Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1035298
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorMAIA, A. de H. N.pt_BR
dc.contributor.authorTERAO, D.pt_BR
dc.date.accessioned2016-01-27T11:11:11Zpt_BR
dc.date.available2016-01-27T11:11:11Zpt_BR
dc.date.created2016-01-27pt_BR
dc.date.issued2015pt_BR
dc.identifier.citationIn: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 6 p.pt_BR
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1035298pt_BR
dc.descriptionResumo: O uso de técnicas de exploração, visualização e análise inferencial de dados provenientes de estudos de patologias pós-colheita constitui um importante componente no processo de geração e comunicação de evidências experimentais para orientar o desenvolvimento de inovações tecnológicas para controle dessas patologias. Tradicionalmente, para análise inferencial de ensaios de doenças pós colheita são utilizados modelos lineares ordinários, isoladamente, para cada data de avaliação. Os dados originais são geralmente transformados, buscando evitar violações de pressupostos de normalidade e homogeneidade de variâncias. Esses métodos apresentam limitações, especialmente por não considerarem de forma adequada a natureza das variáveis e as prováveis correlações temporais entre as observações feitas num mesmo fruto ao longo do tempo. A escolha dos métodos adequados de análise inferencial de variáveis em qualquer ensaio depende tanto do delineamento experimental utilizado, quanto da natureza das variáveis de interesse. Quando variáveis são observadas ao longo do tempo numa mesma unidade experimental, caracterizando um estudo longitudinal ou de medidas repetidas é necessária especial atenção para a modelagem das prováveis correlações temporais entre as medidas, além da questão do tipo de distribuição de probabilidade da variável. Para variáveis Normais, essa modelagem pode ser feita via Modelos Lineares Gerais; para variáveis não Normais, deve-se utilizar uma generalização dos GLM, os Modelos Lineares Generalizados Mistos. Apresentamos, um exemplo de análises exploratória, análise inferencial e visualização de dados de um ensaio para avaliar a eficiência de tratamentos térmicos para controle do bolor verde da laranja.pt_BR
dc.language.isoporpt_BR
dc.rightsopenAccesspt_BR
dc.subjectAnálise de medida repetidaspt_BR
dc.subjectVisualização de dadospt_BR
dc.subjectAnálise de agrupamentospt_BR
dc.subjectRepeated measurespt_BR
dc.subjectData visualizationpt_BR
dc.titleAnálise de ensaios de sanidade pós-colheita considerando a estrutura longitudinal das avaliações.pt_BR
dc.typeArtigo em anais e proceedingspt_BR
dc.date.updated2016-01-27T11:11:11Zpt_BR
dc.subject.thesagroEstatística agrícolapt_BR
dc.subject.thesagroPós-colheitapt_BR
dc.subject.thesagroLaranjapt_BR
dc.subject.thesagroDoença de plantapt_BR
dc.subject.thesagroMofo verdept_BR
dc.subject.nalthesaurusAgricultural statisticspt_BR
dc.subject.nalthesaurusCluster analysispt_BR
dc.subject.nalthesaurusPostharvest diseasespt_BR
riaa.ainfo.id1035298pt_BR
riaa.ainfo.lastupdate2016-01-27pt_BR
dc.contributor.institutionALINE DE HOLANDA NUNES MAIA, CNPMA; DANIEL TERAO, CNPMA.pt_BR
Aparece nas coleções:Artigo em anais de congresso (CNPMA)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2015AA010.pdf223,28 kBAdobe PDFThumbnail
Visualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace