PROGRAMA COMPUTACIONAL PARA AJUSTE DE CURVAS POLINOMIAIS EM

EXPERIMENTOS ENVOLVENDO DADOS LONGITUDINAIS1

MARIE OSHIIWA2 & CARLOS ROBERTO PADOVANI3

1
Parte da tese de doutorado do 1º autor intitulada: Programa computacional para ajuste de curvas
polinomiais em experimentos envolvendo dados longitudinais.
2
Aluna do Programa de Pós-Graduação em Agronomia – Energia na Agricultura – FCA/UNESP,
Botucatu/SP, Brasil.
3
Orientador e docente do Departamento de Bioestatística – IB/UNESP, Botucatu/SP, Brasil.

RESUMO O presente trabalho discutiu aspectos teóricos e práticos do comportamento da variável

resposta nos diferentes grupos e condições de avaliação utilizando o Ajuste de Curvas de Crescimento,
procedimento multivariado de análise de dados experimentais que possibilita fazer previsões sobre o
comportamento médio da resposta para situações diferentes daquelas para as quais o estudo foi planejado,
além de propiciar análise comparativa das curvas dos grupos de interesse. Considerando a dificuldade
existente quanto a programas computacionais acessíveis a pesquisadores das áreas agronômicas,
biológicas e da saúde, e a falta de entendimento da complexidade da estrutura de análise dos dados
longitudinais, elaborou-se programa computacional em linguagem que permita ao usuário facilidade de
manuseio, além de torná-lo disponível para pesquisadores das áreas aplicadas e, finalmente, discutir as
vantagens do procedimento multivariado na preservação da estrutura de dependência dos dados em
relação aos procedimentos convencionais utilizados na experimentação agronômica.
Palavras-chave: curvas de crescimento, programa computacional, estudo longitudinal.

COMPUTER PROGRAM FOR POLINOMIAL GROWTH CURVE ADJUSTMENT

IN EXPERIMEN INVOLVING POLINOMIAL DATA

SUMMARY The purpose of the present paper is to discuss theoretical and practical aspects
of the behavior of response variables in different groups and evaluation conditions by using
Growth Curves methodology. This methodology refers to a multivariate procedure of
experimental data analysis that makes forecasts about the average behavior of the response
variable for different situations from those ones for which the study was planned. In addition,
the methodology enables comparative analysis of the curves between each experimental
group. Considering the lack of easy-to-use computer programs for researchers in the

Energ. Agric., Botucatu, vol. 20, n. 3, 2005, p.113-130 113

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

agronomical, biological and health fields, and the difficulty to understand the complexity of
the data structure in longitudinal studies, a computer program will be proposed and written
using high-level language. The software will be simple to handle, available and easy-to-
access to researchers of applied areas. This work will also discuss the advantages of using
the multivariate analysis procedures compared to the conventional ones commonly used in
agronomical experimentation, concerning to the preservation of data dependence structure.
Keywords: growth curves, software, longitudinal study.

1. INTRODUÇÃO

A utilização de estudos longitudinais é muito comum na experimentação agronômica, por

exemplo, nas pesquisas prospectivas com o objetivo de observar a influência de determinado nutriente ao
longo de um tempo específico, nos ensaios para investigar os efeitos da variação na dosagem de
determinado fertilizante no experimento, na avaliação de produção nas mesmas parcelas em plantas
perenes em anos seguidos, entre outros. De forma geral, neste tipo de estudo, é avaliado o comportamento
de uma variável resposta ao longo de uma dimensão específica (por exemplo: tempo, dosagem) num
conjunto de unidades de investigação classificada em diferentes grupos, segundo um ou mais fatores ou
tratamentos.
A análise estatística dos dados obtidos em estudo longitudinal pode ser efetuada sob dois
aspectos: (i) univariado: análise de variância para experimentos em parcelas subdivididas no tempo (split
plot in time) e (ii) multivariado: análise de perfil (profile analysis) e análise de curvas de crescimento.
A grande vantagem do procedimento multivariado está na utilização de matrizes de variâncias e
covariâncias amostrais que preservam a estrutura de associação das respostas, composta da variação entre
e dentro das características observadas.
Deve ser destacado que, na análise multivariada, o nível de significância pré-estabelecido é
assegurado em todas as conclusões (as variáveis são avaliadas conjuntamente), enquanto que na
univariada tal fato não ocorre. Basta lembrar que, num contexto univariado, para cada variável as
conclusões são discutidas no nível fixado; porém, quando se faz a conclusão conjunta envolvendo todas
elas, verifica-se que o valor de significância fica alterado para valor maior que o indicado inicialmente,
implicando em falsas diferenças.
O ajuste de curvas de respostas em estrutura de dados longitudinais pode ser considerado como
uma complementação da análise de perfil para grupos independentes. Segundo Singer et a.l (2004), dentre
as vantagens que podem estar associadas a esse tipo de análise destacam-se: a possibilidade de
comparações mais sensíveis em função do número reduzido de parâmetros quando comparado à análise de

