IBITA FABIANA SOUSA

AJUSTE DE MODELOS NO LINEARES NA

DESCRIO DE GERMINAO DE SEMENTES DE
CAF (Coffea arabica L.) CV. CATUA

LAVRAS - MG
2012

IBITA FABIANA SOUSA

AJUSTE DE MODELOS NO LINEARES NA DESCRIO DE

GERMINAO DE SEMENTES DE CAF (Coffea arabica L.) CV.
CATUA

Dissertao apresentada Universidade

Federal de Lavras, como parte das exigncias do Programa de Ps-graduao em Estatstica e Experimentao Agropecuria,
rea de concentrao em Estatstica e Experimentao Agropecuria, para a obteno do ttulo de Mestre.

Orientador
Dr. Joel Augusto Muniz
Coorientadora
Dra. Taciana Villela Savian

LAVRAS - MG
2012

fantasma

Ficha Catalogrfica Preparada pela Diviso de Processos Tcnicos da

Biblioteca da UFLA

Sousa, Ibita Fabiana.

Ajuste de modelos no lineares na descrio de germinao de sementes de caf (coffea arbica L.) cv. Catua / Ibita Fabiana Sousa.
Lavras : UFLA, 2012.
72 p. : il.
Dissertao (mestrado) Universidade Federal de Lavras, 2012.
Orientador: Joel Augusto Muniz.
Bibliografia.
1. Curva de crescimento. 2. Erros correlacionados. 3. Anlise de
regresso. 4. Regresso no linear. I. Universidade Federal de Lavras.
II. Ttulo.

CDD - 519.536

IBITA FABIANA SOUSA

AJUSTE DE MODELOS NO LINEARES NA DESCRIO DE

GERMINAO DE SEMENTES DE CAF (Coffea arabica L.) CV.
CATUA

Dissertao apresentada Universidade

Federal de Lavras, como parte das exigncias do Programa de Ps-graduao em Estatstica e Experimentao Agropecuria,
rea de concentrao em Estatstica e Experimentao Agropecuria, para a obteno do ttulo de Mestre.

APROVADA em 13 de fevereiro de 2012.

Dr. Augusto Ramalho de Morais

UFLA

Dr. Virglio Anastcio da Silva

UFLA

Dr. Joel Augusto Muniz

Orientador

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.

 SEDUC-PI, pelo apoio financeiro e institucional.

CAPES, pela concesso de bolsa de estudos.
Aos amigos e irmos da Primeira Igreja Batista de Parnaiba e Primeira
Igreja Presbiteriana de Lavras, pelas palavras de encorajamento, e pelas muitas
oraes.
Aos amigos mais chegados que irmos, Ana Sales, Ana Patricia, Eugnia,
Marina, Patricia Rufino, Thalita, Rutinha, Barbara, Daniel, Letcia, Amanda, Juliany, Delva, Aracy, Rosngela, Maria, Rejane, Davi, Lucas, Theia, Ana Maria,
Clio, Alba Sena, Jerfeson, Elica, Samara e Lucas. Em especial Fbio Azevedo
por compartilhar tantos momentos especiais. Muito obrigada mesmo pelas vossas
amizades.
s irms de repblica Carol, Thas e Ana Flvia. Obrigada por tudo.
A todos aqueles que de alguma maneira contriburam, ou estiveram na
torcida pela realizao deste trabalho.
E que venha o futuro!

O conhecimento d ocasio arrogncia, mas o

amor edifica. Se algum supe conhecer alguma
coisa, ainda no conhece at o ponto em que necessrio conhecer.
1 Corntios 8, 1b-2

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

Instalao do processo de germinao . . . . . . . . . . . . . .

Instalao do processo de germinao . . . . . . . . . . . . . .
Sementes de caf germinadas aos 15 dias - Lote III . . . . . . .
Sementes de caf germinadas aos 21 dias - Lote V . . . . . . . .
Sementes de caf germinadas aos 30 dias - Lote I . . . . . . . .
Sementes de caf germinadas aos 30 dias - Lote IV . . . . . . .
Anlise grfica dos resduos do modelo Logstico para o lote I . .
Anlise grfica dos resduos do modelo Logstico para o lote II .
Anlise grfica dos resduos do modelo Logstico para o lote III .
Anlise grfica dos resduos do modelo Logstico para o lote IV .
Anlise grfica dos resduos do modelo Logstico para o lote V .
Anlise grfica dos resduos do modelo Gompertz para o lote I .
Anlise grfica dos resduos do modelo Gompertz para o lote II .
Anlise grfica dos resduos do modelo Gompertz para o lote III
Anlise grfica dos resduos do modelo Gompertz para o lote IV
Anlise grfica dos resduos do modelo Gompertz para o lote V .
Modelo Logstico na descrio de germinao de sementes de
caf - Lote I, em funo do tempo com estruturas de erros independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modelo Logstico na descrio de germinao de sementes de
caf - Lote II, em funo do tempo com estruturas de erros independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modelo Logstico na descrio de germinao de sementes de
caf - Lote III, em funo do tempo com estruturas de erros independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modelo Logstico na descrio de germinao de sementes de
caf - Lote IV, em funo do tempo com estruturas de erros independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modelo Logstico na descrio de germinao de sementes de
caf - Lote V, em funo do tempo com estruturas de erros independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Histograma representativo da taxa de germinao absoluta (TGA)
de sementes de caf estimada pela funo Logstica nos cinco lotes
Modelo Gompertz na descrio de germinao de sementes de
caf- Lote I, em funo do tempo com estruturas de erros independentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32
32
32
32
32
32
41
41
42
42
43
43
44
44
45
45

48

48

49

49

50
52

53

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 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 28 Histograma representativo da taxa de germinao absoluta (TGA)
de sementes de caf estimada pela funo Gompertz nos cinco lotes
Figura 29 Valores mdios da porcentagem de germinao acumulada, da
curva de ajuste dos modelos Logstico e Gompertz, com estruturas de erros AR (1) para o lote I . . . . . . . . . . . . . . . . . .
Figura 30 Valores mdios da porcentagem de germinao acumulada, da
curva de ajuste dos modelos Logstico com estrutura de erros
independentes e Gompertz com estrutura de erro AR(1) para o
lote II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 31 Valores mdios da porcentagem de germinao acumulada, da
curva de ajuste dos modelos Logstico com estrutura de erros
independentes e Gompertz com estrutura de erro AR(1) para o
lote III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 32 Valores mdios da porcentagem de germinao acumulada, da
curva de ajuste dos modelos Logstico com estrutura de erros
independentes e Gompertz com estrutura de erro AR(1) para o
lote IV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 33 Valores mdios da porcentagem de germinao acumulada, da
curva de ajuste dos modelos Logstico com estrutura de erros
independentes e Gompertz com estrutura de erro AR(1) para o
lote V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

