[1] Considerando um experimento estudando três níveis de adubação orgânica, discuta se o melhor
caminho para análise é a regressão ou comparação por médias?
Para este experimento que está testando três níveis de adubação orgânica não é aconselhável trabalhar com
a análise de regressão apesar de se está trabalhando com variáveis quantitativas, pois a regressão linear pode
não representar bem o comportamento entre as variáveis, já que não é uma boa ferramenta para explicar
fenômenos biológicos. O melhor caminho neste caso seria a comparação entre as médias que permite avaliar
os três pontos de maneira individual explicando assim a existência de diferença ou não entre os tratamentos.
Resposta certa por uma razão completamente errada… por esta resposta se não fosse linear podia ser,
quando na realidade o ponto é que o número de pontos é pequeno demais para permitir um bom
entendimento do que acontecesse
[0] Explique porque podemos considerar que o nível de significância de uma regressão é menos critico
do que sua importância intrínseca.
O nível de significância de modo geral é apenas um indicativo de probabilidade de erro na afirmação de um
acontecimento, não sendo um indicador de importância cientifica. Na regressão estamos muito mais
interessados na importância até porque geralmente quase toda regressão é significativa, o que às vezes pode
não ser necessariamente importante.
Isto é a definição de significância. Não explicou porque isto é verdade, exceto por uma tentativa circular no
fim, em que é importante porque é importante…
[0] Discuta a relação entre a regressão e um relacionamento causa-efeito.
A regressão consiste na obtenção de uma função que liga duas ou mais variáveis que busca explicar a
variação em uma variável (chamada de variável dependente) pela variação de outra variável, designada
variável independente. Portanto, não existe relação entre causa-efeito e regressão, pois a regressão tem por
finalidade estimar a relação existente entre uma variável (dependente) e outra variável (independente).
E porque não existe? Sua resposta apenas define o que é regressão e afirma sem nenhuma base aparente que
não existe. Isto não é resposta para a pergunta, ainda mais na pós-graduação.
[3] Discuta o artigo desta semana de forma detalhada para que o leitor de seu resumo tenha um bom
entendimento do artigo.
O artigo se refere sobre dois procedimentos estatísticos utilizados para análise de dados de decomposição
sendo essas duas abordagens conceitualmente muitos diferentes. Essa duas abordagens analíticas são: uso de
analise de variância para examinar dados de decomposição e a outra abordagem é sobre a montagem de
modelos matemáticos para análise de dados de decomposição.
O procedimento estatístico de análise de variância para análise de dados de decomposição pode ser
apropriado se o objetivo do estudo em particular é o de avaliar o efeito de vários tratamentos na
decomposição, examinando as diferenças entre os meios de tratamento através de todos os dados de
amostragem. No entanto para este método deve ser exercido um cuidado considerável ao se fazer inferências
sobre a taxa de decomposição.
O outro procedimento analítico comentado neste artigo para análise de dados de decomposição é baseado na
montagem de modelos matemáticos para estimar constantes que descrevem a perda de massa ao longo do
tempo. Sendo esta abordagem de valor considerável para a obtenção de conhecimentos sobre a biologia do
processo de decomposição.
Entre esses modelos destacam-se a função de decaimento exponencial simples que apresenta como propósito
a seguinte maneira, de que a taxa de decomposição absoluta diminui linearmente. O outro modelo é o de
decaimento exponencial duplo, que assume que o material tem duas etapas dinâmica de decomposição uma
em que a fração é facilmente decomposta e outra etapa em que a fração é mais recalcitrante é uma fração
mais resistente. Outros modelos matemáticos usados para análise de dados de decomposição são
comentados no artigo sendo estes os lineares, funções quadráticas e Power. Esses modelos lineares
consideram que a taxa de decomposição absoluta é constante ao longo do tempo enquanto a taxa de
decomposição relativa aumenta com o tempo e esses modelos não conseguem justificar os efeitos
biológicos.
Dentre os modelos matemáticos apresentados no artigo para analise de dados de decomposição os modelos
exponenciais são os mais desejados porque são os mais realistas tanto em termos de comportamento
matemático e biológicos.
Superficial, mas essencialmente ok. Discutiu pouco o lado de regressão, que é muito importante e na
realidade o tema central do artigo, em particular considerando o tópico da sabatina
[3.750] (IP:281473652441013 | 12:13:14 | 13:47:13 | 33:59 | 33.864)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
O artigo (A critique of the analytical methods used in examining decomposition data obtained from litter
bags) investiga a decomposição de plantas para analisar o funcionamento do ecossistema. Para este estudo
foi utilizado o método de sacos de liteira que consiste no isolamento do material vegetal em recipientes com
uma tela, essas amostras são colocadas em grandes quantidades no campo e a cada amostragem de dados, é
feita uma escolha aleatória das amostras, as mesmas são analisadas para perda de massa e/ou mudanças
químicas na composição da liteira. . Embora esses métodos possa subestimar a decomposição atual é
assumido que os resultados refletirão a decomposição da liteira que estará normalmente na natureza, ou seja,
que não está confinada. Normalmente ocorrem consideráveis variações nos procedimentos estatísticos
usados para analisar a decomposição dos dados, duas abordagens analíticos é comumente usado à primeira
comparar significância de tratamentos, que é feito através da analise de variância de elaboração
completamente aleatória. Esta elaboração inclui um arranjo fatorial dos tratamentos onde um tratamento é
dado e os outros podem ser lugares, tipo de liteira, entre outros. Considerando como um exemplo uma
situação onde a decomposição de liteira de três diferentes espécies é simultaneamente examinada a análise
de variância irá conter os principais efeitos dos dados e espécies, e dados x interação das espécies. Embora a
análise de variância não testar a hipótese diretamente sobre as taxas de decomposição absoluta ou relativa,
inferências sobre as taxas de decomposição pode ser justificada se e somente se o termo de interação é a
interação não significativa é acompanhado por um efeito de espécies não significativo, então não há
diferenças entre os três espécies de massa média percentual remanescente através de todas as datas de
amostragem. Se o um efeito significativo espécies acompanha uma interação não significativa, pelo menos,
duas das três espécies diferem em massa média percentual. Se o objetivo de estudo em particular for acessa
o efeito de vários tratamentos de decomposição, examinando as diferenças entre os meios de tratamento
através de todas as datas de amostragem, a análise de variância pode ser apropriada. No entanto, o cuidado
deve ser exercido consideravelmente ao fazer inferências sobre as taxas de decomposição.
A segunda abordagem geral é a montagem de modelos matemáticos para estimar constantes que descrevem
a perda de massa ao longo do tempo. O modelo frequentemente usado para descrever a decomposição em
função do decaimento exponencial simples, neste modelo a única Constante, k se, caracteriza a perda de
massa, facilitando a comparabilidade com outros conjuntos de dados e simplificar as tentativas de modelar o
acúmulo de carbono orgânico no solo. O pressuposto subjacente ao modelo exponencial simples pode ser
expresso em duas maneiras: ou a taxa de decomposição absoluta diminui linearmente com a quantidade de
substrato declínios restantes, ou a taxa de decomposição relativa permanece constante. O modelo de
decaimento exponencial duplos assumem que pouco pode ser dividido em dois componentes, uma fração
relativamente facilmente decompostas ou lábeis (A), e uma fração mais recalcitrante (1 = A). Cada fração
decai exponencialmente com taxas caracterizadas por k1d e k2d, respectivamente; decomposição total é
representada pela soma das perdas de cada fração.. O modelo exponencial duplo não considera qualquer
eventual transferência do lábil ao material recalcitrante, como pode ocorrer na síntese de biomassa
microbiana durante a decomposição. O modelo de assintótica está intimamente relacionado com ambos os
modelos exponenciais simples e duplo. O modelo de assintótica pode ser pensado como o único modelo
exponencial que tende para uma constante positiva, em vez de para zero, ou pode ser pensado como o
modelo exponencial duplo onde k2d igual à zero, isto é, a fração recalcitrante é completamente resistente à
deterioração. Uma vez que nenhuma fração da pequena planta é completamente imune a ataques
microbianos, a generalidade do modelo assintótico é questionável. No entanto, sob certas manipulações
experimentais ou em ambientes muito resistentes, o modelo assintótico pode descrever os dados muito bem
para pelo menos o período durante o qual um estudo em particular é conduzido. Outros modelos menos
usados geralmente incluem as funções lineares, quadráticas e potências. O modelo linear considera que o
valor da decomposição absoluta é constante durante a decomposição enquanto que o valor da decomposição
relativa aumenta com o tempo suposições de qual são difíceis justificar biologicamente. A função quadrática
muitas vezes é possível obter estimativas de parâmetros que produzem bons ajustes para dados não lineares.
Para estudos de decomposição, modelos quadráticos podem muito bem descrever os dados dentro dos
limites de X e t gerados por conjunto particular de dados; extrapolações além do intervalo dos dados podem
ser especialmente problemáticas. As propriedades matemáticas do modelo quadrático no limite o tornam um
dos menos apropriados para decomposição dos dados da liteira. A função potência tem propriedades
matematicamente indesejáveis de aproximar do infinito com o tempo próximo de zero. Assim não é possível
para a função potência encontrar a restrição em que o tempo = 0 a proporção remanescente de liteira inicial é
igual a 1.0.
Os modelos podem ser divididos em dois grupos: os que são lineares ou intrinsecamente lineares nos
parâmetros, e aqueles que não são lineares intrínsecos nos parâmetros. Modelos intrinsecamente lineares
podem ser transformados de tal modo que eles se tornam lineares, ao passo que os modelos intrinsecamente
não lineares não podem ser convertidos a uma forma linear. Como os modelos exponenciais simples e
assintóticos são intrinsecamente lineares, eles juntamente com o modelo linear podem ser adequados para os
dados de decomposição, utilizando pela estimativa de quadrados linear. Análise de covariância é limitada
para modelos lineares ou linearizados e não pode ser aplicada a qualquer interceptação fixa ou modelos
intrinsecamente não lineares. Embora considerável a cautela deva ser exercida quando se inferir a partir de
processo padrão, concluímos esta discussão, onde o modelo exponencial duplo tem sido útil no fornecimento
de conhecimento considerável sobre a biologia do processo de decomposição. Ele também é útil em situação
experimental em que a decomposição de um tipo de detritos é simultaneamente examinada em vários locais.
O uso predominante da estatística como ferramenta de pesquisa é comum. As análises estatísticas, no
entanto, apenas fornecem uma maneira objetiva de análisar dados e deve ser usada para ajudar a interpretar
os resultados de um estudo em particular. Como tal, a compreensão das limitações e desvantagens de um
determinado procedimento estatístico é requisito para a interpretação adequada dos dados reais.
Este artigo é uma revisão discutindo a análise de experimentos de decomposição com sacos de liteira, não
utilizou sacos de liteira. Mais cuidado com a leitura. Cuidado também com o inglês, já que actual não é
atual, mas real... o texto está bastante truncado, aparentemente por problemas de inglês.tentou discutir o lado
biológico, mas ainda não chegou lá...
[2.200] (IP:281473652441013 | 12:14:21 | 13:47:33 | 33:12 | 15.557)
Qual a principal vantagem do uso de regressões não lineares?
A regressão não-linear é uma forma de análise observacional em que os dados são modelados por uma
função que é uma combinação não-linear de parâmetros do modelo e depende de uma ou mais variáveis
independentes. Nos modelos não-lineares, ao invés de se fazer uma descrição puramente empírica do
fenômeno em estudo, pode-se, a partir de suposições importantes sobre o problema (freqüentemente dadas
através de uma ou mais equações diferenciais), trabalhar no sentido de se obter uma relação teórica entre as
variáveis observáveis de interesse. O problema, diferentemente do caso linear, é que os parâmetros entram
na equação de forma não linear, assim, nós não podemos simplesmente aplicar fórmulas para estimar os
parâmetros do modelo. Outra vantagem dos modelos não lineares é obter parâmetros que são facilmente
interpretáveis. Em muitas situações, necessitam-se de menos parâmetros ,nos modelos não lineares do que
nos lineares, isto simplifica e facilita a interpretação. Então se percebe que os modelos não-lineares são
usualmente resultantes de processos interativos, porque são frequentemente derivados de modelagem
mecanicista, onde todas as causas possíveis sejam conhecidas. São bons modelos descritores de fenômenos
biológicos, pois grande parte dos parâmetros tem significado biológico. Por exemplo, o desenvolvimento de
modelos matemáticos não-lineares (Gompertz), para relacionar peso e idade de um dado organismo animal
tem-se mostrado adequados para descrever a curva de crescimento. Esses modelos permitem que conjuntos
de informações em séries de peso por idade, sejam condensados num pequeno número de parâmetros, para
facilitar a interpretação e o entendimento do fenômeno.
escrita confusa, mas deu para ver que entendeu a vantagem
[2.000] (IP:281473652441013 | 12:14:48 | 13:47:54 | 33:06 | 1.981)
Explique porque podemos considerar que o nível de significância de uma regressão é menos crítico do
que sua importância intrínseca.
A significância indica a chance máxima de a variação ser devido ao acaso. O interesse maior, na regressão, é
a importância. Pois a maioria das regressões são significantes, o que as vezes pode não ser necessariamente
importante. Um experimento, quando bem conduzido e utilizando dados corretos, pode apresentar resultados
significativos, mas não serem importantes. Por exemplo, as médias podem apresentar diferença tão pequena,
e ser significativo mas na prática essa diferença de médias não vão influenciar na conclusão que o
pesquisador vai ter, daí o fato de ser significante e não ser importante, pois a importância vai expressar a
ligação entre as variáveis, o que oferece ao pesquisador melhores condições de explicar cientificamente o
efeito de seus resultados.
as duas primeiras frases estão corretas, mas a explicação está apenas razoável
[2.200] (IP:281473652441013 | 12:15:30 | 13:48:19 | 32:49 | 5.176)
Quais são os principais pontos que devemos avaliar ao estudar uma regressão?
Os principais pontos que se deve avaliar são: O quanto dos dados é explicado pela regressão, pois quando
eles são explicados pouco a regressão não tem importância pratica, qual o tamanho dos coeficientes, e o
intervalo de confiança que com base na amostra vai mostra onde esta a população, e a significância que e
importante mais geralmente como se tem significância então a mesma não é avaliada como os outros pontos.
curto, direto e correto
[4.000] (IP:281473826508335 | 14:16:22 | 18:22:49 | 06:27 | 2.816)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
A investigação da decomposição é um aspecto importante das análises da função do ecossistema. Esses
estudos geralmente são baseados no método das bolsas de decomposição ou de serrapilheira, que consiste
em depositar no sistema bolsas contendo material vegetal de massa e composição química conhecidas.
Apesar de muitos inconvenientes, esse método ainda é uma das técnicas mais usadas para análise de
decomposição em ecossistemas terrestres, pois reflete as tendências das características da decomposição da
serrapilheira não confinada, permitindo comparações entre espécies, locais e manipulações experimentais.
Muitas vezes o objetivo do estudo é comparar os efeitos do tratamento (locais, espécies, condições
experimentais), examinando as diferenças entre as médias dos tratamentos na porção da massa original
restante em várias épocas. E o método estatístico mais comum do exame desses dados de decomposição é a
análise de variância, delineamento inteiramente casualizado. As análises normalmente são realizadas na
porcentagem de X (massa seca, por exemplo) que restou no tempo t. A partir dessa função x = f(t), podemos
obter informações da taxa de decomposição absoluta (inclinação da curva) e taxa de decomposição relativa.
Outra abordagem seria o ajuste de modelos matemáticos para estimar constantes que descrevam a perda de
massa ao longo do tempo, o que favorece o entendimento da biologia do processo de decomposição. O
modelo mais comum é o exponencial simples de função decrescente, fundamentado na teoria de que a
decomposição absoluta decresce linearmente e a razão da decomposição relativa permanece constante.
Porém esse modelo vem sendo substituído pelo modelo decrescente exponencial duplo, que assume que a
serrapilheira pode ser dividida em dois componentes: um de decomposição relativamente fácil e uma fração
mais recalcitrante. Cada fração decresce a uma respectiva constate e a decomposição total é representada
pela soma das perdas de cada fração.