114 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

perfil; previsões sobre o comportamento médio das respostas para ocasiões de avaliação diferentes
daquelas para as quais o estudo foi planejado e a aquisição de um maior conhecimento sobre o processo de
variação da resposta ao longo das condições avaliadas.
Neste sentido, o presente trabalho tem por objetivo discutir aspectos teóricos e práticos da
análise de curvas de crescimento, elaborar programa computacional de fácil acesso e simples manuseio,
para pesquisadores das áreas aplicadas e apresentar exemplos ilustrativos de operacionalização do
programa computacional na experimentação agronômica.

2. MATERIAL E MÉTODOS

2.1 MATERIAL

Genericamente, as respostas observadas em um experimento com planejamento longitudinal,

sem falhas de observação, considerando-se g grupos e p momentos de avaliação, podem estar organizadas
conforme quadro apresentado na Tabela 1.

Tabela 1 – Estrutura genérica de valores observados em um experimento com planejamento longitudinal.

Unidade Momento de Avaliação
Grupo
Experimental
Experimental t1 t2 ... tp
(Parcela)
1 1 y111 y112 ... y11p
1 2 y121 y122 … y12p
M M M M M M
1 n1 y1n11 y1n12 ... y1n1p
2 1 y211 y212 ... y21p
2 2 y221 y222 … y22p
M M M M M M
2 n2 y1 n21 y1 n22 ... y1 n2p
M M M M M M

g 1 yg11 yg12 ... yg1p

g 2 yg21 yg22 ... yg2p

M M M M M M
g ng yg ng1 yg ng2 … yg ngp

Energ. Agric., Botucatu, vol. 20, n.3, 2005, p-113-130 115

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

A observação yijk é expressa pelos índices:

i = 1, ...., g (grupo), j = 1, ..., ni (parcela) e k = 1, ..., p (momentos).
Portanto, y′ij = (yij1 , yij2 , ... , yijp ) representa o vetor resposta correspondente às observações dos p
momentos de avaliação para a j-ésima unidade experimental do i-ésimo grupo.

2.2 MÉTODOS

2.2.1 Modelo Linear Multivariado de Crescimento (MLMC)

Na investigação científica, os dados obtidos de experimentos são transformados em informações,

por meio de análise estatística. Especificamente em estudos longitudinais, uma das dificuldades
encontradas pelos pesquisadores no processamento analítico dos dados é a redução do número de
parâmetros envolvidos por meio da imposição de modelos estruturais que relacionam os efeitos dos
grupos com os momentos de avaliação.
Os modelos estruturais consistem na modelagem matemática que abrange um conjunto de
equações que refletem as relações e interações entre as variáveis envolvidas num dado fenômeno. Essas
expressões algébricas são apresentadas a partir de indicadores matemáticos, que são considerados como
uma ferramenta utilizada para reduzir a dimensão do problema com algum significado prático e podem ser
produzidos pelo agrupamento e combinação de variáveis resultando, a partir delas, numa nova variável
que possui interpretação de interesse.
A partir de um estudo exploratório, dados obtidos em estudo longitudinal serão estruturados em
modelos univariados e multivariados. Os critérios utilizados para o modelo adequado às observações
longitudinais são, basicamente, o número de unidades amostrais e a estrutura de covariâncias.
O primeiro modelo é sugerido quando o padrão de variação da resposta ao longo das condições
de avaliação apresenta estruturas mais restritivas para a matriz de covariância entre as observações, ou
ainda, nas situações em que o número de unidades amostrais é pequeno e existirem muitas ocasiões de
avaliação. A análise estatística utilizada neste caso é análise de variância para experimentos em parcelas
subdivididas no tempo (“split plot in time”), por exemplo. Mais informações sobre esta estrutura podem
ser encontradas em Singer & Andrade (1986).
Duas técnicas multivariadas são utilizadas na análise de dados longitudinais: Análise de Perfis
de Médias e Ajuste de Curvas de Crescimento.

116 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

Um estudo que discorre sobre o procedimento estatístico metodológico da Análise de Perfil com
ilustração na experimentação zootécnica é encontrado em Rosa (1994), que apresenta também um
programa computacional de fácil manuseio.
O Ajuste de Curvas aos perfis médios de respostas a dados longitudinais pode ser encarado
como uma alternativa de Análise de Perfis. Esta técnica é considerada quando o objetivo do estudo
abrange, pelo menos, um dos seguintes objetivos:
i) estabelecer um relacionamento entre o efeito dos tratamentos e o tempo;
ii) fazer comparações mais sensíveis em função do número reduzido de parâmetros;
iii) fazer previsões sobre o comportamento médio da resposta para ocasiões de avaliação
diferentes daquelas para as quais o estudo foi planejado;
iv) possibilitar a aquisição de um maior conhecimento sobre o processo de variação da resposta
ao longo das condições de avaliação.
Existem algumas situações específicas em que o comportamento da variável é facilmente
identificado pela observação das médias, durante os momentos planejados, no diagrama de dispersão.
Outras vezes, o fenômeno comportamental da variável é previsível e existe um modelo matemático pré-
estabelecido. Nesses casos, não há necessidade do estudo de adequação do modelo aos dados observados.
Uma alternativa interessante para estudos experimentais e de observação é considerar como
modelo matemático, para descrever o comportamento da variável resposta em função do tempo, uma
curva de crescimento na forma polinomial, pois apresenta uma expressão funcional simples, o que facilita
a interpretação dos resultados.
Para o presente estudo, será considerado o Ajuste de Curvas de Crescimento para as médias. Os
métodos envolvidos nessa abordagem são apropriados para dados balanceados e completos.
O estudo de curvas de crescimento foi intenso na primeira metade do século XX destacando-se
as contribuições de Wishart (1938), Box (1950) e Rao (1958-1959), mas o grande marco nesta área
aconteceu em 1964 quando Potthoff & Roy apresentaram o Modelo Linear Multivariado de Crescimento
(MLMC) escrito na forma:

Ynxp = Xnxg ξgxq Gqxp + εnxp, com

E(Y) = X ξ G;
Var (Y) = Σ ⊗ In ,

sendo,

Energ. Agric., Botucatu, vol. 20, n.3, 2005, p-113-130 117

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

g
Ynxp é a matriz de observações (p medidas para cada uma das n unidades experimentais), com n = ∑n ;
i =1
i

⎡ y111 L y11 p ⎤
⎢ ⎥
Ynxp =⎢ M M M ⎥;
⎢y ⎥
⎣ gn g 1 L y gn g p ⎦

Xnxg é a matriz de planejamento, constituída por 0´s e 1´s, de forma a associar cada unidade experimental
ao respectivo grupo (g),

⎡1n1 0 L 0⎤
⎢0 1 L 0 ⎥⎥
=⎢
n2
X nxg ,
⎢M M O M ⎥
⎢ ⎥
⎢⎣ 0 0 L 1n g ⎥⎦

onde 1ni é o vetor unidade com ni componentes;

εnxp é a matriz dos componentes aleatórios das observações (cada elemento representa o desvio entre o
valor observado e o respectivo valor esperado). Ademais, β e ε, são matrizes não-observáveis.

⎡ ξ10 ξ11 L ξ1q −1 ⎤

⎢ξ ξ 21 L ξ 2 q −1 ⎥⎥
=⎢
20
ξ gxq ,
⎢ M M O M ⎥
⎢ ⎥
⎣⎢ξ g 0 ξ g1 L ξ gq −1 ⎦⎥

ξgxq a matriz dos parâmetros (desconhecidos) das curvas de crescimento.

