Rev. Bras. Fisiol.

Vegetal, 1(1):9-18, 1989

AJUSTE DE FUNÇÕES NÃO LINEARES DE CRESCIMENTO1

ADONAI G. CALBO2, WASHINGTON L.C. SILVA2 e ANTONIO C. TORRES2

RESUMO - Atualmente existem diversas equações que são INTRODUÇÃO

utilizadas no ajuste de curvas de crescimento. Estas
equações podem ser, basicamente, agrupadas em três
categorias: lineares, intrinsecamente lineares e in
trinsecamente não lineares. As equações lineares são
normalmente ajustadas por regressão linear simples
ou múltipla. Equações intrinsecamente lineares po-
dem ser linearizadas com o uso de transformações a-
propriadas. As equações intrinsecamente não linea-
res são aquelas que normalmente não podem ou não de
vem ser linearizadas para ajuste. No estudo quanti-
tativo do crescimento é comum a aplicação de funções
como: complementar, Gompertz, logística, Richards a
outras funções intrinsecamente não lineares. Para es
tas funções as formas de linearização logarítmicas
causam, eventualmente, estimativas absurdas dos pa-
râmetros. Nas funções mencionadas, as formas linea-
rizadas geram obrigatoriamente uma estimativa de as
sintota superior à de qualquer um dos dados coleta-
dos, mesmo que hajam erros de amostragem. Discute-
se, neste trabalho, a aplicação de métodos numéricos
para a solução de diversas equações não lineares. Um
método “simplex” é descrito para o ajuste das equa-
ções com até quatro parâmetros. O algoritmo imple-
mentado na linguagem BASIC pode ser modificado para
casos que envolvem maior número de parâmetros, per-
mite mudanças no critério de ajustes, adição de con
dições no ajuste, ou mesmo o ajuste de parâmetros
desconhecidos em equações diferenciais.
Termos para Indexação: análise de crescimento.
FITTING NON-LINEAR GROWTH FUNCTIONS
ABSTRACT - Several equations can be used for quantitati-
ve study of plant or animal growth. These functions
can be classified into three categories: linear, in
trinsically linear and intrinsically non-linear. The
linear equations are usually adjusted through simple
or multiple linear regression techniques. The in-
trinsically linear ones can be linearized by using
appropriated transformations. Intrinsically non-
linear equations, on the other hand, cannot be linear
ized by any transformation. For plant growth analysis
the use of non-linear functions such as complementar,
Gompertz, logistic, Richards is common. For these
functions there are no logarithmic forms for linear
ization. However, they are not meant to stabilize
variance. In addition, those linearization techniques
usually yiels poor estimates of the parameters, and
always force the asymptotic maximum to be larger than
any of the collected data. The use of numerical
methods for adjusting non-linear equations is dis-
cussed. A “simplex” method for adjusting non-linear
equations with up four parameters is also presented.
The algorithm, implemented in BASIC, can be extended
to more than four parameters, allows changes in the
adjustment criteria, addition of conditions and can
be used to adjust unknown parameters of differential
equations.
Index Terms: growth analysis.
1 que o erro experimental ou desvio (E),
Aceito para publicação em 04/05/88.
2
Eng. Agr., Ph.D., EMBRAPA/Centro Nacional de Pes-
quisa de Hortaliças. C. P. 07-218, CEP 70.359, Bra-
sília, Df.
Usualmente, dados experimentais são ob-
tidos de forma descontínua e apresentam er
ros. Assim, o ajuste de funções contínuas
no domínio real, muitas vezes, tem inte-
resse no estudo da dinâmica do crescimen-
to de plantas e animais. Um série de mo-
delos matemáticos apresentados na litera-
tura (Tabela 1) têm sido de grande utili-
dade na interpretação de dados de cresci-
mento. O critério mais popular de ajuste
das funções matemáticas é a estimativa dos
parâmetros através da técnica de minimiza
ção da soma dos quadrados dos desvio. Con
tudo, pode-se mencionar outros critérios,
como a minimização da soma dos módulos dos
desvios (Draper & Smith, 1981) e a maximi-
zação da probabilidade dos parâmetros
(Draper & Smith 1981; Causton & Venus 1984);
Hoffmann & Vieira 1983).
Funções lineares simples, múltiplas e po
linomiais, são as mais conhecidas. Entre-
tando, a maioria dos fenômenos reais, se-
jam eles físicos, químicos ou biológicos,
é melhor representada por outras expres-
sões. Estas, por sua vez, podem ser sepa-
radas em dois grupos: funções intrinseca-
mente lineares (Eq. 1), que podem ser li-
nearizadas por transformação, e intrinse-
camente não lineares (Eq. 2), as quais não
são linearizávies por transformação (Dra-
per & Smith 1981; Hoffmann & Vieira 1983).
w = bexp (kt+E) (Eq. 1)
w = bexp (kt) + E (Eq. 2)
Observa-se que as Eqs. 1 e 2 são dois
tratamentos estatísticos distintos para u
ma função exponencial. Na Eq. 1 assume-se
é multiplicativo. Assim, a linearização po
de ser feita pela aplicação de logarítmo,
reduzindo o problema a um simples caso de

9
10 CALBO et al.

regressão linear (Ln w =Ln b + kt + E). Na Eq.
2, entretanto, o erro é aditivo e, conse-
quentemente, logarítmo ou qualquer outra
transformação não podem ser aplicados pa-
ra linearizar a função. Na prática, a es-
colha de um desses tratamentos requer ex-
periência preliminar ou um estudo da dis-
tribuição dos desvios. O melhor tratamen-
to estatístico será aquele que produzir
desvios de w distribuídos normalmente em
função de t (Draper & Smith 1981).
O objetivo principal deste trabalho é a
aplicação de métodos numéricos para o ajus
te de algumas funções não lineares de cres
cimento. As limitações de algumas formas
tradicionais de linearização e de ajustes
por critérios arbitrários são discutidas.
TEORIA
1. Desenvolvimento matemático
Assumindo-se que o ajuste não linear da
Eq. 2 seja o mais apropriado, o critério

TABELA 1. Algumas funções para ajuste de curvas de crescimento (w) no tempo (t).

Nome Equação Linearização Referências

Exponencial w=bekt Lnw=Lnb+kt 3,6,18
Gompertz w=aexp(-bexp-kt) LnLn(a/w)=Lnb-kt 2,6,12
Complementar LnLn(1/(1-w/A))=Lnb-kt
a Gompertz w=a(1-exp(-bexp-kt)) 12
Logística w=a/(1+bexp-kt) Ln((a-w)/w)-Lnb-kt 2,6,12
Hipérbole
retangular w=at/(k+t) l/w=k/at+1/a 11
Hoerl w=atbekt Lnw=Lna+bLnt+kt 10
Hoerl mo-
dificada * w=a(t+c)bekt Lnw=Lna+bLn(t+c)+kt -
Jens w=a+bt+exp(k+k1t) 4
Monomolecular w=a(1-bexp-kt) Ln((a-w)-Lnb-kt 6,17,27
Parábola mo-
dificada w=a0+a1tn+a2t2n m 1
Polinômio w=at+bt2+ct3...+k w=at1+bt2+ctc...+ k -
Polinômio
2 3
exponencial w=e(at+bt +ct ...+k) Lnw=at1+bt2+ct3...+k 6
Potência
de tempo w=btk Lnw=Lnb+kLnt 17
Potência de tem-
po modificada w=b(t+c)k Lnw=Lnb+kLn(t+c) -
Richards w=a1-m-Be-kt 1/(1-m) Ln 1-(w/a)1-m =Ln(aB)-kt 5,17
*
A introdução do parâmetro c na E q . d e Hoerl modificada, aqui sugerida com base em
Richards (169), visa não somente a obtenção de melhor ajuste mas, principalmente me
lhorar a forma de sua derivada em relação ao tempo para uso nas estimativas de taxa
de crescimento relativo e taxa assimilatória líquida.
**
Referências: 1. Adams & Hill (1983); 2. B e r g e r ( 1 9 8 1 ) ; 3 . Blackman (1919);
4 . Catherine (1982); 5. C a u s t o n ( 1 9 6 9 ) ; 6 . Causton & Ve n u s ( 1 9 8 1 ) ; 1 0 . D r a p e r &
Smith (1981); 11. F i s h e r ( 1 9 2 1 ) ; 1 2 . F r e i t a s e t a l . ( 1 9 8 4 ) ; 17. Richerds (1959);
18. Richards (1979).

Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.

 AJUSTE DE FUNÇÕES NÃO LINEARES
(1969)
O ajuste não linear de funções submeti-
das a transformações para estabilizar a va
riância segue procedimento semelhante ao
ajuste não linear com erro aditivo. Entre
tanto, um incoveniente do uso de trans-
formações é que as estatísticas obtidas
(por exemplo: intervalos de confiança da
função ou dos parâmetros), só se aplicam
às funções transformadas. Uma outra forma
de tratar dados com variância instável (he
terocedastícia) envolve uso de quadrados
mínimos com ponderação (Causton & Venus
1983; Draper & Smith 1981; Hoffmann & Viei
ra 1983). Neste caso, o inverso da variân
cia dos dados individuais ou de grupos de
dados é utilizado como fator de pondera-
ção (Pi).
∑n
Q= P i (w i - f(t i )) 2 (Eq. 7)
1=1
O critério dos quadrados mínimos com pon
deração é útil quando os pontos têm repe-
tição ou permitem agrupamentos para esti-
mativa da variância. Outra aplicação de im
portância biológica deste critério ocorre
nos casos em que a variância é proporcio-
nal ao tempo ou ao quadrado do tempo, pois
neste casos o inverso do tempo ou do tem
po ao quadrado é utilizado como fator de
ponderação (Hoffmann & Vieira 1983). A es
timativa dos parâmetros é feita de manei-
ra similar à aplicação de quadrados míni-
mos sem ponderação.
APLICAÇÕES
No sentido de colocar em prática as con-
siderações teóricas expostas, discute-se.
nesta seção, aplicações de métodos numéri-
cos para ajustes de algumas funções conti
das na Tabela 1.
O uso do critério dos quadrados mínimos
para as funções exponencial, Jens, Micha-
elis-Menten, monomolecular e potência do
tempo com erro aditivo, gera funções com-
plicadas de um só parâmetro. Para a solu-
ção de tais problemas, Chambers (1973) su
gere a utilização de métodos quasi-Newto-
nianos. Neste sentido, a técnica da semen
Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.
11
te é particularmente interessante, pois é
um desenvolvimento do método de Newton,
com a vantagem de não exigir derivações
das funções (Hornbeck 1975; Stark 1979).
Isto permite também o desenvolvimento de
um algorítmo, em que uma mesma sub-rotina
pode ser utilizada para ajustar parâme-
tros de diferentes equações.
Para funções cujos sistema de equações
normais não permitem a substituição em um
único parâmetro, pode-se utilizar a técni
ca dos reticulados decrescentes, que é uma
modificação do método “simplex” menciona-
do por Chambers (1973). A Fig. 1 mostra u
ma busca típica de parâmetros, ajustados
a partir de estimativas preliminares, com
o uso da técnica dos reticulados decres-
centes. Os valores das estimativas preli-
minares dos parâmetros estão anotados nos
respectivos eixos coordenados. As formas
de linearização apresentadas na Tabela 1.
podem ser utilizadas para a obtenção des-
tas estimativas preliminares.
FIG. 1. Gráficos típicos obtidos com a
técnica dos reticulados decrescentes. Os va
lores nos eixos coordenados correspondem a
estimativas preliminares dos parâmetros.
Na linha inferior estão as derivadas par-
ciais do critério de convergência Q em re
lação aos parâmetros A,B,C. Quando todas
as derivadas são menores que 0,005, o grá
fico desaparece e surgem os valores dos pa
râmetros ajustados.
12
dos quadrados mínimos (Q) pode ser aplica
do, fazendo-se:
Q = E 2 = ∑n [w i - bexp(kt i )] 2 (Eq. 3)
i=1
Na Eq. 3, w i e t i são dados experimen-
tais, enquanto que b e k são os parâme-
tros que se deseja estimar. O índice i in
dica o modo discreto em que os dados expe
rimentais são normalmente obtidos. Apli-
cando-se a teoria dos máximos e mínimos,
deriva-se a Eq. 3 em relação a b(Eq. 4) e
em relação a k (Eq. 5). As derivadas par-
ciais da soma dos quadrados dos desvios,
igualadas a zero, são denominadas equações
normais.
0 = ∑n
i=1
exp(kt i )(w i - bexp(kt i )) (Eq. 4)
0 = ∑n t exp(kt i )(w i - bexp(kt i )) (Eq. 5)
i-1 i
Substituindo b de Eq. 4 em Eq. 5
n cedimento, usualmente , não é necessário e
0 = ∑n t iw i exp(kti) - [ > (w i exp(kti )/
i=1 i=1
n n
> exp(kt i )]> t i exp(2kt i ) (Eq. 6)
i=1 i=1
A Eq. 6 pode ser resolvida utilizando-
se métodos numéricos tais como método de
Newton, bissecção, secante, etc. (Causton
& Venus 1984; Hornbeck 1975; Stark 1978).
O valor obtido para k é então substituído
na Eq. 4 ou na Eq. 5, para a obtenção de
b. Similarmente, as funções dos tipos: po
tência do tempo, Michaelis-Menten, Jens e
monomolecular (Mitcherlitch), da Tabela 1,
com termo de erro aditivo, podem ser ajus
tadas usando também a técnica de substitu
ição de variáveis no sistema de equações
