Submitted by Cibele Nogueira (cibelenogueira@ufgd.edu.br) on 2016-04-28T18:29:46Z No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) SILVANIZAMACHADO.pdf: 856398 bytes, checksum: 24b40d3291de46504cb667751caf6435 (MD5) / Made available in DSpace on 2016-04-28T18:29:46Z (GMT). No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) SILVANIZAMACHADO.pdf: 856398 bytes, checksum: 24b40d3291de46504cb667751caf6435 (MD5) Previous issue date: 2013-08-21 / The aim of this study was to investigate the effect of pre-slaughter handling and transport management on the occurrence of PSE (Pale, Soft and Exudative) meat based on a database of pigs slaughtered in a commercial slaughterhouse located in the region of greater Dourados, MS, Brazil. For that purpose, two evaluation strategies were adopted. The first refers to the application of Integrated Multivariate Analysis in 1,832 carcasses, and the second to the application of Logistic Regression in 854 selected carcasses. For the first study, nine variables were considered which may affect pork quality and, of these, seven are related to pre-slaughter handling. The purpose was to identify which ones of the variables evaluated were the most relevant for the qualitative carcass study. Thus, by means of the Principal Component Analysis, it was seen that the first five components explained 89.28% of total variance. The second study had the purpose of certifying the effect of transportation and environment on the probable risk of occurrence of PSE meat. Therefore, eight variables were considered, adopting pH45 as the dependent variable and the others as explanatory variables: carcass temperature, environment, time of shipment, trip conditions, distance between the farm and the slaughterhouse, average speed during transportation and resting time in the slaughterhouse stalls. Thus, a logistic regression model was prepared in which the dependent variable was constructed by identification of PSE meat in swine carcasses with pH45 values less than or equal to 5.8. The maximum likelihood method for estimation of the parameters and the stepwise technique for selection of explanatory variables were applied to obtain the model with the greatest predictive capability. The model obtained presented predictive ability of 91.8%. / Este trabalho teve como objetivo investigar a influência do manejo pré-abate e das operações de transporte na incidência de carne PSE (Pale, Soft and Exudative), a partir de um banco de dados de suínos abatidos em um frigorifico comercial, localizado na região da grande Dourados-MS. Para tanto, adotou-se duas estratégias de avaliação, a primeira refere-se à aplicação de Análise Multivariada Integrada, em 1.832 carcaças e a segunda à aplicação de Regressão Logística Múltipla em 854 carcaças selecionadas. Para o primeiro estudo foram consideradas nove variáveis que podem influenciar a qualidade da carne suína, sendo que destas, sete estão relacionadas ao manejo pré-abate. A finalidade foi identificar quais das variáveis avaliadas eram mais relevantes para o estudo qualitativo da carcaça. Dessa forma, por meio da Análise de Componentes Principais, observou-se que as cinco primeiras componentes explicaram 89,28% da variância total. O segundo estudo, teve a finalidade de constatar a influência do transporte e da ambiência na probabilidade de risco de incidência de carne PSE, para tanto considerou-se oito variáveis, adotando o pH45 como variável dependente e as demais como variáveis explicativas: temperatura de carcaça, ambiência, tempo de embarque, viagem, distância entre a granja e o abatedouro, velocidade média durante o transporte e tempo de descanso nas baias do frigorífico. Assim, foi elaborado um modelo de regressão logística múltipla, em que a variável dependente foi construída pela identificação de carne PSE em carcaças de suínos com valores de pH45 inferior ou igual a 5,8. Para obtenção do modelo com maior capacidade de predição, aplicou-se o método de máxima verossimilhança para estimação de parâmetros e a técnica stepwise para seleção de variáveis explicativas. O modelo obtido apresentou capacidade de predição de 91,8%.