Cada linha desta matriz representa os coeficientes do polinômio de grau l (l ≤ p-1) relativo ao i-
ésimo grupo do experimento.
Gqxp a matriz de delineamento dentro de indivíduos, de dimensão q x p, de posto completo q ≤ p, cuja
finalidade é associar as respostas das unidades experimentais sob as condições de avaliação ao polinômio
desejado. Ou seja, as colunas correspondendo aos momentos de avaliação (t1, t2, ..., tp) e as linhas aos
possíveis graus do polinômio.

118 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

Isto é,

⎡ t10 t20 L t 0p ⎤
⎢ 1 ⎥
⎢ t1 t21 L t 1p ⎥
G qxp = ⎢ t12 t22 L t p2 ⎥ .
⎢ ⎥
⎢ M M O M ⎥
⎢t q −1 t q −1 L t qp −1 ⎥⎦
⎣1 2

A estrutura matricial de ξG, descrita como β, pode ser representada por:

⎡ ξ10 + ξ11t1 + ... + ξ1, q −1t1q −1 ξ10 + ξ11t2 + ... + ξ1, q −1t2q −1 ... ξ10 + ξ11t p + ... + ξ1, q −1t qp −1 ⎤
⎢ ⎥
β = ξG = ⎢ M M ... M ⎥
⎢ξ g 0 + ξ g1t1 + ... + ξ g , q −1t1q −1 ξ g 0 + ξ g1t2 + ... + ξ g , q −1t2q −1 ... ξ g 0 + ξ g1t p + ... + ξ g , q −1t qp −1 ⎥
⎣ ⎦

Considerando a formulação β = ξG, o Modelo Linear Multivariado de Crescimento pode ser

entendido como uma generalização do Modelo Linear Multivariado, fato que propicia uma abordagem que
encaminha às curvas de crescimento a possibilidade de utilizar para as análises os procedimentos da
Análise de Variância Multivariada (Singer, 1977).

2.2.2 Modelo de curvas de crescimento polinomial

No estudo longitudinal, o modelo de crescimento deve descrever adequadamente o

comportamento da variável ao longo dos momentos observados.
Fitzhugh Jr. (1976) cita os seguintes critérios para a comparação de modelos de crescimento:
a) o melhor ajuste dos dados, que se deve ao menor desvio residual (aderência);
b) convergência dos dados (dificuldade computacional);
c) interpretação biológica dos parâmetros obtidos para cada modelo.

Energ. Agric., Botucatu, vol. 20, n.3, 2005, p-113-130 119

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

Uma pressuposição para o estudo de ajuste de curvas polinomiais é considerar que as matrizes
de covariâncias dos grupos experimentais não se diferem entre si. A homocedasticia é comprovada pelo
Teste de Bartlet Generalizado (Morrison, 1976), considerando-se a seguinte hipótese da nulidade:

H0: Σ1 = Σ2 = … = Σg

O resultado do Teste de Bartlet dos grupos experimentais será apresentado ao usuário por meio
do P-valor, que decidirá se a análise dos dados prosseguirá ou não.
O modelo proposto será:

βik = ξi0 + ξi1 tk + ξi2 tk2 + … + ξiq-1 tkq-1 ,

onde tk corresponde ao valor dos momentos do planejamento experimental.

Sabendo-se que as observações foram avaliadas ao longo de p momentos, o grau máximo do
polinômio será l (l ≤ p-1).
O estimador de máxima verossimilhança (o qual coincide com o estimador de mínimos
quadrados) de ξ, sob as considerações do modelo em estudo, será:

ξˆ = (X´X)-1 X´Y S-1 G´(GS-1G´)-1.

O estimador da matriz de variância-covariância de ξˆ será:

(n − g ) − 1 1
Vˆar (ξˆ) = * * (GS −1G´)−1 ⊗ ( X ´ X ) −1 .
(n − g ) − ( p − q ) − 1 (n − g ) − ( p − q )

Sob as considerações do modelo condicional proposto por Rao, tem-se, basicamente, três
situações com relação a utilização da estrutura das variáveis concomitantes:
i) não usar variáveis concomitantes, conduzindo ao estimador não ponderado;
ii) considerar somente um subconjunto de Y2, ou seja, somente aquelas que tiverem um resultado
significativo na seleção;
iii) considerar todas as variáveis de G2 como concomitantes, conduzindo ao estimador de máxima
verossimilhança.

