Ciências Agrárias

O café é uma das bebidas mais populares do mundo, com grande relevância para economia mundial e principalmente para a do Brasil. A pesquisa na cafeicultura tem possibilitado o desenvolvimento de novas tecnologias, variedades, redução dos custos de produção, melhor qualidade e maior produtividade. Determinar um tamanho ótimo para parcelas experimentais é de fundamental importância, no que diz respeito, ao maior aproveitamento e menor custo benefício para experimentos com mudas de café. Estimar o número de mudas para avaliação de tratamentos visa diminuir o erro experimental, maximizar a precisão das informações obtidas e até reduzir os recursos financeiros empregados. Neste trabalho, objetivou-se estimar o tamanho ótimo de parcelas para experimentos, onde é avaliado o desenvolvimento radicular de mudas de cafeeiro da cultivar Rubi MG 1192. Um ensaio de uniformidade com essa cultivar foi conduzido e a unidade básica foi definida como uma muda. Foram avaliadas a fitomassa radicular fresca e seca em gramas; e o comprimento radicular em centímetros. Após a simulação dos 14 tamanhos de parcela, através do agrupamento das unidades básicas adjacentes, foi estimado o coeficiente de variação médio para cada tamanho de parcela. Com base nessa estatística, foram estimados os índices de variabilidade radicular e o tamanho ótimo de parcela, utilizando dois modelos de regressão não linear: o método da máxima curvatura modificado e o modelo segmentado linear com platô de resposta, que estimaram tamanhos de parcela diferentes. O tamanho de parcela sugerido pelo método mais exigente para ensaios com mudas de café da cultivar Rubi MG 1192 foi estimado em 12 mudas.

A região Nordeste do Brasil, apesar de chover tanto quanto em muitas outras regiões do mundo, em particular na parte semiárida, é periodicamente
afetada pela ocorrência de secas com perdas parciais ou totais na agropecuária. Este fenômeno compromete o abastecimento de água devido principalmente à irregularidade da estação chuvosa na região, com predominância de chuvas intensas e de curta duração. O índice de severidade de seca de Palmer é um quantifcador importante desse fenômeno e para avaliar a existência de flutuações não-estacionárias e de correlações de longo alcance em uma série histórica deste índice, neste trabalho foi utilizado o método Detrend Fluctuation Analysis (DFA) para tendências polinomiais de graús 1 a 4, significativas à 1%, e visualização dos resultados de forma espacialmente contínua é apresentada usando técnica NURBS. A série se mostrou persistente e crescente em faixas a partir do estado de Sergipe até o Maranhão.

Muitas vezes o pesquisador tem interesse em saber se existe tendência em uma série temporal. Uma maneira de verificar essa tendência é através dos mínimos quadrados, mas nem sempre os dados apresentam os pressupostos para utilizar esta técnica. Quando os pressupostos não são atendidos, uma alternativa é verificar a tendência através do teste de aleatorização, que indica se existe ou não algum padrão nos os dados. Para rejeitar a hipótese nula usamos o p-valor que é calculado a partir da proporção de vezes que a estatística de teste após a aleatorização é maior que a estatística obtida com os dados originais. Se o p-valor for menor que o nível de significância, rejeita-se a hipótese nula. Para ilustrar este teste foi feito um experimento ao longo de um mês com o objetivo de verificar se existe tendência no crescimento da planta. Após 10.000 aleatorizações, verificou-se que p-valor=0,023, logo, rejeita-se a hipótese nula, portanto, existe tendência na série.

Muitas vezes o pesquisador está interessado em comparar médias ou a forma da distribuição de dois grupos. Uma maneira para compará-los seria aplicando testes paramétricos, tais como o Teste T ou Teste Z (no caso de duas amostras independentes) ou o Teste T pareado. Porém, tais testes apresentam certas exigências que freqüentemente podem não ser atendidas. Neste caso, é indicada a utilização de testes não paramétricos ou o teste de aleatorização. Este teste é baseado na suposição de que, se a hipótese nula é verdadeira, todas as possíveis ordens dos dados são igualmente prováveis. O teste de aleatorização é um procedimento em que se comparam valores de uma estatística observada para os dados no arranjo original com os valores desta estatística após a aleatorização das observações. A regra de decisão é baseada no p-valor - proporção de vezes em que a estatística de teste com os aleatorizados é maior ou igual a estatística de teste com os dados do arranjo original. Se o p-valor for menor que o nível de significância, rejeita-se Ho. É importante escolher adequadamente a estatística de teste e como neste estudo foram comparadas as médias de duas amostras independentes e pequenas e as exigências para o uso de testes paramétricos não foram atendidas, a estatística utilizada foi a do teste não paramétrico Wilcoxon-Mann-Whitney. Dentre as vantagens em se utilizar o teste de aleatorização, destaca-se o uso em amostras não aleatórias e/ou amostras pequenas, porém seu resultado não pode ser generalizado para a população. Observa-se ainda que o teste de aleatorização não apresenta tantas exigências quanto os métodos convencionais. Para ilustração deste teste foi utilizado um conjunto de dados de plantas de milho, em que as variáveis estudadas foram as alturas da plantas. Essas alturas foram medidas no vigésimo dia após sua germinação. Foram cultivadas quatro plantas à sombra e cinco ao sol e o objetivo foi verificar se o ambiente à sombra ou ao sol influencia em seu crescimento. Após a aplicação do teste de aleatorização considerando a estatística do teste de Wilcoxon-Mann-Whitney e 10.000 aleatorizações obteve-se p-valor=0,9666. Como este valor é maior que o nível de significância (alfa=0,05), então não há evidências suficientes para rejeitar Ho, ou seja, as amostras são provenientes da mesma população, o que equivale a afirmar que há evidencias de que o ambiente não influencia no crescimento das plantas.