O modelo assintótico está muito relacionado aos modelos vistos anteriormente, e pode ser pensado como um
modelo exponencial simples que tende a zero, ou como um modelo exponencial duplo em que a constante da
fração recalcitrante é igual a zero. Entretanto, esse modelo só pode descrever satisfatoriamente o processo
em ambientes rigorosamente controlados. Os autores também exemplificam outras funções que podem ser
usadas como a linear, quadrática e a potencial.
Os modelos de ajuste podem ser divididos entre aqueles com parâmetros lineares ou intrinsecamente
lineares, e aqueles com parâmetros intrinsecamente não lineares. Modelos exponenciais simples e
assintóticos são intrinsecamente lineares e podem ajustar os dados de decomposição usando estimações
lineares ou pelo menos quadráticas. Estimativas quadráticas não lineares devem ser usadas no ajuste de
modelos intrinsecamente não lineares, e também podem ser usadas no ajuste de modelos exponenciais
simples ou assintóticos não transformados.
Os autores apontam os seguintes requisitos como importantes em uma expressão matemática: a proporção da
massa restante inicial deve mudar em função do tempo; a expressão deve ser monotonicamente decrescente
e contínua; a expressão deve ser limitada por x = 1 e x = 0; a taxa de decomposição absoluta deve declinar
progressivamente; e a taxa de decomposição relativa deve ser constante ou tender a isso. Os três modelos
exponenciais agrupam todos esses requisitos, mas os modelos lineares, quadráticos e potenciais falham em
pelo menos um desses requisitos. Para a escolha, também é importante verificar se a linha de regressão
prediz que no tempo zero toda a serrapilheira inicial está presente, do contrário, o modelo pode não ser o
mais apropriado e o significado e interpretação de comparações entre os valores das constantes são
questionáveis. Afinal, entender as limitações e desvantagens de um procedimento estatístico particular é
requisito para propor uma interpretação real dos dados, pois a estatística é uma importante ferramenta para a
análise objetiva dos dados, mas cabe ao pesquisador fazer bom uso dela.
resumo bastante resumido, mas cobriu os pontos centrais bem. Eu esperava mais discussão do lado biologia.
[2.200] (IP:281473826508335 | 18:22:49 | 18:23:22 | 00:33 | 32.467)
Qual a principal vantagem do uso de regressões não lineares?
Pesquisadores inferiram que, em estudos realizados em longos períodos de tempo, os dados podem não ser
satisfatoriamente representados por equações lineares, visto que o comportamento não linear é o que
predomina nos seres vivos, em função da natureza dinâmica e complexa. Por princípio, a regressão não
linear é uma análise observacional em que os dados são modelados por uma função obtida através da
combinação não linear de uma ou mais variáveis independentes. Portanto, quando comparado ao modelo
linear, o modelo não linear tem a vantagem de apresentar parâmetros com interpretação biológica. Isso
possibilita a obtenção de informações importantes como taxas de crescimento, ganho de massa, etc.
ok
[2.200] (IP:281473826508335 | 14:19:54 | 18:24:05 | 04:11 | 38.564)
Compare a regressão polinomial com as regressões não-lineares, considerando os pontos de vista de
uso prático, e capacidade de interpretação dos resultados.
Dentre as muitas diferenças entre essas duas classes, a principal está relacionada as suas formulações. No
caso da regressão linear polinomial, a partir de um conjunto de informações, e com a adição de variáveis
independentes, busca-se o modelo que melhor explique a relação entre as variáveis inerentes a um dado
fenômeno. Já no caso não linear, na maioria das vezes, as formulações de modelos são baseadas em
considerações teóricas inerentes ao fenômeno que se tem interesse de estudar (modelagem mecanicista). A
regressão não linear é amplamente utilizada em estudos de comportamento biológico, nos quais os
parâmetros fornecem um melhor conhecimento sobre o fenômeno. Além disso, modelos não lineares
geralmente fornecem um bom ajuste com um número menor de parâmetros do que uma função polinomial
que descrevesse o mesmo fenômeno, por exemplo, e isso facilita a interpretação. E diferente dos modelos de
regressão polinomial, em que a validade das inferências é avaliada principalmente por meio de diagnósticos
de regressão, nos casos não lineares, deve-se também avaliar a extensão do comportamento não-linear do
modelo adotado.
ok
[2.200] (IP:281473826508335 | 14:21:23 | 18:30:16 | 08:53 | 363.736)
Discuta a relação entre a regressão e um relacionamento causa-efeito.
Uma das utilizações da equação de regressão é explicar valores de uma variável em função de outra. Então é
possível suspeitar de uma relação de causa e efeito entre as variáveis. Entretanto, variáveis altamente
correlacionadas (coeficiente de correlação alto) não apresentam necessariamente qualquer relação causaefeito. A correlação representa, então, a tendência que as variáveis apresentam quanto a sua variação
conjunta. Ou seja, o relacionamento entre as variáveis é necessário para comprovar causa e efeito, mas não é
suficiente para ser prova definitiva. Portanto as evidências de relações causais devem ser obtidas a partir do
conhecimento dos processos envolvidos. Mas a regressão também pode ser utilizada para controlar ou
estimar valores entre os quais a variável de interesse pode oscilar. Nesse caso, é importante que a relação
existente entre a variável de interesse (Y) e as variáveis utilizadas para seu controle (X) sejam do tipo causaefeito, assim pode-se proceder com a estrapolação para o futuro das relações já observadas no passado.
bem explicado, embora um pouco confuso.
[4.000] (IP:281473826508335 | 14:16:22 | 18:22:49 | 06:27 | 2.816)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
A investigação da decomposição é um aspecto importante das análises da função do ecossistema. Esses
estudos geralmente são baseados no método das bolsas de decomposição ou de serrapilheira, que consiste
em depositar no sistema bolsas contendo material vegetal de massa e composição química conhecidas.
Apesar de muitos inconvenientes, esse método ainda é uma das técnicas mais usadas para análise de
decomposição em ecossistemas terrestres, pois reflete as tendências das características da decomposição da
serrapilheira não confinada, permitindo comparações entre espécies, locais e manipulações experimentais.
Muitas vezes o objetivo do estudo é comparar os efeitos do tratamento (locais, espécies, condições
experimentais), examinando as diferenças entre as médias dos tratamentos na porção da massa original
restante em várias épocas. E o método estatístico mais comum do exame desses dados de decomposição é a
análise de variância, delineamento inteiramente casualizado. As análises normalmente são realizadas na
porcentagem de X (massa seca, por exemplo) que restou no tempo t. A partir dessa função x = f(t), podemos
obter informações da taxa de decomposição absoluta (inclinação da curva) e taxa de decomposição relativa.
Outra abordagem seria o ajuste de modelos matemáticos para estimar constantes que descrevam a perda de
massa ao longo do tempo, o que favorece o entendimento da biologia do processo de decomposição. O
modelo mais comum é o exponencial simples de função decrescente, fundamentado na teoria de que a
decomposição absoluta decresce linearmente e a razão da decomposição relativa permanece constante.
Porém esse modelo vem sendo substituído pelo modelo decrescente exponencial duplo, que assume que a
serrapilheira pode ser dividida em dois componentes: um de decomposição relativamente fácil e uma fração
mais recalcitrante. Cada fração decresce a uma respectiva constate e a decomposição total é representada
pela soma das perdas de cada fração.
O modelo assintótico está muito relacionado aos modelos vistos anteriormente, e pode ser pensado como um
modelo exponencial simples que tende a zero, ou como um modelo exponencial duplo em que a constante da
fração recalcitrante é igual a zero. Entretanto, esse modelo só pode descrever satisfatoriamente o processo
em ambientes rigorosamente controlados. Os autores também exemplificam outras funções que podem ser
usadas como a linear, quadrática e a potencial.
Os modelos de ajuste podem ser divididos entre aqueles com parâmetros lineares ou intrinsecamente
lineares, e aqueles com parâmetros intrinsecamente não lineares. Modelos exponenciais simples e
assintóticos são intrinsecamente lineares e podem ajustar os dados de decomposição usando estimações
lineares ou pelo menos quadráticas. Estimativas quadráticas não lineares devem ser usadas no ajuste de
modelos intrinsecamente não lineares, e também podem ser usadas no ajuste de modelos exponenciais
simples ou assintóticos não transformados.
Os autores apontam os seguintes requisitos como importantes em uma expressão matemática: a proporção da
massa restante inicial deve mudar em função do tempo; a expressão deve ser monotonicamente decrescente
e contínua; a expressão deve ser limitada por x = 1 e x = 0; a taxa de decomposição absoluta deve declinar
progressivamente; e a taxa de decomposição relativa deve ser constante ou tender a isso. Os três modelos
exponenciais agrupam todos esses requisitos, mas os modelos lineares, quadráticos e potenciais falham em
pelo menos um desses requisitos. Para a escolha, também é importante verificar se a linha de regressão
prediz que no tempo zero toda a serrapilheira inicial está presente, do contrário, o modelo pode não ser o
mais apropriado e o significado e interpretação de comparações entre os valores das constantes são
questionáveis. Afinal, entender as limitações e desvantagens de um procedimento estatístico particular é
requisito para propor uma interpretação real dos dados, pois a estatística é uma importante ferramenta para a
análise objetiva dos dados, mas cabe ao pesquisador fazer bom uso dela.
resumo bastante resumido, mas cobriu os pontos centrais bem. Eu esperava mais discussão do lado biologia.
[2.200] (IP:281473826508335 | 18:22:49 | 18:23:22 | 00:33 | 32.467)
Qual a principal vantagem do uso de regressões não lineares?
Pesquisadores inferiram que, em estudos realizados em longos períodos de tempo, os dados podem não ser
satisfatoriamente representados por equações lineares, visto que o comportamento não linear é o que
predomina nos seres vivos, em função da natureza dinâmica e complexa. Por princípio, a regressão não
linear é uma análise observacional em que os dados são modelados por uma função obtida através da
combinação não linear de uma ou mais variáveis independentes. Portanto, quando comparado ao modelo
linear, o modelo não linear tem a vantagem de apresentar parâmetros com interpretação biológica. Isso
possibilita a obtenção de informações importantes como taxas de crescimento, ganho de massa, etc.
ok
[2.200] (IP:281473826508335 | 14:19:54 | 18:24:05 | 04:11 | 38.564)
Compare a regressão polinomial com as regressões não-lineares, considerando os pontos de vista de
uso prático, e capacidade de interpretação dos resultados.
Dentre as muitas diferenças entre essas duas classes, a principal está relacionada as suas formulações. No
caso da regressão linear polinomial, a partir de um conjunto de informações, e com a adição de variáveis
independentes, busca-se o modelo que melhor explique a relação entre as variáveis inerentes a um dado
fenômeno. Já no caso não linear, na maioria das vezes, as formulações de modelos são baseadas em
considerações teóricas inerentes ao fenômeno que se tem interesse de estudar (modelagem mecanicista). A
regressão não linear é amplamente utilizada em estudos de comportamento biológico, nos quais os
parâmetros fornecem um melhor conhecimento sobre o fenômeno. Além disso, modelos não lineares
geralmente fornecem um bom ajuste com um número menor de parâmetros do que uma função polinomial
que descrevesse o mesmo fenômeno, por exemplo, e isso facilita a interpretação. E diferente dos modelos de
regressão polinomial, em que a validade das inferências é avaliada principalmente por meio de diagnósticos
de regressão, nos casos não lineares, deve-se também avaliar a extensão do comportamento não-linear do
modelo adotado.
ok
[2.200] (IP:281473826508335 | 14:21:23 | 18:30:16 | 08:53 | 363.736)
Discuta a relação entre a regressão e um relacionamento causa-efeito.
Uma das utilizações da equação de regressão é explicar valores de uma variável em função de outra. Então é
possível suspeitar de uma relação de causa e efeito entre as variáveis. Entretanto, variáveis altamente
correlacionadas (coeficiente de correlação alto) não apresentam necessariamente qualquer relação causaefeito. A correlação representa, então, a tendência que as variáveis apresentam quanto a sua variação
conjunta. Ou seja, o relacionamento entre as variáveis é necessário para comprovar causa e efeito, mas não é
suficiente para ser prova definitiva. Portanto as evidências de relações causais devem ser obtidas a partir do
conhecimento dos processos envolvidos. Mas a regressão também pode ser utilizada para controlar ou
estimar valores entre os quais a variável de interesse pode oscilar. Nesse caso, é importante que a relação
existente entre a variável de interesse (Y) e as variáveis utilizadas para seu controle (X) sejam do tipo causaefeito, assim pode-se proceder com a estrapolação para o futuro das relações já observadas no passado.
bem explicado, embora um pouco confuso.
[4.000] (IP:281473660132641 | 11:11:45 | 19:16:47 | 05:02 | 10.327)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
O artigo “a critique of the analytical methods used in examining decomposition data obtained from litter
bags” escrito por Kelman Wieder e Gerald Lang nos proporciona uma discussão sobre o emprego da análise
de variância como também os ajustes de modelos matemáticos (regressão) sobre os dados obtidos do
processo de decomposição de resíduos vegetais oriundos de um método específico denominado de “litter
bags”. Os autores descrevem tanto as vantagens como as desvantagens assim como suas limitações de
aplicação tanto para a análise de variância como também o emprego da regressão que melhor se adequa aos
dados obtidos, e desta forma expressando os principais problemas concernentes à interpretação dos
resultados.
Os autores relatam que a taxa de decomposição ou simplesmente a decomposição dos resíduos vegetais é um
aspecto importante para a compreensão do ecossistema terrestre. Este estudo é norteado por um método
amplamente utilizado denominado de “litter bags” descrito por Bocock & Gilbert (1957) e Bocock et al.
(1960) em que consiste basicamente no empacotamento de um material vegetal de massa e constituição
química conhecida num recipiente lacrado, na qual este será colocado no campo para se realizar o processo
de decomposição por meio dos microrganismos, posteriormente, isso quer dizer com o passar de certo
tempo, geralmente em dias, coleta-se um conjunto de sacos aleatoriamente para possíveis analises de perda
de massa pelo efeito da decomposição do material ou resíduo, e/ou avaliação da composição química do
mesmo ao longo de certo período de exposição ao processo. Os mesmos afirmam que variações
consideráveis ocorrem nos processos estatísticos utilizados na avaliação ou exame de dados oriundos de
decomposição de resíduos vegetais, e que duas são as abordagens analíticas comumente utilizadas na análise
estatística para este caso: a primeira refere-se à comparação de médias entre os tratamentos e a segunda
consiste numa descrição matemática dos dados que assim possa expressar as mudanças observadas
(massa/composição) sobre o tempo.
Quanto à comparação das médias entre os tratamentos o artigo trata sobre o emprego da analise de variância
sobre os dados, objetivando uma comparação da decomposição entre espécies num determinado local, ou
uma mesma espécie em distintos locais, ou até mesmo uma única espécie num determinado local, porém
com condições experimentais distintas. Este procedimento estatístico é utilizado com o intuito de avaliarmos
de forma bastante objetiva a significância existente entre as médias dos tratamentos. A análise é geralmente
realizada em proporção ou percentagem de uma quantidade de x remanescente no tempo t, onde x poderá
tanto ser a massa seca, ou um elemento químico constituinte do material vegetal. Portanto, se o objetivo em
particular do estudo sobre decomposição de resíduos vegetal entre espécies seja avaliar a diferença entre as
médias dos tratamentos através da variação do tempo, a análise de variância pode ser encarada como uma
ferramenta útil na análise de significância dos fatores isolados (espécies e tempo) como também na interação
entre eles (espécies x tempo).
A segunda abordagem analítica na qual o artigo trata quanto à análise do conjunto de dados oriundos de
decomposição – litter bags - refere-se à escolha apropriada da função matemática (regressão) que melhor
expresse o comportamento biológico da atividade dos microrganismos decompositores sobre determinado
resíduo vegetal durante certa unidade de tempo. Abordagem essa de estreita importância na obtenção de
percepções sobre o processo de decomposição na qual nenhum outro procedimento ou ferramenta estatística
é capaz de inferir semelhantemente.