120 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

No primeiro caso, reporta-se ao caso de Potthoff & Roy, com ∆ = I, onde informações contidas
nos dados podem estar sendo ignoradas, pois as variáveis associadas aos graus mais elevados dos
polinômios estão sendo negligenciadas. No segundo, quando somente alguns vetores de Y2 serão
selecionados como variáveis concomitantes, basta eliminar da matriz G2, as colunas correspondentes
àquelas variáveis cujas correlações não foram significativas. A terceira situação trata-se de uma
abordagem mais geral, que envolve todas as variáveis contidas em G2 (graus mais altos do polinômio),
cujas correlações são significativas ou não como variáveis concomitantes. Todos os casos conduzem a
estimativas não viciadas da variância dos respectivos estimadores, diferenciando-se pela eficiência dos
estimadores.
No programa computacional apresentado no presente estudo será considerada a terceira situação,
todas as variáveis do espaço erro (Y2) serão consideradas como concomitantes.

[Link] Testes estatísticos

O primeiro teste que deve ser realizado é o do ajuste do modelo, sendo a hipótese de nulidade do
teste escrita da forma geral:

H0: CβU = ∅, com C = I e U = G2 e β = ξG.

A partir da matriz G, considere as matrizes G1 e G2, definidas anteriormente, que serão

empregadas no teste do ajustamento do modelo.
Para verificar se o conjunto de dados se ajusta a um modelo polinomial especificado, ou seja, se
pode ser descrito por um polinômio de grau l ≤ p-1, realiza-se o procedimento do “descarte”. Isto é, a
hipótese relativa a G2 (H0: XξGG2 = 0) é avaliada por meio da hipótese linear geral H0: CβU = 0, com C
= Igxg e U = G2 (px(p-q)). Utilizando-se o critério da Razão de Verossimilhança Generalizada de Wilks e
verifica-se quais linhas de G serão descartadas, ou seja, as linhas referentes aos graus polinomiais mais
altos (os especificados em G2).
Para a utilização desse critério, as matrizes de somas de quadrados e produtos cruzados devidas
aos resíduos e hipótese são calculadas, respectivamente, por:

E1 = G2′S G2 ~ W (n – g, G2 ′ΣG2, ∅) central.

H1 = G2′Y′X(X′ X)-1 X′YG2 ~W [g, G′2 ΣG2, G′2 ξ*′X′Xξ*G2] não central.

Energ. Agric., Botucatu, vol. 20, n.3, 2005, p-113-130 121

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

A partir dessas duas matrizes, calcula-se Λ, que é expressa por:

E1 s s
Λ= = Π (1 − θυ ) = Π (1 + λυ ) −1 .
H1 + E1 υ =1 υ =1

g − ( p − q) − 1
Os parâmetros considerados são s = min (g, p-q); m1 = e
2
n − g − ( p − q) − 1
m2 = .
2
¾ Se s = 1, então,
m2 + 1 1 − Λ
~F (2m1 + 2, 2m2 + 2)
m1 + 1 Λ
¾ Se s = 2, então,

2m2 + 2 1 − Λ1 / 2
~ F [4m1 + 6, 4 (m2 + 1)]
2m1 + 3 Λ1 / 2

Para outros casos, mas quando o tamanho da amostra é grande, utiliza-se a aproximação de
Bartlett representada por RV (Razão de Verossimilhança):

1
RV = - [n – g - (p-q – g + 1)] ln Λ ~χ2 [g*(p-q)],
2

Dada a matriz G de ordem p x p, o resultado do procedimento do “descarte” será apresentado

numa tabela, como a seguir e deve-se considerar a primeira linha desta matriz como zero no procedimento
de descarte.

Tabela 2 – Resultados do procedimento estatístico de “descarte” do polinômio (grau mais alto).