Na interpretação dos resultados em estudos arqueométricos de cerâmicas arqueológicas, para classificar, estudar a similaridade/dissimilaridade, a proveniência das amostras e a tecnologia de produção são utilizados métodos estatísticos multivariados, tais como: análise de conglomerados (do inglês, cluster analysis), análise de componentes principais (do inglês, principals components), análise discriminantes do inglês, discriminant analysis), entre outros. Contudo, para que seja viável a utilização destas técnicas estatísticas se faz necessário que a matriz das amostras não possua valores discrepantes (do inglês, outliers) e que esteja completa, isto é, inexistência de valores faltantes (do inglês, missing values), para uma posterior análise dos dados completos (Stanimirova and Walczak, 2008).
Os objetivos deste trabalho são detectar os dados discrepantes univariados e tratá-los como faltantes utilizando um método de imputação para obtenção de valores plausíveis para sua substituição e avaliar em termos comparativos a quantidade de dados discrepantes univariados e multivariados antes e após a aplicação deste método de imputação.
Para este trabalho; foram utilizados dados de concentrações elementares de As, Ce, Cr, Eu, Fe, Hf, La, Na, Nd, Sc, Sm, Th e U determinadas por análise por ativação com neutrons instrumental em amostras de fragmentos cerâmicos de um sítio arqueológico; foi feito um estudo de detecção de dados discrepantes univariados aplicando o método de Box-Plot e um método de análise discrepantes multivariados utilizando o método da distancia de Mahalanobis antes e após aplicação do método de imputação por decomposição do valor singular.

O objetivo deste trabalho foi avaliar os métodos estatísticos de análise da interação de genótipos com ambientes (G x A), enfatizando a adaptabilidade e a estabilidade fenotípica. A variável estudada foi produção do melão do tipo Gália, testando 9 genótipos em 12 ambientes. O experimento foi conduzido no delineamento aleatorizado em blocos com 3 repetições, realizado no Pólo Agroindustrial Mossoró-Assu no Rio Grande do Norte. Como proposta, utilizou-se a metodologia MDS (Multidimensional Scaling) para verificar as similaridades e dissimilaridades entre os ambientes, através de uma matriz de distâncias, representando geometricamente os dados no espaço bidimensional (Biplot).

Ao escolher um modelo de regressão para descrever o comportamento de uma variável resposta de acordo com variáveis de controle, tem-se a opção de usar modelos polinomiais. Aumentando-se a ordem destes modelos, pode-se obter aproximações cada vez mais precisas da verdadeira função de regressão, geralmente não linear. Modelos não lineares de efeitos mistos é uma estensão dos modelos lineares de efeitos mistos, permitindo que a função de regressão não linear dependa dos efeitos fixos e aleatórios. Neste trabalho, utilizaram-se duas abordagens mistas, linear e não-linear, para modelar os dados de produção de matéria seca de cana-de-açúcar, provenientes de um experimento longitudinal. As duas abordagens forneceram bons ajustes, entretanto a não linear mostrou-se mais atraente, pois as estimativas dos seus parâmetros têm uma melhor interpretação, uma vez que sua derivada de primeira ordem é amplamente utilizada para a verificação do acumulo de matéria seca no período de interesse.

This research aimed to study the spatial dependence of the penetration resistance
of soil maps and evaluate conditional probabilities, finding a threshold resistance to root
penetration and emergence of seeds. The geostatistical techniques are important tool for precision agriculture, because their use can cheapen the costs of monitoring soil compaction and simultaneously generate predictive maps of high quality.

Em estudos agronômicos, a caracterização do solo é de grande importância, para prever produções, fertilidade e erosão. O objetivo deste trabalho foi utilizar a técnica de análise de componentes principais no intuito de reduzir a dimensionalidade dos dados que caracterizam o solo, eliminando as informações redundantes. Um conjunto de 6 variáveis respostas foi considerado inicialmente, que apresentou multicolinearidade e esta foi resolvida retirando-se a variável porcentagem de argila. A análise prosseguiu considerando apenas as variáveis: porcentagem de areia; porcentagem de silte; densidade da partícula; porosidade; e concentração de carbono orgânico. Com base nos resultados, concluiu-se que 50% das variáveis analisadas foram consideradas redundantes e que a dimensão dos dados pode ser reduzida a três por meio do método das componentes principais.

Mixed models have become important in analyzing the results of experiments, particularly those that require more complicated models such as those that involve longitudinal data. A method for deriving the terms in a mixed model, described by Brien and Demétrio (2009) will be presented. It extends the method described by Brien and Bailey (2006) to explicitly identify terms for which autocorrelation and smooth trend, arising from longitudinal observations, needs to be incorporated in the model. At the same time we retain the principle that the model used should include, at least, all the terms that are justified by the randomization. This is done by dividing the factors into sets, called tiers, based on the randomization and determining the nesting and crossing relationships between factors. To illustrate the method, a mixed model for the randomized complete block design with longitudinal observations is outlined. The mixed model analysis of data from a three-phase experiment to investigate the effect of time of refinement on Eucalyptus pulp from four different sources is also described. For this example, cubic smoothing splines are used to describe differences in the trend over time and unstructured covariance matrices between times are found to be justified.