02972nam a2200277 a 450000100080000000500110000800800410001910000220006024501290008226003520021152018140056365000280237765000210240565000250242665000220245165000270247365000120250065000150251265000180252765300290254565300330257465300230260765300220263065300280265270000140268020352982023-04-26       2015    bl uuuu     u00u1 u    #d1 aMAIA, A. de H. N.  aAnálise de ensaios de sanidade pós-colheita considerando a estrutura longitudinal das avaliações.h[electronic resource]  aIn: REUNIÃO ANUAL DA REGIÃO BRASILEIRA DA SOCIEDADE INTERNACIONAL DE BIOMETRIA, 60.; SIMPÓSIO DE ESTATÍSTICA APLICADA À EXPERIMENTAÇÃO AGRONÔMICA, 16., 2015, Presidente Prudente. A estatística e os novos desafios: tratamento e modelagem da informação: anais... Presidente Prudente: Sociedade Internacional de Biometria, 2015. 6 p.c2015  aResumo: O uso de técnicas de exploração, visualização e análise inferencial de dados provenientes de estudos de patologias pós-colheita constitui um importante componente no processo de geração e comunicação de evidências experimentais para orientar o desenvolvimento de inovações tecnológicas para controle dessas patologias. Tradicionalmente, para análise inferencial de ensaios de doenças pós colheita são utilizados modelos lineares ordinários, isoladamente, para cada data de avaliação. Os dados originais são geralmente transformados, buscando evitar violações de pressupostos de normalidade e homogeneidade de variâncias. Esses métodos apresentam limitações, especialmente por não considerarem de forma adequada a natureza das variáveis e as prováveis correlações temporais entre as observações feitas num mesmo fruto ao longo do tempo. A escolha dos métodos adequados de análise inferencial de variáveis em qualquer ensaio depende tanto do delineamento experimental utilizado, quanto da natureza das variáveis de interesse. Quando variáveis são observadas ao longo do tempo numa mesma unidade experimental, caracterizando um estudo longitudinal ou de medidas repetidas é necessária especial atenção para a modelagem das prováveis correlações temporais entre as medidas, além da questão do tipo de distribuição de probabilidade da variável. Para variáveis Normais, essa modelagem pode ser feita via Modelos Lineares Gerais; para variáveis não Normais, deve-se utilizar uma generalização dos GLM, os Modelos Lineares Generalizados Mistos. Apresentamos, um exemplo de análises exploratória, análise inferencial e visualização de dados de um ensaio para avaliar a eficiência de tratamentos térmicos para controle do bolor verde da laranja.  aAgricultural statistics  aCluster analysis  aPostharvest diseases  aDoença de planta  aEstatística agrícola  aLaranja  aMofo verde  aPós-colheita  aAnálise de agrupamentos  aAnálise de medida repetidas  aData visualization  aRepeated measures  aVisualização de dados1 aTERAO, D.