio moforlgica confundida, em
muitas vezes, com a da semente. As sementes de caf so elpticas ou em forma de
ovo, plano convexa, possuindo um sulco longitudinal na superfcie plana, constitudas por embrio, endosperma e tegumento (DEDECCA, 1957), ou seja, o fruto
exceto o epicarpo (casca) e o mesocarpo (mucilagem). O tegumento da semente
um envoltrio (pelcula prateada), que reveste o endosperma. O endosperma
garante as reservas energticas durante os processos de germinao e emergncia, composto basicamente de carboidratos. O embrio, parte viva da semente,
formado por radcula, hipoctilo e cotildones. O endocarpo, tambm chamado
de pergaminho, protege as sementes contra microorganismos e danos fsicos. Segundo Black, Bewley & Halmer (2006), o gro de caf apresenta teores aproximados de 6% de gua, 12% de protenas, 11% de leos, 70% de carboidratos e 4% de
minerais.
Considerada pelos botnicos como a retomada do crescimento do embrio
17
(NASSIF et.al, 1998),a fase inicial de germinao consiste na ativao dos processos fisiolgicos do crescimento pela ativao do aumento do teor de umidade e da
atividade respiratria da semente.
Para que a germinao ocorra determinadas condies devem ser satisfeitas, a saber (POPINIGIS, 1985):
a) A semente deve ser vivel;
b) Condies internas das semente devem ser favorveis germinao;
c) As condies ambientais devem ser favorveis (gua, temperatura, oxignio e luz);
d) Condies satisfatrias de sanidade (ausncia de agentes patognicos).
A germinao de sementes em teste de laboratrio a emergncia e desenvolvimento das estruturas essenciais do embrio, demonstrando sua aptido para
produzir uma planta normal sob condies favorveis de campo, no caso do caf
em teste padro que leva em mdia 30 dias (BRASIL, 2009). O mtodo tradicionalmente usado para avaliar a qualidade fisiolgica de sementes se baseia na
realizao do teste de germinao em que os resultados so de grande valia para
comparao entre lotes de sementes para fins de comercializao e para fins de semeadura. Os testes de germinao so altamente padronizados, permitindo, assim,
a obteno de resultados semelhantes quando executados sobre um mesmo lote,
em laboratrios diferentes.(POPINIGIS, 1985)
As sementes de Coffea arabica apresentam germinao lenta e desuniforme. Assim, torna-se importante conhecer melhor o processo germinativo, visando reduzir o tempo de germinao que essencial para a melhoria das prticas
agrcolas e desenvolvimento da produo de caf.
18
2.2
Em estatstica, regresso um mtodo comumente usado que permite explorar e inferir a relao de uma varivel resposta com variveis preditoras especficas. Pode-se atingir este objetivo por meio dos bem conhecidos modelos de
regresso, Drapper & Smith (1998) classificam os modelos de regresso como:
lineares em relao aos parmetros (as derivadas parciais em relao aos parmetros no depende dos parmetros); modelos linearizveis, aqueles que, por meio
de alguma transformao, tornam-se lineares e modelos inerentemente no lineares so modelos em que pelo menos uma das derivadas parciais depende de algum
parmetro do modelo.
Em qualquer tipo de modelagem, alm do ajuste realizado, necessrio
fazer inferncias sobre os parmetros em estudo. A inferncia nos modelos no
lineares ocorre por aproximao em Srie de Taylor na regio prxima s estimativas, e essa aproximao pode ser considerada boa ou ruim dependendo do modelo
a ser estudado, delineamento experimental e conjunto de dados (SOUZA et al.,
2010). Em conformidade com Bates & Watts (1988), uma das melhores alternativas que se pode fazer para assegurar uma anlise no linear bem sucedida obter
bons valores iniciais para os parmetros, a partir dos quais a convergncia poder
ser obtida rapidamente.
A classe de modelos lineares bastante flexvel, uma vez que muitos modelos podem ser formulados. Estes modelos podem ser uma boa opo quando
o objetivo descrever as observaes durante um perodo limitado do processo
de crescimento sem incorporar informaes sobre os dados (DRAPER & SMITH,
1998; SEBER, 1977). J no caso no linear, na maioria das vezes, as formulaes de possveis modelos so baseadas em consideraes tericas inerentes ao
fenmeno que se tem interesse modelar. Modelos formulados desta forma so
19
20
valores observados. O mtodo apresenta algumas variaes para estrutura da matriz de covarincias, estruturas estas que diferem dependendo do conhecimento do
fenmeno em estudo. A escolha de uma estrutura adequada pode tornar o modelo mais realista em relao aos dados como tambm melhorar a eficincia das
estimativas.
Savian (2005) apresentou a caracterizao da regresso em funo do vetor de erros da seguinte maneira: a) modelos ordinrios - aqueles cuja estrutura dos
erros no viola nenhuma das pressuposies, ou seja, N(0, I 2 ). A estrutura
da matriz de covarincia pode ser representada da seguinte forma: = I 2 , em
que 2 a varincia das observaes e I a matriz identidade de dimenso p. b)
modelos ponderados - so aqueles cuja estrutura dos erros viola a pressuposio
de homogeneidade de varincias. Nesse caso, diz-se que os erros so heteroscedsticos, e representa-se por N(0, D 2 ) em que D uma matriz diagonal, positiva definida, que pondera a varincia 2 . c) modelos generalizados - so aqueles
cuja estrutura dos erros viola a pressuposio de independncia dos erros e/ou de
homogeneidade de varincias. Os erros so correlacionados e possivelmente heteroscedsticos, N(0, W 2 ), em que W uma matriz simtrica, positiva definida,
que representa as varincias e covarincias dos erros.
2.3.1
yt = f (xt , ) + t ;
t=1,...n
o
21
y = f ( ) +
o
O estimador de mnimos quadrados de , pode ser obtido via minimizao da soma de quadrados residuais, SSE(), por meio da pesquisa do mnimo
o
Pn
t=1 [yt
f (xt , )]2
f ()
0
Sendo:
=0
22
SSE()
0
[y f ()] [y f ()]
0
= 2 [y f ()] F ()
Igualando-se a equao acima a zero, obtm-se:
h
i0
=0
F ()
2 y f ()
h
i
0
y f ()
=0
2F ()
h
i
0
y f ()
=0
F ()
h
i
0
y f ()
= 0, o sistema de Equaes Normais (SEN) no liF ()
near.
desempenha o mesmo papel que a matriz X na regresso
A matriz F ()
linear y = X + .
por X, tem - se:
Substituindo-se F ()
0
=0
X [y f ()]
0
0
=0
X Y X f ()
0
= X 0 Y (SEN) no linear.
X f ()
23
Y = X + u
supondo u N(0,V 2 ), E(u) = 0 e V ar(u) = V 2 , em que V uma matriz
diagonal positiva definida, que representa as varincias associadas a cada ui . Os
elementos nulos, fora da diagonal da matriz V significa vlida a pressuposio de
independncia das observaes, ou seja, E(ui , uj ) = 0, i 6= j.
Seja um novo modelo Z = Q + , e uma matriz simtrica no-singular
0
P 1 Y = P 1 X + P 1 u Z = Q + ,
24
Aplicando-se o mtodo do MQO ao modelo novo, tem-se que o MQP fornece o SEN:
0
0
X V 1 X = X V 1 Y
cuja soluo:
0
0
= (X V 1 X)1 X V 1 Y .
2.3.3
Hoffman & Vieira (1998) consideram que, em presena de heterogeneidade de varincias e/ou autocorrelao dos resduos, o mtodo dos mnimos quadrados generalizado mais eficiente do que o mtodo dos mnimos quadrados
ponderados e ordinrios. Se esses elementos esto includos como componentes
do modelo, ento as hipteses tero mais probabilidade de estarem satisfeitas, os
estimadores do parmetro tero melhores propriedades estatsticas, e o modelo
pode ser mais informativo.
Embora algumas transformaes de dados sejam conhecidas para algumas
formas de relao entre varincia e mdia, como por exemplo, a transformao
arco-seno para dados oriundos de proporo, em que nessas situaes podem ocorrer devido a variabilidade da mdia que j esperada, excesso de zero, correlao
entre indivduos, a busca de novos procedimentos de anlises se faz necessrio.
25
Segundo Mazzini et al., (2005) se fosse utilizado o estimador de MQO, no levando em considerao a no-homoscedasticidade e autocorrelao dos erros, os
testes de significncia das estimativas seriam viesados e ocorreria a subestimao
das varincias das estimativas dos parmetros respectivamente.
Seja o modelo linear
Y = X + u
supondo u N(0,W 2 ), E(u) = 0 e V ar(u) = V 2 , em que W uma matriz
simtrica, positiva definida, que representa as varincias e covarincias dos erros.
Admitindo-se que os erros so autocorrelacionados na forma de um processo autorregressivo estacionrio de primeira ordem AR(1).
ut = 1 ut1 + t
em que E(t ) = 0, E(2t ) = 2 , E(t th ) = 0 se h 6= 0.
O modelo ut ser estacionrio se
1 1; t = 2, ..., n.
Nessas condies, u2 =
2
121
e covu =
2
h
121 1
De maneira anloga ao
26
2.3.4
Processos iterativos
quardt (BATES & WATTS, 1988), esses mtodos diferem na forma como
calculado para propiciar as atualizaes no vetor de parmetros.
De uma forma geral, os critrios bsicos so:
o
Gradiente: = X
o
Newton: = G X
o
Maquardt: = [X X + diag(X X) X ]
0
sduos . Os mtodos Gauss-Newton e Marquardt realizam a regresso dos resduos em relao as primeiras derivadas do modelo no-linear em relao aos
parmetros, at que haja a convergncia. O mtodo de Newton faz a regresso
desses resduos em relao a uma funo das segundas derivadas do modelo no
linear com relao aos parmetros.
Segundo Souza (1998), o sucesso na convergncia de um algoritmo para
um mtodo iterativo no processo de estimao no linear est diretamente associado ao uso de uma funo resposta apropriada e de valores iniciais adequados
ao procedimento numrico. Uma m escolha dos valores iniciais pode resultar
num nmero muito grande de interaes at convergir; convergir ao um mnimo
local, ou mesmo, no convergir. Entretanto, bons valores iniciais podem levar a
27
X f () = X Y
o
X [f ( ) + F ( )( )] = X Y
0
X [f ( ) + X( )] = X Y
o
X X( ) = X Y X f ( )
o
( ) = (X X)1 X
Portanto, a frmula interativa conhecida como mtodo de Gauss-Newton :
1 = + (X X)1 X
o
O processo repetido colocando-se 1 no lugar de (vetor de valores iniciais que podem ser obtidos de estudos anteriores, conhecimentos tericos ou por
uma grade de valores que minimize a soma de quadrados do resduos), repetindo
um determinado nmero de vezes at que o vetor de estimativas no se altere mais
dentro de uma preciso pr estipulada.
2.4
Modelos de crescimento
28
y=
1+exp[(x)]
em que:
corresponde ao valor assinttico, indicando o valor de estabilizao da varivel
dependente em relao ao tempo;
corresponde ao parmetro de localizao;
medida relativa a taxa de crescimento da curva;
29
2.
Wmax = 4 .
Quando os resultados inferenciais obtidos no so muito precisos, outras
parametrizaes podem ser consideradas de maneira que se ajustem melhor aos
dados, como apresentado por Ratkowsky (1983).
O modelo Gompertz (SEBER & WILD, 1989), definido pela equao,
y = exp[exp((x ))]
em que:
corresponde ao valor assinttico, indicando o valor de estabilizao da varivel
dependente em relao ao tempo;
corresponde ao parmetro de localizao;
medida relativa taxa de crescimento da curva;
frequentemente usando em situaes em que o crescimento no simtrico em
relao ao ponto de inflexo que ocorre em x = quando y = e , sendo Wmax =
e .
Na anlise de germinao de sementes, Guilln et al., (2009) estudando
a germinao de sementes cactos colunares em diferentes populaes no vale do
Tehuacn-Cuicatln, Mxico, utilizaram o modelo logstico no ajuste dos dados
e observaram que em todas as situaes o modelo ajustado foi significante para
explicar a porcentagem mxima acumulada em funo do tempo. Ikeda et al.,
(2008) em estudo relacionado ao efeito da Luz e KN O3 na germinao de sementes de Tridax Procumbens sob temperatura constante e alternada, identificaram o
modelo logstico na assicronia do percentual de germinao acumulada. Gazola et
al., (2011) em estudos de modelagem no linear, envolvendo curva de crescimento
do desempenho germinativo de sementes de milho hbrido, verificaram que o mo-
30
31
3.1
MATERIAl E MTODOS
Material
A base de dados utilizada neste trabalho provm de um experimento rea-
32
Figura 1
Instalao do processo de
germinao
Figura 2
Instalao do processo de
germinao
Figura 3
Figura 4
Figura 5
Figura 6
33
3.2
Mtodos
3.2.1
Modelos estudados
Foram ajustados os modelos de crescimento no linear Logstico e Gom-
pertz de acordo com a parametrizao apresentada por Seber & Wild (1989), sendo
descritos pelas seguintes expresses:
1. Modelo Logstico com erros independentes e autoregressivos de primeira ordem AR(1), respectivamente:
Yt =
Yt =
+ ut
1 + exp[(Xi )]
+ ut1 + +t
1 + exp[(Xt )]
2. Modelo Gompertz com erros independentes e autoregressivos de primeira ordem AR(1), respectivamente:
Yt = exp[exp((Xt ))] + ut
34
35
3.2.2.1
2 )
Coeficiente de determinao ajustado (Raj
2
Raj
=1[
(1 R2 )(n i)
]
(n p)
em que:
R2 = 1
SQR
SQT
3.2.2.2
QM E
(n p)
em que:
QME = quadrado mdio do erro;
n = nmero de observaes;
p = nmero de parmetros do modelo.