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

Num mercado ainda em franca expanso, o caf contribui em torno de

7,5% do valor total das exportaes brasileiras e em comparao com os demais pases, representou mais de 30% da produo mundial previstas para as
safras 2010/2011. Segundo o Ministrio da Agricultura, Pecuria e Abastecimento/MAPA, atualmente o Brasil considerado o maior produtor e exportador
mundial de caf em gros, alm de ser o responsvel por mais de 8 milhes de
empregos diretos e indiretos, onde as principais reas de cultivo localizam-se nos
estados de Minas Gerais, Esprito Santo, So Paulo, Bahia, Paran, Rondnia e
Rio de Janeiro (Brasil, 2011).
Entre as inmeras espcies de caf cultivadas no mundo, as mais conhecidas so: Coffea arabica e o Coffea canephora, sendo que ambas possuem um
grande nmero de variedades e linhagens. O coffea arabica possui maior importncia econmica, representando 70% do caf comercializado no mundo. Originrio do Oriente, produz cafs de melhor qualidade, mais finos e requintados, tem
gros de cor esverdeada e cultivado em regies com altitude mdia de 600m. A
sua produo representa 73,9% (32,18 milhes de sacas) da produo do Pas, e
tem como maior produtor o estado de Minas Gerais, com 67,9% (21,85 milhes
de sacas) de caf beneficiado de acordo com a Companhia Nacional de Abastecimento (CONAB, 2011).
Dentre as cultivares do caf arbica, as linhagens do Catua Vermelho tm
ampla capacidade de adaptao, apresentando produtividade elevada na maioria
das nossas regies cafeeiras. De baixa estatura, permitem maior densidade de
plantio, tornam mais fcil a colheita e mais eficientes os tratamentos fitossanitrios
(GUERREIRO et al., 2006).
A propagao usual do cafeeiro ocorre por meio de mudas provenientes

15

de sementes, nas quais exibem germinao lenta e desuniforme. A germinao

uma sequncia de eventos fisiolgicos influenciada por fatores externos e internos
s sementes, em que cada fator pode atuar por si ou em interao com os demais.
Em geral, a germinao acumulada de sementes, constitui-se em uma curva de
formato sigmoidal que pode ser avaliada por meio de modelos no lineares.
Em estatstica, a regresso no linear uma forma de anlise em que os
dados so modelados por uma funo que uma combinao no linear de parmetros do modelo e depende de uma ou mais variveis independentes.
O presente trabalho teve como objetivo avaliar a qualidade do ajuste dos
modelos no lineares Logstico e Gompertz, com estrutura de erros independentes e autorregressivos, com autocorrelao de primeira ordem, AR(1), aos dados
de germinao de sementes de caf da linhagem Catua vermelho IAC 99, com
diferentes ndices de germinao, visando identificar a melhor estrutura para a
descrio do processo germinativo.

2.1

REFERENCIAL TERICO

Caracterizao e Germinao das sementes de caf (Coffea arabica L.)

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

Modelos de regresso no linear

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

chamados de modelos mecansticos (MAZUCHELI & ACHCAR, 2002; SEBER

& WILD, 1989; BATES & WATTS, 1988). Em geral, os parmetros na funo
esperana tm interpretao prtica para os cientistas ou pesquisadores.
O ajuste de modelos no lineares bastante difundido e investigado do
ponto de vista metodolgico, na descrio de curvas de crescimento animal (MAZZINI et al., 2003, 2005; MENDES et al., 2008), na descrio de cintica de digesto de animais ruminantes (SAVIAN et al., 2007a, 2007b), utilizando a abordagem
clssica e (SAVIAN et al., 2009) a abordagem bayesiana. Na rea de produo vegetal, utilizado em situaes experimentais como no estudo de crioconservao
de sementes de aroeira (Astronium urundeuva Engl.) e barana (Schinopsis brasiliensis Engl.) (GONZAGA et al., 2003), estudo da dinmica e disponibilizao de
nutrientes no sistema solo-planta (PEREIRA et al., 2005), estudo do crescimento
de espcies vegetais (MARTINS FILHO et al., 2008), em estudos de velocidade de
reaes qumicas (MACHADO, 2008), sendo tambm normalmente utilizados na
descrio de curvas de lactao, quando ajustados a dados decorrentes de produo
de leite em intervalos consecutivos de tempo (SILVA et al., 2005). Um consenso
dos autores que trabalham com ajuste de modelos no lineares na descrio dos
fenmenos supracitados sobre a possibilidade de se condensar informaes de
uma srie de dados, tomados ao longo do tempo, em um pequeno conjunto de
parmetros biologicamente interpretveis (TERRA et al., 2010).
2.3

Estimao dos parmetros de modelos no lineares

Utilizado na estimao dos parmetros em modelos no lineares, da mesma

maneira que em modelos lineares (GALLANT, 1987), o mtodo dos mnimos quadrados consiste em encontrar o melhor ajustamento para um conjunto de dados
tentando minimizar a soma de quadrados dos resduos entre a curva ajustada e os

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

Mtodo dos mnimos quadrados ordinrios

Gallant (1987) apresenta o modelo de regresso linear da seguinte forma:

yt = f (xt , ) + t ;

t=1,...n
o

no qual yt representa o valor observado,f (xt , ) a relao funcional conhecida,

o

xt um vetor de observaes em k variveis regressoras, = [1 , 2 , ..., p ] um

21

vetor de parmetros p dimensional desconhecido e i um vetor de erros aleatrios

supostos normalmente e identicamente distribuidos com mdia zero e varincia
desconhecida 2 , ou seja, i N(0, 2 ).
Na forma matricial tem - se:

y = f ( ) +
o

onde y tem componentes de yt , f ( ) tem componentes de f (xt , ) e tem componentes de t .

