Escolar Documentos
Profissional Documentos
Cultura Documentos
Câmpus de Botucatu
PPG
Biometria
MODELOS DE SOBREVIVÊNCIA
APLICADOS A DADOS DE GERMINAÇÃO
DE SEMENTES
2021
1 Introdução
A germinação é o processo de retomada do crescimento ativo do eixo embrionário. Consiste da
sequência ordenada de atividades metabólicas, que inicia com a embebição das sementes, estabe-
lece a retomada do desenvolvimento do embrião até a formação de uma plântula normal, depende
de umidade, temperatura e oxigênio.
As variações de temperatura afetam não só o total de germinação, como também a velocidade
e a uniformidade do processo. A temperatura ótima para a germinação das sementes é aquela
em que o maior número de sementes germina no mais curto perı́odo, para a maioria das espécies
cultivadas, encontra-se entre 20 e 30°C. Ao se reduzir a temperatura, a partir da ótima, reduz-se a
velocidade de germinação, enquanto o aumento, em direção aos valores máximos suportados pela
espécie, proporciona redução tanto na velocidade quanto no percentual de germinação.
2 Objetivos
Descrever qual a temperatura mais adequada para a germinação de sementes por meio dos modelos
não paramétricos e paramétricos com o propósito de selecionar o que melhor descreve o conjunto
de dados.As variáveis do estudo são: semente, tempo, falha, temperatura e repetição.
3 Metodologia
3.1 Dados
Este dados referem-se a um estudo piloto realizado, no Departamento de Botânica, com o objetivo
de escolher qual a temperatura mais adequada para a germinação de sementes. O Experimento
foi realizado colocando 25 sementes em cada placa de Petri, sendo que 2 placas foram colocadas a
20°C e outras 2 placas a 25°C.O acompanhamento foi feito diariamente (de 23 a 28 de janeiro de
2002).
4 Resultados
As estimativas da função de sobrevivência S(t) e seus respectivos intervalos de 95% de confiança
para cada variável, obtidos utilizando-se o estimador Kaplan-Meier, encontra-se na Tabela 1, 2 e
1
3, respectivamente; e suas respectivas representações gráficas e apresentada na Figura 1, 2 e 3.
Tabela 1: Estimativa obtida por meio do estimador de kaplan Meier para falha.
Figura 1
2
Tabela 2: Estimativas obtidas por meio do estimador de Kaplan-Meier para variável temperatura.
Figura 2
##
## survfit(formula = Surv(tempo, falha) ~ Dicotomica1, conf.type = "log-log")
##
## n events rmean* se(rmean) median 0.95LCL 0.95UCL
## Dicotomica1=20 50 21 4.86 0.0491 NA 5 NA
3
## Dicotomica1=25 50 37 3.80 0.1296 4 3 4
## * restricted mean with upper limit = 5
##
## survdiff(formula = Surv(tempo, falha) ~ Dicotomica1, rho = 0)
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## Dicotomica1=20 50 21 36 6.26 22
## Dicotomica1=25 50 37 22 10.26 22
##
## Chisq= 22 on 1 degrees of freedom, p= 3e-06
Tabela 3: Estimativas obtidas por meio do estimador de Kaplan-Meier para variável repetição.
4
Figura 3
## TESTE LONK-RANK ##
## survdiff(formula = Surv(tempo, falha) ~ Dicotomica2, rho = 0)
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## Dicotomica2=1 50 27 29.6 0.23 0.606
## Dicotomica2=2 50 31 28.4 0.24 0.606
##
## Chisq= 0.6 on 1 degrees of freedom, p= 0.4
5
## survreg(formula = Surv(tempo, falha) ~ 1, dist = "exponential")
##
## Coefficients:
## (Intercept)
## 2.010295
##
## Scale fixed at 1
##
## Loglik(model)= -174.6 Loglik(intercept only)= -174.6
## n= 100
## (Intercept)
## 7.465517
Modelo Weibull
## gama_Weibull alpha_Weibull
## shape 4.097014 5.199963
Modelo Log-normal
## mediaLN desvioLN
## meanlog 1.551716 0.3557024
Modelo Gama
6
## flexsurvreg(formula = Surv(tempo, falha) ~ 1, dist = "gengamma")
##
## Estimates:
## est L95% U95% se
## mu 1.5842 1.4342 1.7342 0.0765
## sigma 0.3280 0.2121 0.5073 0.0730
## Q 0.2852 -0.9152 1.4857 0.6125
##
## N = 100, Events: 58, Censored: 42
## Total time at risk: 433
## Log-likelihood = -130.5592, df = 3
## AIC = 267.1184
7
Teste de Hipóteses para o modelo Log-normal e Gama
Suposiç~
oes (adequaç~
ao do modelo)
8
## [1] 20 25
## Levels: 20 25
## [1] 1 2
## Levels: 1 2
9
## Dicotomica125 3.019 0.3313 1.748 5.213
##
## Concordance= 0.701 (se = 0.029 )
## Likelihood ratio test= 16.54 on 1 df, p=5e-05
## Wald test = 15.71 on 1 df, p=7e-05
## Score (logrank) test = 17.17 on 1 df, p=3e-05
## chisq df p
## Dicotomica1 18.4 1 1.8e-05
## GLOBAL 18.4 1 1.8e-05
Figura 6
Variável repetiç~
ao
## Call:
## coxph(formula = Surv(tempo, falha) ~ Dicotomica1, x = T, method = "breslow")
##
## n= 100, number of events= 58
10
##
## coef exp(coef) se(coef) z Pr(>|z|)
## Dicotomica125 1.1048 3.0186 0.2788 3.963 7.39e-05 ***
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
## exp(coef) exp(-coef) lower .95 upper .95
## Dicotomica125 3.019 0.3313 1.748 5.213
##
## Concordance= 0.701 (se = 0.029 )
## Likelihood ratio test= 16.54 on 1 df, p=5e-05
## Wald test = 15.71 on 1 df, p=7e-05
## Score (logrank) test = 17.17 on 1 df, p=3e-05
## chisq df p
## Dicotomica1 18.4 1 1.8e-05
## GLOBAL 18.4 1 1.8e-05
11
Figura 7
5 Referências
COLOSIMO, Enrico Antonio; GIOLO, Suely Ruiz. Análise de sobrevivência aplicada. Editora
Blucher, 2006.
12