Tabela de conteúdos

Walmes Marques Zeviani

Walmes Marques Zeviani

"Experiência não é o que acontece com você, mas o que você fez com o que lhe aconteceu." (Aldous Huxley)

"Feliz é aquele que transfere o que sabe e aprende o que ensina." (Cora Coralina)

"O que você sabe não tem valor, o valor está no que você faz com o que sabe." (Bruce Lee)

"Compreender que há outros pontos de vista é o início da sabedoria." (Campbell)

"Quem não sabe o que busca não identifica o que acha." (Immanuel Kant)

"Não sou aquele que sabe, mas aquele que busca." (Herman Hesse)

"A verdade é circunstancial." (Desconhecido)

"Quem reconhece um problema tem um problema a menos." (Desconhecido)

"Conforme-se e o mundo será sempre igual." (Campanha Institucional Futura 2015)

"Understanding is more important than automation." (John Emerson)

Perfil no Google Scholar

Engenheiro Agronômo pela Universidade Federal da Grande Dourados (2007), Mestre (2008-2009) e Doutor (2010-2013) em Estatística & Experimentação Agropecuária pela Universidade Federal de Lavras. Doutorando do Programa de Pós-Graduação em Estatística & Experimentação Agropecuária - Professor Assistente I do Departamento de Estatística da Universidade Federal do Paraná (aprovado por Concurso e contratado em Julho 2010) onde atualmente leciona.



==========================================================================
Walmes Marques Zeviani
LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W)
Departamento de Estatística - Universidade Federal do Paraná
Edifício da Administração - 3º andar - Centro Politécnico
Curitiba - PR                               CEP: 81.531-990
Bairro: Jardim das Américas                 Caixa Postal: 19.081
fone: (+55) 41 3361 3573                    VoIP: (3361 3600) 1053 1173
e-mail: walmes@ufpr.br                      twitter: @walmeszeviani
homepage: http://www.leg.ufpr.br/~walmes    linux user number: 531218
==========================================================================


Dissertação de Mestrado

Avaliação de modelos de regressão não linear na cinética de liberação de potássio de resíduos orgânicos

Resumo: O potássio (K) é um elemento químico muito exigido pelas culturas, porém, sua ocorrência e disponibilidade em alguns solos brasileiros são inferiores à demanda pelas plantas. Seu fornecimento também pode ser feito a partir de fontes orgânicas de maneira eficiente, quando se conhece o padrão de liberação do nutriente. Modelos não lineares são adequados nessas situações, uma vez que estimam quantidades de interesse prático e apresentam boa qualidade de ajuste. Embora seu processo inferencial seja baseado em argumentos assintóticos, existem meios de se conhecer a intensidade da não linearidade. Neste trabalho avaliou-se a não linearidade, por meio das curvaturas de Bates & Watts, vício de Box e estudo das propriedades amostrais dos estimadores de mínimos quadrados por simulação, de dois modelos de regressão não linear. Tais modelos estimam o conteúdo de K prontamente liberável, o tempo de meia vida para a sua liberação e a taxa de liberação do K de lenta liberação. Os dados são provenientes do estudo, ao longo do tempo, da liberação de K de 11 resíduos orgânicos incubados em combinação com 3 tipos de solo. O modelo exponencial apresentou estimativas mais precisas para os parâmetros que o quociente e maior aproximação entre os resultados assintóticos e obtidos por simulação. O modelo exponencial foi mais adequado, em termos inferenciais e para aplicação prática, uma vez que, por todas as medidas, apresentou menor não linearidade.

Palavras-chaves: Curvatura de Bates e Watts. Vício de Box. Bootstrap. Tempo de meia vida.

Banca de Defesa:
Prof. Dr. Joel Augusto Muniz (Orientador) - UFLA
Prof. Dr. Carlos Alberto Silva (co-orientador) - UFLA
Profa. Dra. Taciana Villela Savian - UFLA
Prof. Dr. Luiz Alberto Beijo - UNIFAL-MG
Aprovada em 18 de setembro de 2009


Tese de Doutorado

Título: Parametrizações interpretáveis em modelos não lineares

Capítulo 1: PROCEDIMENTO PARA OBTER PARAMETRIZAÇÕES INTERPRETÁVEIS EM MODELOS NÃO LINEARES. Modelos de regressão não linear são considerados quando existe algum conhecimento preliminar sobre a relação entre variáveis. Tal conhecimento pode ser a respeito da própria natureza dos dados, uma equação diferencial e até mesmo a forma do diagrama de dispersão entre as variáveis. Em geral, seus parâmetros têm interpretação. Além disso, parâmetros de interesse, expressos como função dos parâmetros do modelo, são alvos de investigação. Para isso, o método delta, simulação Monte Carlo e procedimentos bootstrap são procedimentos adotados para fazer inferência. Além disso, uma reparametrização pode ser aplicada ao mo- delo de forma a representar esses parâmetros de interesse. Além de melhorar a interpretação do modelo, a presença do parâmetro alvo estende as possibilidades com relação a especificação de modelos e inferência estatística. O objetivo com esse trabalho é sistematizar o procedimento de aplicar reparametrizações. Ênfase é dada em modelos não lineares considerados em Ciências Agrárias. Uma lista com 17 modelos reparametrizados é fornecida. Breve discussão sobre os métodos de inferência é feita.

Capítulo 2: MODELO NÃO LINEAR PARA O NÍVEL DE DANO ECONÔMICO DA DESFOLHA NO ALGODOEIRO. O efeito da desfolha sobre a qualidade e produtividade das culturas é informação fundamental para definir estratégias de manejo, como intensidade e frequência de pastejo e colheita até o estabelecimento de níveis de dano econô- mico de forma a auxiliar decisões sobre o controle de pragas desfolhadoras. Para a cultura do algodão, assim como para outras tantas, a redução da produção pela desfolha pode ser representada por uma função não linear monótona não crescente. Diversos modelos podem satisfazer essa restrição, no entanto, existe a preocupa- ção de inferir sobre o nível de dano econômico, θq , pelo ajuste de um modelo. Dados de produção-desfolha do algodoeiro em função do estágio fenológico são considerados para inferir sobre o nível de dano econômico com os seguintes ob- jetivos: 1) propor uma parametrização de modelo que representasse o parâmetro, 2) avaliar parametrizações alternativas por meio de medidas de não linearidade, 3) aplicar inferência baseada em verossimilhança, 4) selecionar um modelo para descrever a relação entre produção e desfolha do algodoeiro em função do estágio fenológico. O modelo reparametrizado apresentou menores medidas de não linea- ridade nos estágios fenológicos com pronunciada relação não linear. Nos restantes, as medidas de curvatura, as correlações dos estimadores e os gráficos de perfil de verossimilhança indicaram que um sub-modelo deveria ser considerado.

Caítulo 3: PARAMETRIZAÇÃO DO MODELO VAN GENUCHTEN PARA INFERÊNCIA SOBRE OS PARÂMETROS S E I. A água é indispensável para produção das culturas pois está envolvida no transporte de nutrientes, reações químicas, processos físicos e manutenção da vida do solo. O conhecimento sobre a curva de rentenção de água (CRA) do solo é fundamental para estabelecer estratégias de manejo. A qualidade física do solo é depende da CRA e os parâmetros I, tensão do ponto de inflexão da CRA, e S , taxa de variação no ponto de inflexão, considerados como indicadores da quali- dade física, são parâmetros relacionados a medidas descritivas da distribuição do tamanho de poros do solo. Com este trabalho, objetiva-se verificar o efeito da po- sição de amostragem e profundidade do solo sobre os parâmetros I e S da CRA. Para isso 1) considerou-se ANOVA simples e 2) ANOVA ponderada pela variância das estimativas desses parâmetros em cada unidade experimental em comparação com 3) o uso de modelos não lineares de efeito misto em uma parametrização de- senvolvida para I e S . Nenhum dos métodos alternativos de análise foi superior ao modelo não linear de efeitos mistos na parametrização desenvolvida, que apresen- tou intervalos mais estreitos para estimativas dos parâmetros e apontou efeito de posição e profundidade de coleta nos parâmetros I e S.

Palavras-chaves: Verossimilhança. Método delta. Medida de curvatura. Efeitos mistos. van Genuchten.

Banca de Defesa:
Prof. Dr. Joel Augusto Muniz (Orientador) - UFLA
Prof. Dr. Paulo Justiniano Ribeiro Jr (co-orientador) - UFPR
Prof. Dr. Júlio da Motta Singer - IME-USP
Prof. Dr. Júlio Silvio de Sousa Bueno Filho - UFLA
Prof. Dr. Augusto Ramalho de Morais - UFLA
Aprovada em 13 de maio de 2013.


Ensino

Disciplinas já ofertadas e em andamento. Clique na turma para ir para a página da disciplina onde estão disponíveis o histórico das aulas, provas, gabaritos, listas de exercícios e notas.