Quanto menor for o desvio padro residual, melhor ser o modelo ajustado.
36
3.2.2.3
Critrios de informao
+ 2k
AIC = 2logL()
O valor do critrio BIC para um determinado modelo :
+ klog(n)
BIC = 2logL()
onde:
o mximo da funo de verossimilhana;
L()
k: o nmero de parmetros no modelo;
n: o nmero de observaes usadas na estimao do modelo em estudo.
O Critrio de Informao de Akaike (AIC) admite a existncia de um modelo real que descreve os dados que desconhecido, e tenta escolher dentre um
grupo de modelos avaliados, o que minimiza a divergncia de Kullback-Leibler
(K-L). Esta divergncia est relacionada informao perdida por se usar um modelo aproximado e no o "real". O critrio BIC definido como a estatstica que
maximiza a probabilidade de se identificar o verdadeiro modelo dentre os avaliados. Apesar de usarem o mesmo critrio estatstico, utilizam valores crticos
37
38
formidade entre a distribuio emprica e uma dada distribuio terica, apresentando como regra de deciso se a observao grfica entre os quantis da varivel
aparecem alinhados com os quantis da distribuio, se isso ocorre porque os
dados esto normalmente distribudos. O teste estatstico de Shapiro - Wilk (SHAPIRO & WILK, 1965) um dos mais utilizados para a verificao do pressuposto
em que rejeita a hiptese de normalidade quando o valor de p inferior ou igual a
0,05.
Um grfico dos resduos contra os valores estimados pode ser utilizado
para examinar se as varincias dos erros so constantes, observando se a disperso
dos resduos ocorre aleatoriamente em torno da mdia zero. O teste estatstico
frequentemente usado para heterocedasticidade chamado de teste de BreuschPagan (BREUSCH & PAGAN, 1979), em que a hiptese nula que os resduos
so homocedasticos, logo com valor de p inferior ou igual a 0,05 a hiptese nula
rejeitada.
Resduos relacionados com o tempo so chamados autocorrelacionados e
para verificar a existncia de correlao entre os resduos, pode-se plotar os resduos contra o tempo ou os resduos contra qualquer outra varivel de interesse.
Quando os erros so independentes, espera-se que os mesmos flutuem aleatoriamente em torno da mdia zero. O teste de Durbin-Watson (Durbin & Watson,
1950) testa a existncia de autocorrelao de primeira ordem e calculado por:
DW =
em que:
ut : o resduo no tempo t;
ut1 : o resduo no tempo t-1.
Pn
(ut ut1 )2
t=2
Pn
2
t=1 (ut )
39
Recursos computacionais
Os procedimentos de ajuste para os modelos com estruturas de erros independentes e correlacionados foram implementados por meio da funo gnls (Adequao do modelo linear utilizando mnimos quadrados generalizados) do pacote
nlme (Modelos lineares e no lineares de efeitos mistos) (PINHEIRO et al., 2011)
do programa R verso 2.13.1 (2011-07-08), conforme anexos, os quais possibilitaram obter as estimativas dos parmetros e os avaliadores de qualidade de ajuste.
Para anlise dos resduos dos modelos de regresso no linear, foram utilizados mtodos que podem ser ajustados no R como a matriz gradiente (derivadas
da funo em relao ao vetor de parmetros) do modelo ajustado dentro da funo lm e, assim, obter testes estatsticos bptest e dubirnWatsonTest implementados
no pacote lmtest como tambm o pacote nlstools (ferramentas de diagnstico para
modelos de regresso no linear)(Florent e Delignette-Muller, 2011) para a obteno dos grficos residuais.
As estimativas iniciais, necessrias para a obteno das estimativas dos
parmetros, foram obtidas por meio do mtodo grfico iterativo para valores iniciais em regresso no linear, utilizando-se o pacote manipulate, funo manipulate
() disponvel no RStudio (editor para script do R), para o os modelos Logstico e
Gompertz respectivamente.