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

em todos os valores do espao paramtrico de ( ),

SSE() =

Pn

t=1 [yt

f (xt , )]2

pode-se ocorrer ao contrrio da soma de mnimo quadrados linear SSE(), e de

se ter vrios mnimos relativos, alm do mnimo absoluto.
Na forma matricial, a soma de quadrados dos erros :
0

SSE() = 0 = [y f ()] [y f ()]

Considere F () =

f ()
0

a matriz jacobiana de f () em que f () uma funo

vetor coluna n 1 de um argumento p dimensional de ().

O estimador de mnimos quadrados de satisfaz a equao:
SSE()
|=

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 ()

= , tem-se X 0  = 0. Resulta que o veFazendo-se no SEN [y f ()]

0
= 0 e , portanto ortogonal s colunas da matriz
tor residual  satisfaz F ()

assim como em regresso linear. A identifiJacobianaF () calculada em = ,

vale em geral, isto , todas as expresses que se obtem no
cao entre X e F (),
estudo da inferncia do modelo linear, assumindo a pressuposio de normalidade
dos erros tem uma contrapartida no caso no linear que se obtem por intermdio

da substituio da matriz X por F ().

Porm, no SEN no-linear, as equaes so no lineares em relao aos
parmetros, no possuindo em geral uma soluo explcita, na qual as mesmas

23

devem ser obtida atravs de processos iterativos, usando um software estatstico.

2.3.2

Mtodo dos mnimos quadrados ponderados

Com a finalidade de estabilizao das varincias, o mtodo dos mnimos

quadrados ponderados na estimao dos parmetros mais adequado por fornecer estimadores no tendenciosos e de varincia mnima (HOFFMAN & VIEIRA,
1998).
Seja o modelo linear,

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 tal que V = P P = P P . Desta forma, tem-se: V 1 = P 1 P 1 .

Escrevendo = P 1  tem-se: E() = E(P 1 u) = P 1 E(u) = 0
0

e ainda, V ar() = E( ) [E()]2 = E(P 1 uu P 1 ) = P 1 V 2 P 1 =

2 P 1 P P P 1 = 2 I.
Multiplicando cada um dos termos de Y = X + u por P 1 , obtm-se o
novo modelo:

P 1 Y = P 1 X + P 1 u Z = Q + ,

24

em que o vetor de erros dado por = P 1 u.

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

Mtodo dos mnimos quadrados generalizados

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

mtodo dos mnimos quadrados ponderados encontra-se:

0
0
= (X W 1 X)1 X W 1 Y .

Os mtodos dos mnimos quadrados, ordinrios e ponderados, so casos

particulares dos MQG.

26

2.3.4

Processos iterativos

Vrios mtodos iterativos so propostos para obteno das estimativas de

mnimos quadrados dos parmetros de um modelo de regresso no linear. Os mais
utilizados so o mtodo de Gauss-Newton ou mtodo da linearizao, o mtodo de
Newton, o mtodo Steepest-Descent ou mtodo gradiente e o mtodo de Maro

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

Gauss - Newton: = (X X)X

o

Newton: = G X
o

Maquardt: = [X X + diag(X X) X ]
0

em que (X X) uma inversa generalizada.

O mtodo Gradiente baseado no gradiente ou grau de variao dos re0

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

um mnimo global, mesmo com a existncia de vrios mnimos locais.

No programa computacional R, os quatros mtodos citados esto implementados, sendo que os dois mais utilizados so os de Gauss Newton e Maquardt.
O mtodo Gauss-Newton usa a expanso em srie de Taylor do vetor de
o

funes: f () = f ( )+F ( )( )+... em que F ( ) a matriz de primeiras

o

derivadas de X, avaliada no ponto .

Substituindo os termos dessa expanso no SEN, obtemos:
0

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

Curvas de crescimento (sigmoidais) possuem uma larga aplicao em reas

como biologia, agronomia, economia, dentres outras. Exemplos tpicos ocorrem

28

em estudos de crescimento humano, animal e vegetal. Essas curvas comeam em

algum ponto fixo e aumentam a sua taxa de crescimento monotnico at um ponto
de inflexo, aps este ponto esta taxa de crescimento comea a diminuir at a curva
se aproximar de um valor final, chamado de assntota (RATKOWSKY, 1983). Geralmente estudam-se as curvas de crescimento por meio de funes no lineares em
que apresentam algumas peculiaridades quanto ao procedimento de ajuste (DRAPER & SMITH, 1998). Os modelos so constitudos a partir de uma base terica
em que os parmetros fornecem um maior conhecimento sobre o fenmeno estudado, o que gera um bom ajuste com menos parmetros.
A escolha do modelo que melhor descreve a curva de crescimento usualmente baseada na qualidade de seu ajuste aos dados, na interpretao biolgica
dos parmetros. Vrios tipos de modelos estatsticos podem ser usados, de acordo
com suas habilidades, para facilitar a interpretao dos processos envolvidos no
sistema de produo vegetal.
Os modelos empricos usados frequentemente para estimar o crescimento
vegetal incluem a funo Logstica e de Gompertz (SEBER & WILD, 1989; RATKOWSKY, 1983).
O modelo Logstico como em Seber & Wild (1989) dado pela equao:

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

A curva logstica simtrica em relao ao ponto de inflexo x = quando

y=

2.

Neste ponto, a taxa de crescimento atinge seu valor mximo, ou seja,

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

delo logstico apresentou ajuste adequado aos dados de percentuais germinativos.

Em estudo apresentado por Duarte et al., (2010), em germinao de sementes de
Dyckia goehringii Gross e Rauh (Bromeliaceae), sob diferentes temperaturas encontraram um comportamento sigmoidal na descrio de germinao. Tomaz et
al., (2010) com o objetivo de determinar o tempo necessrio para a conduo do
teste de germinao de Panicum maximum cv. Tanznia ajustaram o modelo logstico para a avaliao da germinao, percebendo que a curva esta prxima aos
valores observados, indicando que modelo se ajustou bem aos dados. Vidigal et
al., (2011), verificando a ocorrncia de mudanas nas sementes, durante a maturao de frutos de pimento, utilizaram o modelo logstico no ajuste dos dados de
germinao das sementes ao longo do tempo.

