Este trabalho trata de modelos de regressão quantílica. Foi feita uma introdução a essa classe de modelos para motivar a discussão. Em seguida, conceitos inferenciais, como estimação, intervalos de confiança, testes de hipóteses para os parâmetros são discutidos, acompanhados de alguns estudos de simulação. Para analisar a qualidade do ajuste, são apresentados o coeficiente de determinação e um teste de falta de ajuste para modelos de regressão quantílica. Também é proposta a utilização de gráficos para análise da qualidade do ajuste considerando a distribuição Laplace Assimétrica. Uma aplicação utilizando um banco de dados com informação sobre renda no Brasil foi utilizado para exemplificar os tópicos discutidos durante o texto. / This work is about quantile regression models. An introduction was made to this class of models to motivate the discussion. Then, inferential concepts, like estimation, confidence intervals, tests of hypothesis for the parameters are discussed, followed by some simulation studies. To analyse goodness of fit, a coefficient of determination and a lack-of-fit test for quantile regression models are presented. Its also proposed the use of graphs for the goodness of fit analysis considering the Asymmetric Laplace Distribution. An application using a data base with information about income in Brazil was used to exemplify the topics discussed during the text.

Este trabalho trata de modelos de regressão quantílica. Foi feita uma introdução a essa classe de modelos para motivar a discussão. Em seguida, conceitos inferenciais, como estimação, intervalos de confiança, testes de hipóteses para os parâmetros são discutidos, acompanhados de alguns estudos de simulação. Para analisar a qualidade do ajuste, são apresentados o coeficiente de determinação e um teste de falta de ajuste para modelos de regressão quantílica. Também é proposta a utilização de gráficos para análise da qualidade do ajuste considerando a distribuição Laplace Assimétrica. Uma aplicação utilizando um banco de dados com informação sobre renda no Brasil foi utilizado para exemplificar os tópicos discutidos durante o texto. / This work is about quantile regression models. An introduction was made to this class of models to motivate the discussion. Then, inferential concepts, like estimation, confidence intervals, tests of hypothesis for the parameters are discussed, followed by some simulation studies. To analyse goodness of fit, a coefficient of determination and a lack-of-fit test for quantile regression models are presented. Its also proposed the use of graphs for the goodness of fit analysis considering the Asymmetric Laplace Distribution. An application using a data base with information about income in Brazil was used to exemplify the topics discussed during the text.

Made available in DSpace on 2015-03-26T13:32:09Z (GMT). No. of bitstreams: 1 texto completo.pdf: 1306121 bytes, checksum: a37665a647e350c65a7c8f5fa7dc4f7b (MD5) Previous issue date: 2010-02-24 / In the analysis of problems in which the response variable of interest is influenced by many factors and whose goal is to optimize, it's it intended to use designs for the response surface. One of the highlights is the central composite design (CCD), which is a randomized second-order and may have characteristics of rotational and / or orthogonality. These designs are simple, economical, promising and very flexible. These are consisted of factorial points, axial and central. This way, using simulation data, the objective was to investigate, by means of simulation data, the effects of axial points and the number of central points on the quality of fitting of the area response surfaces obtained through this design for two factors studied, when the great is well centered or not in the intervals studied, trying to indicate more appropriated analysis strategies in different cases. For this purpose, the full factorial was used as a witness. For the two factors study, we established a complete 9x9 factorial design with nine replicates per treatment, according to a completely randomized design, it also has been established two responses areas one with a critical