40
4.1
RESULTADOS E DISCUSSO
41
Figura 7
Figura 8
42
Figura 9
Figura 10
43
Figura 11
Figura 12
44
Figura 13
Figura 14
45
Figura 15
Figura 16
46
Lotes
I
II
III
IV
V
Shapiro-Wilk
0,7793
0,8825
0,7137
0,6540
0,8150
Tabela 2
Lotes
I
II
III
IV
V
Breusch-Pagan
22,9718
13,6698
16,9820
4,4529
21,3829
Valor-p
0,0001
0,0011
0,0002
0,0011
0,0002
Durbin-Watson
3,0506
1,5574
2,2253
2,2990
1,7447
Valor-p
0,0001
0,1300
0,7760
0,6620
0,3500
Valor-p
0,0000
0,0001
0,0001
0,0001
0,0003
Breusch-Pagan
24,2076
16,5231
15,6517
20,4560
6,6433
Valor-p
0,0005
0,0002
0,0003
0,0001
0,0360
Durbin-Watson
3,5277
3,0417
3,1387
3,4783
2,5639
Valor-p
0,0000
0,0040
0,0020
0,0000
0,1580
47
Tabela 3
92,82
92,46
95,97
95,04
96,92
Lotes
I
II
III
IV
V
Parmetros
10,22
10,16
10,73
9,90
9,06
1,27
0,99
0,92
1,15
1,48
48
Figura 17
Modelo Logstico na descrio de germinao de sementes de caf Lote I, em funo do tempo com estruturas de erros independentes
Figura 18
Modelo Logstico na descrio de germinao de sementes de caf Lote II, em funo do tempo com estruturas de erros independentes
49
Figura 19
Modelo Logstico na descrio de germinao de sementes de caf Lote III, em funo do tempo com estruturas de erros independentes
Figura 20
Modelo Logstico na descrio de germinao de sementes de caf Lote IV, em funo do tempo com estruturas de erros independentes
50
Figura 21
Modelo Logstico na descrio de germinao de sementes de caf Lote V, em funo do tempo com estruturas de erros independentes
Estimatvas da estatstica do teste de Shapiro-WilK dos resduos do modelo Logstico e valor - p para os cinco lotes de sementes de caf.
Qualidades
I
II
III
IV
V
Valor - p
0,5736
0,8951
0,5131
0,0706
0,7868
51
fase, a taxa de germinao se caracterizou elevada e positiva, chegando ao mximo no ponto de inflexo da curva, que ocorreu prximo ao 10o dia. A partir
deste ponto, a concavidade da curva muda e a taxa de germinao comea a diminuir em virtude de fatores que inibem progressivamente a germinao. Observa-se
que o lote V, caracterizado como o de melhor pontencial germinativo, teve um
menor tempo para o processo de germinao, j que no dcimo terceiro dia praticamente todas as sementes j haviam germinado. Os resultados apresentados so
coerentes com o que foi exposto por Eira et al., (2006) em estudo sobre a fisiologia
e germinao da semente de caf, em que citaram que aps o dcimo dia, 50% da
populao de sementes de cafeeiro apresentaram emisso da radcula e, no dcimo
quinto dia, a maioria das sementes j germinaram.
Caron et al., (2007), ao analisarem o crescimento de plantas de aroeira
vermelha, utilizaram a taxa de crescimento absoluto ao longo do tempo na identificao de fitomassa acumulada. Verificaram o tempo de ocorrncia da a maior
taxa de crescimento absoluto que ocorreu no intervalo de 22 a 32 dias, considerando um acmulo de 34,2% fitomassa de 0, 46g.planta1 e que a Taxa de Crescimento Absoluto (TCA), variou de acordo com o crescimento das mudas, segundo
as respostas fisiolgicas as condies ambientais.
52
Figura 22
As estimativas dos parmetros, para o modelo Gompertz, com erros independentes, so apresentados na Tabela 5.
Tabela 5
Lotes
I
II
III
IV
V
93,28
93,06
96,52
95,47
97,23
Parmetros
9,69
9,49
10,01
9,32
8,62
0,84
0,66
0,63
0,78
1,02
Ao comparar as estimativas do parmetro (), obtidas pelo modelo Gompertz, percebe-se que os valores encontrados foram maiores que os obtidos pelo
53
modelo Logstico, como tambm diferenciando - se superiormente dos percentuais mnimos de germinao apresentados, exceto o lote V. As estimativas do parmetro () apresentaram menores valores que os obtidos pelo modelo Logstico
devido sua interpretao que corresponde ao dia em que o potencial de germinao acumulada das sementes atinge 36,80%. Os valores referentes velocidade
de germinao , parmetro (), mesmo que em menores valores no diferencia da
explanao apresentada pelo modelo Logstico.
Nas Figuras 23 a 27, tem-se a representao grfica dos dados e o ajuste
do modelo Gompertz, com erros independentes.
Figura 23
Modelo Gompertz na descrio de germinao de sementes de cafLote I, em funo do tempo com estruturas de erros independentes
54
Figura 24
Modelo Gompertz na descrio de germinao de sementes de caf Lote II, em funo do tempo com estruturas de erros independentes
Figura 25
Modelo Gompertz na descrio de germinao de sementes de caf Lote III, em funo do tempo com estruturas de erros independentes
55
Figura 26
Modelo Gompertz na descrio de germinao de sementes de caf Lote IV, em funo do tempo com estruturas de erros independentes
Figura 27
Modelo Gompertz na descrio de germinao de sementes de caf Lote V, em funo do tempo com estruturas de erros independentes
56
O modelo Gompertz, de acordo com Gaspar-Oliveira et al., (2008), proporcionou ajuste adequado aos dados de percentuais de germinao em funo do
tempo (em dias) para mtodos de superao de dormncia.
Como no ajuste do modelo Logstico, observa-se que pelo teste de ShapiroWilk, os erros relativos a todos os lotes analisados apresentaram distribuio normal para o modelo Gompertz, conforme Tabela 6.
Tabela 6
Lotes
I
II
III
IV
V
Valor - p
0,4382
0,4541
0,2842
0,3871
0,5361
57
Figura 28
Tabela 7
Qualidades
I
II
III
IV
V
Modelos
Logstico
Gompertz
Logstico
Gompertz
Logstico
Gompertz
Logstico
Gompertz
Logstico
Gompertz
Logstico AR(1)
9,8417
Gompertz AR(1)
25,8619
1,5556N S
9,3801
0,3875N S
11,391
1,1529N S
22,9725
1,0140N S
3,9992
58
lhor ajuste aos dados considerando aos resduos correlacionados AR(1), j o ajuste
com o modelo Gompertz em todos os lotes analisados, o melhor ajuste apresentou
a estrutura de erros autocorrelacionados AR(1).
Na Tabela 8, observa-se que todas as estimativas dos parmetros dos modelos Logstico e Gompertz com estrutura de erros autoregressivo de ordem 1 convergiu para valores prximos aos encontrados no ajuste com erros independentes.
Verifica-se que o erro, associado ao ndice de germinao das sementes, numa
data, est negativamente correlacionado com o erro da data anterior.
Tabela 8
Lotes
I
II
III
IV
V
Estimativas dos parmetros para o ajuste do modelo Logstico e Gompertz, com estrutura de erros autoregressivos de ordem 1, aos valores
de porcentagem de germinao de sementes para os cinco lotes.
Modelos
Logstico
Gompertz
Gompertz
Gompertz
Gompertz
Gompertz
92,87
93,23
93,08
96,52
95,47
97,26
Parmetros
10,23
9,69
9,49
10,01
9,32
8,61
1,25
0,85
0,66
0,63
0,78
1,01
1
-0,52
-0,74
-0,51
-0,55
-0,72
-0,39
4.2
59
propostos para a seleo dos modelos devido sua extrema relevncia na anlise
2 ) mosde regresso. J os valores obtidos no coeficiente de determinao, (Raj
Lotes
I
II
III
IV
Estimativas dos critrios de seleo: coeficiente de determinao ajus2 ), desvio padro residual (DPR), critrio de informao de
tado (Raj
Akaike (AIC) e critrio bayesiano de Schwarz (BIC) para os modelos
ajustados, na descrio de germinao de sementes para os cinco lotes
Modelo
Logstico
Gompertz
Logstico AR(1)
Gompertz AR (1)
Logstico
Gompertz
Logstico AR(1)
Gompertz AR(1)
Logstico
Gompertz
Logstico AR(1)
Gompertz AR(1)
Logstico
Gompertz
Logstico AR(1)
Gompertz AR(1)
Logstico
Gompertz
Logstico AR(1)
Gompertz AR(1)
2
Raj
0,99995