Os autores descrevem alguns modelos dos quais ele destaca a função exponencial de queda simples como
sendo aquela habitualmente utilizada na descrição da decomposição. Modelo proposto inicialmente por
Jenny et al. (1949) e reformulado por Olson (1963), neste modelo uma simples constante kse caracteriza a
perda de massa ao longo do tempo avaliado facilitando desta forma a comparação destes com outros
conjuntos de dados. Outro modelo também exponencial de queda é o duplo, derivado do modelo simples,
contudo com algumas peculiaridades quanto à distinção entre os componentes que constituem o resíduo em
fração lábil e recalcitrante, cuja primeira apresenta-se como um material bastante susceptível a ação dos
decompositores, enquanto que a segunda caracteriza-se por ser mais resistente a ação microbiológica, e nesta
situação a taxa de decomposição absoluta será tida pelo somatório destas duas frações. Posteriormente,
outras funções também são discutidas (assintótica, linear, quadrática e power function), porém todas
apresentam limitações quanto ao seu emprego na descrição do fenômeno da decomposição.
Como consequência desta discussão estatística os autores descrevem que modelos matemáticos que assim
melhor descreva um fenômeno de decomposição devem em sua natureza perfazer certos critérios de
requerimento, que são: a proporção da massa inicial deverá sofre mudanças como uma função do tempo, ou
seja, X = f(t); a expressão deverá ser decrescente e continua; assim como limitada para valores de X = 1 e 0;
e por fim a taxa de decomposição absoluta deverá progressivamente decrescer e a taxa de decomposição
relativa deverá ser uma constante ou tender para uma constante no infinito. Desta forma é descrito que
apenas os modelos exponenciais (simples e duplo) são capazes de atender aos requerimentos propostos
acima, enquanto que os demais, discutidos no artigo falham a possuírem tais características.
E por fim concluem afirmando que a compreensão das limitações e desvantagens de um procedimento
estatístico é uma informação imprescindível no entendimento das interpretações dos dados reais, ou seja,
fenômenos de caráter biológico.
os litter bags não são lacrados... eles são selados, mas como são feitos em algum material poroso
(normalmente tela plástica muito fina, ou um tecido sintético com malha meio larga) as sacolas têm
intercâmbio com o meio, apenas não permitindo entrada de mesofauna. de resto, ok
[2.000] (IP:281473660132641 | 11:13:50 | 19:14:05 | 00:15 | 35.755)
Qual a principal vantagem do uso de regressões não lineares?
Sua principal vantagem em relação ao modelo linear refere-se ao fato de que esta melhor se adequa aos
comportamentos ou fenômenos ocorridos biologicamente, ou seja, os modelos de regressão não lineares (p.
ex. exponencial e logarítmico) se aproximam ou expressam uma mais perfeita realidade das atividades
descritas no âmbito biológico, como o crescimento vegetal em função de diferentes níveis de adubação
nitrogenada (kg ha-1), na qual se observa, por exemplo, que até certo nível de incremento de nitrogênio (N)
a planta apresenta crescimento de caráter linear crescente, contudo, em determinado nível de adubação este
crescimento cessa ou reduz drasticamente, ou seja, o crescimento se estabiliza, configurando agora um
comportamento distinto daquele visto inicialmente. Desta forma inferimos que o crescimento vegetal não
está sendo mais compensando pelas elevadas doses de N e que praticamente a planta não sofrerá aumentos
no seu crescimento (“Y”) a partir de uma determinada dose “x” (kg ha-1), sendo este comportamento melhor
descrito por meio de uma regressão não linear do tipo exponencial.
embora a resposta esteja essencialmente correta, o exemplo não está... uma resposta exponencial significaria
que a resposta seria cada vez maior ao aumento na dose de N, o que não me parece que seja o caso. Você
provavelmente queria dizer a hiperbólica, em que há uma tendência a um valor assintótico máximo...
[2.200] (IP:281473660132641 | 11:14:32 | 19:16:26 | 01:54 | 8.456)
Discuta possíveis vantagens e desvantagens do uso de regressão na ciência do solo. Detalhe em
particular cuidados que devemos tomar em sua interpretação.
Vantagens:
1 – o fato de podermos correlacionar duas os mais variáveis entre si, ou seja, posso estimar quanto que o
comportamento de uma determinada variável (comumente denominada “Y” – dependente) sofre influência
de outra (s) variável (is) (“x” ou outras além dessa – independente) e como resultado final desta relação
obtemos um comportamento representado por meio de uma função matemática (regressão);
2 – Em certas circunstâncias a análise de variância (teste F) não se mostra capaz em detectar a relação entre
a variável em análise e os tratamentos, quando estes são quantitativos, ou seja, acabamos por tomar
conclusões equivocadas diante da ineficiência do teste estatístico. Portanto, o emprego da regressão para
essas possíveis ocasiões se torna viável e estatisticamente correto;
3 – Um modelo ajustado de regressão para uma determinada circunstância também nos permite saber ou
reconhecer aproximadamente o que acontece com a variável em toda a amplitude do intervalo estudado,
possibilitando inferências mais precisas sobre determinado aspecto em questão;
4 – Outra vantagem é que a regressão nos proporciona enxergar com maior interesse o grau de importância,
ao invés de simplesmente nos direcionarmos ao nível de significância como nossa única ferramenta como
auxílio na tomada de decisão.
Desvantagem:
1 - A desvantagem reside no simples fato de que tomamos como material de estudo na regressão uma
amostra da população e diante disso nossas conclusões e interpretações para os mais diversos
comportamentos estarão apenas inseridos na amplitude deste estudo, ou seja, numa parte delimitada da
população, portanto, impossibilitando a realização de qualquer inferência que extrapole esse limite de
observação.
essencialmente correto, mas a desvantagem apresentada existe para toda técnica estatística, a meu ver pelo
menos...
[2.200] (IP:281473660132641 | 11:15:00 | 19:16:02 | 01:02 | 59.218)
Explique porque podemos considerar que o nível de significância de uma regressão é menos crítico do
que sua importância intrínseca.
A coerência dessa afirmativa reside no fato de que na regressão, ou no conjunto regressão e correlação,
indubitavelmente sempre teremos altos níveis de importância (expressos pelo valor “r2” na regressão)
significativos (1, 5 e 10% - chances de se cometer o erro tipo I), então dessa forma na regressão se torna
menos importante o reconhecimento do nível de significância em comparação ao real tamanho da
importância cientifica (coeficientes de determinação) dos respectivos dados avaliados. Portanto, é mais
comum nos defrontarmos com problemas inerentes a dados nos quais possuem significância estatística (p.ex.
dados significativos a 5 %) com níveis de importância baixos, na qual nos fornece pouca ou nenhuma
informação sobre o fenômeno ou comportamento em questão (relacionando a ciências agrárias, pois outras
áreas como medicina, reduzidos valores de importância são satisfeitos e aceitos), do que com dados que
apresentem elevada importância (proporcionando certo grau de entendimento do fenômeno em análise),
porém não significativos.
ok
[2.000] (IP:281473826518723 | 08:26:05 | 16:37:14 | 11:09 | 4.661)
Discuta possíveis vantagens e desvantagens do uso de regressão na ciência do solo. Detalhe em
particular cuidados que devemos tomar em sua interpretação.
{[Resposta questão 1: As vantagens é que a regressão pode ser usada para obter a dosagem ideal em
experimento podendo também nos fornecer o ponto máximo e/ou mínimo da dosagem referente a uma
variável estudada. Com a função obtida na regressão podemos estimar valores que sejam intermediários aos
realmente estudados durante um experimento, como por exemplo um experimento que estuda doses de 0, 20,
40, 60, 80 e 100 neste caso posso estimar uma produção com a dose de 50.
Como desvantagens podem citar a extrapolação dos dados e utilização de modelos inadequados para
explicar o comportamento dos dados analisados. Outras desvantagens são que a regressão quando ela é
linear raramente irá representa bem toda uma série de dados. Nas regressões polinomiais não tem
interpretação biológica válida para os parâmetros, ou seja, elas neste caso não são uteis como simplificação
de situação real.
As analises de regressão são muito utilizadas em ciência do solo. Esta é uma importante ferramenta em
subáreas do solo como a fertilidade do solo, nutrição mineral de plantas, entre outras, no entanto, em outras
subáreas como a gênese e classificação do solo esta analise dificilmente poderá ser aplicada, devido ao fato
de não poder relacionar os vários fatores de formação do solo com um tipo de solo, pois os mesmos variam
muito e formar solo diferente em suas variações.
O uso da regressão na ciência do solo é utilizado como VANTAGENS em experimentos de fertilidade do
solo, nutrição de plantas entre outras onde queremos comparar doses de adubação em função de uma
produção, ou em função do crescimento de uma planta. Um exemplo prático de fertilidade considerando as
doses de P205 em kg, 20, 40, 60, 80 e 100 kg. Neste experimento podemos encontrar a dose ideal para uma
dada produção, considerando X como sendo a adubação, e Y a produção obtida, caso essa função passe por
um máximo podemos encontrar a dose que maximiza a produção. Esta regressão permitir fazer a
interpolação dos dados para encontramos uma dose ideal, no entanto a interpolação deve ser entre os valores
de 20 a 100kg, nesta interpolação encontramos o valor de dose ideal para a produção. Na regressão podemos
determinar então as doses agronômicas e econômicas.
Como desvantagem termos a extrapolação dos dados considerando o mesmo experimento não podemos
extrapolar valores além da faixa estudada (20 a 100 kg), quando realizar-se esta extrapolação dos dados os
resultados não será mais confiáveis.
Os cuidados que devem ser tomados na interpretação dos dados na analise de uma regressão é se realmente
estamos utilizando o modelo correto para o estudo. E Se os dados estão sendo explicado pela a regressão.]}
Tudo bem que a questão é de estatística, mas um pouco de cuidado com a concordância cai bem... muito
repetitivo emalguns pontos. Por exemplo, disse que extrapolação era ruim em dois pontos distintos. Aliás,
extrapolação não é um problema da regressão, mas do usuário
[1.750] (IP:281473826518723 | 08:27:53 | 16:37:17 | 09:24 | 2.118)
Quais são os principais pontos que devemos avaliar ao estudar uma regressão?
{[Resposta questão 2: Os principais pontos que devemos avaliar quando estamos trabalhando com regressão
é saber quanto dos dados está sendo explicado pela a regressão, quanto cada coisa da regressão explica e
com base na amostra aonde esta a população.
Quanto dos dados está sendo explicado pela a regressão, ou seja, saber quanto que o Y explica em função de
X. Pois se a regressão explica pouco os dados ela não tem importância prática para ser aplicada. Neste caso
considerando um conjunto de N pontos (Xi, Yi) pode-se ajustar uma reta a esses pontos. Depois do
ajustamento é necessário então determinar o grau de afinidade das variáveis X e Y com a reta, ou o grau de
dependência entre as variáveis com o modelo linear proposto. O coeficiente de correlação é a expressão que
mede o ajustamento, o grau de afinidade ou de dependência das variáveis X e Y com o modelo linear. Neste
caso quando o r é -1(menos um) ou 1(um) indica que o ajustamento é perfeito 100% com todos os pontos
sobre a reta, o -1 (menos um) indica que a reta é decrescente e 1(um) é crescente. Caso o r seja igual a zero
este seria um caso teórico da ausência total de dependência linear entre os pontos. E outra possibilidade de
maior ocorrência é r maior que 0 (zero) e menor que 1 (um) neste caso, nem todo os pontos ou nenhum dos
pontos estão sobre a reta.
Outros pontos que também devem ser avaliados são qual é o tamanho dos coeficientes e o intervalo de
confiança. Considerando o r2, em ciências agrarias o r2= 10% não explicar nada não poderia utilizar a
regressão com um valor tão baixo de r2, sendo que o r2 deverá ser bem maior geralmente na faixa de 80 a
99%. O valor de R 2 varia de 0 a 1. Quanto mais próximo de 1, melhor se revela o ajustamento da reta de
regressão aos valores. O coeficiente de determinação deve se aproximar de 1, pois quanto maior o valor
desse coeficiente, maior será a proporção da variância explicada pelo modelo. Devermos observar qual a
proporção da variância atribuída aos modelos.
A significância é importante também, só que, no entanto, podemos ate assumir que será significativa a
regressão. A significância acontece na maioria dos casos, isto porque se ela for não significativa à regressão
para e não tem como fazer mais nada na regressão, e não tem como analisar os dados por regressão. No
entanto, nem sempre uma significância é segura, existindo assim regressão significativa e que não representa
bem os dados neste caso de significância não podemos confiar nela.]}
ficou difícil entender se estava falando do r ou do r2 no início. Não discutiu nada quanto aos coeficientes da
regressão propriamente dita, ou seja a e b.
[1.750] (IP:281473826518723 | 08:28:17 | 16:37:20 | 09:03 | 2.081)
Considerando um experimento estudando três níveis de adubação orgânica, discuta se o melhor
caminho para análise é a regressão ou comparação de médias.
[{Resposta questão 3: O melhor caminho é através da comparação de médias.
O tratamento com 3 níveis de adubação orgânica é um tratamento quantitativo (esta medindo doses de
adubação), isto por que o experimento esta comparando doses de adubação orgânica e não tipo de adubações
se fossem tipos de adubações orgânica como por exemplo adubação orgânica vegetal, adubo orgânico
bovino, e esterco de galinha, o experimento seria um qualitativo.
Quando temos um experimento quantitativo à regressão seria a melhor opção para analisar o experimento, se
o tratamento fosse qualitativo não haveria sentido de se fazer a analise de regressão. No entanto, quando
temos apenas 2 pontos pode-se até usar a regressão linear simples só que obrigatoriamente vai da uma reta
por que só tem dois pontos. Quando temos 3 pontos como no caso, posso usar uma regressão linear que ela
já terá certo grau de confiança, no entanto, ainda pode dar uma parábola.
Com 3 níveis de adubações orgânicas poderíamos até usar a regressão sendo ela linear, mas O MELHOR
CAMINHO PARA A ANÁLISE NESTE CASO É A COMPARAÇÃO DE MÉDIA. Isto por que como só
temos 3 níveis de adubação, a regressão não seria adequada, pois, não apresentaria uma boa confiança nos
comportamentos dos dados. Posso até separar os níveis de adubação em baixa adubação, média adubação e
alta adubação e torna os dados assim qualitativos. Para a aplicação de analises de regressão deve-se usar
quando o experimento tiver no mínimo de 4 a 5 pontos, para exprimir assim, certa confiança no
comportamento dos dados.
Neste caso então como só temos 3 níveis de adubação orgânica, devemos aplicar o teste de comparação de
médias, e saber qual(is) do tratamento foi melhor ou pior em relação a adubação orgânica.]}
resposta correta, mas ficou rodando feito pião tonto... além disto, o último parágrafo ficou sem nexo algum
considerando que só estamos falando de adubação orgânica, então como algum nível de AO pode ser melhor
ou pior do que a própia AO?
[3.000] (IP:281473826518723 | 08:28:47 | 16:37:29 | 08:42 | 5.54)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
{[Resposta questão 4: O artigo intitulado “A Crítica dos métodos analíticos utilizados na análise de dados de
decomposição obtidos a partir de sacos de serapilheira” aborda o tema de decomposição em serapilheira,
discutindo cada aproximação para análise de decomposição de dados, quais as vantagens e desvantagens
como também potenciais problemas de interpretação. Os autores do trabalho também discutem os modelos
comumente utilizados para analisar dados de decomposição, dando ênfase as propriedades matemáticas dos
modelos e as relações entre os modelos e a biologia de decomposição.
Deste modo a investigação da decomposição é um aspecto importante para analise do funcionamento de
ecossistemas o estudo da decomposição de plantas ninhada em ecossistemas terrestres geralmente emprega
sacos de decomposição para comparar a perda de massa entre espécies, entre os locais, e sob várias
manipulações experimentais, ou para investigar o próprio processo. Embora o método possa subestimar a
decomposição atual é assumido que os resultados dos sacos de liteira estudados refletirão as tendências
características da decomposição da liteira não confinada, tanto como para comparações entre espécies, locais
e manipulações experimentais. Embora exista similaridade na elaboração e na metodologia do estudo de
saco de liteira, ocorrem consideráveis variações nos procedimentos estatísticos usados para analisar a
decomposição dos dados.