point near the midpoint and the other with a critical point away from central. Defined the values of the axial points (α) equal to 1; 1,4142; 2 and 3 and the number of repetitions at the central point equal to 1, 3, 6 and 9. The 16 CCDs observations were obtained from the first repetition of the respective treatments (factorial points, axial and central) contained in the full factorial. For different simulations, it was determined the coefficients of variation equal to 5, 10, 20 and 30%. Five simulations were done by variation coefficient and response surface, totaling 640 data files. To evaluate the of approximation degree of the response surface adjusted, compared to the real one, was used as a measure, the absolute difference between the values of true and estimated coefficients (Δβi) and the absolute difference related to critical points (ac and bc) from the responses surfaces (Δac and Δbc) in relation to the factors A and B, and to measure the fit degree of each response surface, we used the mean absolute percentage error (EPMA) and the linear correlation coefficient between the fitted values and true Y (rŷyv). However, different values of α provided better estimates of the measures evaluated and, as α = 1,4142 is closer to them all, it was concluded that this value is probably among the best for treatment planning. The value of α = 1,4142, which has the property rotatability and the increase in number of repetitions at the central point provided the best fit response surface, however, the residual variance increase is not good for this estimates. Therefore, the conclusion is that the rotational CCD must be recommended for experiments under more controlled conditions, and compared with the full factorial had low efficient. In addition, the CCD presented similar results for the two surfaces of simulated responses. / Na análise de problemas nos quais a variável resposta de interesse é influenciada por diversos fatores e cujo objetivo é otimizá-la, propõe-se utilizar delineamentos para superfície de resposta. Dentre eles, destaca-se o Delineamento Composto Central (DCC), que é um delineamento de segunda ordem, podendo apresentar características de rotacionalidade e/ou ortogonalidade. Tais delineamentos são simples, econômicos, promissores e bastante flexíveis. Estes são constituídos de pontos fatoriais, axiais e central. Deste modo, o objetivo deste trabalho foi de investigar, por meio da simulação de dados, os efeitos dos pontos axiais e do número de pontos centrais sobre a qualidade dos ajustes das superfícies de reposta obtidas, por meio desse delineamento para dois fatores estudados, quando a região ótima está ou não bem centralizada nos intervalos estudados, buscando assim, indicar estratégias de análises mais adequadas em diferentes casos. Para tanto, utilizou-se como testemunha, o fatorial completo. Para o estudo de dois fatores, foi estabelecido um fatorial completo 9x9 com nove repetições por tratamento, segundo o delineamento inteiramente casualizado, estabeleceu-se também duas superfícies de respostas, uma com ponto crítico próximo ao ponto central e a outra com ponto crítico afastado do ponto central. Definiu-se os valores dos pontos axiais (α) iguais a 1; 1,4142; 2 e 3 e do número de repetições no ponto central iguais a 1, 3, 6 e 9. As observações dos 16 DCCs, foram obtidas a partir da primeira repetição dos respectivos tratamentos (pontos fatoriais, axiais e central) contidos no fatorial completo. Para as diferentes simulações, foi especificado os coeficientes de variação iguais a 5, 10, 20 e 30%. Realizou-se cinco simulações por coeficiente de variação e por superfície de resposta, totalizando 640 arquivos de dados. Para avaliação do grau de aproximação da superfície de resposta ajustada, em relação à verdadeira, utilizou-se como medida a diferença absoluta entre os valores dos coeficientes verdadeiros e estimados (Δβi) e a diferença absoluta relacionada aos pontos críticos (ac e bc) das superfícies de respostas (Δac e Δbc) em relação aos fatores A e B, e para medir o grau de ajuste de cada superfície de resposta utilizou-se o erro percentual médio absoluto (EPMA) e o coeficiente de correlação linear entre os valores ajustados e verdadeiros de Y ( rŷyv ). Contudo, diferentes valores de α proporcionaram melhores estimativas das medidas avaliadas e, como α = 1,4142 está mais próxima de todas elas, concluiu-se que esse valor está, provavelmente entre os melhores para o planejamento dos tratamentos. O valor de α = 1,4142, que possui a propriedade de rotacionalidade, e o aumento do número de repetições no ponto central proporcionou melhor ajuste da superfície de resposta, porém, o aumento da variância residual prejudicou tais estimativas. Portanto, conclui-se que o DCC rotacional deve ser recomendado para experimentos sob condições mais controladas, e quando comparado com o fatorial completo apresentou-se menos eficiente. Além disso, o DCC apresentou resultados similares para as duas superfícies de respostas simuladas.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-07-26T12:10:38Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertação_final_cd_TT.pdf: 4588819 bytes, checksum: 5127176322bfc06990cbd3eaa1fc5687 (MD5) / Made available in DSpace on 2016-07-26T12:10:38Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) dissertação_final_cd_TT.pdf: 4588819 bytes, checksum: 5127176322bfc06990cbd3eaa1fc5687 (MD5) Previous issue date: 2016-02-12 / CAPEs / A classe de modelos de regressão beta introduzida por Ferrari & Cribari-Neto (2004) é muito útil para modelar taxas e proporções. O modelo proposto pelos autores é baseado na suposição de que a variável resposta tem distribuição beta com uma parametrização que é indexada pela média e por um parâmetro de precisão. Após a construção de um modelo de regressão é de extrema importância realizar a análise de diagnóstico, objetivando verificar possíveis afastamentos das suposições feitas para o modelo apresentado, bem como detectar possíveis observações que causem influência desproporcional nas estimativas dos parâmetros. A análise de influência local introduzida por Cook (1986) é uma abordagem que objetiva avaliar a influência das observações. Com base no método de influência local, Zhu & Zhang (2004) propuseram um teste de hipóteses para detectar o grau de discrepância entre o modelo suposto e o modelo subjacente do qual dos dados são gerados. Nesse trabalho, foi densenvolvido esse teste para o modelo de regressão beta com dispersão fixa e variável, como também, foram propostos um melhoramento nesse teste baseados na metodologia bootstrap e um novo teste, também com base em influência local, mas considerando outro esquema de perturbação, a perturbação no parâmetro de precisão no modelo de regressão beta com dispersão fixa. O desempenho desses testes foram avaliados com base no tamanho e poder. Por fim, aplicamos a teoria desenvolvida a um conjunto de dados reais. / The class of beta regression models introduced by Ferrari & Cribari-Neto (2004) is very useful for modelling rates and proportions. The proposed model by the authors is based on the assumption that the response variable is beta distributed with indexed by mean and dispersion parameters. After fitting a regression model is very important to carry out the diagnostic analysis in sense that, verifying possible deviations of the model assumptions, as well as detect possible observations that cause disproportionate influence on the parameter estimates. The local influence analysis introduced by Cook (1986) is an approach that objective assess the influence of observations. Based on local influence method, Zhu & Zhang (2004) proposed a hypothesis test to detect the degree of discrepancy between the supposed model and the underlying model from which the data is generated. In this work, was developed this test for the beta regression model with fixed and varying dispersion, as well as, we proposed in addition, an improvement of this test based on bootstrap methodology and a new test, also based on local influence, but considering other perturbation scheme, the perturbation of the precision parameter in beta regression model with fixed dispersion. The performance of these tests were evaluated based on size and power. Finally, we applied the theory developed to a set of real data.

