Page 1
Ministério da Educação Universidade Federal de Santa Maria Centro de Tecnologia Programa de Pós-Graduação em Engenharia de Produção
Thiago Guedes da Luz Martins
Monitoramento Estatístico e Predição de Mudanças
Comportamentais em Bovinos
Santa Maria, RS
2020
Page 2
2
Thiago Guedes da Luz Martins
Monitoramento Estatístico e Predição de Mudanças
Comportamentais em Bovinos
Dissertação apresentada ao Curso de Pós-
Graduação em Engenharia de Produção, área
de concentração em Métodos Quantitativos para
Tomada de Decisão, da Universidade Federal de
Santa Maria (UFSM), como requisito parcial para
a obtenção do título de Mestre em Engenharia
de Produção.
Orientador: Prof. Dr. Fábio Mariano Bayer
Santa Maria, RS
2020
Page 3
Sistema de geração automática de ficha catalográfica da UFSM. Dados fornecidos pelo autor(a). Sob supervisão da Direção da Divisão de Processos Técnicos da Biblioteca Central. Bibliotecária responsável Paula Schoenfeldt Patta CRB 10/1728.
Declaro, THIAGO GUEDES DA LUZ MARTINS, para os devidos fins e sob aspenas da lei, que a pesquisa constante neste trabalho de conclusão decurso (Dissertação) foi por mim elaborada e que as informaçõesnecessárias objeto de consulta em literatura e outras fontes estãodevidamente referenciadas. Declaro, ainda, que este trabalho ou partedele não foi apresentado anteriormente para obtenção de qualquer outrograu acadêmico, estando ciente de que a inveracidade da presentedeclaração poderá resultar na anulação da titulação pela Universidade,entre outras consequências legais.
Martins, Thiago Guedes da Luz Monitoramento Estatístico e Predição de MudançasComportamentais em Bovinos / Thiago Guedes da LuzMartins.- 2020. 101 p.; 30 cm
Orientadora: Fábio Mariano Bayer Coorientadora: João Henrique Cardoso Costa Dissertação (mestrado) - Universidade Federal de SantaMaria, Centro de Tecnologia, Programa de Pós-Graduação emEngenharia de Produção, RS, 2020
1. Monitoramento estatístico 2. Ciência de dados 3.Carta Controle 4. Comportamento de bovinos 5. Detecção decio I. Bayer, Fábio Mariano II. Cardoso Costa, JoãoHenrique III. Título.
Page 4
3
Thiago Guedes da Luz Martins
Monitoramento Estatístico e Predição de Mudanças
Comportamentais em Bovinos
Dissertação apresentada ao Curso de Pós-
Graduação em Engenharia de Produção, área
de concentração em Métodos Quantitativos para
Tomada de Decisão, da Universidade Federal de
Santa Maria (UFSM), como requisito parcial para
a obtenção do título de Mestre em Engenharia
de Produção.
APROVADO EM ____________:
Dr. Fábio Mariano Bayer (Presidente/Orientador)
Dr. João Henrique Cardoso Costa (Banca Examinadora)
Dra. Renata Rojas Guerra (Banca Examinadora)
Santa Maria, RS
2020
Page 5
4
AGRADECIMENTOS
Quero agradecer a minha esposa Raíssa e a minha filha Alícia, minhas
duas fontes de inspiração, pelo carinho e amor incondicional ao longo de toda esta
jornada.
Agradeço ao meu pai João Baptista e a minha mãe Luccianne pelo apoio
total que sempre deram aos meus estudos e a referência que são em minha vida.
Ao meu irmão Leonardo e irmã Karolline agradeço a grande amizade e
ajuda que sempre me ofereceram nos momentos mais difíceis.
Agradeço a empresa Chip Inside Tecnologia S/A por disponibilizar todo
material necessário para a realização desta pesquisa.
A minha avó Dalva e avô Luiz, em memória, e em especial a minha avó
Ceci pelo amor dedicado a mim desde a infância.
Ao meu sogro Luiz, sogra Marta, vó Ondina, cunhado Guilherme,
cunhada Elenize e amigo Fernando por formarem minha segunda família.
Ao meu orientador Fábio Bayer agradeço pelos ensinamentos e apoio
técnico ao longo deste trabalho.
A Universidade Federal de Santa Maria e ao Programa de Pós-
Graduação em Engenharia de Produção pelo conhecimento adquirido e por auxiliar
na minha formação.
Aos membros da banca de qualificação pelas sugestões.
Page 6
5
RESUMO
Monitoramento Estatístico e Predição de Mudanças
Comportamentais em Bovinos
AUTOR: Thiago Guedes da Luz Martins
ORIENTADOR: Prof. Dr. Fábio Mariano Bayer
O manejo reprodutivo é um dos maiores desafios do pecuarista de leite, uma
vez que a produtividade e a rentabilidade da sua propriedade estão diretamente
ligadas ao monitoramento do cio das vacas do seu rebanho. Diversas ferramentas
de monitoramento têm sido desenvolvidas com o intuito de identificar o
comportamento de cio de vacas de leite pela mudança no seu comportamento. O
objetivo deste trabalho é desenvolver um método para o monitoramento estatístico
e a predição desses comportamentos animais. O método proposto é denominado
carta ΔP2, sendo capaz de predizer as mudanças comportamentais referentes ao
cio de vacas de leite através da série temporal do índice de atividade gerado pelo
sistema COWMED de monitoramento animal. O método proposto foi avaliado e
comparado com as cartas controle de Shewhart, EWMA e CUSUM, através da
simulação em um banco de dados formado por animais monitorados pela COWMED
e que possuem o registro de uma inseminação acompanhada de uma confirmação
de prenhes. Os resultados numéricos desta pesquisa revelaram que a carta ΔP2
obteve um desempenho geral superior as outras cartas de controle pois apresentou
um índice F1-score de 0,783, que indicou um equilíbrio entre as métricas de
sensibilidade e precisão, e um índice Kappa de 0,773, que classificou como muito
bom o desempenho deste método.
Palavras Chaves: Carta Controle, ΔP2, Vaca de leite, Detecção de cio, F1-score,
Kappa.
Page 7
6
ABSTRACT
Statistical Monitoring and Prediction of Behavioral
Changes in Cattle
AUTHOR: Thiago Guedes da Luz Martins
ADVISOR: Prof. Dr. Fábio Mariano Bayer
The Maintaining reproductive efficiency is a major challenge in dairy
production, since overall productivity and profit are directly dependent on estrus
detection. Different aids have been developed throughout the years to identify estrus
behavior in dairy cows. The objective of the present work is to develop a statistical
method for the prediction of such behavior. The proposed method is called “carta 2”,
which is able to behavioral changes related to estrus in dairy cows using the
temporal series of an activity index generated by the cowmed system of animal
monitoring. The proposed method was compared against the Shewhart, EWMA and
CUSUM control charts. For this, records of artificial inseminations which result in
pregnancies in animals monitored by the cowmed system were used. Numerical
results show that the “cartaP2” had and overall superior performance that the other
2 “cartas”. It reached the F1 index, a score of 0.783, indicating an balance between
sensibility and precision, and a Kappa index of 0.773 which indicates as “very good”
the performance of the proposed method.
Keywords: Control Charts, ΔP2, Milk Cow, Heat Detection, F1-score, Kappa.
Page 8
7
LISTA DE FIGURAS
Figura 1 - Produção de leite no Brasil de 1961 a 2015. .......................................... 25
Figura 2 - Consumo de leite per capita no Brasil .................................................... 28
Figura 3 - Curva de lactação e ciclo reprodutivo de vacas leiteiras ....................... 30
Figura 4 - Ciclo estral de fêmeas bovinas ............................................................... 33
Figura 5 - Sistema COWMED de monitoramento de bovinos. ............................... 39
Figura 6 - Vaca utilizando coleira C-Tech de monitoramento de bovinos (Solução
COWMED). ............................................................................................................... 40
Figura 7 - Antena C-Com instalada em uma propriedade (Solução COWMED). .. 40
Figura 8 - Software de gestão de bovinos Smartfarm ............................................. 41
Figura 9 - Dados comportamentais monitorados no Smartfarm ............................. 42
Figura 10 - Alertas de cios e doenças no Smartfarm .............................................. 43
Figura 11 – Série temporal do índice de atividade de uma vaca monitorada pelo
sistema COWMED. .................................................................................................. 44
Figura 12 – Exemplos de cartas controle de Shewhart no gráfico superior e EWMA
no gráfico inferior. ..................................................................................................... 51
Figura 13 - Carta Controle CUSUM em que SH é equivalente a estatística C+ e SL é
equivalente a estatística C. ...................................................................................... 53
Figura 14 - Coeficientes δ calculados para L variando entre 4 e 53 observações. 58
Figura 15 - Coeficientes δ calculados para L variando entre 54 e 103 observações.
.................................................................................................................................. 58
Figura 16 - Coeficientes δ calculados para L variando entre 104 e 153
observações. ............................................................................................................ 59
Figura 17 - Carta controle ΔP2. ............................................................................... 60
Figura 18 - Estrutura das séries temporais dos índices de atividade das vacas. .. 65
Figura 19 - Representação gráfica da série temporal do índice de atividade do
animal nº1. ................................................................................................................ 69
Figura 20 - Resultados da aplicação das cartas controle ΔP2, Shewhart, EWMA e
CUSUM no índice de atividade do animal nº 58. .................................................... 71
Page 9
8
Figura 21 - Resultados da aplicação das cartas controle ΔP2, Shewhart, EWMA e
CUSUM no índice de atividade do animal nº 69. .................................................... 71
Page 10
9
LISTA DE TABELAS
Tabela 1 - Produção de leite, vacas ordenhadas e produtividade individual dos
principais países produtores de leite no mundo para os anos de 2000 e 2015. .... 24
Tabela 2 - Participação do trabalho, da terra e da tecnologia no crescimento de
toda a produção agrícola no Brasil. ......................................................................... 26
Tabela 3 - Relação intervalo entre partos versus bezerros nascidos versus
produção de leite diária. ........................................................................................... 32
Tabela 4 - Exemplo de matriz de confusão para avaliação de precisão. ............... 62
Tabela 5 - Níveis de desempenho do índice Kappa. .............................................. 63
Tabela 6 – Índices de desempenho calculados a partir da matriz de confusão. ... 64
Tabela 7 – Medidas descritivas de tendência central e dispersão do conjunto de
dados do animal nº1. ................................................................................................ 68
Tabela 8 – Dados extraídos da matriz de confusão do banco de treinamento. ..... 73
Tabela 9 - Análise quantitativa de resultados no banco de treinamento. ............... 74
Tabela 10 – Dados extraídos da matriz de confusão do banco de validação. ....... 76
Tabela 11 - Análise quantitativa de resultados no banco de validação. ................ 76
Tabela 13 - Matriz de confusão da aplicação da carta controle ΔP2 no banco de
treinamento. .............................................................................................................. 96
Tabela 14 - Matriz de confusão da aplicação da carta controle Shewhart no banco
de treinamento. ......................................................................................................... 96
Tabela 15 - Matriz de confusão da aplicação da carta controle EWMA no banco de
treinamento. .............................................................................................................. 97
Tabela 16 - Matriz de confusão da aplicação da carta controle CUSUM no banco
de treinamento. ......................................................................................................... 97
Tabela 17 - Métricas de desempenho das cartas controle no banco de
treinamento: grupo 1. ............................................................................................... 98
Tabela 18 - Métricas de desempenho das cartas controle no banco de
treinamento: grupo 2. ............................................................................................... 98
Tabela 19 - Métricas de desempenho das cartas controle no banco de
treinamento: grupo 3. ............................................................................................... 98
Page 11
10
Tabela 20 - Matriz de confusão da aplicação da carta controle ΔP2 no banco de
validação. .................................................................................................................. 99
Tabela 21 - Matriz de confusão da aplicação da carta controle Shewhart no banco
de validação. ............................................................................................................. 99
Tabela 22 - Matriz de confusão da aplicação da carta controle EWMA no banco de
validação. ................................................................................................................ 100
Tabela 23 - Matriz de confusão da aplicação da carta controle CUSUM no banco
de validação. ........................................................................................................... 100
Tabela 24 - Métricas de desempenho das cartas controle no banco de validação:
grupo 1. ................................................................................................................... 101
Tabela 25 - Métricas de desempenho das cartas controle no banco de validação:
grupo 2. ................................................................................................................... 101
Tabela 26 - Métricas de desempenho das cartas controle no banco de validação:
grupo 3. ................................................................................................................... 101
Page 12
11
LISTA DE APÊNDICES
APÊNDICE I – RESULTADO DAS APLICAÇÕES DAS CARTAS CONTROLE NO
BANCO DE TREINAMENTO ................................................................................... 96
APÊNDICE II – RESULTADO DAS APLICAÇÕES DAS CARTAS CONTROLE NO
BANCO DE VALIDAÇÃO ......................................................................................... 99
Page 13
12
LISTA DE ABREVIATURAS
CUSUM – Cumulative Sum, ou Soma Acumulada.
EWMA – Exponentially Weighetd Moving Average, ou Média Móvel Ponderada
Exponencialmente.
FAOSTAT – Food and Agriculture Organization Statistics.
FN – Falso Negativo.
FP – Falso Positivo.
IBGE – Instituto Brasileiro de Geografia e Estatística.
MAPA – Ministério da Agricultura, Pecuária e Abastecimento.
OECD – Organization for Economic Co-Operation and Development.
OMS – Organização Mundial da Saúde.
TEPC – Total de Eventos Preditos de Cio.
TEPNC – Total de Eventos Preditos de Não Cio.
TERC – Total de Eventos Reais de Cio.
TERNC – Total de Eventos Reais de Não Cio.
VP – Verdadeiro Positivo.
VN – Verdadeiro Negativo.
