Análise do crescimento de ficus carica femininas em atmosfera marciana comparando adubos...
-
Upload
aishameriane-schmidt -
Category
Data & Analytics
-
view
49 -
download
1
description
Transcript of Análise do crescimento de ficus carica femininas em atmosfera marciana comparando adubos...
Análise do crescimento de Ficus Carica femininas em atmosfera marciana comparando
adubos enriquecidos com ácido indol-acético e ácido naftaleno-acético:
um estudo de bioequivalência*
Schmidt, AV¹†
¹ Universidade Federal do Rio Grande do Sul, Brasil
Resumo: Os crescentes problemas ambientais decorrentes da superpopulação mundial e
esgotamento de recursos naturais motivam a corrida espacial em busca de técnicas para colonização
de outros corpos celestes próximos da Terra. Recentemente, a descoberta de lençóis aqüíferos no
subsolo do Planeta Marte na região do Ma'adim Vallis possibilitou a instalação de dutos de
irrigação próximos à área do cânion que não sofre ventos fortes.
Um ensaio laboratorial mostrou que as árvores do tipo Fícus (figueiras) conseguem se
adaptar a solos do tipo arenosos, caso haja irrigação, e que seu crescimento se dá de forma
acelerada em gravidade marciana (0,4G), pois as proteínas podem transitar das folhas ao caule
através do xilema de forma mais eficiente. As árvores sofreram um processo genômico de
modificação celular para adaptação em clima frio, reduzindo seu consumo de H2O. O solo ferroso
de marte pareceu, nos ensaios laboratoriais, conter nutrientes necessários para o crescimento das
plantas. Técnicas bayesianas foram utilizadas para a estimação das médias das alturas, em metros,
das árvores. A abordagem com priori informativa com base nos dados laboratoriais foi utilizada,
mas também foram realizados os cálculos com priori não informativa pois, de fato, não foram
recriadas todas as condições do experimento dentro do laboratório.
O presente trabalho analisou os resultados do crescimento de 100 espécies de Ficus Carica
femininas (figueira de figos comestíveis) em solo marciano utilizando dois compostos de adubos
diferentes, dividindo as plantas em 2 grupos de 50, com o plantio controlando a variável solo. As
plantas, acompanhadas pelo período de um ano, adaptaram-se bem às condições climáticas de
Marte e o uso do adubo enriquecido com ácido naftaleno-acético mostrou-se uma técnica eficaz
para a manutenção das árvores e um crescimento médio maior (média=1,72;desvio=0,11). Estudos
posteriores da qualidade protéica dos frutos destas árvores estão previstos.
Palavras chave: colonização espacial; Fícus Carica, Marte, experimentação vegetal.
* Este trabalho trata de uma situação fictícia onde qualquer semelhança com pessoas ou fatos reais é mera coincidência.
A autora se declara ciente de que a história narrada no artigo não é verídica.
† UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
INSTITUTO DE MATEMÁTICA
DEPARTAMENTO DE ESTATÍSTICA
Av. Bento Gonçalves, 9500 - Prédio 43-111 - Agronomia
91509-900 Porto Alegre - RS - BRASIL
Fone: (51)3308-6225/3308-6189 FAX: (51)3308-7301
e-mail: [email protected]
Introdução
Os atuais problemas ambientais decorrentes da superpopulação mundial tem sido
amplamente discutidos pois suas conseqüências afetarão a humanidade de forma geral: escassez de
alimentos, derretimento das calotas polares, inversão de climas, falta de água potável, guerras e
muitos outros. Alguns processos já apresentam estados irreversíveis e a necessidade de medidas de
colonização espacial é cada vez mais urgente.
O primeiro corpo celeste alcançado pelo homem ou suas criações foi a Lua. A Lua, por se
tratar de um satélite natural, apresenta instabilidade planetária, falta de atmosfera e também solo e
condições climáticas severas e irreversíveis. Não seria possível, sem uma estrutura tecnológica que
ainda é inexistente, iniciar um processo de colonização na Lua.
Na última década, com a chegada da primeira missão espacial no Planeta Marte e os dados
coletados, várias semelhanças com o Planeta Terra foram encontradas. Os maiores desafios até o
momento eram com relação à falta de água e as condições climáticas hostis, que incluem ventos
fortes e temperaturas abaixo de zero o ano inteiro.