31

3.1

MATERIAl E MTODOS

Material
A base de dados utilizada neste trabalho provm de um experimento rea-

lizado no perodo de 06 de setembro a 06 de outubro de 2011, no Laboratrio de

Anlise de Sementes (LAS) do Departamento de Agricultura (DAG) da Universidade Federal de Lavras (UFLA), no municpio de Lavras, MG. Foram utilizados
cinco lotes, com respectivos potenciais mnimos de germinao 73%, 88%, 90%,
90% e 97% de sementes de caf Coffea arbica L. da cultivar "Catua Vermelho IAC 99", associando as porcentagens acima citadas aos lotes I, II, III, IV, V,
respectivamente. Cada tratamento constou de quatro repeties com 100 sementes, utilizando como substrato rolos de papel toalha (germitest) umedecidos com
gua destilada na proporo de 2,5 vezes o peso do papel seco, colocados em cmara de germinao, regulados temperatura constante de 30o C, de acordo com
as regras para anlise de sementes (BRASIL, 2009). A germinao das sementes
foi monitorada durante 30 dias, sendo anotado diariamente o nmero de sementes
germinadas que teveram como critrio de germinao a protuso radicular.
Nas figuras 1 a 6, encontram-se algumas fotos ilustrando a instalao do
experimento e diferentes etapas do processo de germinao das sementes.

32

Figura 1

Instalao do processo de
germinao

Figura 2

Instalao do processo de
germinao

Figura 3

Sementes de caf germinadas aos 15 dias - Lote III

Figura 4

Sementes de caf germinadas aos 21 dias - Lote V

Figura 5

Sementes de caf germinadas aos 30 dias - Lote I

Figura 6

Sementes de caf germinadas aos 30 dias - Lote IV

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

Yt = exp[exp((Xt ))] + ut1 + t

em que
Yt - expressa a porcentagem de germinao acumulada no tempo t;
- corresponde ao valor assinttico, ou seja, representa a porcentagem
mxima de germinao acumulada, valor de estabilizao da varivel dependente
em relao ao tempo;
- corresponde ao tempo no qual Y alcana metade do seu valor mximo

34

no modelo Logstico e no modelo Gompertz Y alcana proporo 1/e do seu valor

mximo;
- est vinculado taxa de crescimento, que representa a velocidade de
germinao para atingir o valor assinttico;
exp - refere-se base do logaritmo neperiano;
Xt - refere-se ao valor da varivel independente, ou seja, tempo necessrio
para germinao de sementes, dado em dias, t = 1, 2, 3...30;
ut - corresponde ao resduo no tempo t;
ut1 - corresponde ao resduo no tempo t-1;
- corresponde ao parmetro autoregressivo de ordem 1;
t - o ruido branco.
3.2.2

Critrios para seleo do modelo

Para a verificao da qualidade do ajuste de um modelo no linear (MO-

TULUSKY & CHRISTOPOULOS, 2003; BOZSDOGAN, 1987), vrios aspectos

podem ser observados, busca-se o modelo mais parcimonioso, isto , o modelo
que envolva o mnimo de parmetros possveis a serem estimados e que explique
bem o comportamento da varivel resposta. Para isso, ferramentas analticas, tais
como testes hipteses e critrios de informao podem ser utilizados, sendo o seu
o clculo e interpretao, fceis de serem realizados. Logo a seleo do modelo
mais adequado para descrever a germinao de sementes foi realizada com base
na preciso dos ajustes obedecendo aos seguintes critrios:

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

SQR = soma de quadrado do resduo;

SQT = soma de quadrado total;
n = nmero de observaes utilizadas para ajustar a curva;
p = nmero de parmetros na funo inclundo o intercepto;
i = 1 se tiver intercepto e 0 se no tiver intercepto.
2 , melhor ser o modelo.
Tem-se que quanto maior for o valor de Raj

3.2.2.2

Desvio padro residual (DPR)

A estimativa do DPR obtida pela seguinte expresso:

s
DP R =

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

Os critrios de Informao de Akaike (AIC)(AKAIKE, 1974), o Critrio

de Informao Bayesiano (BIC) (SCHWARZ, 1978) e o Teste da Razo de Verossimilhana (TRV) so outras estatsticas que servem como medidas de comparao
da qualidade de ajuste do modelo baseados no mximo da funo de verossimilhana (MFV) sendo dependentes do nmero de observaes e parmetros do modelo em estudo.
A estimativa do AIC dada pela seguinte frmula:

+ 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

diferentes. Tanto o AIC e o BIC so usados para comparar modelos no aninhados

e o melhor modelo, considerando o ajuste, ser aquele que apresentar menor valor.
O teste da razo de mxima verossmilhana (TRV) apropriado para testar dois modelos hierarquicamente aninhados, baseado no ln da razo entre duas
verossimilhanas. Sob as hipteses:
H0 : O modelo mais simples o correto;
Ha : O modelo mais parametrizado o correto.
1
O TRV usa a estatstica L = 2log L
L2 = 2[log(L2 ) log(L1 )] sendo L2

o mximo do logaritmo natural da funo de verossimilhana para o modelo mais

parametrizado e L1 para modelo mais simples. Sob a hiptese de H0 verdadeira
L 2(,) com graus de liberdade (gl), sendo a diferena entre o nmero de
parmetros do modelo mais parametrizado e o modelo mais simples. Rejeita-se
H0 quando L > 2(,) .
3.3

Anlise dos resduos

Em regresso no linear, assim como em regresso linear, a anlise dos

resduos de um modelo feita para verificar a plausividade das pressuposies
envolvidas. Para a verificao dos pressupostos, pode-se utilizar anlise grfica dos
resduos, sendo este um mtodo informal de anlise que envolvem os grficos de
resduos em relao s variveis independentes e aos valores preditos, ou por meio
de testes estatsticos, que uma maneira mais objetiva de se analisar os resduos
por fornecer uma medida numrica para algumas das discrepncias previamente
descritas.
Para a verificao do pressuposto de normalidade, vrias formas grficas
tm sido propostas como histogramas dos resduos, em que se podem visualizar
desvios grosseiros da normalidade ou "Q-Q plot"que um grfico que testa a con-