Page 14
13
SUMÁRIO
1. INTRODUÇÃO ..................................................................................................... 16
1.1 MOTIVAÇÃO ...................................................................................................... 19
1.2 OBJETIVOS ....................................................................................................... 21
1.2.1 Objetivo Geral .............................................................................................. 22
1.2.2 Objetivos Específicos .................................................................................. 22
2. REVISÃO BIBLIOGRÁFICA ............................................................................... 23
2.1 A PECUÁRIA DE LEITE NO BRASIL .............................................................. 23
2.1.1 A Evolução da Pecuária de Leite no Brasil ................................................ 24
2.1.2 Inovações Tecnológicas e o Aumento de Produção .................................. 25
2.1.3 Mudanças na Cadeia Produtiva e no Mercado Brasileiro .......................... 26
2.2 A REPRODUÇÃO EM BOVINOS DE LEITE .................................................... 29
2.2.1 Curva de Lactação e Ciclo Reprodutivo ..................................................... 29
2.2.2 Ciclo Estral de Vacas de Leite .................................................................... 33
2.3 DETECÇÃO DE CIO EM VACAS DE LEITE .................................................... 34
2.3.1 Métodos Convencionais de Detecção de Cio ............................................. 35
2.3.2 Sistemas de Detecção de Pressão ............................................................. 35
2.3.3 Pedômetros.................................................................................................. 36
2.3.4 Colares de Monitoramento .......................................................................... 37
2.3.5 Outros Métodos ........................................................................................... 38
2.4 SISTEMA COWMED DE MONITORAMENTO ANIMAL .................................. 38
2.4.1 Sistema Eletrônico de Monitoramento ........................................................ 39
2.4.2 Software de Gestão ..................................................................................... 41
Page 15
14
2.4.3 Detecção do Comportamento de Cio.......................................................... 43
2.5 CARTAS CONTROLE PARA DETECÇÃO DE MUDANÇAS ......................... 45
2.5.1 O Controle Estatístico de Processos .......................................................... 45
2.5.2 As Cartas Controle ...................................................................................... 46
2.5.3 Controle Estatístico de Processos Univariados.......................................... 47
2.5.3.1 Carta Controle de Shewhart ..................................................................... 48
2.5.3.2 Carta Controle EWMA .............................................................................. 49
2.5.3.3 Carta Controle CUSUM ............................................................................ 51
3. MATERIAIS E MÉTODOS ................................................................................... 54
3.1 METODOLOGIA DA PESQUISA ...................................................................... 54
3.2 CARTA CONTROLE DA DIFERENÇA ENTRE DOIS PONTOS PREDITOS
(ΔP2) ......................................................................................................................... 56
3.3 SIMULAÇÕES DAS CARTAS DE CONTROLE NOS BANCOS DE DADOS
DA PESQUISA. ........................................................................................................ 61
3.4 ANÁLISE E COMPARAÇÃO DE RESULTADOS ............................................ 61
3.4.1 Matriz de Confusão ..................................................................................... 61
3.4.2 Índice Kappa ................................................................................................ 62
3.4.3 Análise Quantitativa ..................................................................................... 63
3.4.4 Critério de Estruturação do Banco de Dados. ............................................ 65
3.4.5 Critério para Classificação dos Eventos Preditos. ..................................... 66
4. RESULTADOS ..................................................................................................... 67
4.1 ANÁLISE QUANTITATIVA DOS RESULTADOS ............................................ 67
4.1.1 Estudo Descritivo do Banco de Dados. ...................................................... 67
4.1.2 Implementação da Carta Controle ΔP2. ..................................................... 70
4.1.3 Resultados das Cartas de Controle no Banco de Treinamento. ............... 73
Page 16
15
4.1.4 Resultado das Cartas de Controle no Banco de Validação. ...................... 75
4.1.5 Monitoramento Estatístico de Cio versus Outros Métodos. ....................... 77
5. CONCLUSÃO ...................................................................................................... 79
REFERÊNCIAS ........................................................................................................ 82
APÊNDICES ............................................................................................................. 95
Page 17
16
1. INTRODUÇÃO
Produzir leite no Brasil têm se tornado cada vez mais difícil e desafiador.
Estudos do Instituto Brasileiro de Geografia e Estatística (IBGE) apontam o país
entre os quatro maiores produtores de leite do mundo, produzindo um volume
superior a trinta bilhões de litros por ano (MILKPOINT, 2015). Entretanto, mesmo o
Brasil sendo um dos maiores países produtores de leite do mundo, o mercado
brasileiro continua importando leite para atender a demanda interna de seus
consumidores (MAPA, 2013).
Estudos da Milkpoint em parceria com a Associação Leite Brasil revelam
a ocorrência de uma elevada queda no número de produtores de leite no país na
última década (MILKPOINT, 2013). É possível perceber que o aumento do custo da
terra e da mão-de-obra associado a baixa produtividade nas propriedades de leite
alavancaram todo o processo de mudança na cadeia leiteira. É importante destacar
que mesmo com a queda no número de propriedades produtoras de leite, o país
segue com o segundo maior crescimento anual em produção, registrando
crescimento total superior a 30% nos últimos 10 anos (MILKPOINT, 2013;
MILKPOINT, 2015). Este crescimento decorre do forte avanço nos ganhos de
produtividade proporcionado pela profissionalização de sistemas de produção mais
intensificados (MILKPOINT, 2015). Porém, mesmo com tamanho crescimento, o
país segue com déficit em produção de leite e deve assim permanecer pelos
próximos anos (MAPA, 2013).
Por outro lado, as complexidades de manejar e gerenciar uma
propriedade de leite geram uma série de desafios que ameaçam a rentabilidade da
atividade. A desistência de uns produtores e a permanência de outros nesta
atividade depende exclusivamente de suas capacidades em gerenciar os
complicados manejos da produção, atendendo as necessidades das vacas de leite.
Para produzir leite é essencial que elas sejam monitoradas e bem tratadas. As suas
necessidades são tantas que basta o não atendimento a uma delas para toda
produção ser comprometida. Deste modo, nutrição, saúde e reprodução são os
pilares essenciais para uma boa produção (STANGAFERRO, 2016).
Page 18
17
Vacas leiteiras são cada vez mais desafiadas por sistemas produtivos
intensificados. Ganhos de produtividade dos animais são obrigatórios para garantir
a lucratividade do negócio. O aumento de produção, decorrente da melhora em
técnicas de manejo e melhor padrão genético do rebanho, têm sido associados a
uma maior eficiência reprodutiva (WASHBURN et al., 2002; SARTORI et al.,2002;
LOPEZ et al., 2004). Sendo assim, evitar a redução da eficiência reprodutiva das
vacas é fundamental para a garantir a lucratividade da propriedade. Uma das
principais causas da queda na eficiência reprodutiva de vacas de leite de alta
produção é explicada pela diminuição na expressão do comportamento de cio que
reflete, consequentemente, na redução na detecção do cio destes animais (NEBEL
et al., 1997; DRANSFIELD et al., 1998; LOPEZ et al., 2004). A queda na
disponibilidade de mão-de-obra rural é um agravante ainda maior, uma vez que a
redução no tempo da observação visual de cio pela carência de mão-de-obra soma-
se aos efeitos de comportamentos curtos de cio e de baixa expressão (CARVALHO,
2015).
No âmbito do monitoramento animal, tecnologias de pecuária de precisão
podem ser aplicadas ao manejo reprodutivo de vacas leiteiras para auxiliar na
superação dos problemas de detecção de cio (CARVALHO, 2015). O
monitoramento individualizado de vacas leiteiras através de sensores eletrônicos é
uma prática que tem sido desenvolvida nos Estados Unidos e em alguns países
Europeus desde a década de 1980 (RUTTEN et al., 2013).
Recentemente uma Start Up brasileira, conhecida comercialmente como
COWMED, lançou um sistema de monitoramento contínuo de vacas de leite com
base em um colar de monitoramento capaz de captar o tempo que os animais
dedicam, diariamente, a três tipos de comportamento: ruminação, atividade e ócio.
Através destes três comportamentos, o sistema COWMED gera um índice de
atividade para a vaca monitorada. Este índice de atividade da tecnologia COWMED
é um dado contínuo individual que pode ser diretamente relacionado a expressão
do comportamento de cio em vacas de leite. O índice de atividade é gerado a cada
hora do dia e representa a série temporal do comportamento de cada vaca
monitorada. Através do monitoramento contínuo do índice de atividade é possível
acompanhar o comportamento das vacas monitoradas e detectar possíveis
Page 19
18
alterações, sendo o cio, uma das alterações de comportamento que possivelmente
pode ser identificada.
O monitoramento e a detecção de mudanças (change detection) em
séries temporais pode ser detectado através da aplicação de cartas controle que
monitoram, controlam e identificação mudanças em processos (MONTGOMERY,
2009). Neste caso, o índice de atividade gerado pelo sistema COWMED é uma série
temporal horária que representa o comportamento da vaca no seu dia a dia. O
comportamento padrão da vaca é quando ela não está em cio. Este comportamento
sob controle pode ser representado pelo índice de atividades estando dentro do
intervalo de controle estipulado pelo processo. Quando a vaca entra em cio o
comportamento se altera, o índice de atividade aumenta e o processo fica fora das
especificações desejadas.
A carta controle de Shewhart (1931) é uma ferramenta estatística
utilizada para detectar quando um processo não está dentro do padrão desejado
(SCOPINHO, 2005). Essa carta controla a tendência de comportamento do
processo e determina através da variabilidade deste comportamento um limite
superior de controle e um limite inferior de controle (MONTGOMERY, 2009). Dessa
forma, o controle estatístico de um processo é realizado através destes dois limites
que representam o intervalo de confiança de uma característica do processo sob
controle (RIBEIRO, 2012). Este método pode ser aplicado no índice de atividade do
sistema COWMED com o objetivo de controlar o comportamento da vaca e detectar
quando ela entra em cio e altera este comportamento.
Para rápida detecção de pequenas alterações na média de um
processo, a carta controle univariada de média móvel ponderada exponencialmente
(EWMA -- exponentially weighted moving average) é largamente utilizada
(MONTOGMERY, 2009). Este método é usualmente utilizado para monitoramento
de séries temporais com desvios graduais à média (HARIDY, 2009). A carta EWMA
prediz o valor da variável do processo para o intervalo a frente e controla o valor
predito através de um limite superior de controle e um limite inferior de controle
calculados através do desvio padrão do processo (MANZIC, 1995). Ela também
pode ser aplicada no índice de atividade gerado pelo sistema COWMED com o
objetivo de identificar se existe um padrão de alteração de comportamento no
Page 20
19
processo, ou seja, se existe uma tendência da vaca alterar o comportamento padrão
e entrar em cio.
A carta controle de soma acumulada (CUSUM -- Cumulative Sum) é uma
ferramenta de detecção de mudança em séries temporais utilizado para controlar e
detectar pequenas alterações em processos (SCOPINHO, 2005), sendo alternativo
à carta EWMA. Este método utiliza a soma cumulativa dos desvios dos pontos em
relação a referência para detectar pequenas mudanças no processo sob controle
(MONTGOMERY, 2009). Este método também pode ser aplicado no índice de
atividade gerado pelo sistema COWMED com o objetivo de detectar pequenas e
cumulativas mudanças no comportamento das vacas quando entram em cio.
Por fim, um novo método de carta controle univariada será proposto
neste trabalho com o objetivo controlar o índice de atividade gerado pelo sistema
COWMED através da predição do índice e modelagem da variabilidade estocástica
da série temporal. Este método foi chamado como carta controle ΔP2, fazendo
referência ao termo “diferença entre dois pontos preditos”.
Neste contexto, a presente dissertação de mestrado explorará diferentes
gráficos de controle para detecção do comportamento de cio na série temporal
formada pelo índice de atividade gerado pelo sistema COWMED.
Comparativamente aos métodos tradicionais, será investigado o desempenho do
novo método de carta controle desenvolvido com base nos dados históricos das
séries temporais do índice de atividade de vacas que possuem o comportamento
de cio registrado.
1.1 MOTIVAÇÃO
O Brasil destaca-se como um dos principais produtores de alimentos do
mundo. O agronegócio brasileiro é uma referência global tendo a bovinocultura
como um dos seus principais pilares estratégicos (MAPA, 2013; EMBRAPA, 2018).
No que diz respeito a produção de leite, o Brasil já está entre os quatro maiores
países produtores, obtendo uma produção superior a 35 bilhões de litros por ano
(EMBRAPA, 2018). As margens para crescimento no mercado de leite brasileiro são
enormes e mesmo o país sendo o quarto maior produtor de leite do mundo a média
Page 21
20
de produção de litros por vaca a cada ano ainda está abaixo dos demais países
referências na área (EMBRAPA, 2018). As expectativas de crescimento ainda são
respaldas por uma cadeia que contempla, segundo o Departamento de Agricultura
dos Estados Unidos, o maior rebanho em exploração comercial do mundo com
aproximadamente 23 milhões de animais e uma produtividade média de apenas
1.525 litros/vaca/ano, sendo este um valor baixo quando comparado aos principais
países produtores de leite que chegam a obter de duas a seis vezes maior
produtividade (FAOSTAT, 2017). Estes dados revelam boa margem de crescimento
de produção de leite no Brasil, uma vez que um sutil aumento na produtividade
média individual impactaria na produção absoluta do país. Em contrapartida, o Brasil
também possui disponibilidade territorial para expandir, sendo um dos maiores
mercados consumidores do mundo, e ainda possui uma oferta inferior a demanda
interna por produtos lácteos. Todos estes fatores demonstram as necessidades
como as oportunidades de crescimento para a pecuária de leite brasileira, que nas
últimas quatro décadas quadruplicou de tamanho (EMBRAPA, 2018).
Entretanto, no contra fluxo do crescimento estão os desafios de produzir
leite no Brasil. A profissionalização da produção de leite é uma exigência para as
propriedades que desejam se manter na atividade. Neste contexto, inúmeros
avanços já se materializaram na cadeia, como é o caso da automação e
intensificação da produção como o aprimoramento das técnicas de manejo. Estes
avanços alavancaram o crescimento do setor nas últimas décadas e, como
mencionado anteriormente, colocaram o Brasil como um dos principais países
produtores. Todavia, o cenário atual do sistema produtivo começa a exigir inovações
tecnológicas para garantir a continuidade do crescimento da cadeia. Os ganhos
proporcionados por tecnologias de monitoramento animal e análise de dados são
inquestionáveis e a expectativa é que soluções como estas comecem,
gradativamente, a fazer parte da rotina da propriedade de leite (CARVALHO, 2015).
O conceito de pecuária de precisão aborda técnicas de tecnologia da informação,
gestão de dados, big data e machine learning que serão utilizadas em soluções da
nova revolução tecnológica do setor (CARVALHO, 2015).
Compreendendo a necessidade que a bovinocultura de leite possui em
tecnologias de precisão, a Start Up brasileira COWMED surgiu oferecendo uma
Page 22
21
solução de monitoramento capaz de acompanhar, em tempo real, o comportamento
individualizado das vacas do rebanho, traduzindo para o produtor as condições
reprodutivas, sanitárias e nutricionais de cada animal. Esta tecnologia traz ao
produtor uma nova perspectiva do processo produtivo, uma vez que ela introduz a
“opinião” da vaca como variável importante na tomada de decisão do manejo da
propriedade. A proposta da COWMED é ousada e quebra paradigmas
consolidados, porém ultrapassados, da cadeia de produção de leite.
Contudo, a tecnologia disponibilizada pela COWMED é recente e ainda
possui oportunidades de melhorias. A Companhia, que possui atualmente mais de
15 mil animais monitorados em tempo real distribuídos em 11 estados brasileiros,
começa a formar um banco de dados valioso que permite aprimorar a solução e
desenvolver novos insights que geram valor ao produtor. Neste contexto, e
considerando que a reprodução é o principal problema enfrentado pelos produtores
de leite, desenvolver um modelo de detecção de cio eficiente através das variáveis
geradas pelo sistema de monitoramento da COWMED é extremamente estratégico
e de alto valor agregado para a cadeia do leite, como também para a sociedade.
Através de um modelo eficiente de detecção de cio incorporado ao sistema de
monitoramento COWMED, é possível ofertar no mercado uma solução tecnológica
capaz de melhorar a eficiência reprodutiva das propriedades e, consequentemente,
aumentar a sua produtividade.
Deste modo, esta pesquisa possui o desafio de criar um novo modelo
preditivo de comportamento animal, desenvolvendo um estudo capaz de agregar
valor direto a sociedade.
1.2 OBJETIVOS
Conforme já exposto na motivação deste trabalho, os objetivos a seguir
orientam o desenvolvimento desta pesquisa.
Page 23
22
1.2.1 Objetivo Geral
Desenvolver uma carta controle para predição de mudanças em séries
temporais com alta variabilidade, validando o modelo na detecção do
comportamento de cio em séries temporais formadas pela atividade de vacas de
leite.
1.2.2 Objetivos Específicos
Com o intuito de alcançar o objetivo geral descrito no item anterior, os
seguintes objetivos específicos serão buscados nesta pesquisa.
1- Construir um banco de dados com vacas monitoradas pelo sistema
COWMED de monitoramento animal e que possuem o cadastro da realização
de uma inseminação artificial vinculada a um evento prenheze .
2- Construir o modelo preditivo ΔP2 para detecção de cio em séries temporais
do índice de atividade gerado pelo sistema de monitoramento COWMED.
3- Testar e avaliar cartas de controle univariados de Shewhart, EWMA e
CUSUM no banco de dados das vacas monitoradas pela COWMED.
4- Testar e avaliar a carta controle ΔP2 proposta neste trabalho no banco de
dados das vacas monitoradas pela COWMED.
5- Comparar os resultados gerados pelas cartas controle de Shewhart, EWMA
e CUSUM com o resultado do modelo ΔP2 proposto neste trabalho.
Page 24
23
2. REVISÃO BIBLIOGRÁFICA
Este projeto envolve a exploração de cinco temas que sustentam a
fundamentação teórica da presente pesquisa, sendo eles: a pecuária de leite no
Brasil, ciclo estral e manejo reprodutivo de vacas de leite, sistemas e métodos de
detecção de cio, sistema de monitoramento COWMED e métodos de detecção de
mudanças (change detection).
2.1 A PECUÁRIA DE LEITE NO BRASIL
Dados extraídos do Departamento de Agricultura dos Estados Unidos em
2017 revelam que o Brasil é o quarto maior produtor de leite do mundo, com 35,1
bilhões de litros/ano e o segundo maior rebanho do mundo com mais de 23 milhões
de animais (FAOSTAT, 2017). É importante destacar que a Índia, apesar de ser o
maior rebanho do mundo, possui um volume muito menor de animais explorados
comercialmente devido à relação sagrada que existe entre o bovino e o ser humano
na cultura indiana. Sendo assim, apesar da Índia aparecer estatisticamente entre
os maiores produtores de leite do mundo, suas particularidades dificultam
comparações com qualquer outro sistema produção de leite no mundo e por isto o
mercado indiano acaba sendo excluído de muitos estudos da área.
Por outro lado, a produção brasileira possui o segundo pior índice de
produtividade entre os dez maiores produtores de leite do mundo, com uma
produtividade média de 1.525 litros/vaca/ano conforme apresentado na Tabela 1.
Excluindo a Índia da análise a realidade é ainda pior e o Brasil passa a ser o pior
índice de produtividade, sendo metade do segundo pior índice, a China, que possui
2.994 litros/vaca/ano. Os dados da Tabela 1 apresentam os principais países
produtores de leite do mundo.
Page 25
24
Tabela 1 - Produção de leite, vacas ordenhadas e produtividade individual dos
principais países produtores de leite no mundo para os anos de 2000 e 2015.
Fonte: FAOSTAT, 2017.
2.1.1 A Evolução da Pecuária de Leite no Brasil
A pecuária leiteira no Brasil passou, nos últimos 50 anos, por uma
sistemática evolução, crescendo a sua produção anual de 5,2 bilhões de litros/ano
em 1961 para 35 bilhões de litros/ano em 2015, o que representa uma taxa de
crescimento para o período de aproximadamente 573% (FAO et al., 2016; IBGE et
al., 2016).
A produção de leite brasileira já apresentava um crescimento expressivo
entre 1970 e 1990, obtendo uma taxa média de crescimento de 3,7% ao ano neste
período (ALVES, 2001). Analisando a série histórica de produção de leite entre 1989
e 1999 o crescimento foi ainda maior e a taxa de crescimento médio chegou a 4,6%
ao ano (ALVES, 2001). Este crescimento maior foi explicado pelo aumento de
produtividade das vacas ordenhadas.
A partir dos anos 2000 a produção de leite brasileira seguiu crescendo a
taxas anuais superiores a 4% e alcançou seu ápice em 2013 quando chegou a
Page 26
25
crescer sua produção em 6% na comparação com a produção em 2012 (IBGE,
2016). A Figura 1 apresenta a evolução do crescimento da produção de leite no
Brasil para o período de 1961 a 2015.
Figura 1 - Produção de leite no Brasil de 1961 a 2015.
Fonte: VILELA, 2017; FAO, 2016 e IBGE, 2016.
A projeção futura para o setor de leite brasileiro considerando um cenário
favorável no país é que em 2025 a atividade deve produzir aproximadamente 47,5
bilhões de litro no ano, projeção de crescimento médio de 3,57% ao ano entre 2015
e 2025 (VILELA, 2015). Por outro lado, as projeções segundo a Organization for
Economic Co-Operation and Development (OECD) são menos otimistas e
apresentam uma produção de 39 bilhões em 2025 e um crescimento médio de
1,14% ao ano para o mesmo período (OECD, 2016). De qualquer maneira, apesar
das projeções demonstrarem continuidade no crescimento da produção de leite no
Brasil para os próximos anos, o cenário é que o setor deve desacelerar e crescer a
taxas menores que as dos últimos 20 anos.
2.1.2 Inovações Tecnológicas e o Aumento de Produção
O crescimento de toda a produção agrícola no Brasil na série histórica
1996-2006 do IBGE (2016) verificou que 68,1% do aumento de produção neste
período é justificado pela adoção de novas tecnologias no agronegócio brasileiro
(ALVES et al., 2012). Em contrapartida, a elevação do trabalho no período explica
Page 27
26
o aumento de 22,3% da produção enquanto a expansão da área cultivada
representa apenas 9,6% deste incremento, comprovando que o caminho para o
agronegócio brasileiro seguir crescendo está na adoção de novas tecnologias
(ALVES et al. 2012). A Tabela 2 apresenta a relação entre os motivos do incremento
de produção com três tipos de fatores.
Tabela 2 - Participação do trabalho, da terra e da tecnologia no crescimento de toda
a produção agrícola no Brasil.
Variável 1996 2006
O que explica? % %
Trabalho 31,3 22,3 Maior Mecanização
Terra 18,1 9,6 Pouco Importante
Tecnologia 50,6 68,1 Melhor Caminho
Fonte: Adaptado pelo autor (Alves et al., 2012).
Os limites dos recursos de produção e as tecnologias atuais sofrerão
dificuldades nos próximos 50 anos para conseguir expandir a produção agrícola
mundial (BUAINAIN et al., 2014). O agronegócio global exigirá novas estratégias e
inovações científicas para seguir crescendo (VILELA, 2017). Todavia, o futuro já
chegou e os avanços científicos e tecnológicos já estão ocorrendo entre vários
campos da ciência. Apesar de a pecuária de precisão, para mensurar indicadores
produtivos, fisiológicos e comportamentais em tempo real, já ser uma realidade,
ainda não foi apropriada adequadamente na rotina das propriedades brasileiras e
na cultura do seu processo produtivo (VILELA, 2017). Para os próximos anos o
aumento de produtividade no campo e a continuidade do produtor na atividade
leiteira ocorrerá através da implementação de novas tecnologias, como é o caso
das soluções de pecuária de precisão (VILELA, 2017).
2.1.3 Mudanças na Cadeia Produtiva e no Mercado Brasileiro
Apesar da ineficiência da pecuária leiteira brasileira, mudanças
importantes ocorreram no setor ao longo dos últimos 50 anos. Na atividade leiteira,
Page 28
27
uma das mudanças mais perceptíveis foi a concentração da produção em um
número menor de estabelecimentos, ou seja, em um total de aproximadamente 830
mil estabelecimentos, apenas 200 mil são responsáveis por 82% da produção
nacional (VILELA, 2017).
Estabelecimentos que profissionalizaram sua gestão e aderiram a
tecnologias, naturalmente aumentaram sua produção pelo incremento da
produtividade animal. Por consequência, esses estabelecimentos aumentaram sua
rentabilidade e expandiram a atividade. Por outro lado, pecuaristas com baixa
assistência técnica e sem novas tecnologias, perdem, cada vez mais, rentabilidade
do negócio e abandonam a atividade leiteira.
Nesse cenário, a produção, desde 1996, cresceu 87% enquanto o
número de produtores caiu mais da metade (VILELA, 2017). É possível perceber
que essa redução do número de estabelecimentos produtores de leite, quando
confrontado com o elevado aumento de produção de leite no país nos últimos 50
anos, indica um aumento na profissionalização de toda a cadeia produtiva. Este fato
mostra aos produtores de leite do Brasil o quão é essencial investir em gestão e,
principalmente, em novas tecnologias para crescer e se manter no mercado.
Outras importantes mudanças no mercado brasileiro também
estimularam o crescimento da produção de leite no país. O aumento na renda da
população e as mudanças nos hábitos de consumo das pessoas durante os últimos
50 anos fez crescer a demanda dos brasileiros por produtos lácteos. A evolução do
consumo de leite por habitante/ano nos últimos 50 anos, diferentemente da
evolução da produção que cresceu linearmente, obteve um crescimento quadrático
(VILELA, 2017). A Figura 2 apresenta a evolução do consumo per capita de leite
entre 1961 e 2015.
Page 29
28
Figura 2 - Consumo de leite per capita no Brasil
Fonte: VILELA, 2017 e IBGE, 2016.
O forte crescimento no consumo per capita de leite no Brasil, que saiu de
quase 80 litros/habitante/ano em 1961 para aproximadamente 180
litros/habitante/ano, foi estimulado e também estimulou o aumento da produção de
leite no país. Todavia, apesar do Brasil ser o quarto maior produtor de leite no
mundo, ainda não é autossuficiente na produção de leite (MAPA, 2013). Também é
correto pensar que existe uma oportunidade de crescer a demanda per capita de
leite, uma vez que o consumo atual de 180 litros/habitante/ano está bem abaixo dos
220 litros/habitante/ano recomendado pela Organização Mundial da Saúde (OMS),
na forma fluída ou de derivados lácteos.
Ao longo dos últimos 50 anos, o déficit de leite no mercado brasileiro foi
suprido mais pela importação de produtos lácteos do que pela expansão da
produção interna (MAPA, 2013). Entretanto, entendendo que fortalecer
internamente a cadeia produtiva de leite é estratégico para o país, as expectativas
para os próximos anos é que o setor continue evoluindo e amadurecendo,
principalmente do ponto de vista tecnológico. Continuar o processo de
profissionalização da cadeia e investir em novas tecnologias são ações
fundamentais para fortalecer e consolidar a pecuária leiteira brasileira.
Page 30
29
2.2 A REPRODUÇÃO EM BOVINOS DE LEITE
A eficiência reprodutiva em vacas de leite está diretamente relacionada
ao resultado econômico da atividade, uma vez que ela altera a proporção de vacas
em lactação no rebanho e altera o número médio de dias em lactação do rebanho
(CARVALHO, 2015). O impacto econômico está na relação entre a redução da
produção diária de leite com os custos fixos e semifixos de produção, principalmente
aqueles que são associados a alimentação, manejo reprodutivo e assistência
técnica (CARVALHO, 2015).
2.2.1 Curva de Lactação e Ciclo Reprodutivo
Para compreender de maneira adequada o impacto da eficiência
reprodutiva na rentabilidade da atividade é preciso, primeiramente, conhecer as
características da curva de lactação de vacas leiteiras que representam
graficamente a produção de leite em função do tempo (YADAV et al., 1977). A curva
de lactação (Figura 3) é formada por uma fase crescente, que inicia no parto e
aproxima-se ao 35º dia pós-parto, uma fase de pico que representa a produção
máxima do animal e que manifesta entre o 45º dia pós-parto e o 90º dia pós-parto,
e uma terceira fase de declínio de produção, que ocorre após o 90º dia pós-parto e
se estende até o final da lactação (FERREIRA, 2013).