A última missão da NASA, com a estação marciana Phoenix foi mal sucedida no sentido de
que o robô parou de funcionar, mas descobriu-se um aqüífero no subsolo do Ma'adim Vallis, um
grande desfiladeiro com cerca de 700 km de extensão. Tem 20 km de largura e 2 km de
profundidade em alguns locais. A área norte do Ma'adim Vallis apresenta um pequeno pedaço de
solo protegido dos ventos fortes que fica nas imediações da parte mais superficial do lençol freático.
Após os achados da Phoenix, o Governo Brasileiro, em parceria com o Instituto Tecnológico
da Aeronáutica, financiou um projeto piloto de testagem de adequabilidade de plantas em solo
arenoso, com temperaturas baixas e oxigênio reduzido. Neste estudo, constatou-se que as plantas
Ficus Carica se adaptam de forma satisfatória às condições impostas. Foram testadas 100 mudas de
plantas, criadas com a técnica de estaqueamento, de modo que não são necessárias plantas macho
para que haja o crescimento de figos. As plantas foram cultivadas por máquinas em solo marciano
e foram analizadas após um ano do seu plantio quanto ao crescimento, em metros.
Durante o experimento em laboratório, dois compostos orgânicos enriquecidos com
hormônio vegetal demonstraram resultados considerados satisfatórios. O adubo enriquecido com
ácido indol-acético (Adubo A) apresentou média de crescimento de 1,52cm enquanto que o adubo
enriquecido com ácido naftaleno-acético (Adubo B) apresentou crescimento médio de 1,64cm.
Inicialmente havia a controvérsia de se utilizar os dados laboratoriais como priori para a estimação
da média do crescimento, então a abordagem com priori informativa e sem priori informatiza foram
utilizadas de forma que pudessem ser analizadas comparativamente.
Métodos e desenvolvimento
Optou-se pela Carica, da família Ficus pois é a planta da família que fornece frutos
comestíveis, que posteriormente poderão servir de padrão para cultivo de plantas fora da Terra. No
Brasil a técnica de plantio via estaqueamento é a mais utilizada por não necessitar das plantas
macho para a fecundação das plantas fêmeas. O plantio por estaqueamento é feito a partir de um
caule da planta já madura. Os figos das árvores plantadas por estaqueamento não contém sementes.
As estacas continham sensores que indicavam o crescimento da planta bem como sua avaliação
nutricional no momento. As tabelas das alturas das plantas no final do ano de estudo estão descritas
no anexo A, para o grupo de plantas que recebeu o adubo A e para aquelas adubadas com o
composto B.
Foi utilizado o software R para implementação das rotinas de análise dos dados das árvores,
gerando os gráficos de normalidade, triplots e todas demais estimativas de interesse. As rotinas
utilizadas encontram-se no anexo B.
Descrição e adequabilidade dos dados
Os dados descritivos‡ do crescimento das plantas de cada grupo estão na tabela 1.
Tabela 1 – Descritivas da amostra das plantas em Marte
Média Desvio Padrão Mínimo Máximo
Adubo A 1,53 0,29 0,92 2,03
Adubo B 1,72 0,33 1,01 2,42
Embora o histograma dos dados não sugira explicitamente que o crescimento dos dois
grupos de árvores tem distribuição normal, o teste de normalidade de Shapiro-Wilk aponta que não
há evidência a 5% de que as variáveis não tenham distribuição normal (paduboa=0,23; padubob=0,54).
Figura 1 – Histograma do crescimento das plantas adubadas com os adubos A e B
‡ Dados simulados no R através dos seguintes comandos:
a<-rnorm(50, mean = 1.52, sd = 0.31415)
b<-rnorm(50, mean = 1.64, sd = 0.31415)
O intervalo de confiança a 95% para a razão das variâncias amostrais é (0,46;1,42), o que
sugere variâncias iguais pois o intervalo contém o 1. Portanto, a abordagem de duas distribuições
normais, com variâncias desconhecidas porém ditas iguais é apropriada.
Se o crescimento das árvores tem distribuição normal, assume-se que, na análise bayesiana
de duas populações independentes (pois as mudas foram plantadas sem pareamento e também há
independência no corte das estacas) a variância (que é dita a mesma para diferentes adubos segundo
a literatura) terá uma distribuição inversa qui-quadrado.
Abordaremos os cálculos de priori não informativa e em seguida os da priori informativa.
Priori não-informativa
Embora as plantas tenham sido observadas em laboratório sob condições climáticas e de
solo controladas, não se tem certeza de que as condições em Marte seriam as mesmas. Portanto, o
uso de uma priori não informativa se justifica, para fins comparativos com o uso das médias a priori
obtidas em laboratório.