O Modelo de Equações Estruturais (MEE) é habitualmente ajustado para realizar uma análise confirmatória sobre as conjecturas de um pesquisador acerca do relacionamento entre as variáveis observadas e latentes de algum estudo. Na prática, a maneira mais recorrente de avaliar a qualidade das estimativas de um MEE é a partir de medidas que buscam mensurar o quanto a usual matriz de covariâncias clássicas ou ordinárias se distancia da matriz de covariâncias do modelo ajustado, ou a magnitude do afastamento entre as funções de discrepância do modelo hipotético e do modelo saturado. Entretanto, elas podem não captar problemas no ajuste quando há muitos parâmetros a estimar ou bastantes observações. A fim de detectar irregularidades no ajustamento resultantes do impacto provocado pela presença de outliers no conjunto de dados, este trabalho contemplou alguns indicadores conhecidos na literatura, como também considerou alterações no Índice da Qualidade do Ajuste (ou GFI, de Goodness-of-Fit Index) e no Índice Corrigido da Qualidade do Ajuste (ou AGFI, de Ajusted Goodness-of-Fit Index), ambos nas expressões para estimação de parâmetros pelo método de Máxima Verossimilhança, que consistiram em substituir a tradicional matriz de covariâncias pelas matrizes de covariâncias computadas com os seguintes estimadores: Elipsoide de Volume Mínimo, Covariância de Determinante Mínimo, S, MM e Gnanadesikan-Kettenring Ortogonalizado (GKO). Através de estudos de simulação sobre perturbações de desvio de simetria e excesso de curtose, em baixa e alta frações de contaminação, em diferentes tamanhos de amostra e quantidades de variáveis observadas afetadas, foi possível constatar que as propostas de modificação do GFI e do AGFI adaptadas pelo estimador GKO foram as únicas que conseguiram ser informativas em todas essas situações, devendo-se escolher a primeira ou a segunda respectivamente quando a quantidade de parâmetros a serem estimados é baixa ou elevada. / The Structural Equation Model (SEM) is usually set to perform a confirmatory analysis on the assumptions of a researcher about the relationship between the observed variables and the latent variables of such a study. In practice, the most iterant way of evaluating the quality of the estimates of a SEM comes either from procedures of measuring how distant the usual classic or ordinary covariance matrix is from the covariance matrix of the adjusted model, or from the magnitude of the hiatus in discrepancy functions of both the hypothetical model and the saturated model. Nevertheless, they may fail to capture problems in the adjustment in the occurrence of either several parameters to estimate or several observations. This study included indicators known in the literature in order to detect irregularities in the adjustment resulting from the impact caused by the presence of outliers in the data set. This study has also considered changes in both the Goodness-of-Fit Index (GFI) and the Adjusted Goodness-of-Fit Index (AGFI) in the expressions for parameter estimation by Maximum Likelihood method, which consisted in replacing the traditional covariance matrix by the robust covariance matrices computed through the following estimators: Minimum Volume Ellipsoid, Minimum Covariance Determinant, S, MM and Orthogonalized Gnanadesikan-Kettenring (OGK). Through simulation studies on disturbances of both symmetry deviations and excess kurtosis in both low and high fractions of contamination in different sample sizes and quantities of affected observed variables it has become clear that the proposals of modification of both the GFI and the AGFI adapted by the OGK estimator were the only ones able to be informative in all these situations. It must be considered that GFI or AGFI must be used when the number of parameters to be estimated is either low or high, respectively.

O Modelo de Equações Estruturais (MEE) é habitualmente ajustado para realizar uma análise confirmatória sobre as conjecturas de um pesquisador acerca do relacionamento entre as variáveis observadas e latentes de algum estudo. Na prática, a maneira mais recorrente de avaliar a qualidade das estimativas de um MEE é a partir de medidas que buscam mensurar o quanto a usual matriz de covariâncias clássicas ou ordinárias se distancia da matriz de covariâncias do modelo ajustado, ou a magnitude do afastamento entre as funções de discrepância do modelo hipotético e do modelo saturado. Entretanto, elas podem não captar problemas no ajuste quando há muitos parâmetros a estimar ou bastantes observações. A fim de detectar irregularidades no ajustamento resultantes do impacto provocado pela presença de outliers no conjunto de dados, este trabalho contemplou alguns indicadores conhecidos na literatura, como também considerou alterações no Índice da Qualidade do Ajuste (ou GFI, de Goodness-of-Fit Index) e no Índice Corrigido da Qualidade do Ajuste (ou AGFI, de