0,99998
0,99995
0,99999
0,99975
0,99999
0,99968
0,99999
0,99974
0,99999
0,99978
0,99999
0,99986
0,99999
0,99987
0,99999
0,99991
0,99999
0,99965
0,99999
Critrios de seleo
DPR
2,1329
2,1422
2,1122
2,0609
2,3135
1,4631
2,3187
1,4477
2,7985
2,0910
2,7977
2,0613
1,9117
1,3780
1,9111
1,3119
1,4915
0,6221
2,0397
0,6306
AIC
135,4249
135,6855
127,5831
111,8236
140,3023
112,8095
140,7467
105,4295
151,7209
134,2351
153,3334
124,8441
128,8573
109,2151
130,1595
88,2426
113,9644
61,5024
114,9503
59,5031
BIC
141,0297
141,2903
134,5891
118,8296
145,9071
118,4143
145,7527
112,4355
157,3257
139,8399
160,3394
131,8500
134,4651
114,8199
137,1655
95,2486
119,5692
67,10771
121,9563
66,5091
60
Figura 29
61
Figura 30
Figura 31
62
Figura 32
Figura 33
63
CONCLUSO
Conclui-se que:
(i) O modelo de Gompertz, com estrutura de erros autoregressivos de primeira ordem, proporciona melhor qualidade de ajuste ao percentual de germinao
acumulada que o modelo Logstico;
(ii) A germinao das sementes de caf descrita pelos modelos no lineares Logstico e Gompertz, apresentando adequada interpretao biolgica dos
parmetros;
64
REFERNCIAS
65
66
67
2008.
MACHADO, E. J. Uso do Bootstrap na estimao de parmetros em
modelos no-lineares- uma aplicao em mecanismos cinticos de
Michaelis-Menten. Dissertao (Mestrado em Estatstica e Experimentao
Agropecuria.) - Universidade Federal de Lavras, Lavras, 2008. 110 p.
MARCOS FILHO. J. Fisiologia de sementes de plantas cultivadas. Piracicaba:
Fealq, 2005. 495p.
MARTINS FILHO, S.; SILVA, F. F.; CARNEIRO, A. P. S.; MUNIZ, J. A.
Abordagem bayesiana das curvas de crescimento de duas cultivares de feijoeiro.
Cincia Rural, Santa Maria, v.38, n.6, p. 1516-1521, 2008.
MATIELLO, J.B.; SANTINATO, R.; GARCIA, A.W.R.; ALMEIDA,
S.R.;FERNANDES, D.R. Cultura de caf no Brasil: novo manual de
recomendaes. Rio de Janeiro, MAPA/PROCAFE, 2005. 438p.
MAZUCHELI, J.; ACHCAR, J.A. Algumas consideraes importantes em
regresso no linear.Acta Scientiarum, Maring, v.24, n.6, p.1761-1770. 2002.
MAZZINI, A.R.A.; MUNIZ, J.A.; Aquino, L. H; SILVA, F. F. Anlise da curva
de crescimento de machos Hereford. Cincia e Agrotecnologia, Lavras, v.27,
n.5, p.1105-1112. 2003.
MAZZINI, A.R.A.; MUNIZ, J.A.; SILVA, F. F.; Aquino, L. H. Curva de
crescimento de novilhos Hereford: heterocedasticidade e resduos
autoregressivos. Cincia Rural, Santa Maria, v.35, n.2, p. 422-427, 2005.
MENDES, P.N., MUNIZ, J.A., SILVA, F. F., MAZZINI, A. R. de A. Modelo
logstico difsico no estudo de crescimento de fmeas Hereford. Cincia Rural,
Santa Maria, v. 38, p. 1984-1990. 2008.
MOTULSKY, H.; CHRISTOPOULOS, A. Fitting models to biological data
using linear and nonlinear regression: a practical guide to curve fitting. 4.ed.
68
69
2007b.
SAVIAN, T. V.; MUNIZ, J. A.; SFADI, T.; SILVA, F. F. Anlise bayesiana para
modelos de degradabilidade ruminal. Cincia Rural, Santa Maria, v.39,
p.2169-2177, 2009.
SCHWARZ, G. Estimating the dimensional of a model. Annals of Statistics,
Hayward, v.6, n.2, p.461-464, Mar. 1978.
SEBER, G.A.F. Linear Regression Analysis. New York.:Jonh Wiley. 1977.
465p.
SEBER, G.A.F.; WILD, C.J. Nonlinear regression. New York: John Wiley,
1989. 792p.
SHAPIRO,S.S.; WILK, M. B. An Analysis of variance test for normality.