Linhas de G utilizadas na Grau do polinômio Valor da estatística Nível descritivo do
construção de G2 cujo ajuste é testado do teste teste (P-valor)
Última p–2 RV (p-2) P(p-2)
Duas últimas p–3 RV (p-3) P(p-3)
M M M M
(q-1) últimas 1 RV (1) P(1)

122 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

A interpretação dos resultados da Tabela1 deverá ser enfocada sempre nos graus descartados da
matriz G. Para a análise da Tabela1, deve-se observar o valor do nível descritivo para cada grau do
polinômio. Se P > α, o referido grau pode ser descartado. Se algum grau for considerado significativo (P <
α), tem-se o grau adequado do polinômio. Deve ser destacado que α refere-se ao nível de significância do
teste (probabilidade de erro tipo I), fixado “a priori”.
A melhor opção para escolha do grau do polinômio é o de menor grau possível por causa da
facilidade de interpretação biológica dos dados.
O programa computacional proposto no presente trabalho apresenta o modelo polinomial a partir
do resultado deste procedimento de “descarte”, considerando-se o menor grau possível.
A coincidência das curvas de crescimento é testada considerando-se a hipótese:
H02: CξU = 0, onde as matrizes de quadrados e produtos cruzados relativas aos resíduos e
hipótese, são conforme descritos em por Rao (1973):

E2 = U´S1 U, onde S1 = (G1 S-1 G1´)-1,

H2 = (C ξˆ U)´ (CRC)-1 (C ξˆ U), sendo,

Rgxg = (X´X)-1 + (X´X)-1X´YS-1 Y´X(X´X)-1 - ξˆ (G1S-1G1´) ξˆ .

⎡1 − 1 0 L 0⎤
⎢1 0 − 1 L 0 ⎥⎥
C( g −1) xg =⎢ e U2 = Iq.
⎢M M M L M⎥
⎢ ⎥
⎣1 0 0 L − 1⎦

g −1− q −1 n − g − ( p − q) − 1
Os parâmetros serão s = min (g-1, q); m1 = e m2 = .
2 2

O critério utilizado para o teste de coincidências das curvas e dos coeficientes da curva
polinomial de cada grupo será a Razão de Verossimilhança Generalizada de Wilks, descrito no item 5.2.1.
Os resultados da análise serão apresentados na Tabela 3, descrita a seguir:

Energ. Agric., Botucatu, vol. 20, n.3, 2005, p-113-130 123

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

Tabela 3 – Resultados do Teste de Coincidências das Curvas Polinomiais e dos coeficientes da curva
polinomial.
Critério Resultado da estatística Distribuição da Nivel descritivo
estatística (P-valor)
Wilks RV F[ s ( 2 m1 + s +1), s ( 2 m2 + s +1)] PW

A regra de decisão dos testes estatísticos é a usual, ou seja, se Fcalculado > Fcrítico (P < α) rejeita-se a
hipótese de coincidência das curvas polinomiais.
Propõe-se verificar o ajuste das respostas experimentais ao polinômio que descreve a curva de
crescimento adotado, a Medida de Adequacidade do Modelo (MAM), expressa pela razão entre a soma de
quadrados devido ao ajuste polinomial e a soma de quadrados total dos dados observados, para cada um
dos grupos experimentais.
Neste sentido, tem-se, para o grupo Gi, i = 1, ..., g, a seguinte expressão da Medida de
Adequacidade:

SQDevido
MAM= 100* % , com i = 1,..., g, com,
SQTotal

∑∑∑ ( ) ∑∑∑ (y )
g ni p 2 g ni p 2

SQDev (Gi) = yˆijk − y i.. e SQTot (Gi) = ijk − yi.. .

i =1 j =1 k =1 i =1 j =1 k

O fato de uma hipótese de igualdade de efeitos médios de g grupos experimentais ser rejeitado,
não significa que é possível identificar quais grupos diferem entre si, nem o momento em que isso ocorre.
A simples rejeição de uma hipótese não é suficiente para uma conclusão mais satisfatória do efeito dos
tratamentos ao longo dos momentos de avaliação.
Os intervalos de confiança bilaterais propiciam ao pesquisador o estudo comparativo do
parâmetro entre os grupos experimentais e identificar o momento em que a possível diferença ocorrer.
Para o presente estudo, será utilizado o método de Scheffé para a construção dos intervalos de
confiança para os contrastes:

⎛ Vaˆr (ξˆ ) Vaˆr (ξˆi´l ) ⎞

IC (ξil - ξi´l): (ξˆil − ξˆi´l ) ± ( g − 1) * F(α , g −1, n − g ) * ⎜ il
+ ⎟ ,i, i´= 1, ..., g.
⎜ ni n ⎟
⎝ i ´ ⎠

124 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

O intervalo de confiança será construído com 95% de confiança e a interpretação será

considerada da seguinte forma: grupos com intervalos de confiança com valores comuns, não se diferem
entre si, caso contrário, os parâmetros comparados são distintos.