A tabela 2 apresenta as estimativas a posteriori para as médias e variâncias dos valores
estimados bem como seus respectivos intervalos de confiança (IC95%).
Tabela 2 – Estimativas obtidas a posteriori utilizando priori não-informativa
Média Variância IC95%
A 1,53 0,002 1,45 1,61
B 1,72 0,002 1,63 1,81
²A 0,09 0,000 0,06 0,13
²B 0,11 0,000 0,07 0,16
²A/²B 0,84 0,060 0,46 1,42
A - B -0,19 0,004 -0,31 -0,06
Dado que o experimento visa poder plantar novas mudas no Planeta Marte, é de interesse
estimar a probabilidade de que uma nova muda atinga o valor maior ou igual a 1,5m, pois esta
altura é a mínima necessária para que a árvore tenha sobrevida maior do que 20 anos com
probabilidade de 70%. A tabela 3 apresenta as preditivas a posteriori para as alturas médias das
árvores por grupo, bem como os IC95% e a probabilidade de que uma muda de cada grupo atinja a
altura mínima de 1,5m.
Tabela 3 – Preditivas a posteriori para novas mudas utilizando priori não-informativa
Média Variância IC95% Prob(x>1,5)
Adubo A 1,53 0,090 0,93 2,12 0,54
Adubo B 1,72 0,11 1,05 2,38 0,74
Priori Informativa
A abordagem com priori informativa utilizou as médias laboratoriais de 1,52 (adubo A) e
1,64 (adubo B) ambas com variâncias iguais a 0,31415. As análises procedem de forma semelhante
à anterior. As tabelas 4 e 5 são análogas às tabelas 2 e 3. As discussões dos resultados estão
detalhadas no capítulo de discussão e conclusões.
Tabela 4 - obtidas a posteriori utilizando priori informativa
Média Variância IC95%
A 1,52 0,000 1,50 1,54
B 1,64 0,000 1,62 1,66
²A 0,09 0,000 0,06 0,13
²B 0,12 0,000 0,08 0,18
²A/²B 0,80 0,050 0,43 1,35
A - B -0,12 0,000 -0,15 -0,09
Tabela 5 - a posteriori para novas mudas utilizando priori informativa
Média Variância IC95% Prob(x>1,5)
Adubo A 1,52 0,09 0,92 2,12 0,53
Adubo B 1,64 0,12 0,96 2,33 0,66
Discussão
O estudo mostrou, para a priori não informativa, que as mudas semeadas com o adubo B
são, em média, maiores que as plantas semeadas com o adubo A. Não existe descrição na literatura
que justifique o ocorrido e futuros estudos com a comparação entre os hormônios vegetais a base de
álcool utilizados são necessários para entender os fenômenos de crescimento. A diferença das
médias com sinal negativo sem inclusão do zero reforça a idéia da média das alturas das plantas
com adubo B serem maiores. As preditivas a posteriori mostram que as novas plantas que utilizem
adubo A tem menor probabilidade de atingirem 1,5m do que aquelas utilizando o outro adubo.
O uso da priori informativa diminuiu a estimativa da média da altura das plantas que
utilizam o adubo B, embora este ainda se mostre mais eficiente para o cultivo das novas plantas. Se
observa também diminuição do intervalo de confiança da diferença das médias e uma diminuição da
probabilidade de uma nova planta que utilize o adubo B atingir 1,5m.
O estudo mostrou que o adubo enriquecido com ácido naftaleno-acético é superior em
rendimento para o crescimento das mudas de Ficus Carica em atmosfera marciana. Estudos futuros
com os frutos estão previstos para em 20 anos serem feitos os primeiros experimentos com Bugius
enviados à Marte, pois espera-se que as árvores continuem crescendo para poderem abrigar os
símios.
