Made available in DSpace on 2015-03-26T13:32:10Z (GMT). No. of bitstreams: 1 texto completo.pdf: 2151125 bytes, checksum: df70f0822304c46808ad20a926f92a61 (MD5) Previous issue date: 2011-02-10 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / The experimental unit, or plot, is the unit that receives a particular treatment and provides the data which will reflect its effect. Optimum plot size is directly related to experimental accuracy, since the appropriate size reduces the experimental error. The objectives of this study were to use the methods Linear Segmented Model with Response Plateau (MLRP), Quadratic Segmented Model with Response Plateau (MQRP), Exponential Segmented Model with Response Plateau (MERP) and the traditional Modified Maximum Curvature Method (MMCM) to determine the optimum size of experimental plots using real data of banana crop; compare the methods using the following goodness of fit indices: coefficient of determination (R2), Akaike information criterion (AIC) and Bayesian information criterion (BIC); and obtain confidence intervals for the optimum plot size. For the study, we used data from a blank experiment conducted in the municipality of Sebastiao Laranjeiras, Bahia, in two growing seasons (2006-2008), where the following traits were evaluated: plant height, pseudostem circumference, number of live leaves, number of suckers and yellow-Sigatoka score at flowering. At this evaluation, each plant was considered as a basic unit of 6 m2, totaling 240 basic units, whose combinations formed 19 different plot sizes. The results indicated that the estimates for plot sizes, in general, varied according to the evaluated characteristics, the production cycle and the used models. This variation corresponded to the range from 7 to 66 plants in the first cycle and 70 to 40 in the second cycle. The MERP model determined sizes for the basic units larger than the MQRP model, which, in turn, estimated larger sizes than the MLRP model. Based on the goodness of fit, the best model for the analyzed data was MERP, estimating a mean optimum plot size of 31 basic units. MLRP estimated mean optimum plot size of nine basic units and MQRP estimated a mean optimum plot size of 22 basic units. Statistically, the best model fitted was MERP, but for practical reasons, as itestimates larger optimum plot sizes, it may not be feasible for the researcher. The findings of this study indicate that the models MLRP, MQRP and MERP can be used to determine optimum plot size. Thus, we suggest the simultaneous use of more than one method fordetermining the optimum plot size, as it will meet the factors considered by each method and the needs of the researcher. / Unidade experimental, ou parcela, é a unidade que recebe a aplicação do tratamento e fornece os dados que deverão refletir o seu efeito. O tamanho ótimo de parcela experimental está diretamente relacionado com a precisão do experimento, uma vez que o tamanho apropriado reduz o erro experimental. Este trabalho teve como objetivos utilizar os métodos Modelo Linear Segmentado com Response Platô (MLRP), Modelo Segmentado Quadrático com Response Platô (MQRP), Modelo Segmentado Exponencial com Response Platô (MERP) e o tradicional Método da Máxima Curvatura Modificada (MMCM), para determinação do tamanho ótimo de parcelas experimentais empregando dados reais na cultura da bananeira; comparar os métodos utilizados através dos seguintes avaliadores de qualidade de ajuste: coeficiente de determinação (R2), critério de informação de Akaike (AIC) e critério de informação baysiano (BIC); e obter intervalos de confiança para o Tamanho Ótimo de Parcela. O material utilizado correspondeu a um experimento em branco que foi realizado no Município de Sebastião ix Laranjeiras, BA, onde foram avaliadas, em dois ciclos de produção (2006-2008), as características: altura da planta, perímetro do pseudocaule, número de folhas vivas, número de filhos emitidos e nota de sigatoka-amarela na época do florescimento. Nessa avaliação, cada planta foi julgada como uma unidade básica com área de 6 m2, perfazendo, assim, 240 unidades básicas, de cujas combinações foram formados os 19 diferentes tamanhos de parcelas. Os resultados indicaram que os valores das estimativas dos tamanhos de parcela obtidos, de forma geral, oscilaram de acordo com as características avaliadas, o ciclo de produção e os modelos utilizados. Tal oscilação correspondeu à variação de 7 a 66 plantas no primeiro ciclo e 7 a 40 no segundo. O método MERP determinou valores para as unidades básicas maiores que os do método MQRP, que por sua vez estimou valores maiores que os do método MLRP. De acordo com a qualidade de ajuste, o melhor modelo para os dados analisados foi o MERP, que estimou tamanho ótimo de parcela médio de 31 unidades básicas. O método MLRP indicou tamanho ótimo de parcela médio de nove unidades básicas e o método MQRP, tamanho ótimo de parcela médio de 22 unidades básicas. Estatisticamente, o melhor modelo seria o MERP, mas por razões de ordens práticas, uma vez que estima valores maiores para o tamanho ótimo de parcela, pode não ser viável para o pesquisador. Verificou-se que os métodos MLRP, MQRP e MERP podem ser utilizados na determinação do tamanho ótimo de parcelas experimentais. Assim, recomenda-se a utilização simultânea de mais de um método para determinação do tamanho ótimo da parcela, a fim de que o tamanho adotado atenda aos diversos fatores considerados em cada método e às necessidades do pesquisador.

With the increasing demand and interest in wind power worldwide, it is interesting to study the effects of running windfarms on the activity of reindeers and estimate the associated Zone of Influence (ZOI) relative to these disturbances. Through simulation, Hierarchical Likelihood (HL) and adaptive Lasso methods are used to estimate the ZOI of windfarms and catching the correct threshold at which the negative effect of the disturbances on the reindeer behaviour disappears. The results found some merit to the explanation that the negative effect may not disappear abruptly and more merit to the fact that a linear model was still a better choice than the smooth polynomial models used. A real-life data related to reindeer faecal pellet counts from an area in northern Sweden were windfarms were running were analyzed. The yearly time series data was divided into three periods : before construction, during construction and during operation of the windfarms. Logistic regression, segmented model, and HL methods were implemented for data analysis by using covariates as distance from wind turbine, vegetation type, the interaction between distance to wind turbine and time period. A significant breakpoint could be estimated using the segmented model at a distance of 2.8 km from running windfarm, after which the negative effects of the windfarm on the reindeer activity disappeared. However, further work is needed for estimation of ZOI using HL method and considering other possible factors causing disturbances to the reindeer habitat and behaviour.