3. RESULTADOS E DISCUSSÃO

O presente estudo desenvolveu o programa computacional CRESYS em linguagem Delphi, de

fácil manuseio e para demonstrá-lo, utilizou-se o exemplo ilustrativo das alturas, em centímetros, de
plantas de alho do tipo caçador, cultivadas em Santa Juliana, Minas Gerais. Dois grupos de plantas,
testemunha e tratamento, com nove plantas em cada um, foram avaliados em quatro momentos distintos:
aos 20, 30, 40 e 50 dias após a plantação. No grupo tratamento foi acrescentado adubo nitrogenado para a
verificação de seu efeito na altura das plantas no período de 20 a 50 dias.
Os resultados obtidos na análise dos dados das alturas das plantas de alho, em centímetros, pelo
programa computacional Cresys, são apresentados a seguir. As médias e os respectivos desvios-padrão das
alturas dos dois grupos podem ser visualizados na tela:

Esses valores organizados estão na Tabela 4.

Tabela 4 – Médias e desvios-padrão das alturas, em centímetros, das plantas de alho caçador dos grupos
Testemunha e Tratamento, em quatro momentos.
Momentos (horas)
Grupo
20 30 40 50
Testemunha 15,63 ± 1,41 19,00 ± 1,31 21,98 ± 1,55 25,63 ±1,51
Tratamento 20,00 ± 2,62 24,38 ± 2,67 29,25 ± 2,19 34,16 ± 2,10

Energ. Agric., Botucatu, vol. 20, n.3, 2005, p-113-130 125

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

O comportamento médio da altura das plantas de alho de cada grupo experimental pode ser
visualizado na figura a seguir:

o=1
=2
o

Figura 1 – Curva de crescimento médio da altura das plantas alho do tipo Caçador, dos grupos
Testemunha e Tratamento, em centímetros, aos 20, 30, 40 e 50 dias após a plantação.

O resultado do teste de Bartlet é apresentado na tela:

Com o resultado obtido, p-valor = 0,5798, não é rejeitada a hipótese da homocedastia, ou seja, as
matrizes de covariâncias não se diferem.
Prosseguindo-se com a análise estatística dos dados, obtem-se o grau adequado do polinômio das
curvas de crescimento ajustadas aos dados observados.
Os resultados do Procedimento de descarte do grau do polinômio da altura das plantas de alho
são apresentados na seguinte tela:

126 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

Segundo os resultados obtidos no procedimento de descarte, o modelo linear que melhor

descreve as alturas médias das plantas.
Os valores estimados dos coeficientes do polinômio e os respectivos desvios-padrão estimados

de ξˆ são, respectivamente:

Esses parâmetros podem ser organizados numa tabela como a seguir:

Tabela 5 – Estimativas de ξˆ e seus respectivos desvios-padrão, dos polinômios das curvas de

crescimento
Grupo ξˆ0 ξˆ1 DP( ξˆ0 ) DP( ξˆ1 )

Testemunha 8,5585 0,3770 0,7260 0,1086

Tratamento 10,7358 0,4704 0,7260 0,1086

Energ. Agric., Botucatu, vol. 20, n.3, 2005, p-113-130 127

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

As curvas de crescimentos dos grupos que descrevem o comportamento médio da porcentagem

de ganho de peso dos frutos de Araribá segundo o grupo são descritos pelos polinômios:
Grupo Testemunha: β1 = 8,5585 + 0,3770 t;
Grupo Tratamento: β2 = 10,7358 + 0,4704 t.
Conclui-se que para o período considerado, as plantas do grupo Testemunha cresceram, em
média, 3,77 centímetros de uma avaliação para outra, enquanto que as plantas que receberam adubo
nitrogenado, cresceram 4,70 centímetros, em média.
Os resultados do Teste das Coincidências das Curvas e as Medidas de Adequacidade do Modelo,
para cada grupo e total, são apresentados pela tela:

Esses resultados mostram que as curvas de crescimento que descrevem a altura média de cada
grupo não são coincidentes, ou seja, as alturas médias das alturas das plantas de alhos são explicadas pela
mesma família de função matemática, no caso linear, mas não pelo mesmo polinômio.
Os Intervalos de Confiança dos parâmetros estimados foram:

128 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

Os resultados dos Intervalos de Confiança mostram que os coeficientes lineares das duas retas se
diferem, enquanto que os angulares não se diferem, com 95% de confiança.