Page 31
30
Figura 3 - Curva de lactação e ciclo reprodutivo de vacas leiteiras
Fonte: Alves, 2008
A fase inicial da lactação é caracterizada pelo aumento gradativo de
produção até se aproximar do pico de produção de leite, começando no parto e
finalizando entre a 4ª e a 8ª semana após o parto (SOUZA, 2010). Durante esta
fase, em relação ao ciclo reprodutivo, a vaca se encontra em período voluntário de
espera ou puerpério, que deve se situar entre o 45º ao 50º dia após o parto e é o
período em que ela não está liberada para reproduzir (BERGAMASCHI, 2010).
A fase seguinte da lactação representa o pico de produção e é a fase em
que a vaca possui maior produção observada durante o ciclo lactacional
(FERREIRA, 2013). O pico de produção deve ocorrer a partir do 38º dia após o parto
(GONÇALVES, 2002), entre os 60 e 90 dias após o parto (COBUCCI et al., 2004),
ou entre o 46º dia e o 51º dia após o parto (LOPES et al., 1996). Sendo assim, é
comum convencionar que o pico de produção normalmente se manifesta entre o 45º
dia e o 90º após a parição. Portanto, é importante destacar que a vaca, após ser
liberada para reprodução, deve conceber até o final da segunda fase, ou seja,
emprenhar até o 90º dia após o parto para que possua um ótimo desempenho
Page 32
31
reprodutivo (STRELCZUK, 2015; FERREIRA, 2013). Este próximo período do ciclo
reprodutivo é conhecido como fase de inseminação ou serviço e inicia no momento
em que a vaca é liberada para reproduzir e se encerra no início da terceira fase do
ciclo reprodutivo, a gestação (CARVALHO, 2015).
A fase de declínio é a terceira e última fase da lactação e ela inicia logo
após o pico de produção e persiste até o final da lactação (FERREIRA, 2013). O
declínio é a fase de menor rentabilidade do produtor uma vez que a produção
decresce ao longo do tempo até o final do ciclo produtivo. O impacto da queda de
produção na fase de declínio depende da persistência de produção do animal que
é definida como a taxa de decréscimo da produção de leite após o pico de produção
(BIANCHINI SOBRINHO, 1984). De qualquer maneira, independentemente do nível
de persistência de produção do animal, a última fase de lactação é representada
pelo declínio de produção, o que, consequentemente, altera a relação do custo por
litro produzido, reduzindo a rentabilidade da produção. Em outras palavras, vacas
na fase de declínio produzem menos litros de leite por dia, mas continuam
consumindo os mesmos recursos para produzir, o que as tornam animais de menor
rentabilidade.
O encerramento da terceira fase de lactação representa a finalização do
ciclo lactacional da vaca, que ocorre com 60 dias antes do parto. Neste momento a
vaca entra no período seco, que corresponde ao período em que a vaca para de
produzir leite e prepara-se para a parição (BALL, 2004). A quarta e última fase do
ciclo reprodutivo é marcada pelo momento do parto (CARVALHO, 2015).
A gestação de uma vaca leiteira ocorre em um período médio de 280 dias
e é referência direta para a duração do período de lactação (BALL, 2004). O período
de lactação de uma vaca ocorre no intervalo entre dois partos, uma vez que a vaca
inicia sua produção no dia do parto e encerra 60 dias antes da próxima parição
(BALL, 2004; ALVES, 2008).
Neste contexto, é possível perceber a relação direta que o ciclo
reprodutivo do rebanho leiteiro tem no desempenho econômico da propriedade.
Sabendo que a gestação de uma vaca leiteira é de 280 dias, que o período de maior
produção ocorre até os primeiros 90 dias após o parto e que esta vaca será liberada
para reproduzir após o 45º após o parto, é fácil concluir a importância da eficiência
Page 33
32
reprodutiva para a rentabilidade da propriedade. Uma vaca que consegue conceber
até o 85º dia após o parto deve ter um intervalo entre os partos de 365 dias e uma
lactação de 305 dias (BALL, 2004; BERGAMASCHI, 2010). Por outro lado, vacas
que demoram mais de 90 dias após o parto para emprenhar possuirão um intervalo
entre partos maior e uma lactação mais longa, reduzindo a rentabilidade da
propriedade.
A perda de rentabilidade de vacas com lactação mais longa ocorre por
causa das alterações na relação entre o volume de produção e o custo de produção
das vacas e na redução do número de nascimento de bezerros no ano, interferindo
diretamente na futura reposição do plantel (MARTINS, 2013). Deste modo, reduzir
o intervalo entre os partos é essencial para aumentar a rentabilidade da propriedade
e, como não é possível interferir na gestação das vacas, é o período de inseminação
ou serviço que determina este intervalo (MARTINS, 2013). A eficiência reprodutiva
depende da eficiência que a propriedade possui em reduzir o período de serviço,
tornando as vacas gestantes o mais rápido possível (MARTINS, 2013). A Tabela 3
apresenta o aumento do número de bezerros e na produção de leite diária ao reduzir
o intervalo entre partos das vacas.
Tabela 3 - Relação intervalo entre partos versus bezerros nascidos versus produção
de leite diária.
Intervalo de Partos
(meses)
Rebanho de 100 vacas
(bezerros nascidos/ano) Produção de leite (litros/dia)
De Para De Para De Para (%)
24 12 50 100 1000 2000 100
21 12 57 100 1000 1750 75
18 12 66 100 1000 1500 50
16 12 75 100 1000 1330 33
14 12 86 100 1000 1160 16
Fonte: Adaptado pelo autor (Martins, 2013).
Entretanto, dois problemas afetam esta eficiência, o atraso do retorno ao
cio no pós-parto e a baixa eficiência na detecção de cio (WALSH et al., 2011). O
Page 34
33
primeiro problema é intrínseco ao animal, está ligado à sua condição de escore
corporal e decorre de falhas no manejo nutricional (CARVALHO, 2015). Por outro
lado, as falhas de detecção de cio decorrem não apenas pela baixa intensidade de
manifestação dos sinais de cio (DOBSON et al., 2007), mas também pela falta de
mão-de-obra para realizar a observação destes sinais (RUTTEN et al., 2013). A
maneira mais adequada para melhorar a eficiência reprodutiva em bovinos leiteiros
é a aderência, por parte da propriedade, em tecnologias de monitoramento capaz
de melhorar a eficiência na detecção de cio (CARVALHO, 2015).
2.2.2 Ciclo Estral de Vacas de Leite
O comportamento sexual de bovinos é caracterizado pelo período em
que a fêmea expressa receptividade, aceitando a monta, que pode ser realizada
pelo macho ou até mesmo por outras fêmeas (CARVALHO, 2015). Esse período,
chamado de estro ou cio, tem uma duração média de 15 horas e deve se repetir a
cada 21 dias (AZEVÊDO, 2006). O período, denominado de ciclo estral, pode variar
fisiologicamente de 17 a 24 dias e compreende quatro fases (Figura 4): proestro,
estro, metaestro e diestro (AZEVÊDO, 2006).
Figura 4 - Ciclo estral de fêmeas bovinas
Fonte: Azevêdo, 2006 (Adaptado pelo autor).
O proestro é a fase caracterizada por mudanças comportamentais que,
normalmente, não são notadas pelo homem, mas perceptíveis pelo touro. Nesse
Page 35
34
período, as fêmeas em proestro montam as companheiras, mas não se deixam
montar (AZEVÊDO, 2006). Outros comportamentos secundários também são
observados nos dias que precedem e sucedem o cio, sendo eles: inquietação,
aumento de atividade física, edema de vulva, apoiar a cabeça na garupa de outras
vacas, presença de muco cervicovaginal e interações de cabeça com cabeça. Esses
comportamentos começam a ser manifestados no período de proestro, de um a dois
dias antes do cio, atingem frequência máxima no estro e reduzem no metaestro
(CARVALHO et al., 2010; FERREIRA, 2010).
Após o estro as fêmeas entram no metaestro, cessando as
manifestações de cio e não aceitando mais a monta de outros animais (AZEVÊDO,
2006). O momento mais apropriado para inseminação é 12 horas após o início do
comportamento de cio (TRIMBERGER, 1948).
Nos últimos 50 anos houve uma redução de 80% para 50% nas
manifestações de cio em vacas de leite devido a redução na duração do estro de
quinze para cinco horas (DOBSON, et al., 2007). Fatores como o tipo de piso do
alojamento das vacas, a temperatura ambiente, a ordem de parto, a produção de
leite e a ocorrência de problemas de casco afetam as manifestações visuais do
comportamento de cio assim como a sua duração, prejudicando os índices
reprodutivos da propriedade (DISKIN, 2000; DOBSON et al., 2007; WALSH et al.,
2011).
2.3 DETECÇÃO DE CIO EM VACAS DE LEITE
Como mencionado no item anterior, a detecção de cio das vacas é um
dos principais desafios reprodutivos das propriedades de leite. A eficiência
reprodutiva do rebanho depende diretamente da capacidade que o produtor e sua
equipe possuem em detectar o cio nos animais (CARVALHO, 2015).
Um conjunto de métodos e tecnologias de identificação do
comportamento de cio podem ser utilizados para melhorar a sensibilidade de
detecção e, consequentemente, a eficiência reprodutiva. Estes métodos envolvem
desde práticas convencionais de detecção como também a utilização de tecnologias
de pecuária de precisão que monitoram o comportamento dos animais.
Page 36
35
2.3.1 Métodos Convencionais de Detecção de Cio
Os métodos convencionais de detecção de cio em vacas de leite que são
utilizados nas propriedades há décadas, são mais rudimentares e não envolvem a
utilização de tecnologias de precisão para a detecção. O primeiro e mais
convencional dos métodos é de observação visual do cio que envolve a visualização
dos sinais comportamentais de cio por parte de uma equipe treinada e experiente
(BANUVALLI, 2015). A observação deve distinguir comportamento de uma vaca em
cio, como: montar e deixar ser montado por outros animais, cheirar outras fêmeas,
apetite reprimido, lama dos quartos traseiros, vermelhidão da vulva e muco claro
vaginal. Este método recomenda que os animais sejam observados, no mínimo,
duas vezes ao dia, preferencialmente pelo turno da manhã ou no final da tarde e
por um período mínimo de 30 minutos (BANUVALLI, 2015; CARVALHO; 2015).
O momento mais provável das vacas demonstrarem o cio é durante a
noite, momento em que, geralmente, ninguém está observando-as (BANUVALLI,
2015). Outros fatores, como as condições do alojamento, clima quente e animais de
alta produção demonstram menos atividade de cio, tornando ainda mais difícil a
observação visual. Diversos experimentos revelam uma sensibilidade na detecção
visual de cio, ou seja, uma taxa de assertividade na detecção de cio de
aproximadamente 50% (REITH e HOY, 2017).
Outras ferramentas convencionais ainda são utilizadas na detecção de
cio como é o exemplo do uso de rufiões com buçais marcadores e o uso de tinta
marcadoras na garupa das vacas (CARVALHO, 2015). Entretanto, estes métodos
perderam sua eficácia à medida que os animais foram reduzindo suas
manifestações de cio.
2.3.2 Sistemas de Detecção de Pressão
Os sistemas de detecção de pressão são dispositivos desenvolvidos para
detectar o momento que uma vaca de leite aceita a monta de outro animal. Estes
dispositivos podem ser mecânicos ou eletrônicos.
Page 37
36
O sistema de detecção de monta mecânico, conhecido comercialmente
como KaMaRs, é um dispositivo formado por uma cápsula com tinta vermelha no
seu interior que é posicionada na região sacral e se rompe no momento que a vaca
em cio é montada (HOLMAN, 2011). Os experimentos realizados por Holman (2011)
mostraram que o sistema KaMaRs possui uma sensibilidade de detecção de cio de
aproximadamente 56%.
Outro sistema de detecção de monta é o sistema eletrônico de detecção
de pressão capaz de detectar a monta sofrida por uma vaca em cio. Este sensor
consiste em um minitransmissor sensível a pressão, envolvido por uma estrutura
plástica e posicionado na região sacral anterior à cabeça da cauda (WALKER et al.,
1996; SAINT-DIZIER e CHASTANT-MAILLARD, 2012; CARVALHO, 2015). O
sensor é ativado pelo peso de um animal que monta a vaca em cio, desde que o
tempo de monta seja de no mínimo 2 segundos, embora tenha sido verificado que
até 40% das montas duram menos que 2 segundos (WALKER et al.,1996). O sensor
quando é ativado transmite para um computador a identificação da vaca, data da
monta, tempo e duração da ativação do sensor, que são analisados por um
algoritmo que estabelece o perfil de monta do animal e a ocorrência ou não do cio.
O sistema eletrônico de pressão pode chegar à sensibilidade de até 85%,
uma vez que detecta o comportamento característico do cio para fazer o diagnóstico
(CARVALHO, 2015). Por outro lado, experimentos mostraram uma eficiência de
detecção, para esta métrica, inferior a 40% (SAUMANDE, 2002). A baixa
assertividade verificada neste experimento pode ser explicada pelo fato de que o
sistema não detecta monta com duração inferior a 2 segundos (CARVALHO, 2015).
O potencial dos sistemas de detecção de pressão foi afetado pelo tipo de moradia
das vacas (PALMER et al., 2010), tipo de piso (BRITT et al., 1986), condições
climáticas (PERALTA et al., 2005) e a dificuldade de manter os sensores na posição
correta (DISKIN, 2000).
2.3.3 Pedômetros
Os pedômetros são compostos por tags eletrônicos acoplados nas patas
das vacas, que identificam e monitoram o número de passos realizados por elas
Page 38
37
(REITH e HOY, 2017). A tag eletrônica se comunica com uma antena que envia
para um software que recebe a identificação do animal e a sua atividade desde o
último período de leitura, processando automaticamente estes dados, detectando o
cio pelo aumento da atividade física do animal e indicando o melhor horário para
inseminar a vaca.
Em experimentos realizados, o sistema de pedômetro obteve uma
sensibilidade de aproximadamente 63% (HOLMAN, 2011). Por outro lado, o
experimento revelou que 26% dos alertas de cio gerados pelo pedômetro foram
falsos positivos, que representam, possivelmente, o aumento de atividade dos
animais devido as alterações de lote e manejo.