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

Tem - se que a um valor de p inferior ou igual a 0,05 rejeita-se a hiptese

de dependncia nos resduos.
3.4

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

Ajuste dos modelos no lineares

Aps o ajuste dos modelos Logstico e Gompertz, escolhidos com base na

observao grfica dos dados, considerando erros independentes e varincia constante, verificou-se por meio da anlise grfica dos resduos, Figuras 7 a 16 respectivamente, pelo quadro resduos ou resduos stundentizados versus os valores
ajustados, que em todos os lotes analisados, os resduos se mostram concentrados
nas extremidades, ou seja, no h uma distribuio aleatria em torno da mdia
zero, indicando, assim, a no homogenidade das varincias que pode ser confirmado pelas estimativas da estatstica do teste de Breusch-Pagan apresentadas nas
Tabelas 1 e 2. A verificao da pressuposio de normalidade mostrada pelo grfico "Q-Q Plot"dos resduos studentizados, nota-se que em todas as situaes os
valores extremos se afastaram da reta, mostrando a falta de normalidade que pode
ter sido afetada pela variabilidade dos dados como mostra as Figuras 7 a 16 e as
Tabelas 1 e 2. A suposio de dependncia examinada pelo grfico de autocorrelao, apresenta com exceo dos grficos observados nas Figuras 8, 11 e 16,
onde os resduos se comportaram mais aleatrios, um agrupamento dos resduos
na linha de base zero, mostrando que as interferncias em perodos separados so
sistematicamente relacionados. O que por meio do teste de Durbin-Watson isso
no se confirma em todas as situaes, ressaltando a importncia da utilizao de
testes estatsticos na validao das pressuposies.

41

Figura 7

Anlise grfica dos resduos do modelo Logstico para o lote I

Figura 8

Anlise grfica dos resduos do modelo Logstico para o lote II

42

Figura 9

Anlise grfica dos resduos do modelo Logstico para o lote III

Figura 10

Anlise grfica dos resduos do modelo Logstico para o lote IV

43

Figura 11

Anlise grfica dos resduos do modelo Logstico para o lote V

Figura 12

Anlise grfica dos resduos do modelo Gompertz para o lote I

44

Figura 13

Anlise grfica dos resduos do modelo Gompertz para o lote II

Figura 14

Anlise grfica dos resduos do modelo Gompertz para o lote III

45

Figura 15

Anlise grfica dos resduos do modelo Gompertz para o lote IV

Figura 16

Anlise grfica dos resduos do modelo Gompertz para o lote V

46

Na Tabela 1 e 2, esto apresentadas as estimatvas das estatsticas dos

testes de Shapiro-Wilk, Breusch-Pagan e Durbin-Watson e os respectivos valor-P
para os modelos Logsticos e Gompertz dos cinco lotes analisados. Observa-se que
tanto no ajuste do modelo Logstico como no modelo Gompertz, os erros relativos
aos lotes analisados no apresentaram normalidade, homocedasticidade e algumas
situaes independncia.
Tabela 1

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

Estimativas das estatsticas dos testes de Shapiro-Wilk, Breusch-Pagan

e Durbin-Watson e os respectivos valor-p dos resduos do modelo Logstico para os cinco lotes de semente de caf.
Valor-p
0,0002
0,0032
0,0001
0,0001
0,0001

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

Estimativa das estatsticas dos testes de Shapiro-Wilk, Breusch-Pagan e

Durbin-Watson e os respectivos valor-p dos resduos do modelo Gompertz para os cinco lotes de semente de caf.
Shapiro-Wilk
0,6613
0,7298
0,5719
0,706
0,8362

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

Diante do no atendimento das pressuposies, realizou-se o ajuste pelo

mtodo dos mnimos quadrados generalizados.
Na Tabela 3, esto apresentadas as estimativas dos parmetros do modelo
Logstico, com erros independentes, para cada lote de semente ao longo do tempo.

47

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

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

Todos os parmetros foram significativos em 1% pelo teste t.

Os lotes de sementes apresentaram comportamentos semelhantes quanto

ao percentual de germinao acumulada (), todos acima de 90%. Com exceo
do lote V, todos os percentuais obtidos mostraram-se superiores aos percentuais
mnimos classificados de acordo com o lote, sendo o que mais se diferenciou com
um aumento de 26% em relao aos 73% apresentado foi o lote I. O parmetro () est relacionado ao dia em que germinao acumulada atinge 50%, sendo
assim, nota-se que a qualidade V obteve o menor tempo para atingir metade do
potencial de germinao, o que pode estar relacionado com alto poder de germinabilidade das sementes. As demais qualidades obtiveram metade do percentual de
germinao em torno do 10o dia. O parmetro (), representando a velocidade de
germinao, teve na qualidade V o maior valor, o que indica que a porcentagem de
germino acumulada foi atingida em um menor tempo que as demais qualidades
estudadas.
Observa-se por meio das Figuras 17 a 21, que as curvas dos dados expressam um comportamento sigmoidal.
Em estudo para caracterizar as fases de germinao de sementes de maracujdoce, Ferrari et al., (2008), ajustaram as curvas de germinao pela funo Logstica.

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

Aps o ajuste do modelo Logstico, verifica-se pelo teste de Shapiro-Wilk,

conforme Tabela 4, que os erros relativos a todos os lotes analisados apresentaram
distribuio normal, indicando que o ajuste pelo modelo se mostrou adequado.
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.

Qualidades
I
II
III
IV
V

Estatstica do Teste Shapiro Wilk

0,9266
0,9732
0,9174
0,7928
0,9570

Valor - p
0,5736
0,8951
0,5131
0,0706
0,7868

Atravs da primeira derivada do modelo Logstico em funo do tempo,

obtm-se a taxa de germinao absoluta (TGA), apresentada na Figura 22. As
TGA foram crescentes at atingirem os mximos de 28%/dia para lote I, em torno
de 22%/dia para os lotes II e III, 27%/dia para lote IV e 35%/dia para lote V, nessa

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

Histograma representativo da taxa de germinao absoluta (TGA) de

sementes de caf estimada pela funo Logstica nos cinco lotes

As estimativas dos parmetros, para o modelo Gompertz, com erros independentes, so apresentados na Tabela 5.
Tabela 5

Lotes
I
II
III
IV
V

Estimativas dos parmetros para o ajuste do modelo Gompertz, com

erros independentes, aos valores de porcentagem de germinao de sementes para os cinco lotes

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

Todos os parmetros foram significativos em 1% pelo teste t.