Anexo A: Tabelas dos dados coletados
Tabela A 1 – Dados das mudas cultivadas com o adubo A
1,35 1,38 1,93 1,32 1,92
2,03 0,96 1,96 1,55 1,55
0,92 1,71 1,67 1,38 1,10
2,00 1,10 1,60 1,77 1,70
1,24 1,31 1,32 1,51 1,64
1,51 1,89 1,49 1,77 1,81
1,88 1,31 1,34 1,34 2,00
1,49 1,57 1,41 1,29 1,35
1,52 1,77 1,53 1,44 1,92
1,66 1,93 1,16 1,21 1,02
Tabela A 2 – Dados das mudas cultivadas com o adubo B
1,57 2,27 2,32 1,89 2,10
1,50 1,43 1,96 1,77 1,55
1,01 1,27 1,78 1,77 1,44
2,01 1,60 1,65 2,13 1,54
2,38 1,47 1,52 1,73 2,24
1,53 1,49 1,72 1,29 1,79
1,08 1,81 1,71 1,51 1,20
1,83 1,86 2,42 1,40 2,24
1,25 1,70 1,85 1,83 1,85
1,92 1,77 1,71 1,73 1,60
Anexo B: Códigos em R
a<-rnorm(50, mean = 1.52, sd = 0.31415)
b<-rnorm(50, mean = 1.64, sd = 0.31415)
hist(a,col="lightblue")
hist(b,col="lightgreen")
shapiro.test(a)
shapiro.test(b)
# Modelo Normal para 2 Populações com Variâncias Diferentes
#Priori Conjugada
n=length(a)
m=length(b)
mediaa=mean(a)
vara=var(a)
desvioa=sqrt(vara)
mediab=mean(b)
varb=var(b)
desviob=sqrt(varb)
cat("Resultados das Amostras\n")
cat("Media da Amostra A= ",mediaa, " Variância da Amostra A= ",vara,"Tamanho=",n," \n")
cat("Media da Amostra B= ",mediab, " Variância da Amostra B= ",varb,
"Tamanho=",m," \n")
cat("\n")
#Comparação de Duas variâncias amostrais
li=qf(0.025,m-1,n-1)/(varb/vara)
ls=qf(0.975,m-1,n-1)/(varb/vara)
cat("\n")
cat("IC 0.95 para VarA/VarB = (",li,",",ls,") \n")
cat("\n")
#Priori Marginal para Sigma2x: Inv-X2(ni0x,s20x)
#Priori Condicional mix/sigma2x: N(mi0x,sigma2x/k0x)
#Priori Marginal para Sigma2y: Inv-X2(ni0y,s20y)
#Priori Condicional miy/sigma2y: N(mi0y,sigma2y/k0y)
#Hiperparâmetros
mi0a = 1
k0a = 0
ni0a = -1
s20a = 0
mi0b = 1
k0b = 0
ni0b = -1
s20b = 0
cat("Prioris Conjugadas Não Informativas\n")
cat("MiA ~ Normal(",mi0a,",Sigma2a /",k0a,")\n")
cat("Sigma2A ~ Inv-Qui-Quadrado(",ni0a,",",s20a,")\n")
cat("MiB ~ Normal(",mi0b,",Sigma2b /",k0b,")\n")
cat("Sigma2B ~ Inv-Qui-Quadrado(",ni0b,",",s20b,")\n")
cat("\n")
#Parâmetros das posterioris
min = (k0a/(k0a+n))*mi0a + (n/(k0a+n))*mediaa
kn = k0a + n
nin = ni0a + n
s2n = ( ni0a*s20a + (n-1)*vara + (k0a*n/(k0a+n))*(mediaa-mi0a)^2 ) / nin
mim = (k0b/(k0b+m))*mi0b + (m/(k0b+m))*mediab
km = k0b + m
nim = ni0b + m
s2m = ( ni0b*s20b + (m-1)*varb + (k0b*m/(k0b+m))*(mediab-mi0b)^2 ) / nim
#SIMULACAO
set.seed(78910)
sim=100000
miasim = rep(0,sim)
mibsim = rep(0,sim)
sigma2asim = rep(0,sim)
sigma2bsim = rep(0,sim)
razaosim = rep(0,sim)
anovosim = rep(0,sim)
bnovosim = rep(0,sim)
difsim = rep(0,sim)
for (i in 1:sim) {
aux1 = rchisq(1,nin)
sigma2asim[i] = (nin*s2n)/aux1
aux2 = rchisq(1,nim)
sigma2bsim[i] = (nim*s2m)/aux2
razaosim[i] = sigma2asim[i]/sigma2bsim[i]
miasim[i] = rnorm(1,min,sqrt(sigma2asim[i]/kn))
anovosim[i]=rnorm(1,miasim[i],sqrt(sigma2asim[i]))
mibsim[i] = rnorm(1,mim,sqrt(sigma2bsim[i]/km))
bnovosim[i]=rnorm(1,mibsim[i],sqrt(sigma2bsim[i]))
difsim[i]=miasim[i] -mibsim[i]
}
cat("Resultados da Simulação:\n")
cat("\n")
#MiA
Intervalo=quantile(miasim,probs=c(0.025,0.975))
media=mean(miasim)
var=var(miasim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori de mia= ",media,".\n")
cat("Variância da Posteriori de mia= ",var,".\n")
cat("IC para mia com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#Sigma2A
Intervalo=quantile(sigma2asim,probs=c(0.025,0.975))
media=mean(sigma2asim)
var=var(sigma2asim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori para sigma2A= ",media,".\n")
cat("Variância da Posteriori para sigma2A= ",var,".\n")
cat("IC para sigma2A com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#NovoA
Intervalo=quantile(anovosim,probs=c(0.025,0.975))
media=mean(anovosim)
var=var(anovosim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Preditiva a Posteriori de A= ",media,".\n")
cat("Variância da Preditiva a Posteriori de A= ",var,".\n")
cat("IC para NovoA com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#MiB
Intervalo=quantile(mibsim,probs=c(0.025,0.975))
media=mean(mibsim)
var=var(mibsim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori de mib= ",media,".\n")
cat("Variância da Posteriori de mib= ",var,".\n")
cat("IC para mib com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#Sigma2y
Intervalo=quantile(sigma2bsim,probs=c(0.025,0.975))
media=mean(sigma2bsim)
var=var(sigma2bsim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori para sigma2B= ",media,".\n")
cat("Variância da Posteriori para sigma2B= ",var,".\n")
cat("IC para sigma2B com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#NovoY
Intervalo=quantile(bnovosim,probs=c(0.025,0.975))
media=mean(bnovosim)
var=var(bnovosim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Preditiva a Posteriori de B= ",media,".\n")
cat("Variância da Preditiva a Posteriori de B= ",var,".\n")
cat("IC para NovoB com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
# Razão VarA/VarB
Intervalo=quantile(razaosim,probs=c(0.025,0.975))
media=mean(razaosim)
var=var(razaosim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori para VarA/VarB = ",media,".\n")
cat("Variância da Posteriori para VarA/VarB = ",var,".\n")
cat("IC para VarA/VarB com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#MiA - MiB
Intervalo=quantile(difsim,probs=c(0.025,0.975))
media=mean(difsim)
var=var(difsim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori de MiA-MiB= ",media,".\n")
cat("Variância da Posteriori de MiA-MiB= ",var,".\n")
cat("IC para MiA-MiB com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
auxa = (anovosim > 1.5)
auxb = (bnovosim > 1.5)
proba = sum(auxa)/sim
probb = sum(auxb)/sim
proba
probb
# Priori informativa
# Modelo Normal para 2 Populações com Variâncias Diferentes
#Priori Conjugada
n=length(a)
m=length(b)
mediaa=mean(a)
vara=var(a)
desvioa=sqrt(vara)
mediab=mean(b)
varb=var(b)
desviob=sqrt(varb)
cat("Resultados das Amostras\n")
cat("Media da Amostra A= ",mediaa, " Variância da Amostra A= ",vara,"Tamanho=",n," \n")
cat("Media da Amostra B= ",mediab, " Variância da Amostra B= ",varb,
"Tamanho=",m," \n")
cat("\n")
#Comparação de Duas variâncias amostrais
li=qf(0.025,m-1,n-1)/(vary/varx)
ls=qf(0.975,m-1,n-1)/(vary/varx)
#Comparação de Duas variâncias amostrais
li=qf(0.025,m-1,n-1)/(varb/vara)
ls=qf(0.975,m-1,n-1)/(varb/vara)
cat("\n")
cat("IC 0.95 para VarA/VarB = (",li,",",ls,") \n")
cat("\n")
#Priori Marginal para Sigma2x: Inv-X2(ni0x,s20x)
#Priori Condicional mix/sigma2x: N(mi0x,sigma2x/k0x)
#Priori Marginal para Sigma2y: Inv-X2(ni0y,s20y)
#Priori Condicional miy/sigma2y: N(mi0y,sigma2y/k0y)
#Hiperparâmetros
mi0a = 1.52
k0a = 1000
ni0a = -2
s20a = 0
mi0b = 1.64
k0b = 1000
ni0b = -2
s20b = 0
cat("Prioris Conjugadas Informativas\n")
cat("MiA ~ Normal(",mi0a,",Sigma2a /",k0a,")\n")
cat("Sigma2A ~ Inv-Qui-Quadrado(",ni0a,",",s20a,")\n")
cat("MiB ~ Normal(",mi0b,",Sigma2b /",k0b,")\n")
cat("Sigma2B ~ Inv-Qui-Quadrado(",ni0b,",",s20b,")\n")
cat("\n")
#Parâmetros das posterioris
min = (k0a/(k0a+n))*mi0a + (n/(k0a+n))*mediaa
kn = k0a + n
nin = ni0a + n