2.3.4 Colares de Monitoramento
Estes detectores de cio são dispositivos eletrônicos que utilizam
tecnologia de acelerometria acoplada a colares posicionados no pescoço das
vacas. Estes dispositivos medem acelerações horizontais contínuas relacionadas
aos movimentos da vaca no comportamento de andar e montar (REITH e HOY,
2017).
Os dados de atividade do colar de monitoramento são armazenados em
intervalos de uma ou duas horas por dia e enviados através de uma antena de radio
frequência para um software de gestão que fornece gráficos de comportamento
individualmente das vacas (REITH e HOY, 2017). O sistema de gestão possui
algoritmos de detecção que classificam e diferenciam o comportamento de atividade
diária das vacas e o comportamento de estro. Na análise comparativa do algoritmo,
quando a atividade registrada pelo colar ultrapassa um limite pré-estabelecido, um
alerta de detecção de cio é gerado, indicando qual o melhor horário para inseminar
a vaca.
Conforme experimentos, os colares de monitoramento de atividade
obtiveram uma eficiência na detecção de cio de aproximadamente 58,90%
(HOLMAN, 2011). No que diz respeito a taxa de falsos positivos gerados pelo
sistema de colares, estudos mostraram que eles representam apenas 6,5% dos
alertas de cio (HOLMAN, 2011).
Page 39
38
2.3.5 Outros Métodos
Além dos detectores de monta e atividade, outros dispositivos também
são utilizados para a detecção de cio em vacas leiteiras (CARVAHO, 2015). O
monitoramento automático das concentrações de progesterona no leite é uma
técnica que vem sendo utilizada desde 2009, com a implantação de sistemas de
ordenhas robóticas. O uso de sistema de vídeo câmera também pode ser utilizado
para identificar cio em vacas de leite que é capaz de identificar o movimento das
vacas quando estão em cio (CARVALHO, 2015).
Por fim, um sistema de monitoramento da temperatura corporal nos dias
próximo ao estro é outra técnica utilizada para a detecção de cio. A temperatura
vaginal diminui ligeiramente dois dias antes do dia do estro, seguido por um
aumento no momento de pico do hormônio luteinizante (LH) (FISHER et al, 2008).
2.4 SISTEMA COWMED DE MONITORAMENTO ANIMAL
O sistema COWMED de monitoramento animal é uma solução
desenvolvida e fornecida pela Chip Inside Tecnologia S/A, start up fundada na
cidade de Santa Maria (RS) pelos irmãos Thiago e Leonardo Martins, conforme
divulgado no website da própria empresa.1
A solução é formada por um conjunto de dispositivos eletrônicos e um
software de gestão, permitindo ao produtor de leite monitorar o comportamento das
suas vacas e, através dele, realizar a detecção de cio e a predição de doenças. A
Figura 5 explica, de maneira esquemática, a lógica operacional de funcionamento
do sistema COWMED de monitoramento de bovinos. As imagens foram
disponibilizadas pelo setor de marketing da Companhia proprietária da solução.
1 Disponível em https://www.cowmed.com.br.
Page 40
39
Figura 5 - Sistema COWMED de monitoramento de bovinos.
Fonte: Chip Inside Tecnologia S/A, 2018 (Adaptado pelo autor).
2.4.1 Sistema Eletrônico de Monitoramento
O conjunto de dispositivos eletrônicos desenvolvidos pela Chip Inside
para monitorar bovinos é formado por uma coleira com acelerômetro que fica
disposta no pescoço da vaca e uma antena instalada na propriedade que recebe
em tempo real os dados enviados pela coleira e sincroniza com banco de dados do
software de gestão em nuvem.
A coleira eletrônica de monitoramento da COWMED, também conhecida
como C-Tech, é um dispositivo eletrônico que, através de um acelerômetro,
consegue monitorar em tempo real três variáveis comportamentais de bovinos. A
primeira variável monitorada é o tempo de ruminação dos animais, comportamento
este semelhante a mastigação dos seres humanos. O tempo que as vacas ficam
em atividade, ou seja, o tempo em que caminham, montam, consomem alimentos
e água, socializam com outros animais, balançam a cabeça entre outras
movimentações, é a segunda variável captado pela C-Tech. Por fim, a terceira e
última variável monitorada por esta coleira é o tempo em que os animais ficam
parados e sem fazer nada. Todas estas variáveis são monitoradas pela coleira e
enviados, em tempo real, para a antena instalada na propriedade.
A antena da COWMED, denominada como C-Com, é um dispositivo
eletrônico instalado na propriedade, que deve ser conectado na sua rede wifi de
Page 41
40
internet e que executa a função de receptor dos dados de monitoramento de todas
as coleiras, sincronizando as mesmas com o banco de dados em nuvem do software
de gestão. As Figura 6 e 7, disponibilizadas pela própria Companhia, apresentam
uma imagem da coleira C-Tech sendo utilizada por uma vaca e uma antena C-Com
instalada em uma propriedade.
Figura 6 - Vaca utilizando coleira C-Tech de monitoramento de bovinos (Solução
COWMED).
Fonte: Chip Inside Tecnologia S/A, 2018.
Figura 7 - Antena C-Com instalada em uma propriedade (Solução COWMED).
Fonte: Chip Inside Tecnologia S/A, 2018.
Page 42
41
2.4.2 Software de Gestão
O software de gestão, também conhecido como Smartfarm, é acessado
diretamente no site da empresa, sendo ele o responsável em processar os dados
de comportamento dos animais e, através de algoritmos específicos, realizar a
detecção do início do comportamento de cio das vacas, já sugerindo o melhor
horário para inseminar. O sistema COWMED também consegue, através dos dados
gerados pela coleira, predizer com dias de antecedência quando um animal vai ficar
doente. As detecções de cio e os alertas de doenças são enviados automaticamente
para um aplicativo mobile instalado nos smartphones do produtor e sua equipe.
A Figura 8 apresenta a tela de entrada do software de gestão COWMED
que pode ser acessado em: https://app.cowmed.com.br.
Figura 8 - Software de gestão de bovinos Smartfarm
Fonte: Chip Inside Tecnologia S/A, 2018.
Através do Smartfarm o pecuarista consegue monitorar individualmente
o comportamento dos seus animais além de gerenciar os manejos sanitários,
reprodutivos e nutricionais do rebanho. O software armazena e processa em tempo
real os dados comportamentais de ruminação, atividade e ócio que são gerados
Page 43
42
pelas coleiras colocadas nos animais. A Figura 9 apresenta os dados monitorados
em tempo real de uma vaca utilizando a coleira de monitoramento COWMED.
Figura 9 - Dados comportamentais monitorados no Smartfarm
Fonte: Chip Inside Tecnologia S/A, 2018.
Os dados comportamentais dos animais monitorados pela COWMED são
processados por algoritmos específicos que são capazes de realizar a detecção do
comportamento de cio das vacas além de predizer o surgimento de possíveis
doenças nestes animais. Estes algoritmos geram alertas automáticos no Smarfarm
conforme pode ser observado na Figura 10.
Page 44
43
Figura 10 - Alertas de cios e doenças no Smartfarm
Fonte: Chip Inside Tecnologia S/A, 2018.
2.4.3 Detecção do Comportamento de Cio
O sistema COWMED de monitoramento animal realiza a detecção do
comportamento de cio de vacas através de uma análise temporal que é realizada
nos dados horários do comportamento de ruminação, atividade e ócio destes
animais e que são gerados pelas coleiras C-tech. Estes dados comportamentais
são transformados pelo software de gestão Smartfarm em um índice de atividade
que é a variável utilizada na avaliação e detecção do comportamento de cio das
vacas. A Companhia, por questões de proteção a propriedade intelectual, não
especificou como essa variável é construída. A Figura 11 apresenta a série temporal
do índice de atividade de um animal monitorado pelo sistema COWMED.
Page 45
44
Figura 11 – Série temporal do índice de atividade de uma vaca monitorada pelo
sistema COWMED.
Fonte: Chip Inside Tecnologia S/A, 2018.
O índice de atividade de uma vaca monitorada é uma série temporal
criada pelo sistema COWMED e que representa níveis de atividade que o animal
possui a cada hora do dia. Este índice é contínuo, possui valores dentro no conjunto
dos números reais e tem frequência horária. Através de análises realizadas na série
temporal deste índice o sistema COWMED consegue identificar o aumento nos
níveis da atividade das vacas e que, por consequência, pode representar o início do
comportamento de cio. Sendo assim, controlar a série temporal dos índices de
atividade das vacas monitoradas é essencial para identificar o comportamento de
cio destes animais. A Companhia não informou como esta identificação é realizada
e nem qual é a sua eficiência atualmente.
Por fim, é importante destacar que o índice de atividade das vacas é
influenciado por todo e qualquer manejo que estes animais sejam submetidos, ou
seja, manejos sanitários como vacinação, manejos nutricionais como as mudanças
de dietas, manejos ambientais como a substituição das camas, entre todos os
Page 46
45
outros demais manejos que podem eventualmente acontecer. O fato é que todos
ocorrem de maneira recorrente na propriedade e influenciam no nível de atividade
horária destes animais. Tais eventos indicam uma alta variabilidade no
comportamento dos animais e induzem uma alta variabilidade nas séries temporais
dos seus índices de atividade.
2.5 CARTAS CONTROLE PARA DETECÇÃO DE MUDANÇAS
Nesta etapa são apresentados conceitos que explicam a aplicação do
controle estatístico de processos e dos gráficos de controle ou cartas controle como
ferramentas de monitoramento e detecção da variabilidade em séries temporais. A
utilização das cartas controle permite detectar a variação em um sistema de
produção qualquer e permite que ações corretivas sejam tomadas rapidamente
(SHEU et al., 2009).
2.5.1 O Controle Estatístico de Processos
Um determinado produto ou serviço têm qualidade quando possui a
capacidade de apresentar as especificações que atendem as necessidades e
desejos de seus consumidores, sendo que, a qualidade é uma relação inversamente
proporcional a variabilidade. (MONTGOMERY, 2009).
Para atender as especificações desejadas de um determinado produto
ou serviço torna-se necessário controlar estatisticamente o seu processo produtivo.
Sendo assim, ferramentas como as cartas de controle devem ser aplicadas para
monitorar um processo, controlar sua variabilidade, detectar alterações anormais e
estimar os parâmetros de qualidade (ABBASI, 2010). Existem basicamente dois
tipos de variabilidades existentes em uma série temporal ou processo produtivo:
causas aleatórias e causas atribuíveis.
As causas aleatórias são as variabilidades naturais da série e
representam o efeito cumulativo de causas pequenas e inevitáveis. Estas causas
aleatórias são inerentes ao processo e sempre existirão, sendo que, processos que
Page 47
46
operam apenas com causas aleatórias estão sob controle estatístico (REYNOLDS
JR; LU 1997; MUKHERJEE; 2015).
O segundo tipo de variabilidade é denominado como causas atribuíveis
e não fazem parte do padrão das causas aleatórias. Os processos que possuem
causas atribuíveis não estão em controle estatístico e é para detecção destes casos
que as cartas de controle são utilizadas (MONTGOMERY, 2009).
A construção das cartas controle ocorre através da série histórica dos
dados do processo sendo que tais dados devem apresentar os níveis de qualidade
do produto ou serviço. Caso estes dados possam mensurar numericamente as
características da qualidade de determinada especificação ou variável, então utiliza-
se a carta de controle para variáveis. Por outro lado, caso estas características
sejam classificadas como conforme ou não-conforme utilizasse a carta controle para
atributos (AMIRZADEH; MASHINCHI; PARCHAMI, 2009).
Neste trabalho os dados da série de atividade das vacas fornecidos pelo
sistema COWMED serão disponibilizados como no primeiro caso, ou seja,
mensurados numericamente em uma série temporal. Deste modo, os gráficos de
controle de Shewhart, EWMA e CUSUM serão utilizados para monitorar e detectar
a variabilidade das séries temporais dos índices de atividade das vacas
monitoradas. Por outro lado, os índices horários de atividade serão classificados ao
longo da série como cio ou não-cio sendo que o comportamento de cio representa
a causa atribuível de variação do índice de atividade da vaca. Neste contexto, os
gráficos de controle serão utilizados neste trabalho com o objetivo de identificar e
detectar essa variação.
2.5.2 As Cartas Controle
A carta controle foi desenvolvida por Shewhart (1931) com o objetivo de
detectar a existência de causas anormais de variação em um processo produtivo
(TONDOLO, 2016). Partindo da suposição que um determinado processo está em
controle estatístico, é possível detectar observações anormais através dos seus
dados históricos. Este método utiliza uma linha central, que representa a tendência
da variável ou característica sob controle, um limite superior e um limite inferior de
Page 48
47
controle que são determinados pela distribuição de probabilidade da variável e
representam o valor máximo e mínimo aceitável que a variável ou característica
pode assumir para estar sob controle. Em termos práticos, a tendência é calculada
pela média das amostras observadas e os limites utilizam o acréscimo e decréscimo
do desvio padrão.
As cartas de controle são equivalentes a um teste de hipótese em que a
hipótese nula é de que o processo está sob controle estatístico. Por outro lado, as
observações que estão fora dos limites equivalem a rejeição da hipótese nula, ou
seja, o processo está fora do controle estatístico (MONTGOMERY, 2009).
A classificação dos gráficos de controle é realizada através de duas
categorias: os gráficos de controle sem memória, neste caso o gráfico de Shewhart,
e os gráficos de controle com memória, como é o caso dos gráficos EWMA e
CUSUM (ABBAS; RIAZ; DOES, 2014).
A construção dos gráficos de controle ocorre em duas fases conhecidas
como Fase I e Fase II. A primeira fase, ou Fase I, é responsável por analisar o
conjunto histórico dos dados com o intuito de compreender a variação da série,
estimar os parâmetros e determinar a estabilidade do processo e os limites de
controle (TONDOLO, 2016). Os valores em controle dos parâmetros do processo
são estimados a medida que as causas atribuíveis são removidas das amostras e
a acurácia da estimação destes parâmetros é fundamental para o desempenho do
gráfico de controle (VINING, 2009). Por outro lado, a Fase II é responsável por
detectar, a partir dos parâmetros estimados na Fase I, as mudanças no processo
que o colocam fora do controle (WOODALL, 2000). A capacidade que os gráficos
de controle possuem em detectar padrões anormais dos dados da série durante a
operação do processo indicará o seu desempenho (COLOSIMO; PACELLA, 2010).