No estudo de decomposição é interessante comparar a decomposição de uma espécie em vários locais, de
espécies diferentes em um local sob diferentes condições experimentais como também vários tamanhos de
malha para os sacos de liteira. Sendo assim o objetivo de cada estudo comparativo é avaliar os efeitos dos
tratamentos (locais, espécies e condições experimentais) pelo exame entre tratamentos significativos na
proporção de massa original em vários momentos.
Os métodos estatísticos de exame de decomposição de dados mais comumente usados é a análise de
variância de elaboração completamente aleatória.
A segunda abordagem geral para a análise dos dados de decomposição é a montagem de modelos
matemáticos para estimar constantes que descrevem a perda de massa ao longo do tempo. Esta abordagem
pode ser de grande valor para obter dados sobre a biologia do processo de decomposição, descobertas que
não são obtidos através dos procedimentos estatísticos de análise de variância.
O modelo mais frequentemente usado para descrever a decomposição é a função de decaimento exponencial
simples. Este modelo exponencial decorre do fato de que uma única Constante, k se, caracteriza a perda de
massa, facilitando a comparabilidade com outros conjuntos de dados e simplificar as tentativas de modelar o
acúmulo de carbono orgânico no solo. O pressuposto subjacente ao modelo exponencial simples pode ser
expresso em duas maneiras: ou a taxa de decomposição absoluta diminui linearmente com a quantidade de
substrato declínios restantes, ou a taxa de decomposição relativa permanece constante.
Por causa da natureza das duas etapas da dinâmica de decomposição, o modelo de decaimento exponencial
simples foi modificado para o modelo de decaimento exponencial duplo. Os duplos modelos de decaimento
exponencial assumem que pouco pode ser dividido em dois componentes, uma fração facilmente
decompostas ou lábeis (A), e uma fração mais recalcitrante (1 = A).
O modelo de assintótica está intimamente relacionado com ambas as exponenciais simples e modelo duplo
exponencial. O modelo de assintótica pode ser pensado como o único modelo exponencial que tende para
uma constante positiva, em vez de para zero. Outros modelos menos usados geralmente incluem as funções
lineares, quadráticas e potências. Embora funções quadráticas e potenciais sejam algumas vezes usadas nos
modelos de decomposição, certos aspectos de seus respectivos comportamentos matemáticos lhes fazem
menos adequados que os modelos exponenciais. Pela natureza da função quadrática muitas vezes é possível
obter estimativas de parâmetros que produzem bons ajustes para dados não lineares. Modelos
intrinsecamente lineares podem ser transformados de tal modo que eles se tornam lineares, ao passo que os
modelos intrinsecamente não lineares não podem ser convertidos a uma forma linear.
Materiais de plantas com um teor mais elevado de lignina ou uma maior relação C/N terá uma fracção
relativamente mais recalcitrante e, assim, irão decompor mais lentamente do que os materiais de plantas com
um teor de lignina inicial relativamente baixo ou uma relação C/N inicial baixa.
Os modelos de dupla exponencial também são particularmente úteis na situação experimental em que a
decomposição de um tipo de detritos é simultaneamente examinada em vários locais.
O uso predominante da estatística como ferramenta de pesquisa é comum. As análises estatísticas, no
entanto, apenas fornecem uma maneira objetiva de análise de dados e deve ser usada para ajudar a
interpretar os resultados de um estudo em particular. Como tal, a compreensão das limitações e
desvantagens de um determinado procedimento estatístico é requisito para a interpretação adequada dos
dados reais.]}
de onde saiu "análise de variância de elaboração completamente aleatória"? nunca vi esta expressão...
discutiu muito pouco o significado dos coeficientes.
[2.200] (IP:281473857227655 | 10:41:54 | 23:29:46 | 47:52 | 168.649)
Discuta a relação entre a regressão e um relacionamento causa-efeito.
Não há relação. A regressão apenas fornece a equação que descreve o relacionamento em termos
matemáticos entre as variáveis, diz apenas se há relação entre as variáveis dependente e independente, mas
não explica o que nem porquê ocorre . A regressão pode ser usada, como ferramenta matemática, para
confirmar matematicamente o comportamento de um relacionamento de causa-efeito, contudo não diz qual
nem como ocorre, esta relação demonstra apenas como reage uma variável em função de outra.
ok, mas pagou por palavra?
[0.000] (IP:0 | 10:43:09 | --:--:-- | --:-- | ------ )
Compare a regressão polinomial com as regressões não-lineares, considerando os pontos de vista de
uso prático, e capacidade de interpretação dos resultados.
Não respondeu
[1.500] (IP:281473857227655 | 10:44:55 | 23:37:40 | 52:45 | 423.478)
Discuta possíveis vantagens e desvantagens do uso de regressão na ciência do solo. Detalhe em
particular cuidados que devemos tomar em sua interpretação.
Através da regressão é possível, por exemplo, analisar o comportamento da produtividade em função da
dose de adubo ou fonte de adubo. A possibilidade de analisar o comportamento de uma variável dependente
em função de uma independente faz da regressão uma ótima ferramenta para às ciências agrárias. Contudo,
deve-se toar cuidado, pois nem sempre uma resposta vai ser resultado de apenas uma ou duas variáveis.
Outros fatores podem estar envolvidos mesmo não estando em avaliação na regressão. É necessário entender
os processos e os fatores envolvidos nestes e não apenas uma variável que gere uma resposta neste modelo
matemático.
muito superficial...
[4.400] (IP:281473857227655 | 10:46:42 | 23:38:22 | 51:40 | 11.13)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
Uma Crítica dos métodos de análise usados em exames de decomposição de dados obtidos de agrupamento
de liteira.
O estudo da decomposição da liteira nos ecossistemas terrestres é de relevante importância para a avaliação
do funcionamento destes. Dentro dos estudos de decomposição de matéria orgânica duas aproximações
analíticas geral para o exame de decomposição de dados são discutidas: as análises de variância, que são
utilizadas se a intenção for comparar significância dos tratamentos, mas não faz diretamente testes de
hipóteses com relação à velocidade de decomposição. E, se por ocasião o intuito for determinar velocidades
constantes, então formular modelos matemáticos para os dados é a análise mais apropriada. Modelos
exponenciais simples ou compostos descrevem melhor a perda de massa no decorrer do tempo com
elemento de realismo biológico.
Geralmente para esta análise o método utilizado é o de sacos de liteira, onde uma quantidade de liteira de
massa e composição química conhecidas é colocada em bolsas de tela coma determinado tamanho de malha
e espalhadas no campo aleatoriamente. Medições da massa residual dentro dos sacos são feitas em
estipulados intervalos de tempo a fim de podendo-se avaliar a taxa de decomposição, velocidade com que
esta acontece ou até mesmo mudanças na composição química do material estudado. Na metodologia do
saco de liteira é possível comparações entre espécies, locais e manipulações experimentais. Ocorrendo
consideráveis variações nos procedimentos estatísticos na análise dos dados de decomposição. Para a análise
dos dados duas aproximações analíticas são comumente usadas: comparar significância de tratamentos (e.g.
espécies, locais,) através de alguns procedimentos de parâmetros estatísticos, ou obter descrições
matemáticas dos dados que caracterize as mudanças observadas com o decorrer do tempo. Essas duas
aproximações são conceitualmente bastante diferentes; seus usos dependem de objetivos específicos de
estudo partículas.
Uso de análise de variância para exame da decomposição de dados
Dentro destes estudos de decomposição, o objetivo de cada estudo comparativo é avaliar os efeitos dos
tratamentos pelo exame entre tratamentos significativos na proporção de massa original em vários
momentos. São feitas comparações entre a decomposição de uma espécie em vários locais, de várias
espécies em um local sob diferentes condições experimentais como também vários tamanhos de malha para
os sacos de liteira. Para tanto, são utilizados procedimentos estatísticos para avaliar objetivamente a
significância destas diferenças entre os tratamentos significativos. Os métodos estatísticos de exame de
decomposição de dados mais comumente usados é a análise de variância de elaboração completamente
aleatória.
Embora muitas vezes seja desejável fazer inferências sobre as diferenças nas taxas de decomposição com
base no resultado da análise de variância, é necessário definir o termo "taxa de decomposição". Se a variável
X = F (t) representa a proporção de massa inicial remanescente no tempo t, em seguida, faremos referência à
primeira derivada de X em relação ao t, (dx / dt), como a taxa de decomposição absoluta que caracteriza o
declive do gráfico de X como uma função do tempo. Quando a taxa de decomposição absoluta é expressa
como uma fração da massa restante, a taxa de decomposição relativa [(dx) / (dt. X)] é obtida. Inferências
sobre as diferenças entre as espécies nas taxas de decomposição absolutas ao longo de todo o curso do
estudo serão feitas com uma interpretação subjetiva dos dados e não vai ser incontestavelmente suportado
pelos resultados e análise de variância. No que diz respeito à taxa de decomposição relativa, no entanto, uma
interação não significativa e um efeito significativo entre espécies indicam diferenças entre pelo menos duas
das três espécies.
Montagem de funções de decaimento para valores de massa
A segunda abordagem geral para a análise dos dados de decomposição é a montagem de modelos
matemáticos para estimar constantes que descrevem a perda de massa ao longo do tempo. Esta abordagem
pode ser de grande valor para obter dados sobre a biologia do processo de decomposição, descobertas que
não são obteníveis através dos procedimentos estatísticos discutido anteriormente. Fez-se uma análise dos
modelos comumente utilizados para analisar dados de decomposição, discutindo as propriedades
matemáticas dos modelos e as relações entre os modelos e a biologia de decomposição.
O modelo mais frequentemente usado para descrever a decomposição é a função de decaimento exponencial
simples. Onde este modelo exponencial decorre do fato de que uma única Constante, kse, caracteriza a perda
de massa, facilitando a comparabilidade com outros conjuntos de dados e simplificar as tentativas de
modelar o acúmulo de carbono orgânico no solo. O pressuposto subjacente ao modelo exponencial simples
pode ser expresso em duas maneiras: ou a taxa de decomposição absoluta diminui linearmente com a
quantidade de substrato declínios restantes, ou a taxa de decomposição relativa permanece constante. Assim,
de acordo com as diferentes composições químicas deste material e os diferentes agentes decompositores,
com o tempo, a proporção relativa de materiais recalcitrantes dá-se progressivamente aumentada e a taxa de
decomposição absoluta deve diminuir, enquanto a taxa de decomposição relativa pode permanecer
constante. Se o objetivo de estudo em particular for acessar o efeito de vários tratamentos de decomposição,
examinando as diferenças entre os meios de tratamento através de todas as datas de amostragem, em
seguida, a análise de variância pode ser apropriada. No entanto, o cuidado deve ser exercido
consideravelmente ao fazer inferências sobre as taxas de decomposição.
NÃO use o google translator pelamordedeus, ou você consegue excrescências como "e se por ocasião o
intuito for determinar", que não faz um pingo de sentido em português... no mínimo leia o que escreve... por
outro lado foi uma das poucas respostas a tentar levantar algo no lado de taxas de decomposição que foram a
razão real de eu escolher este material mais antigo do que o normal para esta questão
[1.500] (IP:281473653993971 | 11:11:18 | 16:24:18 | 13:00 | 6.101)
Qual a principal vantagem do uso de regressões não lineares?
Existem situações em que o uso de regressões lineares não descreveria na integra certos fenômenos
(biológicos), neste caso, pode-se, a partir de suposições sobre o problema, construir um modelo para se
trabalhar no sentido de obter uma relação teórica entre as variáveis observáveis de interesse. Estas soluções
analíticas permitem a identificação da influência de cada parâmetro na resposta do sistema, facilitando a
análise aramétrica.
Sendo assim a principal vantagem do uso de modelos não lineares, estar em reproduzir sistemas complexos
que apresentam diferentes regimes de difusão, com a obtenção de parâmetros fenomenológicos, que
facilitem a interpretação dos resultados. Na maioria das situações, utilizam-se menos parâmetros que em
modelos lineares.
essencialmente correto, mas confuso e tão cheio de estatiquês que não tenho certeza de que você sabe o que
realmente disse
[3.750] (IP:281473653993971 | 11:13:22 | 16:30:31 | 17:09 | 10.195)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
“UMA CCRÍTICA DOS MÉTODOS ANALÍTICOS USADOS NA ANÁLISE DE DADOS DA
DECOMPOSIÇÃO APARTIR DE SACOS DE RESÍDUOS.”
Artigo aceito em março de 1982 na Ecological Sociery of America, reporta-se importância das técnicas de
investigação da decomposição para o entendimento deste fenômeno nos ecossistema terrestre.
Uma das técnicas mais utilizadas para este fim trata-se de confinar restos vegetais em sacolas com trama de
tecido que permitam a interação do material a ser analisado com o meio, nesse caso o solo. Este material é
enterrado e posteriormente avaliado através da comparação da massa inicial com a massa remanescente e
composição química sob um determinado tempo e condições ambientais.
É comum se avaliar nesse sistema várias correlações entre o tempo de exposição de um mesmo material,
vários materiais sob uma condição ambiental, um material em diferentes condições ambientais etc. Na
literatura muitas vezes é atribuída a utilização do método de sacos com resíduos vegetais para avaliação da
decomposição a Bocock and Gilbert (1957) or to Bocock et aI. (1960) sendo que o princípio de
confinamento de massa conhecida de serapilheira em sacos a fim de acompanhar sua decomposição já havia
sido mencionado mais cedo em (Falconer et aI. 1933, Lunt 1933, 1935, Gustafson 1943).
A técnica pode subestimar a real decomposição pela limitação imposta pelo saco de confinamento
comparado com amostras não confinadas. A pesar de vários inconvenientes esta ainda é a técnica mais usual
para avaliar a decomposição em ecossistemas terrestres por permitir a manipulação experimental.
Duas técnicas são geralmente utilizadas:
Comparar o tratamento (Espécie/Sítio) considerado por alguns procedimentos de estatística paramétrica.
Outra para obter descrições matemáticas utiliza-se dados que caracterizam as alterações ao longo do tempo.
Estas duas abordagens são conceitualmente muito diferentes e a aplicação depende dos objetivos
particulares do estudo.
Neste artigo foram analisadas as abordagens para análise de dados de decomposição discutindo os métodos
relativos e as desvantagens, bem como potenciais e problemas de interpretação.
O método mais comumente utilizado é a análise de variância, em blocos inteiramente casualizado sem
incluir um arranjo fatorial, onde um tratamento é o tempo e outros fatores pedem estar no tipo de
serapilheira, etc.
A análise é realizada normalmente na proporção ou percentagem da qualidade inicial de X restante no tempo
T, onde X pode ser de massa seca, massa sem cinzas ou determinada concentração de um elemento. Os
valores para o tempo T=0 não estão incluídos na análise de variância sendo feita uma de cada vez para cada
tratamento em T=0 a média é 100.
A análise de variância ira conter os efeitos principais dos tipos e espécies e o tempo de interação com as
espécies.
Quando esta interação não é significativa ou com efeito consideravelmente menor em magnitude do que
efeito ao acaso, a interpretação dos efeitos podem ser feita inequivocamente.
Se a interação é significativa as inferências sobre a decomposição deve ser baseada em uma análise mais
detalhada do indivíduo.
A segunda abordagem para análise de dados de decomposição foi sobre a montagem de modelos
matemáticos para estimar as constantes que descrevem a perda de massa ao longo do tempo.
Esta abordagem pode ser de grande valor para obter dados sobre a biologia dos processos de decomposição
gerando descobertas onde os dados não seriam obtidos através dos processos estatísticos discutidos
anteriormente.
No artigo a avaliação de alguns métodos é apresentada em tabelas, discutindo as propriedades matemáticas
dos modelos e a relação entre os modelos e a biologia da decomposição.