Biometrika, Cambridge, v. 52, n. 3/4, p.591-611, dec. 1965.
SILVA, F. F.; MUNIZ, J. A.; AQUINO, L. H.; SAFADI, T. Abordagem Bayesiana
na curva de lactao de cabras Saanen de primeira e segunda ordem de parto.
Pesquisa Agropecuria Brasileira, Braslia, v.40, n.1, p.27-33, Jan. 2005.
SOUZA, E.M.; MUNIZ, J.A.; MARCHI, G.; GUILHERME, L. R. G.
Modelagem no-linear da extrao de zinco de um lodo de esgoto. Acta
Scientiarum. Technology, Maring, v.32, n.2, p.193-199, 2010.
SOUZA, G. da S. Introduo aos modelos de regresso linear e no-linear.
Braslia: Embrapa-SPI/Embrapa-SEA. 1998. 489p.
TERRA, M.P.; MUNIZ, J. A.; SAVIAN, T.V. Ajuste dos modelos Logstico e
Gompertz aos dados de crescimento de frutos da tamareira an (Phoenix
roebelenii OBRIEN). Magistra, Cruz das Almas, v.22, n.1, p.1-7, 2010.
TOMAZ, C. A; C. M.; MARTINS. C. C; CARVALHO,L.R.; NAKAGAWA, J.
Durao do teste de germinao do Capim-Tanznia. Revista Brasileira de
70
71
ANEXO A - Rotina no R
72
nI <- nls(y~b1/(1+exp(-b3*(x-b2))),
data=subset(germinaocafe, var=="I"), start=c(b1=93,b2=10,b3=1.2632))
summary(nI) # quadro de estimativas
R2(residuals(nI), germinaocafe$y)
# procedimentos para obter - testes estatsticos na anlise de resduos
residuosnI<-summary(nI)$resid
residuosnI
shapiro.test(residuosnI) # teste normalidade
#extraindo a matriz gradiente avaliada nas estimativas dos parmetros
FIc <- attr(nI$m$fitted(), "gradient")
# matriz gradiente para a lm(),
m1c <- lm(y~-1+FIc, data=subset(germinaocafe, var=="I"))
FIn<-summary(nI)
bptest(m1c) # teste para homogeneidade de varincias
durbin.watson(m1c)# teste para independncia dos resduos
# grfico dos resduos
nr <- nlsResiduals (nI)
plot (nr, que = 0)
mtext("Modelo Logstico - Lote I",
outer=TRUE, line=-2, cex=1.4)
# Para o modelo Gompertz e os demais lotes
o procedimento foi o mesmo acima descrito
#-------------------------------------------------------------------------# Ajuste dos modelos considerando os erros independentes e correlacionados.
#-------------------------------------------------------------------------#Ajuste do modelo Logstico -lote I considerando os erros independentes
nI <- gnls(y~b1/(1+exp(-b3*(x-b2))),
data=subset(germinaocafe, var=="I"), start=c(b1=93,b2=10,b3=1.0272))
summary(nI) # quadro de estimativas
R2(residuals(nI), germinaocafe$y)
shapiro.test(residuosnI)
residuosnI<-summary(nI)$resid
residuosnI
shapiro.test(residuosnI)
#------------------------------------------------------------------------# grfico dos dados com a curva estimada
lis <- c(list(x=NULL), as.list(coef(nI)), body(logi))
plot(y~x,data=subset(germinaocafe, var=="I"),xlab=" Tempo(dias)",
ylab="Germinao (%)",bty="l",pch=18,ylim=c(0,100), main= " Lote I" )
tmp <- as.function(lis)
curve(tmp, add=TRUE, col=2, lwd=2)
# -----------------------------------------------------------------------# Ajuste do modelo Logstico considerando - AR(1)
n1I <- gnls(y~b1/(1+exp(-b3*(x-b2))),
data=subset(germinaocafe, var=="I"),correlation=corAR1(form=~x),
start=c(b1=93,b2=10,b3=1.2632))
summary(n1I)
confint.default(n1I)
R2(residuals(n1I), germinaocafe$y)
residuosc1I<-summary(n1I)$resid
shapiro.test(residuosc1I)
#---------------------------------------------------------------------# grfico dos dados com a curva estimada
lis <- c(list(x=NULL), as.list(coef(n1I)), body(logi))
plot(y~x,data=subset(germinaocafe,var=="I"),xlab="Dias",
ylab="Porcentagem de Germinao",bty="l",pch=16, main="Lote I")
tmp <- as.function(lis)
73