Ajusted Goodness-of-Fit Index), ambos nas expressões para estimação de parâmetros pelo método de Máxima Verossimilhança, que consistiram em substituir a tradicional matriz de covariâncias pelas matrizes de covariâncias computadas com os seguintes estimadores: Elipsoide de Volume Mínimo, Covariância de Determinante Mínimo, S, MM e Gnanadesikan-Kettenring Ortogonalizado (GKO). Através de estudos de simulação sobre perturbações de desvio de simetria e excesso de curtose, em baixa e alta frações de contaminação, em diferentes tamanhos de amostra e quantidades de variáveis observadas afetadas, foi possível constatar que as propostas de modificação do GFI e do AGFI adaptadas pelo estimador GKO foram as únicas que conseguiram ser informativas em todas essas situações, devendo-se escolher a primeira ou a segunda respectivamente quando a quantidade de parâmetros a serem estimados é baixa ou elevada. / The Structural Equation Model (SEM) is usually set to perform a confirmatory analysis on the assumptions of a researcher about the relationship between the observed variables and the latent variables of such a study. In practice, the most iterant way of evaluating the quality of the estimates of a SEM comes either from procedures of measuring how distant the usual classic or ordinary covariance matrix is from the covariance matrix of the adjusted model, or from the magnitude of the hiatus in discrepancy functions of both the hypothetical model and the saturated model. Nevertheless, they may fail to capture problems in the adjustment in the occurrence of either several parameters to estimate or several observations. This study included indicators known in the literature in order to detect irregularities in the adjustment resulting from the impact caused by the presence of outliers in the data set. This study has also considered changes in both the Goodness-of-Fit Index (GFI) and the Adjusted Goodness-of-Fit Index (AGFI) in the expressions for parameter estimation by Maximum Likelihood method, which consisted in replacing the traditional covariance matrix by the robust covariance matrices computed through the following estimators: Minimum Volume Ellipsoid, Minimum Covariance Determinant, S, MM and Orthogonalized Gnanadesikan-Kettenring (OGK). Through simulation studies on disturbances of both symmetry deviations and excess kurtosis in both low and high fractions of contamination in different sample sizes and quantities of affected observed variables it has become clear that the proposals of modification of both the GFI and the AGFI adapted by the OGK estimator were the only ones able to be informative in all these situations. It must be considered that GFI or AGFI must be used when the number of parameters to be estimated is either low or high, respectively.

Data from insect studies may present different features. Univariate responses may be analyzed using generalized linear models (continuous and discrete data), survival models (time until event data), mixed effects models (longitudinal data), among other methods. These models may be used to analyse data from experiments which assess complex ecological processes, such as competition and predation. In that sense, computational tools are useful for researchers in several fields, e.g., insect biology and physiology, applied ecology and biological control. Using different datasets from entomology as motivation, as well as other types of datasets for illustration purposes, this work intended to develop new modelling frameworks and goodness-of-fit assessment tools. We propose accelerated failure rate mixed models with simultaneous location and scale modelling with regressors to analyse time-until-attack data from a choice test experiment. We use the exponential, Weibull and exponentiated-Weibull models, and assess goodness-of-fit using half-normal plots with simulation envelopes. These plots are the subject of an entire Chapter on an R package, called hnp, developed to implement them. We use datasets from different types of experiments to illustrate the use of these plots and the package. A bivariate extension to the N-mixture modelling framework is proposed to analyse longitudinal count data for two species from the same food web that may interact directly or indirectly, and example datasets from ecological studies are used. An advantage of this modelling framework is the computation of an asymmetric correlation coefficient, which may be used by ecologists to study the degree of association between species. The jointNmix R package was also developed to implement the estimation process for these models. Finally, we propose a goodness-of-fit assessment tool for bivariate models, analogous to the half-normal plot with a simulation envelope, and illustrate the approach with simulated data and insect competition data. This tool is also implemented in an R package, called bivrp. All software