normais.
As funções logística, Gompertz, comple-
mentar, potência do tempo modificada, Hoerl
e Richards (Tabela 1) também tratadas com
erro aditivo, são mais complexas, visto
que não permitem facilmente a utilização
da técnica de substituição dos parâmetros.
Para estas ou outras funções não lineares
o Apêndice A apresenta um programa de com
putador escrito na linguagem BASIC que per
mite o ajuste de qualquer função não li-
near com até quatro parâmetros, bastando
para isto definir no início do programa a
função que se deseja ajustar. O algorítmo
Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.
CALBO et al.
pode ser generalizado para um número maior
de parâmetros, caso seja necessário; por
isso não são aqui discutidas funções não
lineares com mais de quatro parâmetros.
2. Considerações estatísticas
Fisher (1921) utilizou-se da lineariza-
ção do logarítmo para ajustar a curva ex-
ponencial a dados de crescimento, assumin
do erro do tipo multiplicativo (Eq. 1). Es
ta transformação é conveniente para a es-
tabilização da variância de distribuições
nas quais o erro é proporcional à média
(Draper & Smith 1981). Estes mesmos auto-
res apresentam ainda uma fórmula geral pa
ra definir o tipo de transformação quando
se conhece, ou quando se achou, empirica-
mente, que a função representativa da dis
tribuição dos erros segue qualquer função
particular. Contudo, indicam que este pro
nem sempre possível.
Em plantas e órgãos em crescimento, a va
riância comumente é proporcional à média
(Causton & Venus 1981), fazendo com que,
nesses casos, o uso de logarítmo seja uma
transformação eficiente. Causton & Venus
(1981), inclusive, sugerem que dados de
análise de crescimento devam ser sempre
transformados por aplicação de logarítmo,
antes de serem analisados. Convém também
salientar que as formas de linearização pa
ra as funções de Gompertz, complementar,
logística e Richards, apresentadas na Ta-
bela 1, envolvem algumas operações algé
bricas antes da aplicação de logarítmo. Es
tas formas de linearização comumente cita
das (Causton & Venus 1981; Curi et al. 1985;
Richards 1969) têm limitações. Primeiro,
estas equações linearizadas não são defi-
nidas quando qualquer dado experimental
possui valor superior à assintota a. Se-
gundo, aquelas linearizações não são trans
formações que objetivam estabilizar a va-
riância. No Apêndice B são apresentadas
conformações gráficas típicas de algumas
funções de crescimento. Aspectos relati-
vos às propriedades matemáticas destas di
ferentes funções podem ser obtidos nos tra
balhos de Causton & Venus (1981) e Richards
 AJUSTE DE FUNÇÕES NÃO LINEARES
Os reticulados (Fig. 1) são construídos
adicionando-se os incrementos ADA(L), ADB
(J), ADC(M) e ADD(S) às estimativas atua-
is dos parâmetros AOT, BOT, COT, DOT, li
nhas 980 a 1090. Numa interação após ava-
liação de Q em todas as nove intercepções
do reticulado de 3 x 3, o ponto de menor Q
é selecionado (linhas 1110 a 1250), bem co
mo os incrementos dos parâmetros que gera
ram esta estimativa melhorada. Antes da
construção de um novo reticulado, de pos-
se da direção ótima na última interação,
testa-se primeiro se a adição dos últimos
incrementos escolhidos às estimativas atu
alizadas dos parâmetros reduz Q. Em caso
positivo, os parâmetros são novamente atu
alizados (linhas 1270 e 1300). Caso a adi
ção dos acréscimos da interação anterior
não reduza Q, a segunda opção é adicionar
apenas os incrementos relativos em duas di
reções particulares de cada vez (linhas
1310 a 1360). Obtendo-se sucesso, os parâ
metros são novamente atualizados. Se a ten
tativa anterior não foi bem sucedida, adi
cionam-se os incrementos escolhidos de ca
da parâmetro particular (linhas 1370 - 1470)
à sua última estimativa; se assim a adi-
ção gerar um menor valor numérico de Q, os
parâmetros são novamente atualizados. No
caso oposto contrói-se um novo reticulado
um pouco menor (FA=0,92) ao redor da úl-
tima estimativa dos parâmetros.
Esse processo é repetido até que as de-
rivadas parciais em relação a cada um dos
parâmetros sejam numericamente desprezí-
veis. Utilizou-se das derivadas parciais
numéricas de Q como critério de convergên
cia. Esta escolha garante a generalidade
do algorítmo para uso com diferentes fun-
ções. Assumiu-se convergência quando a de
rivada parcial em relação a cada parâme-
tro foi menor que 0,005 (DE1, DE2, DE3 e
DE4, nas linhas 1390, 1410, 1430 e 1450).
O usuário pode mudar este limite de con-
vergência caso considere necessário.
Para aumentar a probabilidade de conver