4. CONCLUSÕES

A revisão de literatura mostrou várias situações experimentais onde a estrutura de dependência

existente nas parcelas é desconsiderada nos procedimentos estatísticos. A metodologia apresentada
destaca a importância dessa estrutura não apenas no procedimento estatístico, mas também, para a
melhoria da informação agronômica contida nos dados.
O ajuste de curvas de crescimento permite estabelecer uma relação funcional entre o efeito dos
grupos experimentais (tratamentos) e o tempo (momentos de avaliação), que possibilita estimar esse efeito
de tratamento para um momento não observado experimentalmente. As funções polinomiais permitem
explicar, com consistência, o comportamento do conjunto de dados ao longo dos momentos quando existe
adequação do modelo, simplifica a interpretação de resultados, possibilitando um maior conhecimento da
variação da variável resposta no período experimental, propiciando interessantes conclusões práticas ao
pesquisador.
O programa computacional CRESYS, de acesso livre e de fácil manuseio, realiza o estudo da
homogeneidade dos grupos experimentais, condição fundamental para o ajuste de curvas de crescimento;
representa graficamente o comportamento médio dos mesmos nos momentos de avaliação; calcula os
valores das médias e dos respectivos desvios-padrão; estabelece o grau adequado ao conjunto de dados
observados por meio do “teste do descarte”; calcula os valores dos coeficientes do polinômio e os
respectivos desvios-padrão; calcula a medida de adequacidade do modelo e verifica a possível
coincidência das curvas ajustadas.

5. REFERÊNCIAS BIBLIOGRÁFICAS

FITZHUGH, H.A., Jr. Analysis of growth curves and strategies for altering their shapes.
Journal of Animal Science, Chanpaign, v.42. n.4, pp.1036-1051, 1976.

KHATRI, C.G. A note on a MANOVA model applied to problems in growth curve. Annals of the
Institute of Statistical Mathematics, Tokyo, v.18, p.75-86, 1966.

MORRISON, F.D. Multivariate statistical methods. 2nd. ed. New York, McGraw-Hill, 1976, 415p.

Energ. Agric., Botucatu, vol. 20, n.3, 2005, p-113-130 129

Oshiiwa & Padovani - Programa computacional para ajuste de ... -

POTTHOFF, F.B.; ROY, S.N. A generalized multivariate of variance model useful especially for growth
curve problems. Biometrika, London, v. 51, p. 313-326, 1964.

RAO, C.R. The theory of least squares when the parameters are stochastic and its application to the
analysis of growth curves. Biometrika, London, v.52, n. 3/4, p. 447-458, 1965.

RAO, C.R. Linear Statistical Inference an its Applications. 2 ed. New York: Wiley, 1973. 299p.

SINGER, J.M. Análise de curvas de crescimento. 1977. 113p. Dissertação (Mestrado em Estatística).
Instituto de Matemática e Estatística. Universidade de São Paulo. São Paulo.

SINGER, J.M.; ANDRADE, D.F. Análise de dados longitudinais. In: SIMPÓSIO NACIONAL DE
PROBABILIDADE E ESTATÍSTICA,7, Campinas, 1986, 106p.

SINGER, J.M.; ROCHA, F.M.M.; NOBRE, J.S. Análise de medidas repetidas. JORNADA REGIONAL
DE ESTATÍSTICA, 4, 2004, Maringá. Anais... Maringá: UEM, 2004. p.93.

SOUZA, J. B., GONCALVES, A. L., MUCILLO, G. Longitudinal study of weight gain in preterm
infants from birth to the 6th post-term month. Revista de Saúde Pública, São Paulo, v..26, n.5, p. 350-
355, 1992.

SOUZA, L. Curvas de Crescimento: análise de dados longitudinais incompletos com resíduos

autocorrelativos. 1989. 84p. Tese (Doutorado em Agronomia/Estatística e Experimentação
Agronômica), Escola Superior de Agronomia Luiz de Queiroz, Universidade de São Paulo, Piracicaba.

130 Energ. Agric., Botucatu, vol. 20, n.3, 2005, p.113-130