s2n = ( ni0a*s20a + (n-1)*vara + (k0a*n/(k0a+n))*(mediaa-mi0a)^2 ) / nin
mim = (k0b/(k0b+m))*mi0b + (m/(k0b+m))*mediab
km = k0b + m
nim = ni0b + m
s2m = ( ni0b*s20b + (m-1)*varb + (k0b*m/(k0b+m))*(mediab-mi0b)^2 ) / nim
#SIMULACAO
set.seed(78910)
sim=100000
miasim = rep(0,sim)
mibsim = rep(0,sim)
sigma2asim = rep(0,sim)
sigma2bsim = rep(0,sim)
razaosim = rep(0,sim)
anovosim = rep(0,sim)
bnovosim = rep(0,sim)
difsim = rep(0,sim)
for (i in 1:sim) {
aux1 = rchisq(1,nin)
sigma2asim[i] = (nin*s2n)/aux1
aux2 = rchisq(1,nim)
sigma2bsim[i] = (nim*s2m)/aux2
razaosim[i] = sigma2asim[i]/sigma2bsim[i]
miasim[i] = rnorm(1,min,sqrt(sigma2asim[i]/kn))
anovosim[i]=rnorm(1,miasim[i],sqrt(sigma2asim[i]))
mibsim[i] = rnorm(1,mim,sqrt(sigma2bsim[i]/km))
bnovosim[i]=rnorm(1,mibsim[i],sqrt(sigma2bsim[i]))
difsim[i]=miasim[i] -mibsim[i]
}
cat("Resultados da Simulação:\n")
cat("\n")
#MiA
Intervalo=quantile(miasim,probs=c(0.025,0.975))
media=mean(miasim)
var=var(miasim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori de mia= ",media,".\n")
cat("Variância da Posteriori de mia= ",var,".\n")
cat("IC para mia com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#Sigma2A
Intervalo=quantile(sigma2asim,probs=c(0.025,0.975))
media=mean(sigma2asim)
var=var(sigma2asim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori para sigma2A= ",media,".\n")
cat("Variância da Posteriori para sigma2A= ",var,".\n")
cat("IC para sigma2A com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#NovoA
Intervalo=quantile(anovosim,probs=c(0.025,0.975))
media=mean(anovosim)
var=var(anovosim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Preditiva a Posteriori de A= ",media,".\n")
cat("Variância da Preditiva a Posteriori de A= ",var,".\n")
cat("IC para NovoA com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#MiB
Intervalo=quantile(mibsim,probs=c(0.025,0.975))
media=mean(mibsim)
var=var(mibsim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori de mib= ",media,".\n")
cat("Variância da Posteriori de mib= ",var,".\n")
cat("IC para mib com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#Sigma2y
Intervalo=quantile(sigma2bsim,probs=c(0.025,0.975))
media=mean(sigma2bsim)
var=var(sigma2bsim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori para sigma2B= ",media,".\n")
cat("Variância da Posteriori para sigma2B= ",var,".\n")
cat("IC para sigma2B com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#NovoY
Intervalo=quantile(bnovosim,probs=c(0.025,0.975))
media=mean(bnovosim)
var=var(bnovosim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Preditiva a Posteriori de B= ",media,".\n")
cat("Variância da Preditiva a Posteriori de B= ",var,".\n")
cat("IC para NovoB com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
# Razão VarA/VarB
Intervalo=quantile(razaosim,probs=c(0.025,0.975))
media=mean(razaosim)
var=var(razaosim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori para VarA/VarB = ",media,".\n")
cat("Variância da Posteriori para VarA/VarB = ",var,".\n")
cat("IC para VarA/VarB com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
#MiA - MiB
Intervalo=quantile(difsim,probs=c(0.025,0.975))
media=mean(difsim)
var=var(difsim)
li = Intervalo[1]
ls = Intervalo[2]
cat("Media da Posteriori de MiA-MiB= ",media,".\n")
cat("Variância da Posteriori de MiA-MiB= ",var,".\n")
cat("IC para MiA-MiB com 0.95 de probabilidade= ",li,", ",ls,".\n")
cat("\n")
auxa = (anovosim > 1.5)
auxb = (bnovosim > 1.5)
proba = sum(auxa)/sim
probb = sum(auxb)/sim
proba
probb