gência, as estimativas iniciais dos parâ-
metros A2, B2, C2, D2, utilizadas para de
terminar a magnitude dos incrementos, são
Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.
13
atualizadas três vezes por uma média pon-
derada entre o módulo da estimativa inici
al e o módulo do parâmetro atualizado (li
nhas 1810 e 1830).
Além disso, toda vez que a adição de in
crementos a direções particulares reduz Q,
a atenuação deste parâmetro (IA, IB, IC e
ID) é multiplicada por 1,075 (linhas 1370
a 1470), o que aumenta o comprimento do re
ticulado nesta direção. Outro artifício u
tilizado para melhorar a convergência é a
mudança cíclica no formato dos reticula-
dos, induzida pela rotação dos valores nu
méricos contidos em U, U1, U2 e U3 (linhas
920-970). A técnica dos reticulados de-
crescentes, apesar de convergir lentamen-
te, é simples, pode ser generalizada para
um número maior de dimensões e convergiu
em todas as funções testadas.
O ajuste de qualquer função não linear,
com até quatro parâmetros, pode ser feito
definindo-se a função desejada na linha 40
utilizando-se a notação X para a variável
dependente e A, B, C e D como denomina-
ções válidas dos parâmetros. A formulação
apresentada é geral e aplica-se em dife-
rentes áreas de estudo. Durante o uso des
ta técnica pode-se imaginar que a cada in
teração constrói-se, ao redor da última es
timativa melhorada dos parâmetros, um po-
liedro, num hiperespaço de quatro dimen-
sões, contendo um ponto próximo ao centro.
O fator de atenuação ou relaxamento ( Pa-
tankar 1981) dos incrementos dados aos pa
râmetros que têm grande influência na so-
ma dos quadrados dos desvios, pode ser al
terado, variando-se os valores de IA, IB,
IC e ID de 1 para outro valor desejado, na
linha 900. Para algumas funções poder-se-
ia usar atenuações diferentes para cada um
dos parâmetros. Note-se que mesmo sem uti
lizar atenuações diferenciadas, conseguiu
se convergência em todas as funções testa
das até o momento.
O critério da soma dos quadrados míni-
mos para o ajuste, está definido na linha
1500. Pode-se, também, utilizar outros cri
térios de ajuste, como aqueles previamen-
14
te discutidos, introduzindo-se as modifi-
cações necessárias naquela linha. Adicio-
nalmente pode-se fazer ajustes especiais,
adicionando-se condições específicas na
sub-rotina que aplica o critério de ajus-
te. Como exemplo, considere o ajuste da fun
ção.
FNL(X) = A/(X - B) + C*(X-D)
Esta função possui quatro parâmetros, A,
B, C e D, onde - A/(X - B) é o componente os
mótico do potencial da água e C *(X-D) é
o turgor ou pressão de parede. Se num te-
cido parenquimatoso com células de paredes
finas, a pressão de parede não assume valo
res negativos, pode-se satisfazer esta con
dição fazendo C = 0 sempre que o teor rela
tivo de água, X, for menor do que D. A sub
rotina de “critério de ajuste” poderia ser
ligeiramente modificada conforme é mostra
do a seguir:
1490 SUM1= 0: FOR I=1 TO N: CVELHO=C IF X(
I) <D THEN C=0
1500 Z(I)=FNL(X(I)) : SUM1=SUM1+ (Y(I) = Z(I))2
1510 C=CVELHO:NEXT I:C=CVELHO:RETURN
Note-se que CVELHO é uma variável para
armazenar C, sempre que êle não for 0, por
definição.
Como exemplos adicionais de uso de con-
dições durante o ajuste, pode-se mencio-
nar que as temperaturas nas quais ocorrem
mudanças de estado nas membranas ou alte-
rações na estrutura quaternária de enzi-
mas, em plantas sensíveis ao esfriamento,
podem ser determinadas utilizando-se da e-
quação de Arrhenius e um tratamento envol
vendo condições que também podem ser defi
nidas na sub-rotina de “critério de ajus-
te”.
A técnica dos reticulados decrescentes,
pode ser empregada não só para o ajuste de
funções matemáticas, mas também como fer-
ramenta auxiliar no uso de equações dife-
renciais com parâmetros de magnitude des-
conhecida. Neste caso a solução das equa-
ções diferenciais é feita numa sub-rotina
que utiliza técnicas especializadas , como
Crank-Nickolson (Patankar 1981 ). Os dados
obtidos na simulação são então comparados
Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.
CALBO et al.
com os dados experimentais, por um crité-
rio de ajuste como a minimização da soma
dos quadrados dos desvios. Neste caso, a
sub-rotina de “critério de ajuste pode
ser modificada como segue:
1490 SUM1 = 0:FOR I=1 TO N
1495 GOSUB XXXX: OBTENÇÃO DOS VALORES SI-
MULADOS [Z(I)] PARA CADA X (I).
1500 SUM1 = SUM1 + (Y(I) - Z(I) ^ 2
1510 NEXT I : RETURN
O algorítmo descrito converge lentamen-
te e pode gastar cerca de um minuto para
funções de dois parâmetros e até mais de
uma hora em funções de quatro parâmetros,
num IBM PC ou similar de 4.7Mhz. sem pro
cessador numérico. Sugere-se por isso que
o programa (RD4D.BAS) seja compilado, sem
pre que uma nova função ou modificação se
ja introduzida. Reduz-se, assim, o tempo
de convergência em cerca de 10 vezes; ca-
so disponha de processador numérico, a ve
locidade aumenta mais ainda. Cópias deste
algorítmo podem ser obtidas através do pri
meiro autor, mediante a remessa de um dis
quete de 5 1 / 4 polegadas, de dupla face e
dupla densidade, juntamente com as despe-
sas de remessa pelo correio.
REFERÊNCIAS
ADAMS, C.J. & HILLS, F.F. A power parabola for an
asymetrical response. Agron. J., 69:124-5, 1977.
BERGER, R.D. Comparison of the Gompertz and logist
ic equations to describe plant diseases. Phyto-
pathology, 71(7):716-19, 1981.
BLACKMAN, G.E. The compound interest law and plant
growth. Ann. Bot., 33:353-60, 1919.
CATHERINA, S.B. Bayesian approach for a nonlinear
growth model. Biometrics, 38:953-61, 1982.
CAUSTON, D.R. A computer program for fitting the
Richards function. Biometrics, 25:401-08, 1969.
CAUSTON, D.R. & VENUS, J.C. The biometry of plant
growth. London, Edward Arnold, 1981, 307p.
CHAMBERS, J.M. Fitting nonlinear models: numerical
techniques. Biometrica, 60(1):2-13, 1973.
CURI, P.R.; NUNES, J.R.V. & CURI, M.A. Modelos ma-
temáticos para estimar o peso de coelhos. Pesq.
Agropec. Bras., 20(7):853-63, 1985.
DANIEL, C. & GORMAN, J. W. Fitting equations to data
computer analysis of multifactor data. New York,
John Wiley, 1980, 458p.
DRAPER, N. & SMITH, H. Applied regression analysis.
Jonh Wilwy, NewYork, 1981. 709p.
FISHER, R. Some remarks on the methods formulated
in a recent article on the quantitative analysis
of plant growth. Ann. Appl. Biol., 7:367-72, 1921.
 AJUSTE DE FUNÇÕES NÃO LINEARES 15
APÊNDICE A. Programa para ajuste de funções não lineares com até quatro parâmetros.
10 ‘DEFINAAFUNÇÃOQUEQUISERCOMATÉ4PARÂMETROSNALINHA30.A,B,EeD 840 IFCOT<>0THENLOCATE1,43:PRINT“EstimativadeC”:LOCATE12,43:PRINTCOT
20 SÃOOSNOMESVÁLIDOSPARAOSPARÂMETROS.DSÓÉUTILIZADOEMFUNÇÕESDE 850 LINE(482,152)-(482,148):LINE(167,152)-(167,148)
25 ‘4PARÂMETROS,CPODESERUTILIZADOEMFUNÇÕESDE3e4PARÂMETROS. 860 IFBOT<>0THENLOCATE22,16:PRINT“EstimativadeB”:LOCATE21,20:PRINTBOT
30 DEFFNL(X)=A*(1-EXP(B*EXP(-C*X))) 870 IFDOT<>0THENLOCATE22,57:PRINT“EstimativadeD”:LOCATE21,60:PRINTDOT
40 CLS:PRINT:PRINT:PRINT 880 ‘APLICAÇÕESSUCESSIVASDERETICULADOSEACRÉSCIMOSDECRESCENTES
50 INPUT“NÚMERODEPARÂMETROSDAFUNÇÃOQUEVOCÊDEFINIUNALINHA30’’;PAR 890 IA=IA*.05:IB=IB*.05:IC=IC*.05:ID=ID*.05:NC=0:NT=0:AAA=0:FA=.92
60 DIMX(100),Y(100)),TRY(3,3,3,3):AA=0:N=0:COR=0:P=0:U=1:U1.5:U2=1:U3=1,5 900 IA=IA*FA:IB=IB*FA:IC=IC*FA:ID=ID*FA:A1=AOT:B1=BOT:C1=COT:D1=DOT
70 DIMADB(3),ADA(3),ADC(3),ADD(3):CLS 910 IFMA=1THENMA=0:GOTO1270
80 ‘====>> INTRODUÇÃODOSDADOS 920 SWAPU,UI:SWAPU1,U2:SWAPU2,U3
90 PRINT“PARADIGITARDADOSPRESSIONEreturn.CASOQUEIRAUTILIZARARQUIVO 930 ‘CRIAÇÃODOSINCREMENTOSPARAAVALIARQNORETICULADO
100 INPUT“CONTENDOCOLUNASDEDADOSSEPARADASPORVÍRGULAENTREn”;B$ 940 FORJ=1TO3
110 INPUT“NOMEDOARQUIVO=>“;A$ 950 ADA(J)=A2-((1-IA)+(J-1)*IA*U)*A2;ADB(J)=B2-((1-IB)+(J-1)*IB*U1)*B2
120 ‘====>>LEITURA/DE/ARQUIVOS 960 ADC(J)=C2-((1-IC)+(J-1)*IC*U2)*C2:ADD(J)=D2-((1-ID)+(J-1)*ID*U3)*D2
130 INPUT“ENTRENÚMERODECOLUNASDOARQUIVO=>“;NC 970 NEXTJ
140 IFB$=“n”,ORB$=“N”THEN150ELSE250 980 ‘ADIÇÃODOSINCREMENTOSEAVALIAÇÃODEQ(TRY(L,J,M,S))
150 INPUT“NÚMERODACOLUNACOMOSDADOSDEX=>“;C1 990 S=1:M=1
160 INPUT“NÚMERODACOLUNACOMOSDADOSDEY=>“;C2 1000FORL=1TO3:FORJ=1TO3
170 IFC1>C2THENMARCA=1:SWAPC1,C2 1010IFPAR<3THENGOTO1050
180 OPEN“i”,≠1,A$:J=1 1020FORM=1TO3
190 WHILENOTEOF(1):FORI=1TOC1-1:INPUT≠1,QQ:NEXTI:INPUT≠1,Y(j) 1030IFPAR<4THENGOTO1050
200 FORI=C1+1TOC2-1:INPUT≠1,QQ:NEXTI:INPUT≠1,X(j) 1040FORS=1TO3
210 FORI=C2+1TONC:INPUT≠1,QQ:NEXTI:J=J+1:WEND 1050A=ADA(L)+AOT:B=ADB(J)+BOT:C=ADC(M)+COT:D=ADD(S)+DOT
220 IFMARCA=1THENMARCA=0ELSEFORI=1TOJ-1:SWAPY(I),X(I):NEXTI 1060GOSUB1480:TRY(L,J,M,S)=SUM1
230 PRINT“Y “,”X”:FORI=1TOJ-1:PRINTY(I),X(I):NEXTI 1070IFPAR>3THENNEXTS
240 N=J-1:INPUT“ENTREreturnPARAPROSEGUIR”;TECLA$:GOTO660 1080IFPAR>2THENNEXTM
250 ‘====>> INTRODUÇÃODEDADOSEMARQUIVO 1090NEXTJ:NEXTL
260 PRINT:PRINT“TOMENOTADOQUESIGNIFICAMOSDADOSCOLOCADOSEMCADACOLUNA 1100‘SEPARAÇÃODOMÍNIMO(TRY<10Λ38)OUMÁXIMO(TRY>-10Λ38)EARMAZENAMENTO
270 PRINT“PARAUSOPOSTERIOR,VOCÊVAIPRECISARINDICAROSNÚMEROSDAS 1110‘DOSINCREMENTOSNASDIVERSASDIREÇÕES
280 PRINT“COLUNASNASQUAISSEENCONTRAMOSDADOSNOARQUIVOCRIADO.”:PRINT 1120SL=10Λ38:MA=1