O autor considera que o modelo mais utilizado para descrever decomposição é a função de decaimento
exponencial simples (J. Enny et.al 1949). O apelo desta proposta resulta do fato que um único k, constante, p
para caracterizar a perda de massa, assim facilitar comparações com outros conjuntos de dados e simplificar
as tentativas de modelar a acumulação de matéria orgânica e carbono no solo.
No pressuposto sobrejacente a única exponencial do modelo poderia ser descrita de duas maneiras: ou a taxa
de decomposição absoluta diminui linearmente em função da quantidade de substrato remanescente, ou a
relação permanece constante. Esta hipótese é considerada pelo autor condizente com seu pensamento sobre a
biologia de decomposição de resíduos. À medida que os componentes solúveis são degradados outros
compostos relativamente sólidos são mais calmamente degradados, desta forma, açúcares totais, amidos e
proteínas serão rapidamente utilizados por decompositores enquanto os materiais mais recalcitrantes como
celulose, gordura, ceras, taninos e ligninas serão perdidas a taxas relativamente mais lentas. Assim com o
tempo a proporção desses materiais recalcitrantes aumentará progressivamente enquanto a taxa de
decomposição absoluta diminui. Depois a taxa de decomposição pode permanecer constante. Devido esta
natureza de dois momentos de dinâmica de decomposição o modelo de decaimento exponencial simples tem
sido modificado para decaimento exponencial duplo.
O modelo exponencial duplo não admite a transferências de material disponível para os materiais
recalcitrantes de forma que pode ocorrer na síntese de biomassa durante a decomposição. A função de
decaimento exponencial dupla representa um compromisso entre a função matemática exponencial simples e
as idéias de Minderman (1968) que sugeriu que cada fração da serapilheira decompõe-se de forma
exponencial e que a decomposição total é resultado da soma individual das frações. Nesta abordagem o
modelo assintótico contempla a abordagem exponencial simples e dupla que em certos ambientes agressivos
pode descrever dados bem definidos foi aceito pelo menos durante algum período de tempo depois entrou
em colapso com os modelos exponencial simples e duplo. Em síntese os três comportamentos matemáticos:
único exponencial, duplo ou assitótica são bastante semelhantes, pois a taxa de decomposição absoluta tende
a zero com o passar do tempo. Sendo que a taxa de decomposição relativa é constante no modelo
exponencial simples enquanto para a exponencial dupla ocorrem concentrações diferentes com o tempo para
materiais diferentes. Para a assintótica a taxa de decomposição relativa tende a zero com o tempo, más, no
entanto como a taxa de decomposição relativa é expressa como a fração da massa remanescente pela massa
inicial também pode se aproximar de uma constante.
Outros modelos citados são: Funções Lineares, quadráticas e potenciais.
O modelo linear considera que a taxa de decomposição absoluta como constante ao longo da decomposição
enquanto que os aumentos da taxa de decomposição em relação com o tempo, fatos que são difíceis de
justificar biologicamente.
No entanto, se uma quantidade muito pequena de massa é perdida
ao longo da decomposição, uma função linear pode ajustar os dados muito bem, por exemplo,Woodwell e
Martortas (1968), e alguns dos dados de Lang(1973) e Grigal e McColl(1977). Resíduos que tem um
pequena quantidade de ambos comportamento são facilmente lixiviável e disponibilisados parece seguir um
modelo linear, pelo menos para o primeiro ano ou segundo.
Em outros casos, apesar da decomposição aparenta ter comportamento para ser decididamente não-linear,
modelos lineares têm sido obtido de tal forma que o modelo consideravelmente subestimada pelos
companheiros para estágios iniciais de decornposição, que superestima as fases posteriore da decornposição.
Embora funções quadráticas e potenciais sejam algumas vezes usadas como modelos de decomposição,
certos aspectos de seus comportamentos específicos matemáticos sejam menos adequado do que os modelos
exponenciais.
Pela natureza da função quadrática é muitas vezes possível obter estimativas de parâmetros que produzem
bons ajustes de dados não lineares (Snedecor eCochran, 1978). A função de potência tem propriedades
matemáticas indesejável de abordar o infinito como o tempo se aproxima de zero. Assim, não é possível
para função de potência para atender a restrição de que no momento = O a proporção de serapilheira inicial
remanescente é igual a 1,0.
Neste ponto, convém considerar algumas consequências estatísticas associados com diferente
abordagens para o ajuste de modelos matemáticos aos dados decomposição. Os modelos podem ser
divididos em dois grupos: os que são lineares, ou intrinsecamente lineares nos parâmetros, e aqueles que são
intrinsecamente não-lineares nos parâmetros. Modelos intrinsecamente lineares podem ser transformados de
tal modo que eles tornar-se linear, ao passo que os modelos intrinsecamente não-lineares não pode ser
convertidos a uma forma linear (Draper e Smith, 1966).
Também vale ressaltar a Embora a análise de covariância não fornecer um método para a comparação de
uma série de equações de regressão, quando o método é usado para examinar a decomposição, inferências de
dados deve ser feita à luz de como bem cada uma das regressões prevê que no momento = S todos
a maca inicial está presente. A análise de covariância é limitada aos modelos lineares ou linearizada e não
podem ser convertidos a qualquer intercepção padronizada.
engraçado, mas nunca achei que alguma coisa fosse calmamente (ou nervosamente) degradada :) a parte
inicial estava bem melhor do que os últimos parágrafos, que ficaram truncados... também não entendi de
onde entrou análise de covariância na história
[1.750] (IP:281473653993971 | 11:13:55 | 16:31:30 | 17:35 | 6.154)
Quais são os principais pontos que devemos avaliar ao estudar uma regressão?
Avaliar a significância e a importância da regressão, sendo que em modelos de regressão avaliar a
importância científica costuma ser mais importante do que a significância.
Definimos a importância pela proporção da variância atribuída ao modelo; o tamanho de um ou mais
coeficientes de correlação; Intervalos de confiança de interesse.
O coeficiente de correlação de Pearson é outro ponto que devemos avaliar, sendo utilizado quando
desejamos verificar a existência de associação linear entre duas variáveis quantitativas, X e Y, é obtido
dividindo-se a covariância de X e Y pelo produto dos respectivos desvios-padrão de ambas as variáveis.
Quanto mais próximo de −1 e 1, mais forte é o grau de relação linear existente entre X e Y e, quanto mais
próximo de 0, mais fraco é o grau desta relação.
No caso de modelo linear ajustado antes de adotalo fazer algumas predições: se o modelo se ajusta bem aos
dados; se as suposições básicas encontram-se satisfeitas.
Como a regressão descende do MLG todas as premissas também são requisitos imprescindíveis a regressão.
e os coeficientes da própria regressão não têm importância alguma?
[0.000] (IP:281473653993971 | 11:15:13 | 16:32:40 | 17:27 | 10.082)
Considerando um experimento estudando três níveis de adubação orgânica, discuta se o melhor
caminho para análise é a regressão ou comparação de médias.
O uso da regressão se apresenta como o melhor caminho para avaliar diferentes níveis de adubação de que a
comparação de médias, uma vez que queremos relacionar uma variável Y com uma ou mais variáveis X,
fixa, ou seja, desprovida de erros experimental. Desta forma, determinar os efeitos de cada tratamento
separando dos efeitos devido ao acaso, que dentro de certo intervalo de confiança (5%) ratificaria os efeitos
de cada adubação (significância), e o teste de “Importância” que mede quanto à regressão explica os efeitos
da adubação (entre tratamentos).
Com o uso de comparação entre as médias, esta separação entre efeitos do tratamento e os devidos ao acaso
e a inportância científica dos efeitos, não seriam identificados, podendo apenas, dentro de uma distribuição
amostral representar se temos um estimador eficiente (dentro do tratamento) por apresentar pequena
variância, ou estimador ineficiente, caso contrário.
embora a regressão seja adequada em muitos casos, com três pontos é no mínimo discutível... veja que é
essencialmente comparar tratamentos qualitativos, porque tipo nada, médio e alto...
[1.500] (IP:281473653999442 | 19:26:06 | 21:34:30 | 08:24 | 2.718)
Discuta possíveis vantagens e desvantagens do uso de regressão na ciência do solo. Detalhe em
particular cuidados que devemos tomar em sua interpretação.
A regressão tem importante papel na ciência do solo devido a grande utilização na interpretação de
resultados experimentais, através da possibilidade de verificar a existência de uma relação entre uma
variável de interesse experimental dependente com uma ou mais variáveis independentes. Essa relação é
expressa por uma função matemática (função de regressão), onde a variável dependente (Y) é uma fração da
variável independente (X). Uma vantagem da regressão é poder estimar dados dentro de um intervalo de
valores, relacionando uma variável com a com a outra em diversos aspectos. Podendo assim, explicar a
ligação entre uma variação da variável dependente pela variação da variável independente, através da
equação matemática e obter informações dentro desse intervalo de valores. Diversos exemplos podem ser
citados nas áreas da ciência do solo, um exemplo é o experimento com doses de adubos, com a regressão
pode interpolar dado e determinar a dose ideal dentro de um intervalo de valores.
Uma desvantagem da regressão é não permitir a análise além do intervalo de dados (extrapolação dos
dados). Os dados devem estar no intervalo de dados estudado, com isso não pode generalizar a situação
estudada para a população. Outra desvantagem é a escolha do modelo adequado, que melhor represente a
situação experimental. Deve-se ter um conhecimento teórico do assunto trabalhado, para tomar as decisões
corretas. Porque pode ter uma situação onde tenha significância estatística, porém não tem importância para
a área em estudo.
começou essencialmente por definição circular, que a regressão é importante porque é importante. só depois
é que começou com alguma explicação mais coerente, mas mesmo assim pouco explicativa
[4.400] (IP:281473653999442 | 19:27:47 | 21:34:59 | 07:12 | 2.255)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
O artigo aborda inicialmente a importância do estudo da decomposição para compreender as funções do
ecossistema. Descreve um método utilizado para análise da decomposição da serapilheira no ecossistema
terrestre: o método de bolsa de decomposição (litter bags), no qual os materiais de plantas de composição
química e massa conhecida são colocados. As bolsas são distribuídas em grande número no campo, as bolsas
são retiradas do campo após as amostragens, para realizar análise de perda de massa e mudança na
composição química da serapilheira (materiais das plantas). Os autores enfatizam que embora o método de
bolsas possa subestimar a decomposição, os resultados representarão as características de tendências da
serapilheira decomposta, permitindo as comparações entre espécies, locais e manipulações experimentais.
Diferentes procedimentos estatísticos podem ser utilizados para analisar os dados de decomposição. No
artigo são descritos duas abordagens analíticas utilizadas: uma para comparar média de tratamento (espécie,
local) de parâmetros de procedimento estatístico, e a outra para obter descrições matemáticas dos dados com
as mudanças observadas ao longo do tempo. O artigo revisa cada abordagem para análise de dados de
decomposição, mostrando as vantagens, desvantagens e principais problemas.
Os estudos comparativos para análise da decomposição de uma espécie em vários locais, de várias espécies
em um local, ou de uma espécie em um local sobre diferentes condições experimentais tem como objetivo
avaliar o efeito dos tratamentos (locais, espécies e condições experimentais) pela diferença entre as médias
dos tratamentos na massa inicial e restante ao longo do tempo. Para analisar a significância entre as médias
dos tratamentos, o método estatístico utilizado é a análise de variância, delineamento inteiramente
casualizado. A análise é realizada na proporção da quantidade inicial de X, massa seca ou conteúdo de
elemento, restantes no Tempo T.
Se a variável X=f(t) representa a proporção de massa inicial restante no tempo t, então refere-se para o
primeiro derivado de X como respectivo t, (dX/dt), como a taxa de decomposição absoluta, caracterizando o
gráfico de X como uma função do tempo. Quando a taxa de decomposição absoluta é expressa em uma
fração de massa restante, a taxa de decomposição relativa [(dX)/(dt.X)] é obtida. Se a interação é não
significante, a inferência sobre a taxa de decomposição pode ser justificada.
Se os efeitos de espécies significantes acompanham uma interação não significante, então ao menos duas das
três espécies diferem em médias percentuais de massa restantes e a amplitude e direção desta diferença é a
mesma entre todos os dados amostrados.
Quando a interação é significante, a amplitude e/ou direção das diferenças entre espécies na média
percentual de massa restante não é a mesma entre todos os dados amostrados.
O artigo mostra a importância do pesquisador avaliar a significância e não significância dos efeitos das
espécies de uma relativa interpretação subjetiva da natureza da interação significante. As conclusões
considerando as diferenças nas taxas de decomposição absolutas e relativas entre espécies serão baseada na
interpretação subjetiva, não sendo apoiado pela análise de variância.
A análise de variância será apropriada se o estudo for para avaliar o efeito de vários tratamentos na
decomposição de serapilheira através das diferenças de médias.
A outra abordagem descrita no artigo para análise de dados de decomposição é um modelo matemático, este
estima constates para descreverem a perda de massa sobre o tempo. Esta abordagem possibilita uma
compreensão da biologia do processo de decomposição, esse entendimento não é alcançado com o
procedimento estatístico discutido anteriormente. O artigo revisa o modelo usado para avaliar dados de
decomposição, discutindo as propriedades matemáticas dos modelos e relações entre o modelo e a biologia
da decomposição da serapilheira.
O modelo mais utilizado para descrever a decomposição é uma função decrescente exponencial simples
(Jenny et al.,1949). Este modelo exponencial resulta para uma constante única Kse, representa a perda de
massa e possibilita comparações com outros conjuntos de dados para medelar a acumulação de carbono
orgânico nos solos. As suposições proposta pelo modelo exponencial único são expressas: as taxas de
decomposição absolutas diminuem linearmente com a quantidade de declínio do substrato restante ou a taxa
de decomposição relativa restante são constantes. Na dinâmica de decomposição os compostos solúveis,
açúcar, amido e proteína são rapidamente utilizados pelos decompositores, porém compostos recalcitrantes,
celulose, gorduras, ceras, taninos e lignina são decompostos mais lentamente. Devido a essa situação o
modelo decrescente exponencial simples tem sido modificado para o modelo de decaimento exponencial
duplo.
No modelo decrescente exponencial duplo, a serapilheira pode ser dividida em dois componentes: fração
lábil (A), facilmente decomposto e uma fração recalcitrante (1 - A), as taxas são representadas por K1d e
K2d, respectivamente. A decomposição total é representada pela soma das perdas por cada fração. O modelo
exponencial duplo não considera algumas possíveis transferências de material retrátil para lábil, como na
síntese da biomassa microbiana durante a decomposição.
O modelo assintótico é relacionado para os modelos exponenciais simples e duplo. Esse modelo pode ser
relacionado ao modelo exponencial simples que tendem em direção a uma constante positiva mais do que
para zero, ou para o exponencial duplo onde K2d igual a zero.
O comportamento matemático do modelo exponencial simples, exponencial duplo e modelo assintótico são
similares. As taxas de decomposição absoluta nos três modelos tendem para zero com a progressão do
tempo. Já a taxa de decomposição relativa é constante para o modelo exponencial simples, para o modelo
exponencial duplo aproxima-se de um valor constante (-K2d) e para o modelo assintótico aproxima-se do
zero como a progressão do tempo, porém essa taxa pode tender a uma constante (-Ka).
Outros modelos também podem ser utilizados para descrever a decomposição, a função linear, quadrática e
potencial. No modelo linear a taxa de decomposição absoluta é constante em toda decomposição e a taxa de
decomposição relativa aumenta com o tempo. A função quadrática e potencial são menos adequadas para
descrever a decomposição. No modelo quadrático a extrapolação além do intervalo do dado pode ser
problemático. Na função potencial encontra restrições no tempo=0 na proporção de serapilheira inicial
restante é igual para 1.0.
O artigo demonstra ainda as consequências estatísticas associadas com diferentes aproximações para
modelos matemáticos ajustados para dados de decomposição. Os modelos descritos anteriormente serão
divididos em modelos lineares (intrinsicamente linear) e não linear (intrinsicamente não linear). O modelo
intrinsicamente linear pode ser transformado em linear, enquanto o modelo intrinsicamente não-linear não
podem ser convertido para uma forma linear.
