1 Introduca o
A avicultura brasileira e atualmente reconhecida como uma das mais desenvolvidas do
mundo, este fato foi atingido devido a programas de qualidade implementados como: genetica,
nutrica o, manejo, sanidade do animal, biosseguridade, boas praticas de produca o, rastreabili-
dade e preservaca o do meio ambiente.
Na produca o animal de corte, muitos criadores desenvolvem metodos para determinar o peso
ideal de abate a fim de minimizar os gastos para a sua criaca o. Os modelos nao lineares tem
sido utilizados para estudos de crescimento, devido algumas propriedades e interpretaco es de
seus parametros do ponto de vista biologico: maturidade, taxa de crescimento e entre outros [4].
Segundo [5] os modelos mais utilizados para descrever o crescimento de animais de produca o
sao os de Richards, Gompertz, Brody, Logstico e Von Bertalanffy.
De acordo com [10] Von L. Bertalanffy propos um dos modelos de maior sucesso para
descrever o crescimento animal, pois houve uma tentativa de relacionar o crescimento total
da fisiologia do organismo. O modelo proposto por Pierre F. Verhulst, denominado modelo
logstico, e o mais comum apresentado sobre crescimento. O modelo sugerido por Benjamin
Gompertz teve aplicaca o inicial na descrica o em tabelas atuariais, mas tambem e muito aplicado
em estudo de crescimento de animais, plantas e tumores. Em 1959 J. F. Richards propos um
modelo derivado da funca o de Von Bertalanffy, que inicialmente foi empregado em estudo de
crescimento de plantas e e conhecido por sua flexibilidade na recuperaca o de outros modelos.
Este trabalho tem o objetivo de comparar o ajuste do modelo de Richards com os modelos
de Gompertz e Verhulst para dados de crescimento de peruas.
2 Material e metodos
Os dados analisados foram obtidos de uma agropecuaria de Santa Catariana. Foram obser-
vados os pesos, (em gramas), em funca o da idade durante 18 semanas [12].
1 DEX-UFLA: micherlania@bol.com.br
2 DEX-UFLA; joamuniz@dex.ufla.br
3 DEX-UFLA; fribeiro@dex.ufla.br
4 Agradecimentos a Capes, CNPq e Fapemig pelo apoio financeiro.
1
As curvas individuais foram obtidas pelo ajuste dos tres modelos aos dados de cada animal.
No estudo do modelo de Richards, que para este trabalho sera chamado de curva Generalizada,
h i
foi utilizada a parametrizaca o de acordo com [1], dN
dt = rN lnq NK , onde N e o tamanho
q
da populaca o, K a carga de carregamento, q o parametro de generalizaca o e lnq(x)
= x 1 .
q
dt = rN 1 K ,
Quando o parametro q = 1, o medelo generalizado recupera o modelo logstico dN N
h i
e quando q 0, recupera o modelo gompertz dN dt = rN ln K . Os mesmos conceitos foram
N
K
Verhulst N(t)=
K
1 1 N e(rt)
0
N
ln K0 e(rt)
Gompertz N(t)=K e
K
Generalizado N(t)=
( " q # )1
K rt
q
1+ N 1 e
0
2
3 Resultados e discussoes
Os resultados do ajuste indicaram que o modelo Generalizado obteve o melhor compor-
tamento para descrever os dados. Conforme se observa na tabela (2) este modelo apresentou
os menores AIC e BIC. De acordo com as estimativas obtidas para os parametros do modelo
selecionado, o peso adulto das aves foi estimado em 9.475 g.
Tabela 2: Estimativas dos parametros associados aos modelos para dados de crescimento de
peruas
Modelo K N0 r q AIC BIC
Verhulst 8.853 269, 5 0, 3686 238, 43 241, 99
Gompertz 10.330 61, 99 0, 1939 237, 04 240, 60
Generalizado 9.475 156, 5 0, 2645 0, 402 234, 63 240, 60
3
se conhece da curva, ou seja, com 95% de probabilidade ha evidencias que a melhor curva
pertence ao intervalo de predica o.
O Grafico referente ao intervalo dos valores preditos do modelo generalizado esta na figura
(2).
4 Conclusoes
O criterio de informaca o de akaike (AIC) foi mais conclusivo na identificaca o do modelo
que melhor se ajustou aos dados. O criterio de informaca o bayesiano (BIC) apresentou re-
sultados semelhantes para os tres modelos, dificultando a analise sobre a qualidade do ajuste.
Portanto, com base nos resultados do AIC, observa-se que o modelo generalizado mostrou ser
mais adequado para descrever o crescimento de peruas.
Os tres modelos superestimaram ligeiramente o peso adulto das aves.
4
Referencias
[1] Cabella B. C. T.; Martinez A. S.; Ribeiro F., Data collapse, scaling functions, and analy-
tical solutions of generalized growth models. PHYSICAL REVIEW E 83, 061902 2011.
[2] Das, C. F. F., Selecion de modelos mediante criterios de informacion en analisis fato-
rial. Aspectos teoricos e computacionales. Granada, 2011.
[6] Mazucheli, J. e Achar, J. A., Algumas consideraco es em regressao nao linear. Acta
Scientiarum, Maringa, v.24, n. 6, p.1761 - 1770, 2002. Ciencia e Agrotecnologia, Lavras,
v. 28, n2, p. 381-388.
[7] Motulsky, H. J. and A. Christopoulos A.,Fittings models to biological data using linear
and nonlinear regression. A pratical guide to curve fitting. 2003, GraphPad Software
INC., San Diego CA, www.graphpad.com.
[9] R Core Team (2012)., R: A language and environment for statistical computing. R
Foundation for Statistical Computing, URL http://www.R-project.org/.
[10] SAVAGEAU, A. M., Growth Equations: A General Equation and a Survey of Special
Cases. 2 September 1979.
[12] Viezel, C. e Paulo, S. de G., Modelo generalizado de Von Bertalanffy aplicado ao cres-
cimento de perus. PROPE/UNESP.