290 PRINT“DIGITEAPENASFIMCOMLETRAMAIÚSCULAPARATERMINARAINTRODUÇÃO 1130FORL=1TO3:FORJ=1TO3
300 PRINT“DEDADOSNOARQUIVO.”:PRINT 1140IFPAR<3THENGOTO1180
310 OPEN“O”, ≠1,A$ 1150FORM=1TO3
320 LINEINPUT“=>“;LINHA$:’ LOOPDELEITURA 1160IFPAR<4THENGOTO1180
330 WHILEMID$(LINHA$,1,1)=““:LINHA$=MID$(LINHAS,2):WEND 1170FORS=1TO3
340 IFLEFT$(LINHA$,3)=“FIM”THEN650 1180IFTRY(L,J,M,S)<SLTHENAOT=ADA(L)+A1:S3=L
350 IFLINHA$<>“”THEN370 1190IFTRY(L,J,M,S)<SLTHENBOT=ADB(J)+B1:ME=J
360 PRINT“ERRO.Linhaembranco???”:PRINT““:GOTO320 1200IFPAR<3THENGOTO1220ELSEIFTRY(L,J,M,S)<SLTHENCOT=ADC(M)+C1:J3=M
370 WHILERIGHT$(LINHA$,1)=““:LINHA$=LEFT$(LINHA$,LEN(LINHA$)-1):WEND 1210IFPAR<4THENGOTO1220ELSEIFTRY(L,J,M,S)<SLTHENDOT=ADD(S)+D1:L3=5
380 N=0:‘ CONTARONUMERODEDADOSDIGITADOS 1220IFTRY(L,J,M,S)<SLTHENSL=TRY(L,J,M,S)
390 I=INSTR(LINHA$,”“) 1230IFPAR>3THENNEXTS
400 WHILEI>0:N=N+1:I=I+1 1240IFPAR>2THENNEXTM
410 WHILEMID$(LINHA$,I,1)=““:I=I+1:WEND 1250NEXTJ:NEXTL
420 I=INSTR(I,LINHA$,““):WEND 1260IFMA=1THEN1600
430 N=N+1:’ NÚMERODEDADOSDIGITADOS 1270‘TESTEPARAVERIFICARSEADIREÇÃODAITERAÇÃOANTERIOR
440 IFNC=NTHEN460 1280‘AINDAREDUZQ.EMCASOPOSITIVOAUTALIZAROSPARÂMETROS
450 PRINT“ERRO.Númerodedadosdiferentede”;NC:PRINT:GOTO320 1290A=A1+ADA(S3):B=B1+ADB(M3):C=C1+ADC(J3):D=D1+ADD(L3):GOSUB1480
460 N=1:’ VERIFICARSETODOSOSDADOSSÃONÚMEROS 1300GOSUB1520:IFLI=1THENLI=0:GOTO1290
470 WHILEN(=LEN(LINHA$) 1310‘TESTEPARAVERIFICARSEAADIÇÃODEAPENASDOISDOSINCREMENTOS
480 X$=MID$(LINHA$,N,1) 1320‘AOSPARÂMETROSNAITERAÇÃOANTERIORREDUZQ.
490 IFX$<>““THEN530 1330A=A1+2*(U-1)*ADA(S3):B=B1+2*(U1-1)*ADB(M3):C=C1+2*(U2-1)*ADC(J3)
500 PONTO=0: IFNOTBRANCOTHEN520 1335D=D1+2*(U3-1)*ADD(L3):GOSUB1480:GOSUB1520
510 LINHA$=LEFT$(LINHA$,N-1)+MID$(LINHA$,N+1):GOTO600 1340IFLI=1THENLI=0:GOTO1330
520 BRANCO=-1:GOTO590 1350A=A1+2*(1.5-U)*ADA(S3):B=B1+2*(1.5-U1)*ADB(M3)
530 BRANCO=0 1355C=C1+2*(1.5-U2)*ADC(J3):D=D1+2*(1.5-U3)*ADD(L3):GOSUB1480:GOSUB1520
540 IFX$<>“.”THEN570 1360IFLI=1THENLI=0:GOTO1350
550 PONTO=-1 1370‘TESTEPARAVERIFICARSEAADIÇÃODEAPENASINCREMENTOEMCADA
560 GOTO590 1380‘DIREÇÃOINDIVIDUALREDUZQ.
570 IFINSTR(“.-1234567890”,X$)>0THEN590 1390A=A1+ADA(S3):B=B1:C=C1:D=D1:GOSUB1480:GOSUB1520
580 PRINT“ERRO.Caracterestranhonalinha.”:PRINT:GOTO320 1400IFLI=1THENLI=0:ADA(S3)=1.075*ADA(S3):IA=IA*1.075:GOTO1390
590 N=N+1 1410A=A1:B=B1+ADB(M3):C=C1:D=D1:GOSUB1480:GOSUB1520
600 WEND 1420IFLI=1THENLI=0:ADB(M3)=1.M75*ADB(M3):IB=IB*1.075:GOTO1410
610 ‘ GRAVAÇÃODOSDADOS 1430A=A1:B=B1:C=C1+ADC(J3):D=D1:GOSUB1480:GOSUB1520
620 FORI=1TONC-1:N=INSTR(LINHA$,”“) 1440IFLI=1THENLI=0:ADC(J3)=1.075*ADC(J3):IC=IC*1.075:GOTO1430
630 MID$(LINHA$,N,1)=“,”:NEXTI 1450A=A1:B=B1:C=C1:D=D1+ADD(L3):GOSUB1480;GOSUB1520
640 PRINT≠1,LINHA$:GOTO320 1460IFLI=1THENLI=0:ADD(L3)=1.075*ADD(L3):ID=ID*1.075:GOTO1450
650 CLOSE:GOTO150 1470MA=0:GOTO900
660 CLS:PRINT“TÉCNICADOSRETICULADOSDECOMPRIMENTODECRESCENTES.” 1480‘CRITÉRIODEAJUSTE+LOCALDEADIÇÃORESTRIÇÕES(senecessário)
670 INPUT“ENTREESTIMATIVAPRELIMINARDEA:”,AOT:AO=AOT*2 1490SUM1=0:FORI=1TON
680 IFA0=0THENA0=1:P=P+1 1500Z(I)=FNL(X(I)):SUM1=SUM1+(Y(I)-Z(I))Λ2
690 INPUT“ENTREESTIMATIVAPRELIMINARDEB:”,BOT:BO=BOT*2 1510NEXTI:RETURN
700 IFB0=0THENB0=1:P=P+1 1520‘COMPARAÇÃOSLESUM1PARAATUALIZAROUNÃOOSVALORESPARÂMETROS
710 INPUT“ENTREESTIMATIVAPRELIMINARDEC:”,COT:CO=COT*2 1530IFSUM1<SLTHENAOT=A:BOT=B:COT=C:DOT=D:SL=SUM1:LI=1:MA=1
720 IFC0=0THENC0=1:P=P+1 1540IFLI=0THEN1580
730 INPUT“ENTREESTIMATIVAPRELIMINARDED:”,DOT:D0=DOT*2 1550LINE(65+204*B/B0,150-118.4*A1/A0)-(65+204*BOT/B0,150-118.4*AOT/AO)
740 IFD0=0THEND0=1:P=P+1 1560LINE(380+204*D1/D-,150-118.4*C1/C0)-(380+204*DOT/D0,150-118.4*COT/CO)
750 A2=AOT:B2=BOT:C2=COT:D2=DOT:IA=1:IB=1:IC=1:ID=1 1570A1=AOT:B1=BOT:C1=COT:D1=DOT
760 “DESENHODOSEIXOSCORRESPONDENTESAOSPARÂMETROS 1580RETURN
770 KEYOFF:CLS:SCREEN2 1590‘GRÁFICOPARAVISUALIZAROPREGRESSODOAJUSTEDURANTEASITERAÇÕES
780 LINE(65,2)-320,2):LINE(65,2)-(65,150):LINE(65,150)-(320,150) 1600FORI=1TO3:B(I)=BOT+ADB(I):A(I)=AOT+ADA(I)
790 LINE(320,2)-320,150) 1610C(I)=COT+ADC(I):D(I)=DOT+ADD(I):NEXTI
800 LINE(380,2)-(635,2):LINE(380,2):LINE(380,150)-(635,150) 1620FORI=1TO3FORJ=1TO3
810 LINE(635,2)-(635,150) 1630LINE(65+204*B(I)/B0,150-118.4*A(I)/A0)-(65+204*B(I)/B0,150-118.4*A(J)/A0)
820 LINE(379,90,8)-(382,90,8):LINE(64,90,8)-(67,90,8) 1640LINE(380+204*D(I)/D0,150-118.4*C(I)/C0)-380+204*D(I)/D0,150.4*C(J)/C0)
830 IFAOT<>0THENLOCATE1,4:PRINT“EstimativadeA”:LOCATE12,2:PRINTAOT 1650LINE(65+204*B(J)/B0,150-118.4*A(J)/A0)-(65+204*B(I)/B0,150-118.4*A(J)/A0)

Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.

 CALBO et al

1660LINE(380+204*D(J)/D0,150-118.4*C(J)/C0)-(380+204*D(I)/D0,150-118.4*C(J)/C0) 1840IFNT>40THEN1930ELSEFIIT$=“OK”THEN1860
1670NEXTJ:NEXTI 1850RETURN
1680NC=NC+1:Q=SL 1860CLS:PRINT:PRINT:“ASDERIVADASPARCIAISDEQCONVERGIRAM..
1690IFNC=5THENNC=0:NT=NT+1:GOSUB1720 1870PRINT:PRINT“ESTESSÃOOSPARÂMETROSESTIMADOS:”:PRINT
1700IFIT$=“NOTOK”THENGOTO1970 1880IFAOT<>0THENPRINT“A=“;AOT
1710GOTO900 1890IFBOT<>0THENPRINT“B=“;BOT
1720‘ TESTEDECONVERGÊNCIA 1900IFCOT<>0THENPRINT“C=“;COT
1730DE1=ABS((TRY(3,1,1,1))-TRY(1,1,1,1)/(ADA(3)-ADA(1))):LOCATE23,2:PRINTUSING“≠≠≠.≠≠≠≠“;DE1:IF 1910IFDOT<>0THENPRINT“D=“;DOT
DE1<.005THEN1740ELSE1810 1920GOTO1970
1740IFPAR<3THEN1760 1930CLS:PRINT
1750DE3=ABS((TRY(1,1,3,1)-TRY(1,1,1,1))/(ADC(3)-ADC(1))):LOCATE23,17:PRINTUSING“≠≠≠.≠≠≠≠“;DE3:IF 1940PRINT“Nãohouveconvergência.Osvaloresabaixopodemserutilizados
DE3<.005THEN1760ELSE1810 1950PRINT“comoestimaivasmelhoradasparainiciarumanovaiteração..”
1760IFB=0THEN1780 1960PRINT:PRINT“A<>“;AOT,”B<>“;BOT,”C<>“;COT,”D<>“;DOT
1770DE2=ABS((TRY(1,3,1,1)-TRY(1,1,1,1))/(ADB(3)-ADB(1))):LOCATE23,32:PRINTUSING“≠≠≠.≠≠≠≠“;DE2:IF 1970‘ CÁLCULODER2
DE2<.005THEN1780ELSE1810 1980SMEDW=0:FORJ=1TON:SMEDW=SMEDW+Y(J):NEXTJ
1780IFPAR<4THEN1800 1990SMEDW=SMEDW/N:SDE=0
1790DE4=ABS((TRY(1,1,1,3)-TRY(1,1,1,1))/(ADD(3)-ADD(1))):LOCATE23,47:PRINTUSING“≠≠≠.≠≠≠≠“;DE4:IF 2000FORJ=1TON:SDE=SDE+(Z(J)-SMEDW)∧2:NEXTJ:RR2=SDE/SDR
DE4<.005THEN1800ELSE1810 2010FORJ=1TON:SDR=SDER+(Y(J)-SMEDW)∧2:NEXTJ:RR2=SDE/SDR
1800IT$=“OK“ 2020PRINT“COEFICIENTEDEDETERMINAÇÃODOMODELO=>“;RR2
1810IFNT=6ORNT=12ORNT=18THEN1820ELSE1840 2030PRINT“”:PRINT“SQTOTAL==>“;SDR,”SQRESÍDUO==>“;(SDR-SDE)
1820A2=(ABS(A2)+8*ABS(AOT)/9:B2=(ABS(B2)+8*ABS(BOT))/9 2040PRINT“SQDESVIOS=“;Q
1830C2=(ABS(C2)+8*ABS(COT))/9:D2=(ABS(D2)+8*ABS(DOT))/9 2050INPUT“ENTRERETURNPARATERMINAR”,R

Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.

16 CALBO et al.

FREITAS, A.R.; ALBINO, L.F.T. FILHO, T.M. & ROSSO,
Modelos de curvas de crescimento em frangos de cor
te. Pesq. Agropec. Bras., 19:1057-64, 1984.
GUIMARÃES, P.G & CASTRO, L.H.R. Análise de funções
de crescimento. Brasília, EMBRAPA-CPAC, 1986-21p.
HOFFMAN, R. & VIEIRA, S. Análise de regressão; uma
introdução à econometria. São Paulo, Hucitec, 1983
379p.
HORNBECK, R.W. Numerical methods. Englewood Cliffs,
Prentice-Hall, 1975. 310p.
PATANKAR, S. V. Numerical heat transfer and fluid
flow. Series in computational methods in mechanics
and thermal sciences. MacGraw-Hill-Hemisphere, New
York, 1981, 197p.
RICHARDS, F.J. A flexible growth function for empi
rical use. J. Exp. Bot., 10:290-300, 1959.
RICHARDS, F.J. The quantitative analysis of growth.
In: STEWARD, F.C.(ed). Plant physiology; a treat
ise. New York, Academoc Press, 1969. p.3-76
STARK, P.A. Introdução aos métodos numéricos. Trad
J.B.P. Carvalho, Rio de Janeiro, Interciência, 1979
338p.

Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.

 AJUSTE DE FUNÇÕES NÃO LINEARES 17

APÊNDICE B. Conformações gráficas típicas de algumas funções de crescimento.

Rev. Bras. Fisiol. Vegetal, Vol. 1, 1989.