
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Fernandes, Tales Jesus | - |
| Autor(es): dc.contributor | Cirillo, Marcelo Ângelo | - |
| Autor(es): dc.contributor | Muniz, Joel Augusto | - |
| Autor(es): dc.contributor | Souza, Tadeu Vilela de | - |
| Autor(es): dc.contributor | Abreu, Rodrigo Ferreira de | - |
| Autor(es): dc.creator | Manoel, Iuri dos Santos | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:15:57Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:15:57Z | - |
| Data de envio: dc.date.issued | 2025-08-15 | - |
| Data de envio: dc.date.issued | 2025-03-06 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/60178 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1157832 | - |
| Descrição: dc.description | In data analysis, it is common to use statistical models to describe the relationship between the variables under study. However, when there are outliers in the sample set, the estimates of the model parameters may be biased. Therefore, the detection and appropriate treatment of outliers is essential to ensure representative results. In this context, robust methods can be a solution for dealing with outliers, as theys can mitigate the effects that these values have on estimates of interest. Among the diversity of robust methodologies disseminated in the literature, the robust methods Jackknife and Least Trimmed Squares (LTS) stand out. These methods are efficient and versatile in selecting sample subsets with fewer outliers than the sample set. This allows selecting a proportion of the sample that best represents it. In view of the above, this work aims to propose innovative robust methodologies applied to the description of growth curves. These methods are presented in three chapters in which the proposal is to obtain an adjustment of the nonlinear logistic model that best represents the data set. In the first chapter, the Jackknife resampling method is implemented by considering estimates for the kurtosis coefficient as a selection criterion. In the second chapter, the LTS method is implemented by considering sample partitions to select values according to the sum of squared deviations (SSD). It is worth noting that in these first two chapters the proposed methodologies are applied to the description of a set of simulated data via Monte Carlo. Finally, in the third chapter both methods are applied to the description of a set of real data. The data are from rabbit farming and come from the Department of Animal Science of the Federal University of Lavras. The observed measurements are the weight and length of the front paw of the rabbits. For the implementation of the methodologies, a breaking point is considered as a criterion to determine the size of the subsets selected for the adjustment. In addition, the comparison between adjustments is made by the mean absolute deviation (MAD). The methodologies proposed in this work are promising in adjusting the Logistic model in the description of growth curves, with the LTS method presenting better results than the Jackknife method. The break point and the MAD are appropriate as criteria to determine the size of the sample subset and comparison between the adjustments, respectively. | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
| Descrição: dc.description | Em análise de dados é comum utilizar modelos estatísticos para descrever a relação entre as variáveis em estudo. Entretanto, quando há outliers no conjunto amostral, as estimativas dos parâmetros do modelo podem ser tendenciosas. Desse modo, a detecção e tratamento adequado de outliers é imprescindível para garantir resultados representativos. Neste contexto, métodos robustos podem ser uma solução para lidar com outliers, pois podem mitigar os efeitos que esses valores têm em estimativas de interesse. Entre a diversidade de metodologias robustas difundidas na literatura, destaca-se os métodos robustos Jackknife e Least Trimmed Squares (LTS). Esses métodos são eficientes e versáteis na seleção de subconjuntos amostrais com menos outliers que o conjunto amostral. Isso permite selecionar uma proporção da amostra que a melhor representa. Diante do exposto, este trabalho tem como objetivo propor metodologias robustas inovadoras aplicadas na descrição de curvas de crescimento. Esses métodos estão apresentados em três capítulos em que a proposta é obter um ajuste do modelo não linear Logístico que melhor representa o conjunto de dados. No primeiro capítulo, o método de reamostragem Jackknife é implementado ao considerar estimativas para o coeficiente de curtose como critério de seleção. Já no segundo capítulo, o método LTS é implementado ao considerar partições da amostra para selecionar valores de acordo com a soma de quadrados dos desvios (SQD). Ressalta-se que nesses dois primeiros capítulos as metodologias propostas são aplicadas na descrição de um conjunto de dados simulados via Monte Carlo. Por fim, no terceiro capítulo ambos os métodos são aplicados na descrição de um conjunto de dados reais. Os dados são de cunicultura oriundos do Departamento de Zootecnia da Universidade Federal de Lavras. As medidas observadas são o peso e o comprimento da pata dianteira dos coelhos. Para a implementação das metodologias, é considerado um ponto de ruptura como critério para determinar o tamanho dos subconjuntos selecionados para o ajuste. Além disso, a comparação entre ajustes é feita pelo desvio médio absoluto (DMA). As metodologias propostas neste trabalho são promissoras em ajustes do modelo Logístico na descrição de curvas crescimento, sendo que o método LTS apresentou melhores resultados do que o método Jackknife. O ponto de ruptura e o DMA são apropriados como critérios para determinar o tamanho do subconjunto amostral e comparação entre os ajustes, respectivamente. | - |
| Descrição: dc.description | Tecnológico | - |
| Descrição: dc.description | Econômicos | - |
| Descrição: dc.description | Meio ambiente | - |
| Descrição: dc.description | Tecnologia e produção | - |
| Descrição: dc.description | ODS 2: Fome zero e agricultura sustentável | - |
| Descrição: dc.description | ODS 9: Indústria, inovação e infraestrutura | - |
| Descrição: dc.description | ODS 12: Consumo e produção responsáveis | - |
| Descrição: dc.description | ODS 15: Vida terrestre | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Estatística e Experimentação Agropecuária | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Estatística | - |
| Publicador: dc.publisher | Instituto de Ciências Exatas e Tecnológicas (ICET) | - |
| Direitos: dc.rights | Attribution 3.0 Brazil | - |
| Direitos: dc.rights | http://creativecommons.org/licenses/by/3.0/br/ | - |
| Palavras-chave: dc.subject | Métodos estatísticos | - |
| Palavras-chave: dc.subject | Reamostragem (Estatística) | - |
| Palavras-chave: dc.subject | Modelos não lineares | - |
| Palavras-chave: dc.subject | Análise de regressão | - |
| Palavras-chave: dc.subject | Coelhos | - |
| Palavras-chave: dc.subject | Statistical methods | - |
| Palavras-chave: dc.subject | Resampling (Statistics) | - |
| Palavras-chave: dc.subject | Nonlinear models | - |
| Palavras-chave: dc.subject | Regression analysis | - |
| Palavras-chave: dc.subject | Rabbits | - |
| Palavras-chave: dc.subject | Ciências Agrárias | - |
| Título: dc.title | Uso de métodos robustos para tratamento de outliers na estimação de parâmetros do modelo logístico | - |
| Título: dc.title | Use of robust methods for outlier treatment in the estimation of parameters of the logistic model | - |
| Tipo de arquivo: dc.type | tese | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: