SciELO - Scientific Electronic Library Online

 
vol.38 issue6Correlation among nitrogen and chlorophyll contents of leaves and grain yield of oatCharacterization of the genetic diversity of landraces of common bean (Phaseolus vulgaris L.) collected in Santa Catarina State by RAPD markers author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

Share


Ciência Rural

Print version ISSN 0103-8478On-line version ISSN 1678-4596

Cienc. Rural vol.38 no.6 Santa Maria Sept. 2008

http://dx.doi.org/10.1590/S0103-84782008000600004 

ARTIGOS CIENTÍFICOS
FITOTECNIA

 

Abordagem Bayesiana das curvas de crescimento de duas cultivares de feijoeiro

 

Bayesian approach in the growth curves of two cultivars of common bean

 

 

Sebastião Martins FilhoI, 1; Fabyano Fonseca e SilvaI; Antonio Policarpo Souza CarneiroI; Joel Augusto MunizII

IDepartamento de Informática, Universidade Federal de Viçosa (UFV). Av. PH. Rolfs, 36570-000, Viçosa, MG, Brasil. E-mail: martinsfilho@ufv.br
IIDepartamento de Ciências Exatas, Universidade Federal de Lavras (UFLA), Lavras, MG, Brasil

 

 


RESUMO

Neste trabalho foi utilizada a metodologia Bayesiana para ajustar o modelo não-linear logístico para dados de crescimento de duas cultivares de feijoeiro, “Neguinho” e “Carioca”. O delineamento experimental utilizado foi o inteiramente casualizado, com vinte repetições, no esquema de parcelas subdivididas, sendo que os tratamentos principais foram constituídos pelas cultivares e as subparcelas foram constituídas por 17 períodos de avaliações, do plantio até aos 85 dias. A metodologia permitiu comparar as curvas de crescimentos sem utilizar a teoria assintótica e estes resultados mostraram um maior incremento em altura para a cultivar “Carioca”.

Palavras-chave: Phaseolus vulgaris, inferência Bayesiana, modelos não-lineares, modelo logístico.


ABSTRACT

In this paper the Bayesian methodology was used to fit the logistic nonlinear model to growth data of two common bean cultivars, 'Neguinho' and 'Carioca'. The experiment was a split plot under a completely randomized design with twenty replicates, being the main treatments constituted by cultivars and the sub plots constituted by seventeen periods of evaluations, from planting to 85 days. The methodology allowed comparing the growth curves without using the asymptotic theory, and these results showed a larger height increment for the 'Carioca' cultivar.

Key words: Phaseolus vulgaris, Bayesian inference, nonlinear models, logistic model.


 

 

INTRODUÇÃO

Geralmente o estudo de curvas de crescimento de espécies vegetais tem sido conduzido por meio de uma abordagem freqüentista, ajustando-se modelos não-lineares que buscam sintetizar as informações em poucas estimativas de parâmetros interpretáveis biologicamente. A estimação é fundamentada em processos iterativos, como o de Gauss-Newton, DUD e Algorítmo de Marquardt, devido à não-linearidade das variáveis. Usando-se estes procedimentos faz-se a minimização da soma de quadrados dos resíduos. Porém, quando se trata de ajustes individuais, ou seja, para várias unidades experimentais, de modelos matematicamente complexos ou se dispõe de poucas observações longitudinais, os métodos iterativos, muitas vezes, produzem estimativas irreais para os parâmetros. Isso pode levar à confecção de curvas de crescimento atípicas. Além disso, quando se trata de comparações de curvas provenientes de tratamentos diferentes, por exemplo, cultivares, na maioria das vezes, a distribuição dos estimadores dos parâmetros de modelos não-lineares não seguem distribuições gaussianas. Desse modo torna-se complexo o processo de formulação de testes estatísticos, pois não serão atendidas pressuposições relacionadas à utilização da teoria assintótica (SILVA et al., 2005).

Em recentes estudos envolvendo ajuste de modelos de regressão não-linear (BLASCO et al., 2003; SILVA et al., 2005), a inferência Bayesiana foi utilizada com sucesso, pois reduziu o número de estimativas viesadas, mesmo utilizando poucas informações. A estimação por intervalo apresentou-se mais precisa em relação à obtida pela metodologia clássica e possibilitou a comparação estatística direta e simplificada entre curvas por meio da obtenção de uma distribuição para as diferenças entre parâmetros de duas curvas diferentes.