2.5.3 Controle Estatístico de Processos Univariados
O controle estatístico de processos univariados considera o
monitoramento e controle utilizando uma variável de interesse para análise do
processo e tomada de ação. Neste trabalho serão apresentados três modelos de
Page 49
48
cartas controles univariadas, sendo elas: carta de Shewhart, carta EWMA e carta
CUSUM.
2.5.3.1 Carta Controle de Shewhart
A carta de controle ou gráfico controle de Shewhart é utilizada para
observações individuais uma vez que apenas uma observação está disponível a
cada período de tempo (WARDELL; MOSKOWITZ; PLANTE, 1992). O conceito
fundamental desta carta controle é que uma observação (Xi) do processo sob
controle é obtida através da seguinte fórmula:
𝑋𝑖 = 𝜇 + 𝜀𝑖 , (2.1)
em que i = 1,2,...,n, µ é a média do processo, fixa e constante, εi são os termos de
erro, independentes, com distribuição normal de média zero e desvio padrão
constante σ, εi ~ N(0,σ2) sendo n o tamanho amostral (TONDOLO, 2016). Nesta carta
controle é assumido que apenas uma observação está disponível em cada período,
sendo o gráfico de Shewhart utilizado para o controle de observações individuais
(WARDELL; MOSKOWITZ; PLANTE, 1992).
Sabendo que I é a estatística amostral que mede, a cada hora do dia, o
índice de atividade das vacas monitoradas pelo sistema COWMED, a média de I é
µI e o desvio padrão é σI. Supondo uma distribuição normal para a estatística I, o
limite superior de controle (LSC), o limite inferior de controle (LIC) e o limite central
(LC) da carta de Shewhart são calculados por:
𝐿𝐶 = 𝜇𝐼 , (2.2)
𝐿𝐼𝐶 = 𝜇𝐼 − 𝑘 .𝜎𝐼 , (2.3)
𝐿𝑆𝐶 = 𝜇𝐼 + 𝑘 .𝜎𝐼 , (2.4)
em que a constante k representa a distância, expressa em unidades do desvio
padrão, dos limites de controle superior e inferior para o limite central. O valor mais
usual para esta constante é de k = 3, para uma ocorrência de 0,27% de observações
Page 50
49
da amostra fora do controle estatístico e um número de observações amostradas
de aproximadamente 370 até ocorrer o primeiro alarme falso (MINGOTI;
YASSUKAWA, 2008; BERGQUIST; SODERHOLM, 2015).
A principal desvantagem da carta controle de Shewhart é que esta
ferramenta utiliza somente a informação do processo que está contida na última
amostra dos dados históricos e desconsidera as informações contidas nas
observações anteriores (MONTGOMERY, 2009).
2.5.3.2 Carta Controle EWMA
A carta controle EWMA, introduzido por Roberts (1959), é outro método
que pode ser utilizado no monitoramento e no controle de qualidade de processos.
O gráfico EWMA possui uma maior sensibilidade na detecção de pequenas
mudanças na média do processo uma vez que incorpora todas as observações na
análise (TONDOLO, 2016). Esta ferramenta é muito utilizada no monitoramento de
séries temporais para processos com desvios graduais (HARIDY, 2009).
Este método, diferentemente da carta de Shewhart que mostra o valor
atual da variável do processo, prediz o valor da variável do processo no intervalo a
frente (MANZIC, 1995). Neste sentido, a carta EWMA é uma carta de previsão e por
isso consegue detectar as mudanças no processo de maneira mais precoce.
Neste gráfico de controle os pesos das observações perdem valor a
medida que vão se tornando mais antigas. O gráfico controle EWMA é definido por:
𝑍𝑖 = 𝜆.𝑋𝑖 + (1− 𝜆)𝑍𝑖−1 , (2.5)
em que 0 < λ ≤ 1 corresponde a constante de suavização na predição da variável
do processo e i = 1,2,...,n, sendo n o tamanho da amostra. Em termos gerais, λ =
0,05, λ = 0,10 e λ = 0,20 são bastante utilizadas e costumam funcionar bem na
prática (MONTGOMERY, 2009). O importante na seleção do parâmetro λ é saber
que a utilização de valores menores funciona para detectar mudanças menores uma
vez que a suavização da série é maior. O valor inicial do EWMA é o alvo do
Page 51
50
processo, ou seja, Z0 = µI (média alvo) e Yi são os valores observados (TONDOLO,
2016).
O limite superior de controle (LSC), o limite inferior de controle (LIC) e o
limite central (LC) são calculados através das seguintes fórmulas:
𝐿𝐶 = 𝜇𝐼 , (2.6)
𝐿𝐼𝐶 = 𝜇𝐼 − 𝑘.𝜎𝐼.√𝜆
(1−𝜆). [1− (1 − 𝜆)2𝑡] , (2.7)
𝐿𝑆𝐶 = 𝜇𝐼 + 𝑘.𝜎𝐼.√𝜆
(1−𝜆). [1− (1− 𝜆)2𝑡] . (2.8)
No método EWMA deve-se definir os valores do parâmetro k que se
refere a largura dos limites de controle e também é expresso em unidades do desvio
padrão. O valor de k sugerido é igual a 3, que corresponde a configuração habitual
de largura igual a 3 vezes o desvio padrão (MONTGOMERY, 2009). Entretanto,
pode-se perceber que quando o valor de λ é pequeno (λ ≦ 0,1) o parâmetro k pode
ser reduzido para valores entre 2,6 e 2,8.
Para grandes valores de t o termo 1 – (1 – λ)2t se aproxima de 1 e os
limites de controle são definidos por:
𝐿𝐼𝐶 = 𝜇𝐼 − 𝑘.𝜎𝐼.√𝜆
(1−𝜆) , (2.9)
𝐿𝑆𝐶 = 𝜇𝐼 + 𝑘.𝜎𝐼.√𝜆
(1−𝜆) . (2.10)
A Figura 12 compara, para uma mesma observação qualquer, a
utilização da carta controle EWMA, no gráfico inferior, com a carta controle de
Shewhart no gráfico superior. Na aplicação da carta EWMA nesta série temporal foi
utilizado λ = 0,1 e pode-se perceber como esta série é suavizada pelo método. A
suavização é ainda mais visível quando comparamos a projeção da série temporal
no gráfico superior (SCOPINHO, 2005).
Page 52
51
Figura 12 – Exemplos de cartas controle de Shewhart no gráfico superior e EWMA
no gráfico inferior.
Fonte: Scopinho, 2005.
2.5.3.3 Carta Controle CUSUM
A carta de controle univariada CUSUM é uma ferramenta utilizada para
controlar e detectar pequenas alterações em processos através da soma cumulativa
dos desvios das observações. Este gráfico foi introduzido por Page (1954) e tem
características similares ao gráfico EWMA, uma vez que possui maior sensibilidade
na detecção de pequenas mudanças da média do processo pois também considera
informações de todas observações (TONDOLO, 2016).
O gráfico CUSUM é uma ferramenta que tem dois gráficos de controle: o
gráfico que monitora os desvios acima da média e outro gráfico que monitora os
desvios abaixo da média (MONTGOMERY, 2009; SCOPINHO, 2005). O CUSUM
pode ser utilizado no monitoramento da média do processo, pois incorpora
Page 53
52
diretamente a informação da série de valores da amostra através das somas
cumulativas dos desvios dos valores em relação a média (TONDOLO, 2016).
Este método trabalha acumulando os desvios de µI que estão acima da
média com uma estatística C+, e acumulando os desvios de µI que estão abaixo da
média com uma estatística C (MONTGOMERY, 2009). As estatísticas C+ e C são
denominadas como CUSUM`s unilaterais superior e inferior e são calculadas pelas
equações:
𝐶𝑖+ = max[0,𝑌𝑡 − (𝜇𝐼 + 𝐾) + 𝐶𝑖−1
+ ] , (2.11)
𝐶𝑖− = max[0, (𝜇𝐼 − 𝐾) − 𝑌𝑖 + 𝐶𝑖−1
− ] , (2.12)
em que os valores iniciais de C+ e C = 0 e i = 1,2,...,n, sendo n o tamanho da amostra.
O valor de referência K representa o desvio da média que se deseja detectar. Caso
os desvios sejam expressos em unidades do desvio padrão, então valor de K é
escolhido como a metade do desvio que se deseja detectar. Atribui-se um intervalo
de decisão, denominado de valor H, como o limite que estipula se o processo está
sob controle. O valor de H é normalmente definido em unidades de desvio padrão.
A recomendação é que se utilize cinco desvios padrão para H e 0,5 desvios padrão
para o valor de referência K, sendo que desvios individuais menores que meio
desvio padrão não são considerados para as somas de C+ e C (MONTGOMERY,
2009).
O limite de controle (LC) para o gráfico CUSUM é calculado da seguinte
maneira:
𝐿𝐶 = 𝐻 = 5.𝜎𝐼. (2.13)
Toda vez que as estatísticas CUSUM ultrapassarem os limites de
controle ele deve ser reiniciado (GUSTAFSSON, 1998). Os instantes em que foram
realizadas detecções de mudanças no processo pelo CUSUM podem ser
representadas graficamente como ilustrado na Figura 13.
Utilizando os mesmos dados dos gráficos da Figura 12, a Figura 13
apresenta o resultado da carta CUSUM (SCOPINHO, 2005).
Page 54
53
Figura 13 - Carta Controle CUSUM em que SH é equivalente a estatística C+ e SL é
equivalente a estatística C.
Fonte: Scopinho, 2005.
É importante observar que na amostra em que uma detecção é realizada
o valor do CUSUM é zerado para que nova soma cumulativa de desvios da média
seja iniciada.
Page 55
54
3. MATERIAIS E MÉTODOS
Esta pesquisa tem como objetivo explorar diferentes gráficos de controle
para monitorar o índice de atividade gerado pelo sistema COWMED e detectar o
comportamento de cio em vacas de leite.
Um novo método de carta controle, denominado como ΔP2, foi
desenvolvido nesta pesquisa para ser aplicado especificamente na detecção do
comportamento de cio em vacas de leite. Um banco de dados devidamente
organizado e rotulado foi fornecido pela empresa Chip Inside com o objetivo de
servir como dados de treinamento no desenvolvimento do modelo além de permitir
a validação e a comparação com as demais cartas controle consideradas neste
trabalho, medindo suas taxas de assertividade e de precisão.
A pesquisa será finalizada através de uma análise comparativa dos
resultados obtidos na implementação de cada modelo. Para a avaliação destes
métodos de classificação será utilizada a matriz de confusão e as métricas
quantitativas de acurária, sensibilidade, especificidade, precisão além, índice F1-
score e índice Kappa, descritos na Seção 3.5.
3.1 METODOLOGIA DA PESQUISA
A seguir serão apresentadas todas as etapas metodológicas utilizadas
no desenvolvimento desta pesquisa.
Etapa 1: É a fase de coleta e estruturação do banco de dados,
denominado como banco geral, para o desenvolvimento e validação desta
pesquisa. Em parceria com a empresa Chip Inside Tecnologia S/A, será estrutura
um banco de dados com 63.360 observações que servirá para desenvolver e validar
o modelo ΔP2 e também para fins de comparação com as cartas controle de
Shewhart, EWMA e CUSUM. Este conjunto de observações é formado por um total
de 110 animais monitorados sendo que cada animal possui uma série temporal com
um total de 576 observações, ou seja, possui dados de monitoramento horário por
24 horas consecutivas. É importante destacar que os 110 animais selecionados
Page 56
55
nesta pesquisa foram extraídos do monitoramento de 30 propriedades com
diferentes sistemas produtivos, reduzindo a possibilidade de viés nos resultados.
Etapa 2: Esta etapa corresponde ao desenvolvimento do modelo
matemático proposto neste trabalho, denominado como ΔP2. A proposição deste
modelo está em realizar a detecção de cio em vacas de leite através do
monitoramento do índice de atividade gerado pelo sistema da empresa Chip Inside.
A carta controle ΔP2 é um método que objetiva identificar a variabilidade
determinística nas séries de comportamento animal gerada por causas aleatórias,
diferenciando-a da variabilidade determinística gerada por causas atribuíveis. O
desenvolvimento será realizado através de um banco de dados de treinamento que
será formado pela extração aleatória de 5.760 observações do banco geral
correspondente a 10 animais monitorados. As aplicações das cartas de controle de
Shewhart, EWMA e CUSUM também serão realizadas no banco de treinamento
para fins de comparação com a carta controle ΔP2. É importante destacar que a
carta ΔP2 foi desenvolvida utilizando o banco de treinamento e existe uma
expectativa natural que o desempenho dela supere as demais.
Etapa 3: Na fase 3 desta pesquisa será realizada a aplicação das cartas
controle de Shewhart, EWMA, CUSUM e ΔP2 em um banco de dados, denominado
como banco de validação, formado pelos animais do banco geral estruturado na
Etapa 1, excluindo os animais selecionados para o banco de treinamento conforme
definido na Etapa 2. Os resultados gerados nesta etapa serão armazenados e
utilizados na Etapa 4 para comparação de todos os métodos através da matriz de
Confusão, medidas de Acurácia, Sensibilidade, Especificidade, Precisão, índice
Kappa e F1-score.
Etapa 4: Corresponde a fase de análise comparativa entre os resultados
obtidos na aplicação da carta ΔP2 proposta neste trabalho e as cartas de Shewhart,
EWMA e CUSUM. Nesta etapa serão considerados a matriz de Confusão, medidas
de Acurácia, Sensibilidade, Especificidade, Precisão, índice Kappa e F1-score para
comparar os desempenhos preditivos dos modelos. Nesta fase também será
realizado um estudo de estatística descritiva que permite sumarizar e compreender
as características do conjunto de dados que está sendo utilizado nesta pesquisa.