Os modelos assintótico e exponencial simples são intrinsicamente linear podendo ser ajustados usando as
estimativas do mínimo quadrado linear. A forma linear (logtransformado) do modelo exponencial simples é
ajustada para dados de decomposição. A análise de covariâncias pode ser utilizada para comparar inclinação,
intercepções e variância residual entre uma série de regressões individuais. A análise de covariância é
limitada para modelo linear e não podem ser aplicado para qualquer modelo intrinsicamente não linear.
Na modelagem de decomposição, a expressão matemática deve encontrar os seguintes requisitos: a
proporção de massa inicial restante deve mudar em função do tempo, X=f(t); a expressão deve ser
delimitada por X=1 e X=0; a taxa de decomposição absoluta deve declinar progressivamente; a taxa de
inclinação relativa deve ser constante ou tender para uma constante no limite. Os modelos exponencial
simples, exponencial duplo e assintótico apresentam todos estes requisitos.
O artigo é finalizado com dois exemplos do modelo exponencial duplo utilizado para fornecer conhecimento
da biologia do processo de decomposição.
Pinck et al. (1950) analisaram a decomposição de materiais de plantas no solo em temperatura e umidade
constantes e Hunt (1977) ajustou o modelo exponencial duplo para a perda de massa para cada tipo de
serapilheira. Hunt encontrou que o valor determinado para K1d e K2d foi uniforme no material analisado e
sugerir que a dinâmica de decomposição para fração lábil (A) e recalcitrante (1 - A) são similares. Uma
relação não linear foi encontrada entre as proporções iniciais relativas de frações lábil para recalcitrante e o
conteúdo de lignina inicial e a relação C/N inicial. Materiais de plantas com um alto conteúdo de lignina ou
alta relação C/N terá maior fração recalcitrante e irá decompor mais lentamente do que material com menor
conteúdo inicial de lignina. Estes resultados mostram que os mecanismos por que estes fatores influenciam a
taxa de decomposição pode ser através da alteração na proporção relativa de fração lábil para recalcitrante.
As análises estatísticas fornecem uma análise de dados e deveria ser usado para ajudar a interpretar os
resultados de um estudo particular. Compreender as limitações e desvantagens de um procedimento
estatístico particular é requisito para interpretação adequado de um dado real.
excelente, mas apenas um ponto que não lembro de ter levantado nas outras respostas, mas que foi comum.
ANOVA e regressão linear não são alternativas, mas complementares...
[2.200] (IP:281473653999442 | 19:28:07 | 21:35:38 | 07:31 | 1.538)
Compare a regressão polinomial com as regressões não-lineares, considerando os pontos de vista de
uso prático, e capacidade de interpretação dos resultados.
A regressão polinomial quando utilizada em estudos com fenômenos biológicos, não possibilidade a
interpretação biológica para os parâmetros, pois apenas a tem significado biológico, b e c não possuem
efeito biológico e esses fenômenos não podem ser bem representados em parábolas. Mesmo com um alto
valor de R² não pode generalizar os resultados da amostra para uma população, apenas pode estimar os
valores. A regressão polinomial é utilizada para simplificação de uma situação real.
A regressão não-linear fornece maior conhecimento sobre o fenômeno estudado, fornecendo um ajuste, com
menos parâmetros do que a regressão linear. Descreve bem os fenômenos biológicos e os parâmetros têm
significado biológico. A regressão não-linear possibilita a estimativa, com base em uma sequencia de
valores. O coeficiente de regressão é discutido biologicamente, por ser processo interativo, seu uso é mais
complexo do que a regressão polinomial, devido a cada coeficiente tem um significado biológico e também
tem que ter maior conhecimento sobre o assunto analisado. Essa regressão fornece maior conhecimento e
descreve bem os fenômenos biológicos, possibilitando uma capacidade maior de interpretar os resultados,
pois cada parâmetros têm um significado biológico.
ok
[1.000] (IP:281473653999442 | 19:28:25 | 21:36:06 | 07:41 | 8.541)
Quais são os principais pontos que devemos avaliar ao estudar uma regressão?
Os principais pontos que devemos avaliar ao estudar uma regressão são:
Avaliar a importância científica dos seus dados, com base na representatividade dos seus dados em relação à
explicação da regressão, a representação científica dos seus dados é mais importante do que somente
analisar a significância dos dados. A significância não possibilita representar o que acontece nos fatores
biológicos e sim determinar se os valores dos dados acontecem devido ao acaso. Se os dados analisados não
podem explicar o que ocorre na população, seu modelo de regressão não tem importância prática, porque
não estará representando o que acontece na realidade. No estudo com fatores biológicos, a utilização de
modelos com equação de reta e parábolas não representam bem os fatores biológicos no campo, mesmo os
dados sendo significativos. Outro ponto que deve ser avaliado é o tamanho dos coeficientes de correlação, os
valores dos coeficientes podem ser altos, porém podem não interpretar os fenômenos biológicos que
ocorrem durante o estudo. Outro ponto que também deve ser avaliado é o intervalo de confiança de interesse
no estudo, esse intervalo de confiança deve determinar com base na média dos dados das amostras, a
estimativa da média da população.
sempre temos de assumir inicialmente que os dados do experimento representam a população, ou então é
melhor nem fazer o experimento. só no finzinho da resposta é que entrou no caminho certo, e mesmo assim
não foi a fundo
[0.000] (IP:0 | 22:09:51 | --:--:-- | --:-- | ------ )
Compare a regressão polinomial com as regressões não-lineares, considerando os pontos de vista de
uso prático, e capacidade de interpretação dos resultados.
Em branco
[2.000] (IP:281473654463028 | 22:14:31 | 23:43:41 | 29:10 | 33.614)
Discuta a relação entre a regressão e um relacionamento causa-efeito.
A regressão é um modelo matemático que estima a relação existente entre uma variável dependente e uma
variável independente, a regressão não explica a causa-efeito dos parâmetros avaliados.
tudo bem que a resposta está correta, mas parece que paga por palavra...
[1.000] (IP:281473654463028 | 22:18:44 | 23:49:43 | 30:59 | 308.991)
Qual a principal vantagem do uso de regressões não lineares?
A principal vantagem do uso de regressões não lineares é a obtenção de parâmetros facilmente
interpretáveis, fazendo que estes modelos não lineares sejam bons descritores de fenômenos biológicos e
que sejam utilizados em muitas situações nas quais não é desejável, ou mesmo possíveis, descrever um
fenômeno através de um modelo de regressão linear.
Porque isto? Embora a vantagem seja exatamente esta, porque esta vantagem existe? Este não é o nível de
resposta que se espera de um estudante de mestrado...
[4.000] (IP:281473654463028 | 22:19:24 | 23:51:52 | 32:28 | 104.853)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
O artigo de Wieder e Lang faz uma crítica quanto aos métodos analíticos usados na decomposição dos dados
examinados obtidos para sacos de liteira. Ele afirma que o estudo da decomposição da liteira vegetal nos
ecossistemas vegetais comumente emprega sacos de liteira para comparar a perda de massa entre espécies,
entre locais, sob diferentes manipulações experimentais, ou para investigar o próprio processo. Embora o
método do saco da liteira possa subestimar a decomposição atual é assumido que os resultados dos sacos de
liteira estudados irá refletir as tendências características da decomposição da liteira não confinada, tanto
como para comparações entre espécies, locais e manipulações experimentais. Apesar da similaridade no
modelo e na metodologia dos estudos de saco de liteira, ocorrem variações consideráveis nos procedimentos
estatísticos usados para analisar a decomposição dos dados. Duas aproximações analíticas são comumente
usadas: para comparar tratamentos (por exemplo, espécies, locais) através de alguns procedimentos de
parâmetros estatísticos, ou obter descrições matemáticas dos dados que caracterize as mudanças observadas
com o decorrer do tempo. Essas duas aproximações são conceitualmente bastante diferentes e seus usos
dependem de objetivos específicos de um estudo em particular. Assim, quando o objetivo de cada estudo
comparativo é avaliar os efeitos dos tratamentos (locais, espécies e condições experimentais) pela análise
entre tratamentos significativos na proporção de massa original em vários tempos, procedimentos
estatísticos são invocados para avaliar objetivamente a significância destas diferenças entre os tratamentos
significativos. Como exemplo, os autores citam uma situação experimental onde a decomposição de liteira
de três diferentes espécies é simultaneamente examinada em um mesmo local. A análise de variância
correspondente irá conter os principais efeitos dos dados e espécies, e dados x interação das espécies. É
somente quando esta interação é não significativa (ou significante, porém consideravelmente baixa em
magnitude ao efeito principal, Snedecor e Cochran, 1978), que a significância do efeito principal pode ser
interpretada sem ambiguidade. Se a interação é significativa, algumas inferências sobre decomposição
devem ser baseadas em um exame mais detalhado do meio individual. Logo, se o objetivo de um estudo em
particular é prever o efeito de vários tratamentos na decomposição de liteira por diferentes análises entre os
meios de tratamento através de todas as datas de amostragem, então a análise de variância pode ser
apropriada. No entanto, o cuidado deve ser consideravelmente exercido ao fazer inferências sobre as taxas
de decomposição. Mesmo quando usado neste contexto, o poder da análise de variância é influenciado pela
forma como as suposições implícitas de independência, amostragem aleatória, normalidade de distribuições,
e homogeneidade dos termos de erro de variância são cumpridas. A última suposição é crucial. Se o
pressuposto dos termos de erro de homogeneidade não é cumprido, o nível atual de α pode divergir
consideravelmente para o nível α designado, diminuindo assim a validade da análise (Box 1954). Ainda, os
autores apontam a montagem de modelos matemáticos que estimam constantes que descrevem a perda de
massa ao longo do tempo; onde afirmam que esta abordagem pode ser de grande valor para obter dados
sobre a biologia do processo de decomposição, descobertas que não são obtidas através dos procedimentos
estatísticos discutido anteriormente. O artigo aborda os modelos comumente utilizados para analisar dados
de decomposição, como os modelos: exponencial simples, exponencial duplo, assintótico, além de modelos
menos usados geralmente incluem as funções lineares, quadráticas e potências, discutindo as propriedades
matemáticas dos modelos e as relações entre os modelos e a biologia de decomposição. Após, os autores
afirmam que o uso predominante da estatística como ferramenta de pesquisa é comum, porém as análises
estatísticas apenas fornecem uma maneira objetiva de análise de dados e deve ser usada para ajudar a
interpretar os resultados de um estudo em particular. E que a compreensão das limitações e desvantagens de
um determinado procedimento estatístico é requisito para a interpretação adequada dos dados reais.
actual não é atual, mas sim real :) de resto, razoavelmente ok, mas pegou muito pouco no lado do uso de
regressões...
[4.400] (IP:281473816258014 | 09:44:08 | 21:49:54 | 05:46 | 6.069)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
O estudo da decomposição da serapilheira fornece dados para o funcionamento da ciclagem de nutrientes e a
reciclagem de recursos na natureza. Para decomposição em ecossistema terrestre constitui-se numa
ferramenta fundamental para as determinações das taxas de decomposição (k) das frações vegetais e da
avaliação dos fatores ambientais associados ao processo de decomposição. Também permite contribuir para
o conhecimento da função dessas plantas para o ecossistema terrestre, em particular para a ciclagem de
nutrientes.
O método dos sacos de litter ou serrapilheira (“litter bags”) é muito simples e vem sendo utilizado a algumas
décadas como um importante instrumento na avaliação das taxas de decomposição, seja de frações ou da
planta como um todo que consiste no material vegetal delimitando a massa conhecida para posteriormente
saber a composição química. Inicialmente, um grande número de sacos é colocado no campo e cada dia de
amostragem são escolhidos aleatoriamente um conjunto de sacos onde é analisado a perda de massa e as
alterações na composição química do material. Sendo que os resultados dos estudos de sacos de serapilheira
irão refletir as tendências das características do material decomposto não confirmando a real origem, porém
pode comparar a relação entre espécies, locais, e possíveis manipulações experimentais que podem ocorrer.
Embora semelhantes nos casos e na metodologia de estudos de sacos de serapilheira, ocorre uma variação
considerável nos procedimentos estatísticos usados para examinar os dados de decomposições.
“Duas abordagens analíticas são comumente utilizadas: comparar o tratamento ou por descrições
matemáticas de dados.”
1ºAbordagem analítica
Comparar o tratamento ( espécie, local) “uso da análise de variância”
O objetivo dos estudos comparativos para avaliar a decomposição de uma espécie em vários locais, de várias
espécies em um local, ou de uma espécie em um local, sob diferentes condições experimentais, examinando
as diferenças entre os meios, os efeitos do tratamento (locais, espécies, condições experimentais),o método
mais comumente utilizado estatístico de análise de dados de decomposição é a análise de variância,
delineamento inteiramente casualizado (DIC).
Em alguns casos é aceitável se fazer inferências sobre as diferenças nas taxas de decomposição, tendo como
base o resultado da análise de variância, sendo que é necessário definir a "taxa de decomposição". Sendo que
apenas a análise de variância não testa diretamente as hipóteses sobre as taxas de decomposição.
No exemplo dado no artigo, se uma interação não significativa, é acompanhada por seu efeito não
significativo das espécies, então não há diferenças entre as três espécies em média de massa percentual paras
as diferentes épocas. Sendo que através da amostragem final, as três espécies iram se decompor-se a
aproximadamente a mesma taxa absoluta e aproximadamente a mesma taxa relativa.
A conclusão de que seria entre da primeira e ultima amostragem se tem que as três espécies iriam se
decompor a aproximadamente a mesma taxa absoluta, onde as inclinações das três parcelas são praticamente
iguais.
Sendo que entre as espécies nas taxas de decomposição absolutos ao longo de todo período do estudo será
feito com uma interpretação subjetiva dos dados e não será ser incontestavelmente suportada pelos
resultados de apenas uma análise de variância.
Na fig. 1A, a taxa de decomposição relativa é mais baixa para as espécies X e maior para espécies Z. Na fig.
1B, as espécies de Z mostra uma perda inicial rápida de massa que posteriormente é seguido por uma perda
muito lenta. Na fig. 1C, na primeira amostragem a perda de massa segue a ordem X> Y> Z, enquanto que
nas últimas amostragem, a ordem é invertida de modo que Z> Y> Z. Na Fig. 1D, os pontos atravessaram
várias vezes ao longo do estudo.
A análise de variância pode ser apropriada quando o objetivo do estudo é avaliar o efeito de vários
tratamentos na decomposição, examinando as diferenças entre os tratamentose e a significância dos dados da
amostragem.
2ºAbordagem analítica
Descrições matemáticas de dados que caracterizam as alterações observadas ao longo do tempo
Os modelos propõem-se delinear aspectos do comportamento real, através do estabelecimento de equações
matemáticas; dificilmente descrevem perfeitamente a realidade; porém, o suficiente para responder à
hipóteses propostas.
Desta forma, a modelagem matemática pode contribuir significativamente para o entendimento dos
processos de transferência de elementos químicos destes ambientes. Através da seleção de modelos
apropriados, estes coeficientes podem ser estimados; para tanto, das reações químicas e biológicas devem
considerar particularidades do sistema em estudo.
O modelo mais frequentemente usado para descrever a decomposição é a função de decaimento exponencial
simples discutido em detalhes consideráveis por Olson (1963) admitindo-se situação de equilíbrio, sendo:
“baseia-se no pressuposto de que as taxas de decomposição sejam proporcionais à quantidade de matéria
orgânica remanescente e que o recurso seja homogêneo do ponto de vista químico.”
kL= I/ X (equação 1) onde:
kL= coeficiente de decomposição
I= quantidade de serapilheira produzida anualmente em kg.ha-1
X= quantidade de serapilheira acumulada em kg.ha-1
Modelo exponencial múltiplo: considera que a matéria orgânica não seja um substrato homogêneo, que
consiste em vários componentes, tais como: lignina, celulose, carboidratos solúveis, etc, nesse caso, cada
estrutura (ou tipo de composto químico) apresenta uma taxa de decomposição e essa é proporcional à
quantidade de recurso remanescente; A hipótese (conhecimento e entendimento da biologia da
decomposição ) para o modelo exponencial simples pode ser expressa em duas maneiras:
1- A taxa de decomposição absoluta diminui linearmente como a quantidade de substrato declínios restantes,
2- A taxa de decomposição relativa permanece constante;
O material para decomposição:
Componentes solúveis - facilmente degradados tais como açúcares, féculas, e proteínas Materiais mais
recalcitrantes- celulose, gorduras, ceras, taninos e ligninas.