developed in this thesis is made available freely on the Comprehensive R Archive Network. / Dados provenientes de estudos com insetos podem apresentar características diferentes. Respostas univariadas podem ser analisadas utilizando-se modelos lineares generalizados (dados contínuos e discretos), modelos de análise de sobrevivência (dados de tempo até ocorrência de um evento), modelos de efeitos mistos (dados longitudinais), dentre outros métodos. Esses modelos podem ser usados para analisar dados provenientes de experimentos que avaliam processos ecológicos complexos, como competição e predação. Nesse sentido, ferramentas computacionais são úteis para pesquisadores em diversos campos, por exemplo, biologia e fisiologia de insetos, ecologia aplicada e controle biológico. Utilizando diferentes conjuntos de dados entomológicos como motivação, assim como outros tipos de dados para ilustrar os métodos, este trabalho teve como objetivos desenvolver novos modelos e ferramentas para avaliar a qualidade do ajuste. Foram propostos modelos de tempo de vida acelerado mistos, com modelagem simultânea dos parâmetros de locação e de escala com regressores, para analisar dados de tempo até ataque de um experimento que avaliou escolha de predadores. Foram utilizados modelos exponencial, Weibull e Weibull-exponenciado, e a qualidade do ajuste foi avaliada utilizando gráficos meio-normais com envelope de simulação. Esses gráficos são o assunto de um Capítulo inteiro sobre um pacote para o software R, chamado hnp, desenvolvido para implementá-los. Foram utilizados conjuntos de dados de diferentes tipos de experimentos para ilustrar o uso desses gráficos e do pacote. Uma extensão bivariada para os modelos chamados \"N-mixture\" foi proposta para analisar dados longitudinais de contagem para duas espécies pertencentes à mesma teia trófica, que podem interagir direta e indiretamente, e conjuntos de dados provenientes de estudos ecológicos são usados para ilustrar a abordagem. Uma vantagem dessa estratégica de modelagem é a obtenção de um coeficiente de correlação assimétrico, que pode ser utilizado por ecologistas para inferir acerca do grau de associação entre espécies. O pacote jointNmix foi desenvolvido para implemetar o processo de estimação para esses modelos. Finalmente, foi proposta uma ferramenta de avaliação de qualidade do ajuste para modelos bivariados, análoga ao gráfico meio-normal com envelope de simulação, e a metodologia _e ilustrada com dados simulados e dados de competição de insetos. Essa ferramenta está também implementada em um pacote para o R, chamado bivrp. Todo o software desenvolvido nesta tese está disponível, gratuitamente, na Comprehensive R Archive Network (CRAN).

Atualmente o Brasil é o quinto maior produtor de cacau no mundo e a sua produção está diretamente ligada ao ponto certo da colheita, colher frutos verdes ou verdoengos faz com que suas sementes tenham menor peso, em 1000 frutos maduros as amêndoas secas pesam em média 40 kg, colher frutos verdoengos, ou seja, frutos que estão parcialmente maduros, faz com que esse peso caia para 36 kg em média uma perda verificada de 10%, já quando os frutos estão verdes o peso passa a ser em média de 32 kg, possuindo uma perda de 20%, por isso é importante conhecer as fases de crescimento, que permite estabelecer formas adequadas de manejo, adubação e irrigação. Dentre as características biométricas do fruto do cacaueiro as que tem maior relevância econômica são o comprimento, o diâmetro e o volume. Uma forma de explicar relações de crescimento e produtividade de plantas, árvores, frutos ou animais é por meio da utilização de modelos de crescimento, pois possuem parâmetros com interpretação biológica. Os mais utilizados nestas áreas são os modelos: Logístico, Gompertz, Von Bertalanffy, Richards e Brody, sendo os dois últimos mais utilizados para descrever o crescimento animal. O objetivo do trabalho é avaliar a qualidade de ajuste e de predição dos modelos não lineares, Logístico, Gompertz e Von Bertalanffy, para medidas de comprimento e diâmetro do fruto do cacau, com a finalidade de predizer o seu volume. Para predizer o volume do fruto foi utilizado a fórmula de volume do esferoide prolato. Os critérios AIC e BIC foram utilizados para verificar qual dos modelos se ajusta melhor à essas medidas, já para verificar qual modelo se ajusta melhor na predição do volume do fruto, foram relacionadas as estatísticas: viés médio, índice de concordância, eficiência da modelagem e o desdobramento do quadrado médio do erro de predição. / Currently Brazil is the fifth largest producer of cocoa in the world and its production is directly linked to the right point of harvest, harvesting green or green fruits makes their seeds have less weight, in 1000 mature fruits dry almonds weight on average 40 kg, harvested green fruits, that is, fruits that are partially ripe, causes this weight to fall