A teoria da inferência Bayesiana está fundamentada no teorema de Bayes, o qual é um resultado simples de probabilidade condicional. Para a sua utilização, é necessário especificar p(θ), que é conhecida como distribuição a priori do parâmetro θ. Tal distribuição é utilizada para representar probabilisticamente o conhecimento que se tem sobre q antes dos dados serem obtidos. Outra exigência é a especificação de uma distribuição conjunta para os dados amostrais, denominada de função de verossimilhança, L (θ|y1,..., yn), a qual representa a informação sobre q que foi obtida dos dados.

A expressão matemática do Teorema de Bayes é: (1)

sendo Y= {y1, y2,...,yn}.

Uma forma equivalente da expressão (1), visto que o denominador não depende de θ, é dada por:

P(θ|Y) α L (θ|Y)P(θ) (2).

A expressão (2) é entendida como: “Dist. Posteriori a Verossimilhança x Dist. Priori”.

A distribuição a posteriori de um parâmetro contém toda a informação probabilística a respeito do mesmo. Dessa forma, toda a inferência com respeito ao parâmetro é realizada por meio desta distribuição, pois é a partir de seus valores centrais que se têm as estimativas de interesse.

Para fazer inferências sobre qualquer elemento de θ, a distribuição a posteriori conjunta dos parâmetros, p(θ|Y), deve ser integrada em relação a todos os outros elementos que a constituem (ROSA, 1998). Assim, se o interesse do pesquisador se concentra sobre determinado conjunto de θ, por exemplo, θ1, tem-se a necessidade de obter a distribuição p(θ1|Y), dada por:

A integração da distribuição conjunta a posteriori para a obtenção das marginais geralmente não é analítica, necessitando de algoritmos iterativos especializados como o de Gibbs Sampler e o Metropolis Hastings, os quais são denominados de algoritmos MCMC (Markov Chain-Monte Carlo). Uma forma prática de implementar estes algoritmos é utilizar o software Winbugs (SPIEGELHALTER et al., 2007).

O objetivo do presente trabalho foi utilizar a metodologia Bayesiana para estimar os parâmetros do modelo de crescimento Logístico ajustado a dados longitudinais de altura de planta de duas cultivares de feijoeiro, “Neguinho” e “Carioca”. Esta metodologia foi usada com o intuito de obter distribuições a posteriori para a diferença dos parâmetros e assim realizar comparações diretas entre as curvas de crescimento das duas cultivares.

 

MATERIAL E MÉTODOS

O experimento foi conduzido em casa de vegetação utilizando vasos plásticos de 20kg, com solo Aluvial Eutrófico textura média da camada superficial (0,0 a 0,2m), peneirado em malhas de 4mm. Na preparação dos vasos, efetuou-se a adubação de plantio correspondente à dosagem de 250kg ha-1 da fórmula 04-14-08 (N, P2O5 e K2O) e 30 dias após a emergência das plantas foi feita uma adubação de cobertura com nitrogênio na forma de uréia, equivalente a 30kg ha-1. O delineamento experimental utilizado foi o inteiramente casualizado com vinte repetições no esquema de parcelas subdivididas. Nas parcelas foram colocadas as cultivares de feijão (“Neguinho” e “Carioca”) e nas subparcelas foram coletados os dados de altura das plantas de cinco em cinco dias até aos 85 dias após o plantio, correspondendo assim a 17 observações longitudinais.

Para descrever o crescimento, utilizou-se o modelo não-linear de crescimento Logístico: yij = Ai[1 + biexp(kitij)]-1 + eij, em que: yij é a altura da planta avaliada na repetição i na idade j, Ai é a altura máxima da planta, bi é o parâmetro de integração (não se sabe a interpretação biológica) e ki é a taxa de maturidade (quanto maior, maior a precocidade), e eij é o termo de erro aleatório, eij ~ N(0,σe2).

A metodologia Bayesiana foi empregada mediante as especificações seguintes.

A distribuição dos dados amostrais foi dada por: yij|θ,σe2 ~ N (Ai[ 1 + bi exp (-kitij)]-1, σe2, θ = [Ai, bi, ki]

Portanto, a função de verossimilhança é:

As distribuições a priori utilizadas foram: θ~N (µ, σe2), µ = [µA, µb, µk], µ ~Uniforme (Linf, Lsup), , em que: Linf, Lsup, α, β, α1, β1 são os parâmetros das distribuições a priori, também chamados de hiperparâmetros.

Toda a análise foi conduzida no software Winbugs (SPIEGELHALTER et al., 2007), utilizando-se 25.000 iterações na implementação dos algoritmos MCMC para obter amostras convergentes a serem usadas na inferência dos parâmetros das distribuições marginais a posteriori. A rotina desenvolvida no presente trabalho é apresentada e comentada na tabela 1.

As amostras das distribuições marginais a posteriori para as diferenças dos parâmetros foram obtidas por meio da utilização das amostras geradas para as distribuições marginais dos parâmetros da curva representativa de cada população, ou seja, considerou-se a diferença como uma função, dada por: f(x)=(µcultivar1 - µcultivar2)

Assim, foi possível testar a hipótese de igualdade dos parâmetros mediante avaliação do intervalo de credibilidade para as diferenças, pois, se este vier a conter o valor zero, conclui-se que, em média, os parâmetros das duas populações envolvidas no contraste são iguais. Esta metodologia foi apresentada por SILVA et al. (2005) para comparar parâmetros de curvas de lactação de cabras referentes a duas diferentes populações.

 

RESULTADOS E DISCUSSÃO

Na tabela 2 estão apresentadas as estimativas dos parâmetros do modelo de crescimento logístico ajustado aos dados das cultivares de feijoeiro “Neguinho” e “Carioca”. As curvas de crescimento representativas de cada cultivar estão apresentadas na figura 1.

As figuras 2, 3, 4 e 5 mostram as distribuições marginais dos parâmetros do modelo de crescimento Logístico, da variância residual e das diferenças entre os parâmetros A e K. De modo geral, essas figuras retratam de forma prática a utilização da metodologia Bayesiana, a qual está fundamentada em distribuições de probabilidade para estimar os parâmetros de interesse.

De acordo com os resultados apresentados na tabela 2, é possível verificar que, em média, o parâmetro A, ou seja, a altura máxima atingida pela planta, não apresentou diferença significativa entre as duas cultivares comparadas. O mesmo não foi verificado para o parâmetro K, taxa de maturidade, pois se observou que o intervalo de credibilidade contém apenas valores negativos, o que permite afirmar que a cultivar “Carioca” apresentou maior precocidade que a cultivar “Neguinho”.

Informações a respeito de cultivares de feijoeiros mais precoces em relação ao crescimento são importantes para avaliar sistemas de plantio e recomendar adubações referentes a cada sistema (VIEIRA et al., 2005). Estes autores compararam a evolução do crescimento das cultivares Talismã e Ouro Negro sob os sistemas de plantio direto e convencional e concluíram que esta última apresentou maior eficiência de crescimento ao se utilizar plantio direto.

Além de a comparação entre os parâmetros das curvas, pode-se também inferir em relação à precisão do ajuste do modelo não-linear aos dados de cada cultivar estudada. Dessa forma, os dados provenientes da cultivar “Carioca” apresentaram menor variabilidade em relação à forma da curva de crescimento, uma vez que a variância (s2) é menor que aquela apresentada pela outra cultivar.

 

CONCLUSÃO

A metodologia Bayesiana permitiu comparar curvas de crescimento de cultivares de feijoeiro de forma eficiente, sem utilizar aproximações assintóticas. Neste trabalho foi demonstrado que a cultivar “Carioca” apresenta um incremento em altura maior, ou seja, é mais precoce que a cultivar “Neguinho”. Assim esses dados podem ser explorados em experimentos futuros.

 

REFERÊNCIAS

BLASCO, A. et al. Bayesian analysis of the effect of selection for growth rate on growth curves in rabbits. Genetics Selection Evolution, Les Ulis, v.35, n.1, p.21-41, 2003.         [ Links ]

ROSA, G.J.M. Análise bayesiana de modelos lineares mistos robustos via amostrador de gibbs. 1998. 57f. Tese (Doutorado em Agronomia) – Curso de Pós-graduação em Agronomia, Escola Superior de Agricultura Luiz de Queiroz, USP.         [ Links ]

SILVA, F.F. et al. Abordagem Bayesiana da curva de lactação de cabras Saanen de primeira e segunda ordem de parto. Pesquisa Agropecuária Brasileira, Brasília, v.40, n.1. p.27-33, 2005.         [ Links ]

SPIEGELHALTER, D.J. et al. WinBUGS Version 1.4.1 User Manual. Cambridge: Medical Research Council Biostatistics Unit. Capturado em 20 mar. 2007. Online. Disponível na Internet  http://www.mrc-bsu.cam.ac.uk/bugs.         [ Links ]

VIEIRA, N.M.B. et al. Altura de planta do feijoeiro cvs. talismã e ouro negro em plantio direto e convencional. In: CONGRESSO NACIONAL DE PESQUISA DE FEIJÃO, 8., 2005, Goiânia, GO. Anais... Santo Antônio de Goiás: Embrapa Arroz e Feijão, 2005. p.761-764.         [ Links ]

 

 

Recebido para publicação 30.03.07
Aprovado em 30.01.08

 

 

1 Autor para correspondência.

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License