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

Estimatvas da estatstica do teste de Shapiro-WilK dos resduos e valor

- p do modelo Gompertz para os cinco Lotes.
Estatstica do Teste Shapiro Wilk
0,9050
0,9077
0,8743
0,8958
0,9209

Valor - p
0,4382
0,4541
0,2842
0,3871
0,5361

As TGA obtidas pelo modelo Gompertz tm sua interpretao semelhante

ao do modelo Logstico, apresentando-se crescentes at atingirem os mximos de
28%/dia para Lote I, em torno de 21%/dia para o Lote II e 23%/dia para Lote III,
26%/dia para Lote IV e 34%/dia para Lote V, chegando ao ponto de inflexo da
curva. A partir deste a taxa de germinao comea a diminuir exponencialmente,
onde possvel por meio dos grficos apresentados na Figura 28, verificar a assimetria do modelo Gompertz em relao ao ponto de inflexo.
Na Tabela 5, tem-se a estatstica do teste da razo de mxima verossimilhana para os modelos Logstico e Gompertz, verificando-se para quais modelos
e qualidades o ajuste com os resduos correlacionados se mostrou mais plausvel
aos dados.

57

Figura 28

Histograma representativo da taxa de germinao absoluta (TGA) de

sementes de caf estimada pela funo Gompertz nos cinco lotes

Tabela 7

Estatsticas do teste de razo de mxima verossimilhana (TRV) para

os modelos estudados.
Modelos

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

valores significativos a 1%(P < 0, 01).

valores significativos a 5%(P < 0, 05).

Para o modelo Logstico, apenas para o lote I, o TRV, identificou um me-

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

todos os valores significativos a 1% pelo teste t.

4.2

Seleo dos modelos ajustados

Atravs dos avaliadores de qualidade de ajuste apresentados na Tabela 9,

observa-se o modelo Gompertz com estrutura de erros autoregressivos de ordem 1
apresentando um melhor ajuste aos dados, devido aos menores valores dos desvios
padro (DPR), os critrios de informao de Akaike (AIC) e schwarz (BIC). Carvalho et al., (2011), em estudo de modelos no lineares generalizados aplicados na
predio da rea basal e volume de Eucalyptus clonal, utilizaram os critrios acima

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

traram resultados semelhantes no podendo, assim, verificar a escolha do melhor

modelo por essa estatstica.
Tabela 9

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

Nas Figuras 29 a 33, observa-se a representao grfica do ajuste dos dois

modelos no lineares que, segundo os avaliadores da qualidade de ajuste, obtiveram um melhor ajustamento aos dados. Nota-se que ambos os modelos descrevem
de modo adequado a germinao das sementes, com curvas muito prximas aos
valores observados, mas com melhor destaque para o modelo considerando a estrutura de erros AR(1). Cunha (2011), identificou o modelo Gompertz com erros
autocorrelacionados de ordem 1 como o melhor modelo ao estudar os dimentros
dos frutos de ameixeira ao longo do tempo.

Figura 29

Valores mdios da porcentagem de germinao acumulada, da curva

de ajuste dos modelos Logstico e Gompertz, com estruturas de erros
AR (1) para o lote I

61

Figura 30

Valores mdios da porcentagem de germinao acumulada, da curva

de ajuste dos modelos Logstico com estrutura de erros independentes
e Gompertz com estrutura de erro AR(1) para o lote II

Figura 31

Valores mdios da porcentagem de germinao acumulada, da curva

de ajuste dos modelos Logstico com estrutura de erros independentes
e Gompertz com estrutura de erro AR(1) para o lote III

62

Figura 32

Valores mdios da porcentagem de germinao acumulada, da curva

de ajuste dos modelos Logstico com estrutura de erros independentes
e Gompertz com estrutura de erro AR(1) para o lote IV

Figura 33

Valores mdios da porcentagem de germinao acumulada, da curva

de ajuste dos modelos Logstico com estrutura de erros independentes
e Gompertz com estrutura de erro AR(1) para o lote V

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

AKAIKE, H. A. New Look at the Statistical Model Identification. IEEE

Transactions on automatic control, Minato-ku, Tokyo, Japan. v.19, n.6,
p.716-723, Dec. 1974.
BATES, D.M.; WATTS, D.G. Nonlinear Regression Analysis and its
Applications. New York: John Wiley, 1988. 365p.
BLACK M.; BEWLEY D.J.; HALMER. P. The Encyclopedia of Seeds: Science
Technology and Uses. Wallingford, UK: CABI 2006. 900p.
BOZSDOGAN, H. Model selection and Akaikes information criterion (AIC):
The general theory and its analytical extensions. Psychometrika, v. 52,
p.345-370. 1987.
BRASIL. Ministrio da Agricultura Pecuria e Abastecimento/MAPA. Caf.
Disponvel em: <http://www.agricultura.gov.br/vegetal/culturas/cafe/saiba-mais>.
Acesso em 20 Nov.2011.
BRASIL. Ministrio da Agricultura Pecuria e Abastecimento. Secretaria de
Defesa Agropecuria. Regras para anlise de sementes. Braslia: MAPA,
p.147-220. 2009.
BREUSCH, T ; PAGAN, A. Teste simples para heterocedasticidade e coeficiente
de variao aleatria Economtrica. Sociedade Economtrica v.47,
p.1287-1294. 1979.
CARON, B. O.; MEIRA, W. R.; SCHIMDT, D.; SANTOS FILHO, B. G.;
MEDEIROS, S. L. P.;MANFRON, P. A.; MULLER, L.; Anlise de crescimento
de plantas de aroeira vermelha no municpio de JI-Paran, RO.Revista da FZVA.
Uruguaiana, v.14, n.1, p.1-13, 2007.
CARVALHO, S. de P. C. e; CALEGARIO, N.; SILVA, F. F. e; BORGES, L. A.
C.; MENDONA, A. R. de; LIMA, M. P. de; Modelos no lineares generalizados