to 36 kg on average a verified loss of 10%, when the fruits are green the weight becomes an average of 32 kg, with a loss of 20%, so it is important to know the growth phases, which allows to establish appropriate forms of management, fertilization and irrigation. Among the biometric characteristics of the cacao fruit, the most economically important are length, diameter and volume. One way to explain growth and productivity relationships of plants, trees, fruits or animals is through the use of growth models, since they have parameters that with biological interpretation are the most used in these areas: Logistics, Gompertz, Von Bertalanffy, Richards and Brody, the last two being most used to describe animal growth. The objective of this work is to evaluate the quality of fit and prediction of the non linear models, Logistic, Gompertz and Von Bertalanffy, for measures of length and diameter of the fruit of the cocoa, in order to predict its volume. To predict the volume of the fruit, the volume formula of the prolate spheroid was used. The AIC and BIC criteria were used to verify which model best fits these measures, and to verify which model best fits the fruit volume prediction, the statistics were related: mean bias, concordance index, modeling efficiency, and the unfolding of the mean square of the prediction error.

Made available in DSpace on 2015-03-26T13:32:10Z (GMT). No. of bitstreams: 1 texto completo.pdf: 888452 bytes, checksum: 8d80ca0e2b7ce975cc072fb5b159da92 (MD5) Previous issue date: 2011-02-14 / Fundação de Amparo a Pesquisa do Estado de Minas Gerais / This study aims to verify the effect of restrictions in the data set as the minimum number of weighings per animal on the nonlinear models parameters estimation of growth curves for sheep crossed. It was used data on average weight for age and individual weight for age of 74 crossbred, from the Texel and Santa Inês cross grown in the northeastern region in order to estimate the growth curves parameters. It was used seven data structures with restriction of at least 5, 6, 7, 8, 9 or 10 weights per animal and without restriction. Brody, von Bertalanffy, Logistic and Gompertz models were fitted to weight-age data. The quality of the models adjustment according to the restrictions on data was evaluated by the coefficient of determination (R2 aj), Mean prediction error (MPE) and Mean Square Residual (MSR). Usual diagnostic techniques, such as leverage points, aberrant points and influential measures were used to identify atypical points. All the structures presented estimates for mature weight, maturity index, instantaneous growth rate, relative instantaneous growth rate and inflection point very close and consistent to the ones presented by the literature. Once the values of R2 aj, EPM and QMR were close, it can be concluded that with or without restriction, the quality of fit was very similar, then the use of data with large variation in the number of weighings per animal (4-13) did not compromise the quality of the models adjustments. It can be concluded also that it is possible to obtain good fit, even for data set with few animals, since they present with a greater frequency. / O objetivo deste trabalho foi verificar o efeito de restrições no conjunto de dados quanto ao número mínimo de pesagens por animal sobre a estimação de parâmetros de modelos não-lineares de curvas de crescimento para ovinos cruzados. Utilizou-se dados de pesos médios por idade e pesos individuais por idade de 74 animais mestiços, do cruzamento Texel x Santa Inês criados na região nordeste para estimar os parâmetros das curvas de crescimento. Foram utilizadas 7 estruturas de dados com restrição de no mínimo 5, 6, 7, 8, 9 ou 10 pesagens por animal e sem restrição. Os modelos Brody, von Bertalanffy, Logístico e Gompertz foram ajustados aos dados de peso-idade. A qualidade de ajuste dos modelos em função da restrição nos dados foi avaliada pelo coeficiente de determinação ajustado (R2 aj), Erro de Predição Médio (EPM) e o Quadrado Médio do Resíduo (QMR). Técnicas usuais de diagnóstico, como pontos de alavanca, pontos aberrantes e medidas influentes foram utilizadas para a identificação de pontos atípicos. Todas as estruturas de dados apresentaram estimativas para o peso adulto, taxa de maturidade, taxa de crescimento instantâneo, taxa de crescimento instantâneo relativo e ponto de inflexão muito próximos e condizentes com a literatura. Como os valores de R2 aj, EPM e QMR foram próximos, conclui-se que com ou sem restrição, a qualidade de ajuste foi muito similar. Portanto, a utilização de dados com grande variação no número de pesagens por animal (de 4 a 13 pesagens) não comprometeu a qualidade de ajuste dos modelos. Pode-se concluir, também, que é possível obter boa qualidade de ajuste mesmo para conjunto de dados com poucos animais, desde que estes apresentem maior freqüência de pesagens.

Atualmente o Brasil é o quinto maior produtor de cacau no mundo e a sua produção está diretamente ligada ao ponto certo da colheita, colher frutos verdes ou verdoengos faz com que suas sementes tenham menor peso, em 1000 frutos maduros as amêndoas secas pesam em média 40 kg, colher frutos verdoengos, ou seja, frutos que estão parcialmente maduros, faz com que esse peso caia para 36 kg em média uma perda verificada de 10%, já quando os frutos estão verdes o peso passa a ser em média de 32 kg, possuindo uma perda de 20%, por isso é importante conhecer as fases de crescimento, que permite estabelecer formas adequadas de manejo, adubação e irrigação. Dentre as características biométricas do fruto do cacaueiro as que tem maior relevância econômica são o comprimento, o diâmetro e o volume. Uma forma de explicar relações de crescimento e produtividade de plantas, árvores, frutos ou animais é por meio da utilização de modelos de crescimento, pois possuem parâmetros com interpretação biológica. Os mais utilizados nestas áreas são os modelos: Logístico, Gompertz, Von Bertalanffy, Richards e Brody, sendo os dois últimos mais utilizados para descrever o crescimento animal. O objetivo do trabalho é avaliar a qualidade de ajuste e de predição dos modelos não lineares, Logístico, Gompertz e Von Bertalanffy, para medidas de comprimento e diâmetro do fruto do cacau, com a finalidade de predizer o seu volume. Para predizer o volume do fruto foi utilizado a fórmula de volume do esferoide prolato. Os critérios AIC e BIC foram utilizados para verificar qual dos modelos se ajusta melhor à essas medidas, já para verificar qual modelo se ajusta melhor na predição do volume do fruto, foram relacionadas as estatísticas: viés médio, índice de concordância, eficiência da modelagem e o desdobramento do quadrado médio do erro de predição. / Currently Brazil is the fifth largest producer of cocoa in the world and its production is directly linked to the right point of harvest, harvesting green or green fruits makes their seeds have less weight, in 1000 mature fruits dry almonds weight on average 40 kg, harvested green fruits, that is, fruits that are partially ripe, causes this weight to fall to 36 kg on average a verified loss of 10%, when the fruits are green the weight becomes an average of 32 kg, with a loss of 20%, so it is important to know the growth phases, which allows to establish appropriate forms of management, fertilization and irrigation. Among the biometric characteristics of the cacao fruit, the most economically important are length, diameter and volume. One way to explain growth and productivity relationships of plants, trees, fruits or animals is through the use of growth models, since they have parameters that with biological interpretation are the most used in these areas: Logistics, Gompertz, Von Bertalanffy, Richards and Brody, the last two being most used to describe animal growth. The objective of this work is to evaluate the quality of fit and prediction of the non linear models, Logistic, Gompertz and Von Bertalanffy, for measures of length and diameter of the fruit of the cocoa, in order to predict its volume. To predict the volume of the fruit, the volume formula of the prolate spheroid was used. The AIC and BIC criteria were used to verify which model best fits these measures, and to verify which model best fits the fruit volume prediction, the statistics were related: mean bias, concordance index, modeling efficiency, and the unfolding of the mean square of the prediction error.