“Assim, com o tempo, a proporção relativa destes materiais recalcitrantes irá aumentar progressivamente e
da taxa de decomposição deve diminuir absoluto, enquanto que a taxa de decomposição relativa pode
permanecer constante.”
Devido à natureza de duas etapas de dinâmica de decomposição do modelo de decaimento exponencial
simples foi modificado para o modelo de decaimento exponencial dupla (assume que serrapilhera pode ser
dividida em dois componentes, fração facilmente decomposta ou lábil e uma fração mais recalcitrante.)
O modelo de assintótica está intimamente relacionado com ambas as exponenciais simples e dupla , pode ser
considerado como o único modelo exponencial que tende para uma constante positiva e não para zero.
Para todos os três modelos a taxa de decomposição absoluto tende para zero, como o decorrer do tempo
aumenta. Isso diz que a taxa de decomposição relativa é constante para o modelo exponencial simples e se
aproxima de um valor constante e para o modelo exponencial dupla como a massa restante da fração lábil se
torna muito pequena em relação à massa restante da fração recalcitrantes.
Outros modelos pouco utilizados:
Modelo linear: adota que as taxas de decomposição sejam constantes em função do tempo, não sendo
proporcionais às massas dos detritos remanescentes. No entanto, com aobtenção de estimativas de
constantes de decaimento ou para derivar expressões empíricas para a modelação subsequente de
acumulação de matéria orgânica.
Funções quadráticas: podem ser às vezes usados como modelos de decomposição, certos aspectos de seus
respectivos comportamentos matemáticos torná-los menos adequado do que os modelos exponenciais,
devido a extrapolação para além do alcance dos dados pode ser especialmente problemático.
Função power: tem a propriedade matemática indesejável.
Em algumas conseqüências estatísticas associadas com diferentes abordagens para a montagem de modelos
matemáticos aos dados de decomposição. Onde os modelos listados exponencial simples, exponencial
múltiplo, assintótica, linear, quadráticas e power, podem ser divididos em dois grupos:
Intrinsecamente linear nos parâmetros: modelos exponencial simples e assintótica e linear pode ser
adequado para os dados de decomposição.
Intrinsecamente não-linear nos parâmetros: pode também ser utilizado quando tranformados.
Em fenômenos de decomposição de modelagem, as expressões são desejados que são realistas em termos de
comportamento, tanto no aspecto matemáticoe biológico. Especificamente, as expressões matemáticas deve
satisfazer os seguintes requisitos: a proporção de massa inicial remanescente deve mudar como uma função
do tempo e a taxa de decomposição relativa deve ser uma constante no limite. Enquanto os três modelos
exponenciais cumprir todos estes requisitos, os modelos linear, quadrático e power não cumprem os
requisitos.
Muitos pesquisadores comfimam o uso dos modelos vistos nesse artigo, a análise de variância é aplicada
para avaliar os efeitos das espécies vegetais (parcelas), dos tipos de manejo do solo (subparcelas) e do
período de decomposição (subsubparcelas) ao experimento com dados repetidos ao longo do tempo, onde se
aplica-se o teste de comparações múltiplas de médias , e aos tratamentos e às interações que se mostraram
significativas.
Para definir o processo padrão, conclui-se que o modelo duplo exponencial tem sido útil no fornecimento de
conhecimento considerável sobre a biologia do processo de decomposição. Sendo que as possiveis
diferenças entre os materiais vegetais e a taxa de decomposição, foi atribuída a diferenças nas proporções
relativas das fracções lábeis e recalcitrantes inicialmente presentes em cada tipo de material vegetal. O
modelo de dupla exponencial também é particularmente em situação experimental em que a decomposição
de um tipo especie é simultaneamente examinada em vários locais.
As análises estatísticas, no entanto, apenas fornecem uma maneira objetiva de análise de dados e deverá ser
utilizada para ajudar a interpretar os resultados de um estudo em particular.
ficou um pouco truncado em alguns pontos, mas muito bom
[1.500] (IP:281473816258014 | 09:44:24 | 21:51:25 | 07:01 | 90.467)
Discuta possíveis vantagens e desvantagens do uso de regressão na ciência do solo. Detalhe em
particular cuidados que devemos tomar em sua interpretação.
O estudo de regressão exerce papel relevante dentro do campo da Ciência do Solo, devido a sua larga
aplicação na interpretação de resultados experimentais, e têm por objetivo determinar a relação existente
entre uma característica qualquer de interesse experimental, dependente, e outra característica independente,
tomadas juntas. Exemplo: quando trabalhamos com cinco doses (20 kg, 40 kg, 60 kg, 80 kg e 100 kg) de
torta mamoma, onde se fez um experimento para determinar a dose ideal e econômica, onde o resultado foi
uma dose não trabalhada, sendo assim pode se interpolar valores com o uso da regressão, achando assim
uma dose ideal que fica entre a faixa trabalhada. Onde o pesquisador, geralmente, escolhe os valores da
variável independente e depois estabelece a relação existente entre os valores das duas variáveis. É preciso
ressaltar que a determinação da equação de regressão deve ser precedida de uma análise de variância, a fim
de comprovar estatisticamente se os dados apresentam a suposta relação linear entre as variáveis X e Y.
Uma desvantagem é evitar a extrapolação pois os dados devem ser interpolados dentro da faixa de valores,
caso contrário os dados não serão tão confiáveis. Em particular cuidados que devemos tomar em sua
interpretação é provavelmente evitar a extrapolação, ou seja, lembrar que a regressão só vale para a faixa de
valores usada para estabelecê-la. E outros cuidados interpretações da análise de regressão é levar em
consideração a importância da regressão e não apenas o seu nível de significância, pois as discussões devem
ser por base de conclusões científicas baseadas na literatura. É preciso ressaltar que a determinação da
equação de regressão deve ser precedida de uma análise de variância, a fim de comprovar estatisticamente a
honestidade dos dados.
a extrapolação deve ser realmente evitada, porque não é que seja pouco confiável, mas porque não pode ser
confiada ao todo. Não podemos falar sobre dados que não existem, que é exatamente o que é feito na
extrapolação. Não dá para entender o ponto que levantou sobre nível de significância, quando diz que as
discussões devem ser baseadas na literatura. O que isto tem a ver com nível de significância,
pelamordedeus?
[1.000] (IP:281473816258014 | 09:44:29 | 21:51:42 | 07:13 | 15.343)
Discuta a relação entre a regressão e um relacionamento causa-efeito.
Ao aplicarmos uma análise de regressão estarei fazendo uma relação ou apenas uma ligação de duas ou mais
variáveis, onde pode ser estimadas partir da escolha do modelo e da sua finalidade, que podem ou não
apresentar efeitos (uma sobre a outra), pois a regressão é apenas uma representação matemática ( equação
que liga variáveis quantitativas), da relação do tratamento e as resposta dadas pelos dados, sendo que a
mesma não explica exatamente o que ocorre e a sua provável causa ou melhor não determina a causa-efeito.
muito, muito confuso. Sinceramente fiquei sem certeza se você conseguiu realmente entender que causaefeito e regressão não tem qualquer ligação...
[1.000] (IP:281473816258014 | 09:44:31 | 21:56:18 | 11:47 | 5.128)
Explique porque podemos considerar que o nível de significância de uma regressão é menos crítico do
que sua importância intrínseca.
O nível de significância nos mostra a chance dos valores observados são devido ao acaso ou não. De modo
geral, a significância é apenas um anúncio de erro, e não de identificação de algum fato real, sendo que a
mesma não é um indicador de grande importância científica (devido a pobreza nas discussões dos dados
onde apenas se relata a relação das variáveis) , o mais importante é analisar o coeficiente de correlação,
quando se existe o interesse em determinar o grau de relação entre as duas vaiáveis. O valor de r (coeficiente
de correlação), pode variar de – 1 a + 1. Os valores – 1 e + 1 indicam o máximo de correlação; o sinal (+ ou
) indica o sentido da correlação; o valor 0 significa independência das variáveis, isto é, não existe correlação.
Na regressão, quando os experimentos são bem conduzidos e bem adequados, a significância é fato certo ou
não. Sendo que isso não significa ou uma tendência certa que o coeficiente de correlação entre os fatores
sejam alto. Pois quando as relações são significativas, com baixos coeficientes de correlação ou melhor
explicando onde as médias apresentam a mínima diferença significativa, onde para nós as diferenças
mínimas algumas vezes não são tão importantes. “Sendo que as duas regressões podem apresentar o mesmo
nível de significância sem necessariamente possuírem a mesma importância cientifica.” Assim, em regressão
é mais relevante para avaliação da importância científica do que a significância.
Exemplo para comprovar:
NA ANÁLISE DA VARIÂNCIA DO EFEITO DE NÍVEIS DE ADUBAÇÃO ORGÂNICA (ESTERCO
DE GALINHA) NA ALTURA DE PLANTAS DE COENTRO.
Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
Causa de Variação GL SQ QM F
Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
Adubação Orgânica 3 34,1900 11,396667 2,78 ns
Resíduo 20 82,1004 4,1050
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
Total 23 116,2904
xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
De acordo com o teste F, não houve diferença significativa, no nível de 5% de probabilidade, entre os níveis
de adubação orgânica em relação à altura de plantas de coentro. O fato de não ser levado em conta a
regressão o resultado obtido pelo teste F estaria em desacordo com a realidade, pois verifica-se uma
tendência de aumento da altura de plantas de coentro com o aumento no nível de adubação orgânica.
Portanto, para que seja feita uma análise correta há necessidade do emprego da regressão na análise da
variância, pois trata-se de tratamentos quantitativos e têm-se mais de dois níveis de adubação orgânica. O
coeficiente de variação foi 20,64%, indicando uma precisão experimental regular.
Quando feita a Análise da Variância com Regressão Linear: Houve diferença significativa, no nível de 5%
de probabilidade, para a regressão linear, indicando que quando aumenta o nível de adubação orgânica
(esterco de galinha) ocorre um incremento na altura de plantas de coentro. Como também não houve
diferença significativa, no nível de 5% de probabilidade, para os desvios de regressão, indicando que a
relação entre os níveis de adubação orgânica (esterco de galinha) e altura de plantas de coentro é
determinada apenas pela regressão linear. O valor de explica 81,44% do incremento na altura de plantas de
alface em função do aumento do nível de adubação orgânica (esterco de galinha) determinado pela equação
linear.
Conclui-se que diante deste exemplo, fica evidente a importância da regressão na análise de variância. Se a
regressão não fosse empregada, a conclusão tirada acerca dos tratamentos não seria condizente com a
realidade.
significância é um anúncio de erro, ou da chance de erro? E desde quando significância não tem importância
científica? Tudo bem que não é tão importante na regressão quanto os valores propriamente ditos, mas isto
não quer dizer que não tem importância. Não tenho certeza da interpretação da análise de variância. A minha
indicação é de que não deveria conduzir a regressão neste caso, já que não há indicação de efeito
significativo para doses. Só daria para ter certeza vendo o resto da análise que você não inclui na resposta.
De resto a sua resposta girou, girou, mas não centrou na questão.
[2.200] (IP:281474038335831 | 09:03:24 | 20:29:26 | 26:02 | 60.216)
Qual a principal vantagem do uso de regressões não lineares?
A grande vantagem do uso de regressões não-lineares esta na sua boa descrição de fenômenos biológicos.
Esse tipo de regressão é conhecido como observacional e de processos interativos, pois permite através de
suposições, com base teórica, poder realizar uma relação teórica com as variáveis observadas. É uma função
que permite avaliar a possível relação entre uma variável dependente com uma ou varias variáveis
independentes por uma combinação não-linear de parâmetros biológicos. Sendo assim, por não ser linear e
nem empírica, pode representar melhor os fenômenos biológicos.
ok
[4.000] (IP:281474038335831 | 09:04:59 | 20:31:49 | 26:50 | 5.133)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
O artigo de R. Kelman Wider e Gerald E. Lang trata da avaliação de métodos analíticos utilizados na análise
de decomposição, utilizando como método de avaliação da decomposição sacos de serapilheira. Em
primeiro lugar é destacado utilização do método do saco de serapilheira como padrão para realização dos
estudos sobre decomposição. O mesmo método apresenta limitações por subestimar a decomposição efetiva,
porém sua utilização não é descriminada. Esses sacos são colocados no campo, aleatoriamente, para
amostragem, é escolhido um conjunto de sacos que são recuperados para realizar as avaliações por perda de
massa e alterações químicas. Embora essa metodologia não varie muito, os procedimentos estatísticos são
bastante diversificados. Duas abordagens estatísticas são comumente utilizadas a comparação entre
tratamentos e descrições matemáticas de dados que caracterizam as alterações observadas ao longo do
tempo.
A primeira abordagem pode ser feita pela análise de variância que possibilita avaliar os efeitos do tratamento
com relação à decomposição, por exemplo, uma dada espécie em diferentes situações. Neste caso, o modelo
estatístico mais utilizado para análise de dados de decomposição é o delineamento inteiramente casualizado.
Esse modelo descreve muito bem os efeitos de tratamento, porém não consegui expressar bem a taxa de
decomposição que possuem outras vaiáveis não conhecidas.
A segunda abordagem trata do desenvolvimento de modelos matemáticos que possam estimar a perda de
massa ao longo do tempo, ou seja, a taxa de decomposição. Um dos primeiros modelos propostos foi a
função de decaimento exponencial simples que utiliza apenas uma constante para determinar essa perda de
massa, o que facilita a comparação com outros conjuntos de dados e simplifica as tentativas de modelar o
acúmulo de carbono orgânico no solo. O modelo exponencial simples expressa bem à taxa de decomposição
de acordo com o conhecimento biológico, ao afirma que a taxa absoluta diminui linearmente como a
quantidade de substrato restante entra em declínio, ou a taxa de decomposição relativa permanece constante.
Mas considerando que alguns materiais possuem diferentes taxas de decomposição foi criado outro modelo
exponencial, chamado de modelo de decaimento exponencial dupla. No exponencial dupla assume-se que há
dois tipos de materiais frente à decomposição, um facilmente decomposto (fração lábil) e outra fração mais
resistente (recalcitrante). Outro modelo também foi proposto o modelo assintótico, tem uma relação com os
modelos exponenciais, porém diferentemente dos exponenciais que tende a uma constante zero, esse a
constante é positiva e não é para zero, por isso que esse modelo é questionável, pois nenhuma matéria
orgânica vegetal esta imune aos ataques dos microrganismos. Porém, quando as condições ambientais
interferem na atividade dos organismos decompositores, a fração recalcitrante pode permanecer
indecomposta, nesse caso o modelo assintótico terá sucesso sobre os outros exponenciais. Modelos lineares,
funções quadráticas e poder são menos utilizadas. O modelo linear não representa bem biologicamente um
fenômeno, porém se a perda de massa por decomposição é muito pequena, poderá ser usado. A função
quadrática pode ser utilizada, mas com extrapolação dos dados a taxa absoluta de decomposição tendendo ao
infinito, por tanto não representa a realidade. A função poder matematicamente aborda o infinito com tempo
se aproximando de zero, isso não é desejável. Os modelos exponenciais simples e assintóticos, juntamente
com o modelo linear podem ser utilizados para dados de decomposição, utilizando os quadrados das
estimativas. Análise de covariância pode ser utilizada para testar as equações de regressão dos modelos
apresentados, porém é limitada aos modelos lineares. Dentre os modelos recomendáveis estão apenas os
exponenciais, sendo que o mais recomendável para neste trabalho de decomposição é o modelo exponencial
duplo, pois representa melhor as taxas de decomposição.
ok
[2.000] (IP:281474038335831 | 09:05:42 | 20:32:53 | 27:11 | 63.18)
Compare a regressão polinomial com as regressões não-lineares, considerando os pontos de vista de
uso prático, e capacidade de interpretação dos resultados.