65

aplicados na predio da rea basal e volume de Eucalyptus clonal Cerne,

Lavras, v. 17, n. 4, p. 541-548, out./dez. 2011.
CONAB. Companhia Nacional de Abastecimento. Acompanhamento da Safra
Brasileira Caf, Safra 2011 segunda estimativa, maio/2011. Braslia: Conab,
2011. Disponvel em: <http://www.conab.gov.br/OlalaCMS/uploads/arquivos/11
_05_10_09_04_16_boletim_ccafe_portugues_-_maio_-_2011_2o_lev.>. Acesso
em: 1 set. 2011.
CUNHA, L. S. Modelos de regresso para a descrio do crescimento de
frutos da ameixeira. Dissertao (Mestrado em Agronomia/Estatstica e
Experimentao Agropecuria) - Universidade Federal de Lavras, Lavras, 2011.
79p.
DEDECCA, D. M. Anatomia e desenvolvimento ontogentico de Coffea
arabica L. var. typica Cramer. Bragantia, Campinas, v.16, p.315-366, 1957.
DRAPER, N.R.; SMITH, H. Apllied regression analysis. 3.ed. New York.:Jonh
Wiley, 1998. 706p.
DUARTE, E.F.; CARNEIRO, I.F.; SILVA, N.F.; GUIMARES, N.N.R.
Caractersticas fsicas e germinao de sementes de Dyckia goehringii Gross e
Rauh (Bromeliaceae) sob diferentes temperaturas. Pesquisa Agropecuria
Tropical, Goinia, v.40, n.4, p.422-429, dez.2010.
DURBIN, J.; WATSON, G.S. Teste de Correlao Serial em Mnimos Quadrados
de Regresso I. Biometrika v.37 , p.409-428, 1950.
EIRA, M.T. S.;SILVA, E. A. A. da.; CASTRO, R. D.; DUSSERT, S.; WALTERS,
C.; BEWLEY, J. D.; HILHORST, H. W. M. Coffee seed physiology. Brazilian
Journal of Plant Physiology, Londrina, v.18, n.1,p.149-163, Mar.2006.
FERRARI, T. B.; FERREIRA. G.; MISCHAN, M. M.; PINHO, S. Z. Germinao
de sementes de maracuj-doce (Passiflora alata Curtis) : Fases e efeito de
reguladores vegetais. Biotemas, v.21, n.3, p.65-74, set. 2008.

66

FLORENT, B.; DELIGNETTE-MULLER,M. L. nlstools: tools for nonlinear

regression diagnostics.R Development Core Team, 2011.
GALLANT, A.R. Nonlinear Statistical Models. New York.:Jonh Wiley.
p.1-146. 1987. 624p.
GASPAR-OLIVEIRA, C. M.; MARTINS. C. C; NAKAGAWA, J.; CAVARIANI,
C. Durao do teste de germinao de Brachiaria brizantha cv. marandu (Hochst.
ex A. Rich.) Stapf. Revista Brasileira de Sementes, Londrina, vol.30, n.3,
p.30-38, 2008.
GAZOLA, S.; SCAPIM, C. A.; GUEDES, T. A.; BRACCINI, A. de L. e.
Proposta de modelagem no-linear do desempenho germinativo de sementes de
milho hbrido. Cincia Rural, Santa Maria, v.41, n.4, p.551-556, abr. 2011.
GONZAGA,T.W.C.; MATA. M.; SILVA, H.; DUARTE. M.E.M. Crioconservao
de sementes de aroeira (Astronium urundeuva Engl.) e barana (Schinopsis
brasiliensis Engl). Revista Brasileira de Produtos Agroindustriais, Campina
Grande, v.5, n.2, p.145-154, out. 2003.
GUERREIRO FILHO, O.; FAZUOLI, L. C.; EIRA AGUIAR, A. T. Cultivares de
Coffea arabica selecionadas pelo IAC: caractersticas botnicas, tecnolgicas,
agronmicas e descritores mnimos. 2006. Disponvel em: <http://www.infobibos
.com/Artigos/2006_2/ Cultivares_ cafe/Index.htm>. Acesso em: 20 nov. 2011.
GUILLN, S., BENTEZ, J., MARTNEZ-RAMOS., M., CASAS, A. Seed
germination of wild, in situ-managed, and cultivated populations of columnar
cacti in the Tehuacn Cuicatln Valley, Mxico. Journal of Arid Environments,
v.73, p.407-413, 2009.
HOFFMANN, R.; VIEIRA, S. Anlise de regresso: uma introduo
econometria.So Paulo: HUCITEC, 379p. 1998.
IKEDA, F.S.; CARMONA, R.; MITJA, D.; GUIMARES, R.M. Luz e KNO3 na
germinao de sementes de Ageratum conyzoides L. sob temperaturas constantes
e alternadas Revista Brasileira de Sementes, Londrina, v.30, n.2, p.193-199,

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

San Diego, CA:GraphPad Software, 2003. 351p.

NASSIF, S.M.L ;VIEIRA, I. G; FERNANDES, G. D. Fatores Externos
(ambientais) que Influenciam na Germinao de Sementes. Informativo Sementes
IPEF - Abril 1998. Disponvel em :
<http://www.ipef.br/tecsementes/germinacao.asp>. Acesso em: 22 Nov. 2011.
PEREIRA, J.M.; MUNIZ, J.A.; SILVA, C.A. Non linear models to predict
nitrogen mineralization in na oxisol.Scientia Agricola, Santa Maria, v.62,
p.395-400, 2005.
PINHEIRO, J. C., BATES, D. M., DEBROY, S., SARKAR, D. nlme: Linear and
Nonlinear Mixed Effects Models.R Development Core Team, 2011.
POPINIGIS, F. Fisiologia da Semente. 2.ed. Braslia, 1985. 298p.
RATKOWSKY, D.A. Nonlinear Regression Modeling.New York, Marcel
Dekker, INC., p. 61 - 73. 1983.
R DEVELOPMENT CORE TEAM. R: a language and environment for statistical
computing. Vienna: R Foundation for Statistical Computing,verso 2.13.1. 2011.
Disponvel em <http://www.r-project.org>. Acesso em: 5 out. 2011.
SAVIAN, T. V. Estimao dos parmetros no modelo para degradabilidade in
situ de Mertens e Loften. Dissertao (Mestrado em Agronomia/Estatstica e
Experimentao Agropecuria) - Universidade Federal de Lavras, Lavras, 2005.
55p.
SAVIAN, T.V.; MUNIZ, J.A; AQUINO, L.H.; BANYS, V.L; FERREIRA, D.F.
Degradability study of neutral detergent fiber of coast cross (Cynodon dactylon x
Cynodon nlemfunensis). Cincia e Agrotecnologia, Lavras,v.31, p.1184-1190,
2007a.
SAVIAN, T. V.; MUNIZ, J.A. A study of in situ degradability: heterogeneity of
variances and correlated errors. Scientia Agricola, Piracicaba, v.64, p.548-554,

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

Sementes, v.32, n.4, p.080-087, 2010.