Page 57
56
Etapa 5: Corresponde aos Capítulo 5 desta dissertação e é a etapa de
apresentação e argumentação dos resultados finais e conclusão da pesquisa. A
conclusão irá justificar se o objetivo principal da pesquisa foi alcançado e se o
modelo ΔP2 foi eficaz na detecção do comportamento de cio de vacas de leite
monitoradas pelo índice de atividade gerado pela empresa Chip Inside. Ao final do
trabalho será proposto a continuidade desta pesquisa através da aplicação e
validação do modelo ΔP2 em outros problemas.
3.2 CARTA CONTROLE DA DIFERENÇA ENTRE DOIS PONTOS
PREDITOS (ΔP2)
Neste trabalho propõe-se um modelo de carta controle para detecção de
alterações geradas pela variabilidade de causas atribuíveis em séries temporais
com alta variabilidade determinística de causas aleatórias. Esta carta, chamada
como ΔP2, é um método que calcula a diferença entre dois pontos preditos de uma
série temporal e utiliza dois gráficos controle para monitorar e controlar a série
temporal.
Este método utiliza um alisamento exponencial simples para predizer o
valor da variável no próximo intervalo conforme a equação:
𝑋𝑖+1′ = 𝛼.𝑋𝑖 + (1 − 𝛼).𝑋𝑖
′ , (3.1)
em que X’i+1 representa a variável prevista no instante i+1, Xi representa a variável
observada no instante i, X’i representa a variável prevista no instante i e α o
coeficiente de amortização no instante i.
O alisamento exponencial simples é um filtro preditivo que utiliza médias
móveis ponderadas para prever o valor da variável no próximo intervalo
(MAKRIDAKIS et al., 1998). Neste método de previsão todos os dados passados
são levados em consideração e a importância destas informações são quantificadas
em pesos e vão diminuindo sua relevância na predição à medida que o tempo passa
(MAKRIDAKIS et al., 1998). O coeficiente de amortização é responsável por
quantificar o peso das variáveis na predição, sendo que, quanto maior ele for maior
será a importância do valor observado no instante anterior e quanto menor ele for
Page 58
57
maior será a importância de todos valores preditos já realizados (MAKRIDAKIS et
al., 1998). Sendo assim, é mais adequado utilizar um valor menor do coeficiente de
amortização tendo em vista que valoriza um número maior de períodos anteriores
e fornecem a maior estabilidade aos valores previstos. Neste trabalho, o coeficiente
de amortização é α = 0,05.
A partir da série temporal de valores preditos pelo alisamento
exponencial simples o método requer a seleção do valor máximo e do valor mínimo
de um intervalo de valores preditos. A definição deste intervalo é realizada através
do cálculo da variância dos valores preditos e o tamanho do intervalo (L) de
observações é definido através da quantidade de observações necessárias para
estabilizar a variância da série conforme definido pelo coeficiente δ :
𝛿𝐿 =
∑ (∑ (𝑥𝑖− �̅�)
2𝑗+1𝑖=1𝑗+1−1
)
𝑗
𝐿−1𝑗=1
∑ (∑ (𝑥𝑖− �̅�)
2𝑗+1𝑖=1𝑗+1−1
)
𝑗
𝐿−2𝑗=1
− 1 , (3.2)
em que j = 1, 2, ..., L1; i = 1, 2, ..., j+1; e L ≥ 4, sendo L o tamanho do intervalo de
observações utilizado no cálculo do coeficiente δ. Seleciona-se “L” para δ < 0,005
como ilustrado no exemplo das Figuras 14, 15 e 16 abaixo.
Page 59
58
Figura 14 - Coeficientes δ calculados para L variando entre 4 e 53 observações.
Fonte: Elaborado pelo Autor
Figura 15 - Coeficientes δ calculados para L variando entre 54 e 103 observações.
Fonte: Elaborado pelo Autor
0
0.5
1
1.5
2
2.5
4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52
Coeficientes δ calculados para 4 ≤ L ≤ 53
Coeficiente δ Limite de Controle
0
0.005
0.01
0.015
0.02
0.025
54 56 58 60 62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98 100 102
Coeficientes δ calculados para 54 ≤ L ≤ 103
Coeficiente δ Limite de Controle
Page 60
59
Figura 16 - Coeficientes δ calculados para L variando entre 104 e 153 observações.
Fonte: Elaborado pelo Autor
Conforme apresentado na Figura 16 o coeficiente δ precisa de 141
observações para alcançar um valor inferior a 0,005. Sendo assim, L para calcular
o índice ΔP2 deve ser de L ≥141.
A carta ΔP2 utiliza um gráfico de controle que é monitorado através de
de um índice calculado conforme as seguintes equações:
∆𝑃2 𝑚𝑎𝑥 𝑖 = 𝑥𝑖′ −max (𝑥𝑖−𝐿
′ :𝑥𝑖−1′ ) , (3.3)
∆𝑃2 𝑚𝑖𝑛 𝑖 = 𝑥𝑖′ −min (𝑥𝑖−𝐿
′ :𝑥𝑖−1′ ) , (3.4)
∆𝑃2 𝑖 = (∆𝑃2 𝑚𝑎𝑥 𝑖+ ∆𝑃2 𝑚𝑖𝑛 𝑖) . |(∆𝑃2 𝑚𝑎𝑥 𝑖+ ∆𝑃2 𝑚𝑖𝑛 𝑖)| , (3.5)
em que a estatística ∆𝑃2 é o índice de controle da série temporal. Os limites de
controle do gráfico de controle são calculados por:
𝐿𝑆𝐶 = 𝜇ΔP2 + 𝑘.𝜎ΔP2 , (3.6)
𝐿𝐼𝐶 = 𝜇ΔP2 − 𝑘.𝜎ΔP2 , (3.7)
0
0.001
0.002
0.003
0.004
0.005
0.006
0.007
0.008
104 106 108 110 112 114 116 118 120 122 124 126 128 130 132 134 136 138 140 142 144 146 148 150 152
Coeficientes δ calculados para 104 ≤ L ≤ 153
Coeficiente δ Limite de Controle
Page 61
60
em que LSC – é o limite superior de controle dos índices ΔP2, LIC – é o limite inferior
de controle dos índices ΔP2, μΔP2 – é a média dos índices ΔP2 e σΔP2 – é o desvio
padrão dos índices ΔP2. O parâmetro k representa a largura do limite de controle e
normalmente é definido para ele um valor igual a 3.
A Figura 17 apresenta um exemplo de gráfico controle para o índice ΔP2.
Figura 17 - Carta controle ΔP2.
Fonte: Elaborado pelo Autor
No gráfico controle da Figura 17 é possível perceber quando o valor
predito da variável observada possui uma variação determinística que ultrapassa,
tanto para cima como para baixo, a variação aleatória da série.
Esta pesquisa será aplicada a detecção de cio em vacas através do
controle do índice de atividade gerado e monitorado pelo sistema da Chip Inside
Tecnologia S/A. Como já foi visto anteriormente, o comportamento de cio das vacas
gera um aumento no índice de atividade, o que justifica considerar, neste trabalho,
apenas o limite máximo de controle para detectar quando o índice está fora do
controle estatístico e, por consequência, gerar um alerta de vaca em cio.
4
3
2
1
0
1
2
3
2019821
0
2019821
16
2019822
8
2019823
0
2019823
16
2019824
8
2019825
0
2019825
16
2019826
8
2019827
0
2019827
16
2019828
8
2019829
0
2019829
16
2019830
8
2019831
0
2019831
16
2019918
2019920
20199216
2019938
2019940
20199416
2019958
2019960
20199616
2019978
2019980
20199816
2019998
2019910
0
2019910
16
2019911
8
2019912
0
2019912
16
2019913
8
Carta Controle ΔP2
ΔP2 LSC LIC
Page 62
61
3.3 SIMULAÇÕES DAS CARTAS DE CONTROLE NOS BANCOS DE
DADOS DA PESQUISA.
Na etapa 3 deste projeto de pesquisa será realizado a aplicação das
cartas de controle de Shewhart, EWMA, CUSUM e ΔP2 no banco de dados
fornecido pela Chip Inside Tecnologia S/A. Este banco de dados foi selecionado
aleatoriamente, extraindo um total de 63.360 observações que representam um total
de 110 vacas monitoradas em 30 propriedades de leite. Cada vaca monitorada
compõe uma série temporal de 576 observações horárias e consecutivas do índice
horário de atividade gerado pelo sistema COWMED.
3.4 ANÁLISE E COMPARAÇÃO DE RESULTADOS
Após obter os resultados das implementações das cartas controle ΔP2,
Shewhart, EWMA e CUSUM no banco de dados disponível nesta pesquisa, será
realizada a comparação dos resultados de predição e detecção através da matriz
de confusão e métricas quantitativas de acurácia, sensibilidade, especificidade,
precisão, índice F1-score e índice Kappa.
3.4.1 Matriz de Confusão
A matriz de confusão é um método de classificação utilizado para a
avaliar a precisão temática inferida por classificadores e regras de decisão
(FIGUEIREDO, 2007). Esta matriz é formada por um arranjo quadrado de números
que são dispostos em linhas e colunas e que representam o número de observações
classificadas em uma categoria particular, comparado com as observações
classificadas na categoria atual (CONGALTON, 1991).
Normalmente a matriz é estruturada com as colunas representando o
conjunto de dados de referência e as linhas com as categorias de classificação
(FIGUEIREDO, 2007). Para este trabalho considera-se que as linhas representarão
as classificações dos eventos reais de “cio” e “não cio” e as colunas representarão
a quantidade de eventos preditos de “cio” e “não cio”. Destaca-se que os elementos
Page 63
62
da diagonal principal indicam o nível de acerto, ou concordância, entre os conjuntos
de dados. Os acertos são classificados em verdadeiros positivos e verdadeiros
negativos. Os verdadeiros positivos ocorrem quando o evento real de “cio” é predito
como “cio”. Por outro lado, os verdadeiros negativos ocorrem quando o evento real
de “não cio” é predito como “não cio”. A diagonal secundária da matriz de confusão
indica o nível de erro, ou discordância, entre os conjuntos de dados. Os erros são
classificados como falsos positivos e falsos negativos. Os falsos positivos ocorrem
quando o evento real de “não cio” é predito como “cio” e os falsos negativos ocorrem
quando o evento real de “cio” é predito como “não cio”.
A Tabela 4 a seguir apresenta como é a representação da matriz de
confusão para avaliar os resultados das simulações de cada carta controle
mencionada anteriormente.
Tabela 4 - Exemplo de matriz de confusão para avaliação de precisão.
Eventos Reais Eventos Preditos
Total Cio Não Cio
Cio Verdadeiro Positivo
(VP) Falso Negativo (FN)
Total de eventos reais
de cio (TERC).
Não cio Falso Positivo (FP) Verdadeiro Negativo
(VN)
Total de eventos reais
de não cio (TERNC).
Total Total de eventos
preditos de cio (TEPC)
Total de eventos
preditos de não cio
(TEPNC)
Total de observações
(N)
VP = verdadeiro positivo ; VN = verdadeiro negativo ; FN = falso negativo e FP = falso positivo; TERC = Total de eventos reais
de cio; TERNC = Total de eventos reais de não cio; TEPC = Total de eventos preditos de cio; TEPNC = Total de eventos
preditos de não cio e N = Total de observações.
Fonte: Elaborado pelo Autor.
3.4.2 Índice Kappa
A avaliação realizada pelo índice Kappa é uma técnica multivariada
discreta que utiliza todos os elementos da matriz de confusão em seu cálculo
(FIGUEIREDO, 2007). O coeficiente Kappa é uma medida que avalia o quanto à
classificação está de acordo com os dados de referência, ou seja, o quanto os
Page 64
63
eventos reais estão de acordo com os eventos preditos. O cálculo deste coeficiente
é realizado através da concordância real dos dados menos a concordância por
chance conforme a seguinte equação:
𝐾𝑎𝑝𝑝𝑎 = 𝑁.𝑉𝑃−[(𝑇𝐸𝑅𝐶 . 𝑇𝐸𝑃𝐶)+(𝑇𝐸𝑅𝑁𝐶 . 𝑇𝐸𝑃𝑁𝐶)]
𝑁2− [(𝑇𝐸𝑅𝐶 . 𝑇𝐸𝑃𝐶)+(𝑇𝐸𝑅𝑁𝐶 . 𝑇𝐸𝑃𝑁𝐶)] . (3.8)
O resultado do índice Kappa varia no intervalo de 0 e 1, sendo que quanto mais
próximo de 1 o valor deste índice, melhor é o desempenho do modelo. Os
agrupamentos de índices para transformar os dados quantitativos em níveis
qualitativos de desempenhos podem estruturados conforme a Tabela 5 (FONSECA,
2000).
Tabela 5 - Níveis de desempenho do índice Kappa.
Índice Kappa Desempenho
< 0 Péssimo
0 < k ≤ 0,2 Ruim
0,2 < k ≤ 0,4 Razoável
0,4 < k ≤ 0,6 Bom
0,6 < k ≤ 0,8 Muito Bom
0,8 < k ≤ 1 Excelente
Fonte: Elaborado pelo Autor (Adaptado de Fonseca, 2000).
3.4.3 Análise Quantitativa
A análise quantitativa dos resultados gerados pelas cartas controle de
Shewhart, EWMA, CUSUM e ΔP2 pode ser realizada por índices calculados através
de informações da matriz de confusão (MARINONI, IANNELLI e GAMBA, 2017).
O primeiro índice calculado é a acurácia e ela representa a proporção de
casos verdadeiros, sejam eles positivos ou negativos, que foram previstos em
relação ao total de eventos cadastrados no banco. O segundo índice é a
sensibilidade e ele representa a proporção de casos verdadeiros positivos que
foram detectados corretamente no total de eventos positivos cadastrados. A
especificidade é o terceiro índice utilizado e representa, de maneira análoga a
Page 65
64
sensibilidade, a proporção de verdadeiros negativos que foram detectados
corretamente no total de eventos negativos cadastrados. A precisão é o quarto
índice calculado e explica qual é a proporção de verdadeiros positivos detectados
em relação ao total de eventos positivos cadastrados no banco de dados.
Finalizando, ainda é possível extrair o índice F1-score que representa
uma relação entre a precisão e a sensibilidade de detecção das cartas controle,
quantificando os seus desempenhos através de uma pontuação entre 0 e 1, em que,
um F1-score igual a 0 representa um desempenho péssimo e um F1-score igual a
1 representa um desempenho excelente.