A regressão polinomial não possibilita discutir fenômenos biológicos, embora seja um tipo de regressão
múltipla, essa multiplicidade se dar apenas em um único eixo (x), o que não permite suposições importantes
sobre um dado fenômeno biológico. A regressão polinomial pode ser aproveitada para estimar, através da
simplificação da realidade, valores com significado biológico/prático, mas é sabido que nenhum fenômeno
biológico pode ser perfeitamente representado por um modelo linear, como a regressão polinomial. As
regressões não-lineares conseguem descrever bem os fenômenos biológicos, pois essa regressão é resultante
de processos interativos e, sua estrutura, possibilita conhecer todas as causas possíveis envolvidas com o
evento (parâmetros biológicos), onde essas causas têm grande significado biológico. Essas causas podem ser
facilmente identificadas. Do ponto de vista prático o modelo de regressão não-linear é mais complexo que a
regressão polinomial.
o que faz com que a não-linear represente bem a biologia não é o fato de ser interativa, mas sim ser criada a
partir de determinados modelos teóricos que procuram descrever o comportamento...
[2.200] (IP:281474038335831 | 09:14:50 | 20:34:56 | 20:06 | 116.279)
Explique porque podemos considerar que o nível de significância de uma regressão é menos crítico do
que sua importância intrínseca.
O nível de significância de uma regressão é importante, pois o nível significância indica a chance máxima de
a variação dos tratamentos ocorrer devido ao acaso, mas geralmente toda regressão é significativa, o que
indica que os efeitos do tratamento foram superiores ao do acaso. Um pesquisador pode se deparar com uma
regressão que apresenta um nível de significância adequado e, ao mesmo tempo, não ter importância, neste
caso, o pesquisador terá dificuldades para encontrar uma explicação plausível para o modelo. Isso ocorre
porque o nível de significância de uma regressão não a explica. A importância é mais crítica por expressar
quanto da variação total está sendo explicado pelo modelo, ou seja, através da importância o pesquisador
terá informações para discutir melhor seus dados, a importância pode ser verificada através do coeficiente de
determinação da regressão que quanto mais próximo de 1, melhor a qualidade do ajuste do modelo.
ok
[4.000] (IP:281473824209824 | 10:35:29 | 17:20:46 | 45:17 | 1.555)
Discuta o artigo desta semana de forma detalhada o suficiente para que o leitor de seu resumo tenha
um bom entendimento do artigo.
O artigo intitulado por “Uma crítica dos métodos analíticos utilizados na análise de dados obtidos a partir da
decomposição de liteira” em síntese, faz uma abordagem sobre dois métodos analíticos para o exame de
decomposição de dados, devido a variação de resultados entre pesquisadores. Onde, se o objetivo for
comparar a significância dos tratamentos, procede-se a analise de variância, entretanto não é realizado
diretamente o teste de hipóteses com relação a velocidade de decomposição. Já, se desejar determinar
velocidades constantes, formula-se modelos matemáticos para os dados. Apresentando como melhores
modelos, os exponenciais, devido a sua adequada descrição quanto a perda de massa com o tempo em
elementos biológicos.
A princípio o autor relata a importância do estudo da decomposição no funcionamento dos ecossistemas.
Onde, para a obter a decomposição emprega-se o método de sacos de liteira, que baseia-se no isolamento do
material vegetal de massa e composição química conhecida em um recipiente telado, visando encontrar a
ordem de sua decomposição. No campo esses recipientes são colocados e a cada amostragem aleatória de
dados, é feita a analise da perda de massa e/ou mudança química na composição da liteira. Esse método
pode subestimar a decomposição, mas a partir de seus resultados, estes poderão refletir em tendências
características da decomposição. Embora existam similaridades entre várias metodologias de sacos de liteira,
ocorrem variações significativas nos procedimentos estatísticos, utilizados na determinação da
decomposição.
A análise de variância é o procedimento estatístico mais utilizado no exame de decomposição de dados, e
permite saber se ocorreu significância entre os tratamentos. As análises são realizadas na proporção ou
percentagem da quantidade inicial de X restante, em um tempo (t). Como exemplo o autor cita a
decomposição de liteira de três espécies distintas em função de um tempo, onde a análise de variância irá
conter os efeitos dos dados, das espécies, e da interação dados - espécies. Caso a interação seja significativa,
inferências sobre a decomposição necessitam ser baseadas em um exame. Se, a interação não for
significativa, não existe efeito significativo das espécies. Se um efeito significativo entre espécies
acompanha uma interação não significativa, as espécies decompõem-se a aproximadamente a mesma taxa
absoluta.
Quando a interação é significativa, a magnitude e/ou a direção das espécies em massa média percentual
restante é diferente em todas as datas de amostragem. Dependendo da finalidade do estudo a analise de
variância pode ser adequada. Quando se desejar verificar o efeito dos tratamentos na decomposição, a
analise de variância poderá ser adequada, tendo que prestar atenção ao fazer inferências sobre as taxas de
decomposição. O poder da analise de variância é afetado pelas hipóteses de amostragem, independência
aleatória, normalidade de distribuições, e homogeneidade de variâncias em termos de erros.
Em seguida, o autor aborda os modelos matemáticos e suas montagens como estimadores da perda de massa
no transcorrer do tempo, e enfatiza a importância destes para a análise de dados de decomposição. O modelo
de decaimento exponencial simples (MDES), apresenta apenas uma constante, a qual é caracterizada pela
perda de massa, o que facilita a comparação com outros conjuntos de dados, e simplifica as tentativas de
modelar o acúmulo de carbono orgânico no solo (COS). Este modelo é o mais empregado na descrição da
decomposição, e possui o pressuposto de: ou a taxa de decomposição absoluta diminui linearmente com a
quantidade de substrato a declínios restantes, ou a taxa de decomposição relativa permanece constante. Para
exemplificar, são utilizados dois materiais, um de maior e outro de menor facilidade a decomposição,
(componentes mais solúveis e componentes recalcitrantes), respectivamente. Modelo de decaimento
exponencial duplo (MDES) [modificação do MDES], pode ser dividido em dois componentes, (A) uma
fração facilmente decomposta ou lábil, e (B) uma fração recalcitrante. Ocorre uma redução exponencial de
cada fração, e a decomposição final é dada pela soma das perdas de cada fração, entretanto esse modelo não
considera eventuais transferências do material lábil ao material recalcitrante. O modelo assintótico (MA)
está fortemente relacionado com o MDES e MDED, onde, pode ser pensado como um MDES que tende a
uma constante positiva, em vez de zero, ou pode ser pensado como um MDED, onde uma constante se
iguala a zero. Esses três modelos (MDES, MDED, MA), apresentam comportamentos matemáticos
semelhantes, e o valor da decomposição absoluta tende a zero com o passar do tempo. Já, os modelos que
incluem as funções lineares, quadráticas e de potências, são menos utilizados para descrever a
decomposição. O modelo linear (ML) considera o valor da decomposição absoluta constante, enquanto que
o valor da decomposição relativa tende a aumentar com o tempo, suposições difíceis de justificar
biologicamente. O ML tende a subestimar e superestimar, respectivamente, as fases iniciais e finais da
decomposição. Os modelos de funções quadráticas e potenciais, embora empregados algumas vezes,
apresentam propriedades matemáticas que lhes desfavorecem em comparação com os modelos exponenciais
na descrição da decomposição. Pela característica da função quadrática em muitas situações é possível a
obtenção de estimativas de parâmetros com bons ajustes para dados não lineares, entretanto, extrapolações
além do intervalo dos dados podem ser problemáticos. Os modelos de funções potenciais apresentam
propriedades matemáticas desfavoráveis, devido sua aproximação do infinito com o tempo próximo de zero.
Na terceira parte do artigo o autor relata que o ajuste de modelos matemáticos aos dados de decomposição
acarretam consequências estatísticas. Modelos intrinsecamente lineares podem ser convertidos em lineares,
ao passo que modelos intrinsecamente não lineares não podem ser convertidos a formas lineares. Modelos
exponenciais simples e assintóticos são intrinsecamente lineares, eles com os modelos lineares podem se
adequar para os dados de decomposição, empregando a estimativa de quadrados lineares. Já, a estimativa
dos mínimos quadrados não lineares devem ser utilizados na montagem de modelos intrinsecamente não
lineares, podendo também ser utilizados em encaixes individuais não transformados de modelos
exponenciais ou assintóticos. Em modelos lineares ou linearizados a analise de covariância é limitada e não
pode ser aplicada em nenhuma interceptação fixa ou nos modelos intrinsecamente não lineares. Nos
fenômenos de decomposição as modelagens podem expressar termos reais de comportamento tanto de
ordem biológica quanto matemática. As expressões matemáticas devem atender critérios Os modelos
exponenciais cumprem tais requisitos, ao passo que os lineares e quadráticos, no mínimo em um critério
falha. Dessa maneira, os modelos exponenciais são os mais realistas, tanto em termos biológicos, quanto
matemáticos.
Por fim, o autor cita dois exemplos da utilidade e aplicação do modelo de decaimento exponencial duplo na
biologia do processo de decomposição. O primeiro exemplo é sobre a decomposição de materiais vegetais
no solo, a temperatura e regime de umidade constantes. Verificou-se que o teor de lignina e a relação C/N
afeta a decomposição, quanto maior a relação C/N e/ou a quantidade de lignina (fração mais recalcitrante),
mais tempo levará para o material se decompor e quanto menor for a relação C/N e/ou o teor de lignina
(fração mais solúvel), menor o tempo de decomposição. O segundo exemplo é sobre a perda de massa de
materiais vegetais examinada em várias localidades, onde a existência de diferenças de perdas de massa
entre os locais, devem ser resultado de diferenças no local que controlam as taxas em que as frações são
decompostas. Destaca que a estatística é uma ferramenta de pesquisa, e que as analises estatísticas devem ser
utilizadas para auxiliar na interpretação dos resultados de um estudo, pois apenas fornecem de forma
objetiva a analise dos dados. Deve-se compreender as desvantagens e limitações dos procedimentos
estatísticos, porque isso é um requisito chave para a interpretação adequada dos dados.
Decomposição de dados, ou dados de decomposição? Cuidado com a mudança de ordem entre inglês e
português. Os dados de são de decomposição, não estão decompondo.Por sinal, a interação não é dados x
espécies, mas datas x espécies... além disto, se a interação for significativa, indica que as espécies
decompoem em taxas diferentes, ou seja, uma decompõe mais rápido do que as outras. Embora tenha
discutido bem o trabalho, não centrou na biologia, que é bem tratada. Por exemplo, eu escolhi este trabalho
justamente porque discute bem a interpretação biológica dos coeficientes de regressões de decomposição
[2.000] (IP:281473824209824 | 10:37:07 | 17:22:01 | 44:54 | 73.944)
Qual a principal vantagem do uso de regressões não lineares?
É que são bons descritores dos fenômenos biológicos. Na maioria das vezes, as formulações dos modelos
são baseadas em considerações teóricas inerentes ao fenômeno que se tem interesse modelar. Outra
vantagem é que apresentam parâmetros que possibilitam interpretação biológica, os quais podem auxiliar o
pesquisador no processo de tomada de decisões. Os modelos de regressão não linear contornam problemas
relacionados com a estimativa do índice ambiental, fazendo com que os testes das hipóteses para os seus
parâmetros sejam realizados sem violar os princípios básicos necessários para a sua validade. Como
exemplos de aplicações de modelo de regressão não linear, temos: modelo para produção em função de
fósforo e água; modelo para a relação altura – dap (diâmetro a altura do peito/1,3 m) de árvores.
excelente, exceto quanto aos exemplos. No primeiro está falando de uma regressão múltipla, enquanto no
segundo não tenho idéia do que seja.
[2.200] (IP:281473824209824 | 10:37:36 | 17:22:38 | 45:02 | 1.944)
Discuta a relação entre a regressão e um relacionamento causa-efeito.
Não existe relação entre regressão e um relacionamento causa e efeito, a existência de regressão não tem
vínculo/elo com um relacionamento de causa e efeito. A regressão é um modelo matemático que liga duas
ou mais variáveis, podendo a variável dependente ser estimada a partir deste modelo. Não deve ser
entendida como função de causa e efeito, pois demonstra apenas a ligação entre as variáveis. O pesquisador,
através de seu conhecimento científico, é que define se existe alguma relação de causa-efeito da ligação
entre as variáveis estudadas.
excelente
[2.200] (IP:281473824209824 | 10:38:04 | 17:23:18 | 45:14 | 5.865)
Discuta possíveis vantagens e desvantagens do uso de regressão na ciência do solo. Detalhe em
particular cuidados que devemos tomar em sua interpretação.
A vantagem de usar regressão na área de fertilidade do solo, é que poderá ser obtido valores não aplicados,
mas que correspondem a doses procuradas (agronômicas e/ou econômicas, por exemplo no caso de
adubação) dado a interpolação dos valores. Possibilita a visualização de algo, que de outra maneira não
seriam visualizado. A desvantagem é que não pode extrapolar esses valores obtidos para outras condições,
nem para faixas que estão fora das estudadas. Exemplificando uma vantagem: Supondo que em um
experimento, conduzido no município de Petrolina-PE, em que se deseja obter a dose econômica de adubo
por hectare na produção de pimentão, utilizando doses de 0-15-30-45-60-75-150 kg. A produtividade
máxima foi alcançada com 68,5 kg de adubo por hectare. Essa dose de 68,5 kg de adubo, não foi colocada
no experimento, entretanto esse valor foi obtido devido a interpolação dos valores na equação da regressão.
Exemplificando uma desvantagem: No caso do mesmo exemplo acima citado, não se pode dizer que para as
condições do município de Garanhuns-PE, a dose econômica seja de 68,5 kg de adubo. Caso admita-se a
mesma regressão para o município de Garanhuns, estará se cometendo a extrapolação, ocasionando erros.
Mesmo sendo municípios do mesmo estado as condições são distintas.
A vantagem na área de microbiologia do solo é que poderá ser obtido através dessa modelagem, parâmetros
passiveis de interpretação biológica (utilizando modelos não lineares) que permite ao pesquisador entender
melhor os processos. A desvantagem é que nem todo modelo de regressão se enquadra no caso de estudo.
Exemplificando: Em um estudo de decomposição de diferentes materiais vegetais em função do tempo, para
saber como ocorre essa decomposição, deve-se utilizar modelos não lineares (mais comum, exponenciais),
pois estes são bons descritores dos fenômenos biológicos. Caso se utilize modelos de regressão lineares ou
polinomiais, isto implica em erros, o resultado e consequentemente a interpretação estará equivocada, pois
estes modelos não representam os parâmetros biológicos. Praticamente nunca o pesquisador encontrará
fenômenos biológicos que possam ser explicados por uma reta (regressão linear), pois na natureza
constantes ganhos não são comuns. Para determinadas faixas de valores até pode ser usada, mas apenas para
uma dada faixa de valores.
No caso da área de Gênese e morfologia de solos pode-se utilizar a regressão, entretanto com menor
exigência matemática, devido as suas características inerentes, existe muitos fatores influenciando, dos quais
o pesquisador tem pouco controle. Já em um experimento (na área de fertilidade), existe um maior e melhor
controle dos efeitos, refletindo assim em maiores correlações. Mesmo que as correlações sejam baixas (área
de gênese), em comparação a um experimento (área de fertilidade) já se considera um ganho, pois são tantos
fatores que não se pode controlar, que a variabilidade dos dois ficam altos. O solo é função dos fatores de
formação (relevo, tempo, organismos vivos, clima, material de origem), dada essa complexidade de
relações, a variabilidade tende a ser grande.
Os principais erros no uso de regressão são cometidos devido ao uso indevido. Usa-se quando não se deveria
usar, ou usa-se um modelo não adequado para determinada situação. A estatística é uma ferramenta e cabe a
quem esta utilizando-a saber usá-la, e saber extrair informações. O pesquisador tem ter um grande
embasamento teórico, bem como, saber que modelos usar, o porque, suas causas e implicações, e saber se
são compatíveis com a finalidade do estudo.
excelente