VIDIGAL, D. S.; DIAS, D. C. F. dos S.; DIAS, L. A. dos S.; FINGER, F. L.
Changes in seed quality during fruit maturation of sweet pepper. Scientia
Agricola. Piracicaba, v.68, n.5, out. 2011.

71

ANEXO A - Rotina no R

----------------------------------------------------------------------Rotina no R utilizada para a

obteno das estimativas dos parmetros dos modelos estudados.
#---------------------------------------------------------------------#pacotes necessrios para a anlise.
require(manipulate)
require(nlstools)
require(car)
require(nlme)
require(lmtest)
# modelos estudados
# Logstico: b1/(1+exp(-b3*(x-b2)))
#Gompertz: b1*exp(-exp(-b3*(x-b2)))
rm(list=ls(all=TRUE))
#--# funo para o clculo do R2
R2 <- function(residuals, observed){
1-(sum(residuals)^2)/sum((observed-mean(observed))^2)
}
#----------------------------------------------------------------------germinaocafe<-read.table("cafe medias.txt", header=TRUE,)
germinaocafe
germinaocafe$var <- factor(germinaocafe$var)
germinaocafe$var
#----------------------------------------------------------------------#funo que representa o modelo
logi <- function(x, b1, b2, b3){
b1/(1+exp(-b3*(x-b2)))
}
#------------------------------------------------------------------------# diagnose grfica e primeiro chute para variedade I
plot(y~x, data=germinaocafe, col=as.numeric(germinaocafe$var=="I"),
xlab="Dias", ylab="Porcentagem de Germinao",bty="l",pch=22)
b1<- 94; b2 <- 10; b3 <- 0.9 # primeiro chute
curve(logi(x, b1, b2, b3), add=TRUE, col=2)
#-------------------------------------------------------------------------# procedimento grfico para obter chutes e conhecer a funo dos parmetros
require(manipulate) # carrega pacote que permite manipulao grfica
start <- list()

# cria uma lista vazia para receber os valores finais

#-------------------------------------------------------------------------manipulate({plot(y~x, data=subset(germinaocafe, var=="I"))

curve(logi(x, b1=b1, b2=b2, b3=b3), add=TRUE)
start <<- list(b1=b1, b2=b2, b3=b3)},
b1=slider(90, 96, initial=90), # chute para o intevalo de assintota
b2=slider(8, 13, initial=9), # chute para o parmetro de localizao
b3=slider(0.7, 1.8, initial=0.7) # chute para a taxa de crescimento
)
#--------------------------------------------------------------------------start # valores salvos do ltimo movimento
#--------------------------------------------------------------------------rm(list=ls(all=TRUE))
# Ajuste do modelo logstico aos dados com os chutes do procedimento grfico
##ajuste de do modelo logistico sem correlo para as variveis

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

curve(tmp, add=TRUE, col=2, lwd=2.0)

#---------------------------------------------------------------------# Ajuste modelo - Gompertz - Erros independentes e correlacionados
#---------------------------------------------------------------------#Ajuste do modelo Gompertz sem correlao
gI <- gnls(y~b1*exp(-exp(-b3*(x-b2))),
data=subset(germinaocafe, var=="I"), start=c(b1=94,b2=10,b3=0.9368),
control=nls.control(maxiter=500, minFactor=1/10000))
summary(gI) # quadro de estimativas
confint.default(gI)
R2(residuals(gI), germinaocafe$y)
residuoscgI<-summary(gI)$resid
shapiro.test(residuoscgI)
#---------------------------------------------------------------------# grfico dos dados com a curva estimada
lis <- c(list(x=NULL), as.list(coef(gI)), body(gomp))
plot(y~x,data=subset(germinaocafe, var=="I"),xlab=" Tempo(dias)",
ylab="Germinao (%)",bty="l",ylim=c(0,100),
main=" Modelo Gompertz - Lote I" )
tmp <- as.function(lis)
curve(tmp, add=TRUE, col=2, lwd=2.0)
#---------------------------------------------------------------------#Ajuste do modelo Gompertz considerando - AR(1)
g1I <- gnls(y~b1*exp(-exp(-b3*(x-b2))),
data=subset(germinaocafe, var=="I"),correlation=corAR1(form=~x),
start=c(b1=94,b2=10,b3=0.9368),
control=nls.control(maxiter=500, minFactor=1/10000))
summary(g1I)
confint.default(g1I)
R2(residuals(g1I), germinaocafe$y)
residuosg1I<-summary(g1I)$resid
shapiro.test(residuosg1I)
#-----------------------------------------------------------------------# grfico dos dados com a curva estimada
lis <- c(list(x=NULL), as.list(coef(g1I)), body(gomp))
plot(y~x,data=subset(germinaocafe,var=="I"),
xlab=" Tempo (dias)",ylab="Germinao (%)",bty="l",pch=16,
main=" Modelo Gompertz AR(1) - Lote I")
tmp <- as.function(lis)
curve(tmp, add=TRUE, col=2, lwd=2.0)
#----------------------------------------------------------------------#Obteno dos avaliadores de qualidade de ajuste AIC BIC e TRV
#----------------------------------------------------------------------anova(nI,n1I)
anova(gI,g1I)
#----------------------------------------------------------------------# Obteno da Taxa de germinao absoluta
#---------------------Derivadas da funo------------------------------logis <- expression(b1/(1+exp(-b3*(x-b2))))
D(slogis,"x")
# grfico
txcal<-read.table("txcrescabslogi.txt", header=TRUE)
txcal
plot(ym~x,type="h",data=subset(txcal,var=="I"),xlab=" Tempo (dias)",
ylab="Taxa (%/dia)",xlim=c(0,30),ylim=c(0,35),pch=17, main= "Lote I")
# Para o modelo gompertz e os demais lotes
o procedimento foi o mesmo acima descrito
#--------------------------#--------------------------------------------