Disciplina Curso Turma Ano Semestre
Estatística Básica (CE-003 - Estatística II) Administração N2 2010
Estatística Básica (CE-003 - Estatística II) Administração N3 2010
Estatística Básica (CE-003 - Estatística II) Engenharia Cívil B 2011
Estatística Computacional (CE-223) Estatística Única 2011
Estatística Básica (CE-002 - Estatística I) Agronomia B 2011
Estatística Computacional I (CE-083) Estatística A e B 2011
Estatística Básica (CE-002 - Estatística I) Agronomia B 2012
Estatística Computacional I (CE-083) Estatística EST 2012
Controle de Processos Industriais (CE-074) Estatística EST 2012
Estatística Computacional I (CE-083) Estatística EST 2012
Estatística Computacional I (CE-083) Estatística EST 2013
Estatística Básica (CE-002 - Estatística I) Agronomia A 2013
Bioestatística (CE-001 - Bioestatística) Biologia MB 2013
Estatística Computacional I (CE-083) Estatística EST 2013
Estatística Computacional II (CE-089) Estatística EST 2013
Análise de regressão linear (CE-071) Estatística EST 2014
Estatística Computacional I (CE-083) Estatística EST 2014
Bioestatística (CE-001 - Bioestatística) Biologia MB 2014
Estatística Computacional I (CE-083) Estatística EST 2014
Estatística Computacional II (CE-089) Estatística EST 2014
Planejamento de Experimentos I (CE-213) Estatística EST 2015
Planejamento e análise de experimentos irregulares (CE-063) Estatística EST 2015
Bioestatística (CE-001 - Bioestatística) Biologia MB 2015
Estatística computational II (CE-089 - Estatística) Estatística EST 2015
Ferramentas para relatórios dinâmicos (CE-064 - Estatística) Estatística EST 2015

Cursos de R

Tema Público Lugar Período
Modelagem e análise de dados experimentais com o programa computacional R Pós Graduação em Produção Vegetal - UFPR UFPR, Curitba-PR 7 à 11 de Fevereiro de 2011
Curso de capacitação ao ambiente estatístico R Docentes da Faculdade de Ciências Agrárias da Universidade Federal da Grande Dourados UFGD, Dourados-MS 25 à 29 de abril de 2011
Estatística Experimental Aplicada Pesquisadores da Embrapa Arroz e Feijão e acadêmicos da UFG CNPAF, Santo Antônio de Goiás-GO 07 à 11 de novembro de 2011
Métodos computacionais para inferência com aplicações em R Participantes do 57º RBRAS 57º RBRAS, Piracicaba-SP 05 à 09 de Maio de 2012
Estatística Experimental Aplicada Pesquisadores da Epagri-SC e Engenheiros Agronômos IF de Videira, Videira-SC 18 e 19 de maio de 2012
Análise Estatística em Ambiente R Curso de Especialização em Instrumentação Estatística da UNOCHAPECÓ UNOCHAPECÓ, Chapecó - SC 01-02/06 e 15-16/06 de 2012
Curso em análise de experimentos com afastamento das pressuposições Pesquisadores da Embrapa Agropecuária Oeste CPAO, Dourados-MS 25 à 29 de junho de 2012
Capacitação em R Conselho Nacional de Justiça Brasília-DF 20-12/06 e 04-05/10
Modelagem e análise de dados experimentais com o programa computacional R Pós Graduação em Produção Vegetal - UFPR UFPR, Curitba-PR 3º trimestre letivo de 2012
Aplicação de modelos mistos por meio da ferramenta R Pesquisadores da Embrapa Arroz e Feijão e acadêmicos da UFG CNPAF, Santo Antônio de Goiás-GO 12 à 14 de novembro de 2012
Modelos de regressão não linear Docentes do DCET da UESC UESC, Ilhéus-BA 22 à 23 de novembro de 2012
Curso em modelos de regressão não linear Participantes do 15º SINAPE 15º SINAPE, Campina Grande-PB 22 à 26 de Julho de 2013
Curso em modelos de regressão não linear Participantes do 2º CONEST 2º CONEST, Curitiba-PR 07 à 09 de Novembro de 2013
Modelagem estatística com aplicações na análise de experimentos Participantes do CIAEEAR CIAEEAR, Manaus-AM 12 e 13 de Agosto de 2014
Ajuste de modelos lineares e mistos no ambiente R Acadêmicos do programa de Pós Graduação em Genética e Melhoramento de Plantas ESALQ/USP, Piracicaba-SP 09 a 10 de Outubro de 2014
Curso de estatística experimental com aplicações em R Pesquisadores da Embrapa Amazônia Ocidental CPAA, Manaus-AM 12 a 14 de Novembro de 2014
Aplicação de modelos de regressão linear e não linear em ciências agrárias Pesquisadores da Embrapa Arroz e Feijão e acadêmicos da UFG CNPAF, Santo Antônio de Goiás-GO 09 a 11 de Dezembro de 2014
Modelos de Regressão e aplicações no ambiente R Analistas da Fundação Oswaldo Cruz FIOCRUZ, Manaus-AM 13 a 17 de Abril de 2015

Blog

Blog que administro e mantenho com a colaboração de amigos também apaixonados pelo R. Clique na figura ao lado para ir para o blog.


Consultor
Artigos publicados em periódicos

Participação em Projetos/Grupos de Pesquisa


Localização e acesso ao LEG

O LEG fica no 2º andar do prédio das Ciências Exatas, porta 232.



Dicas de Linux

Lista com links sobre tikz