Publicação on-line; 29 ref,; Summaries (En, Pt)

ABSTRACT - The aim of the work was to evaluate the adjustment of the logistic and gompertz model with structure of
first-order autoregressive errors in the study on the ‘Dwarf green’ coconut fruit growth based on longitudinal and
crosssectional internal cavity diameter data (DLCI and DTCI). Model adjustments showed positive residual autocorrelation,
according to the Durbin-Watson test and for both variables, DLCI and DTCI, the residue was modeled according to firstorder
autoregressive process (AR1). The analysis was performed using the least squares method in the PROC MODEL of
the SAS software and results indicated that for both characteristics under study, the logistic model was the most appropriate
in describing fruit growth and, according to the model, fully developed ‘Dwarf green’ coconut fruits have longitudinal and
cross-sections internal cavity diameter of approximately 7.39 cm and 7.60 cm, respectively.


Key words: Regression. Least squares. Autoregressive errors. Non-linear.

RESUMO - O objetivo do trabalho foi avaliar o ajuste do modelo logístico e gompertz com estrutura de erro autoregressiva
de primeira ordem no estudo do crescimento de frutos de coqueiro anão verde, com base nos dados de diâmetro longitudinal
e transversal da cavidade interna (DLCI e DTCI). Os ajustes dos modelos apresentaram autocorrelação residual positiva, de
acordo com o teste de Durbin-Watson e para ambas as variáveis, DLCI e DTCI, o resíduo foi modelado segundo um processo
autorregressivo de primeira ordem (AR1). A análise foi feita por meio do método de mínimos quadrados no PROC MODEL do
programa SAS e os resultados indicaram que para as duas características em estudo, o modelo logístico foi o mais adequado
na descrição do crescimento do fruto e de acordo com o modelo, o fruto do coqueiro anão verde, totalmente desenvolvido, tem
diâmetro longitudinal e transversal da cavidade interna aproximadamente de 7,39 cm e 7,60 cm, respectivamente.


Palavras-chave: Regressão. Mínimos quadrados. Erros autorregressivos. Não linear.