[1] considerando um experimento estudando três níveis de...

[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)



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)


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 causa-

efeito. 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 causa-

efeito, 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)



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)


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)



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)


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 causa-

efeito. 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 causa-

efeito, 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)



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)


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)



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)



{[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)


{[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)



{[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)


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 | --:--:-- | --:-- | ------ )



Não respondeu

[1.500] (IP:281473857227655 | 10:44:55 | 23:37:40 | 52:45 | 423.478)



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)



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.


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)


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)



“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 (Fal-

coner 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)


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)



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)



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)



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)


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 | --:--:-- | --:-- | ------ )



Em branco

[2.000] (IP:281473654463028 | 22:14:31 | 23:43:41 | 29:10 | 33.614)


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)


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)



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)



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.


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)



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)


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 causa-

efeito e regressão não tem qualquer ligação...

[1.000] (IP:281473816258014 | 09:44:31 | 21:56:18 | 11:47 | 5.128)



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)


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)



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)



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)



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)



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)


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)


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)



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

[1] considerando um experimento estudando três níveis de...

Documents