Estes índices podem ser calculados através da Tabela 6.
Tabela 6 – Índices de desempenho calculados a partir da matriz de confusão.
Índice Fórmula
Acurácia 𝑉𝑃+ 𝑉𝑁
𝑉𝑃+ 𝐹𝑁 + 𝑉𝑁 + 𝐹𝑃
Sensibilidade 𝑉𝑃
𝑉𝑃 + 𝐹𝑁
Especificidade 𝑉𝑁
𝑉𝑁 + 𝐹𝑃
Precisão 𝑉𝑃
𝑉𝑃 + 𝐹𝑃
F1-score 2.𝑉𝑃
2.𝑉𝑃 + 𝐹𝑃 + 𝐹𝑁
Fonte: Elaborado pelo Autor (Adaptado de Marinoni, 2017).
Neste trabalho será utilizado, principalmente, as métricas de
sensibilidade, precisão, F1-score e índice Kappa para análise final dos resultados e
comparação de desempenho. A acurácia e a especificidade terão pouca relevância
neste trabalho uma vez que o foco principal deste trabalho é medir a capacidade
que os métodos possuem em detectar os eventos reais de “cio” como “cio” gerando
o mínimo possível de falso alertas. Em outras palavras, este trabalho busca pelo
método que tem capacidade de gerar, simultaneamente, o máximo de eventos
verdadeiros positivos com o mínimo de falsos positivos. As análises de resultado
pela perspectiva das métricas de Acurácia e Especificidade são essencialmente
impactadas pelos eventos de verdadeiros negativos, o que neste estudo, distorce
as análises de desempenho e a comparação entre as cartas controle.
Page 66
65
3.4.4 Critério de Estruturação do Banco de Dados.
O banco de dados para análise neste trabalho foi estruturado de uma
maneira que permita garantir a veracidade da classificação dos eventos reais de
“cio” e “não cio” ao longo das séries temporais dos índices de atividade das vacas.
A série temporal de cada vaca possui um total de 576 observações em que cada
observação representa o valor do índice de atividade da vaca em um determinado
dia e hora, ou seja, o número de observações é equivalente ao número de horas do
comportamento das vacas. Esta série é contínua e possui uma sequência de 24
dias de dados, sendo que o evento real de “cio” é localizado em um dos dias centrais
da série e é formado por uma sequência de 24 observações. Deste modo, os
eventos de “não cio” correspondem a todas as demais observações, conforme
apresentado na Figura 18 abaixo.
Figura 18 - Estrutura das séries temporais dos índices de atividade das vacas.
Fonte: Elaborado pelo Autor.
É importante ressaltar que a veracidade dos eventos reais de “cio” e “não
cio” são garantidas por esta estrutura, uma vez que foram selecionadas apenas
séries temporais de vacas que possuem um evento de inseminação artificial
cadastrado no sistema COWMED e esta inseminação é vinculada a uma
confirmação de prenhes. Neste caso, a confirmação da prenhes garante que a
inseminação foi realizada em um evento real de “cio”, garantindo também que os 12
dias antes e depois da inseminação representam eventos reais de “não cio”.
Page 67
66
3.4.5 Critério para Classificação dos Eventos Preditos.
Definir o critério que será utilizado para classificar o evento predito como
“cio” ou “não cio” é fundamental para simular e avaliar corretamente os resultados
das cartas controle mencionadas neste estudo. Primeiramente, é importante
entender que o comportamento de cio de uma vaca de leite não é um evento isolado
que ocorre em apenas uma determinada hora do dia, mas sim um ciclo de alteração
comportamental que dura de um período de 6 a 24 horas e que podem ser de
intensidades totalmente diferentes.
Vacas em cio podem alterar seu comportamento continuamente ao longo
de todo o ciclo como também podem alterar o comportamento em apenas algumas
horas deste período. Sendo assim, as observações dos índices de atividade em
vacas no cio podem sair continuamente do controle estatístico durante todo o ciclo
do cio, quando uma vaca apresenta um cio mais longo e intenso, ou podem sair do
controle apena uma hora ao longo de todo este período, quando o cio é curto e de
baixa expressão. O objetivo deste trabalho é conseguir detectar o evento real de
“cio” e por isto esta análise se limitará a verificar qual a capacidade das cartas
controle de Shewhart, EWMA, CUSUM e ΔP2 na identificação do período do cio e
não da sua intensidade. Deste modo, as simulações são condicionadas a classificar
como verdadeiro positivo cenários em que pelo menos um valor predito de “cio” está
dentro do mesmo período em que se encontra as 24 observações classificadas
como eventos reais de “cio”.
Por outro lado, como o interesse é identificar o evento real de “cio”
através de uma única observação predita, as simulações, sempre que gerar um
evento predito de “cio”, serão condicionadas a ignorar o valor de controle das 23
observações posteriores a este evento. Nestas condições, sempre que um evento
predito de “cio” for classificado, por exemplo, como falso positivo, as 23 observações
posteriores também serão classificadas como eventos falsos positivos, sendo que
esta regra, em situação de conflito, é suprema em relação a regra descrita no
parágrafo anterior.
Page 68
67
4. RESULTADOS
Neste capítulo são apresentados os resultados finais das
implementações das cartas controle de Shewhart, EWMA, CUSUM e ΔP2 nos
bancos de dados definidos no Capítulo 3. A comparação entre os modelos será
realizada através da geração da matriz de Confusão, medidas de Acurácia,
Sensibilidade, Especificidade, Precisão, índice Kappa e F1-score.
4.1 ANÁLISE QUANTITATIVA DOS RESULTADOS
4.1.1 Estudo Descritivo do Banco de Dados.
Compreender as características das séries temporais estudadas nesta
dissertação foi essencial para permitir uma análise mais conclusiva sobre os
resultados gerados na aplicação das cartas controle de Shewhart, EWMA, CUSUM
e ΔP2. Nesta seção é apresentado um estudo das medidas de tendência e
dispersão das séries temporárias formadas pelos índices horários de atividade e
uma estatística que verifica a normalidade dos dados. Através destas medidas foi
possível sumarizar e descrever as características do banco de dados utilizado nesta
pesquisa. O teste de normalidade de Kolmogorov-Smirnov é um teste não
paramétrico que compara o valor crítico para um determinado nível de significância
com a estatística de Kolmogorov-Smirnov que é a máxima diferença absoluta entre
a função de distribuição acumulada empírica dos dados e a função de distribuição
de probabilidade acumulada assumida para os dados, que neste caso é a função
de distribuição normal. (DODGE, 2008).
As medidas de média, mediana e moda descrevem o comportamento da
tendência central das séries e as medidas de variância, desvio padrão, amplitude e
coeficiente de variação descrevem as características de dispersão. O teste de
normalidade de Kolmogorov-Smirnov é utilizado para verificar se os dados possuem
distribuição normal. A Tabela 7 apresenta as medidas descritivas e as estatísticas
da série temporal do animal nº1 do banco de dados. Esta série temporal foi
Page 69
68
selecionada porque representa bem o comportamento geral de todas as séries
estudadas.
Tabela 7 – Medidas descritivas de tendência central e dispersão do conjunto de
dados do animal nº1.
MEDIDA VALOR
Tendência central
Média 0,0074
Mediana 0,0208
Moda -0,2916
Dispersão
Variância 1,2724
Desvio Padrão 1,1280
Amplitude 8,2916
Coeficiente de Variação 152,8819
Teste de Normalidade
Estatística de Kolmogorov-Smirnov (𝐷𝑛) 0,0364
Valor Crítico para Significância de 5% (𝐷𝛼) 0,0566
Fonte: Elaborado pelo Autor.
Analisando as medidas descritivas que caracterizam as séries temporais
do índice de comportamento das vacas é possível perceber que os valores horários
de atividade apresentam uma tendência central próxima a zero. Apesar da média,
da mediana e da moda serem valores próximos de zero, estas séries possuem alta
variabilidade, apresentando um desvio padrão de 1,1280 e um coeficiente de
variação de 152,8819.
Outra revelação importante neste estudo foi identificar uma amplitude de
8,2916 na série, indicando uma elevada diferença entre a maior e a menor
observação. Este valor de amplitude demonstra que a série possui, em
determinados momentos, observações que se afastam das medidas de tendência
central. Apesar de existir uma variação aleatória dentro da série que é intrínseca,
diariamente, ao comportamento natural do animal, também existe em alguns
momentos, uma variação determinística que corresponde a outros eventos que
Page 70
69
saem da rotina diária, ou seja, um possível comportamento de “cio”. A Figura 19
apresenta graficamente a série temporal do índice de atividade do animal nº1.
A estatística de Kolmogorov-Smirnov calculada para os dados foi de
0,0364 e é menor do valor crítico, que para uma significância de 5%, é igual a
0,0566, revelando que não existe argumentos para rejeitar a hipótese de
normalidade dos dados, ou seja, as séries temporais estudadas neste trabalho
assumem distribuição normal.
Figura 19 - Representação gráfica da série temporal do índice de atividade do
animal nº1.
Fonte: Elaborado pelo Autor.
A representação gráfica da Figura 19 apresenta a série temporal do
índice de atividade do animal nº1 do banco de dados, separando as observações
horárias do dia em que a vaca apresentou o comportamento de “cio” das
observações horárias dos dias em que ela não estava em “cio”. Neste gráfico é
possível perceber que apenas duas observações, das vinte quatro observações que
5
4
3
2
1
0
1
2
3
4
5
0 48 96 144 192 240 288 336 384 432 480 528 576
ÍNDICEHORÁRIO DE ATIVIDADE
TEMPO (HORAS)
NÃO CIO CIO
Page 71
70
formam o conjunto de índices de atividade quando a vaca está em cio, apresentam
valores fora dos padrões apresentados nas 576 observações da série. Sendo assim,
é possível concluir que a dispersão do índice de atividade quando a vaca não está
em “cio” é semelhante a dispersão deste índice quando a vaca está em “cio”,
dificultando o monitoramento e controle estatístico da série. A alta dispersão
também tende a dificultar o controle estatístico pelos métodos que incorporam
medidas de tendência central nos limites de controle.
4.1.2 Implementação da Carta Controle ΔP2.
A carta controle ΔP2 foi implementada no software Microsoft® Excel® e
foi aplicada em todo o banco de dados desta pesquisa. No total, o método foi
aplicado em 110 séries temporais, correspondente as 10 vacas do banco de
treinamento e as 100 vacas do banco de validação. A primeira etapa da
implementação da carta ΔP2 foi calcular os índices preditos de atividade pela
aplicação de um alisamento exponencial simples. O valor do coeficiente de
amortização α. escolhido para calcular os valores preditos do índice de atividade foi
α = 0,05. Na segunda etapa foi definido, através do cálculo do coeficiente δ, o
tamanho do intervalo de observações L que deve ser utilizado no cálculo do índice
ΔP2. Na implementação desta etapa é importante destacar que, conforme já
ilustrado na Figura 16 da seção 3.2, as séries temporais do índice de atividade
apresentaram um L ≤ 141. Sendo assim, por questões estruturais destas séries, foi
definido um padrão, para todas elas, de 143 observações para o tamanho do
intervalo de observações utilizadas no cálculo do índice ΔP2.
Concluindo a implementação do método, foi calculado o índice ΔP2 e os
limites de controle conforme as equações já apresentadas na seção 3.2. As cartas
de Shewhart, EWMA e CUSUM também foram implementadas no Excel® e
comparadas com a carta ΔP2. Nas Figuras 20 e 21 são apresentados os resultados
das aplicações destas cartas nos animais nº58 e nº69 do banco de dados fornecido
pela Chip Inside Tecnolgia S/A.
Page 72
71
Figura 20 - Resultados da aplicação das cartas controle ΔP2, Shewhart, EWMA e
CUSUM no índice de atividade do animal nº 58.
Fonte: Elaborado pelo Autor.
Figura 21 - Resultados da aplicação das cartas controle ΔP2, Shewhart, EWMA e
CUSUM no índice de atividade do animal nº 69.
Fonte: Elaborado pelo Autor.
Page 73
72
Os gráficos apresentados nas Figuras 20 e 21 ajudam a compreender a
metodologia desenvolvida na carta controle ΔP2. As séries temporais dos índices
horários de atividade possuem distribuição de probabilidade normal e uma alta
dispersão nos dados. Os valores dos índices de atividade, quando a vaca expressa
o comportamento de cio, sofre um aumento significativo por até 24 horas, gerando
uma variabilidade determinística dentro da série neste período. Entretanto, é
característico destas séries possuírem uma alta variabilidade mesmo quando a vaca
não está em cio. Esta alta variabilidade, que são geradas por causas determinísticas
ou aleatórias, dificulta a identificação do padrão de comportamento do índice de
atividade quando a vaca está em cio. A aplicação da carta controle de Shewhart no
banco de dados revelou que a variabilidade natural da série gera um ruído sobre a
variabilidade característica do comportamento de cio dificultando sua identificação
por este método, como é possível verificar nas Figuras 20 e 21, confundindo várias
vezes o comportamento da vaca em cio com o comportamento de quando ela não
está em cio. Por outro lado, utilizando a carta controle EWMA, foi verificado a
suavização da variabilidade da série, reduzindo parte deste ruído. Entretanto, os
resultados da aplicação da carta EWMA apresentados na Figura 21, indicaram que
o comportamento da série característico ao cio também foi suavizado dificultando a
sua identificação através dos limites de controle.
A aplicação da carta controle CUSUM, na comparação com Shewhart e
EWMA, obteve melhor resultado pois, seu método de acumular os desvios em
relação média, conseguiu, na maioria das vezes, identificar com clareza a
variabilidade determinística do comportamento de cio dentro da série. Contudo, a
metodologia CUSUM, devido a alta variabilidade da série quando a vaca não está
cio, também identificou fora do limite de controle variabilidades comportamentais
que não correspondem ao comportamento de cio. Em outras palavras, a carta
CUSUM conseguiu detectar muito bem o comportamento de cio, mas também gerou
muito falso alerta, conforme ilustrado na Figura 21.
Os resultados da aplicação da carta ΔP2 no banco de dados,
exemplificados nas Figuras 20 e 21, foram os que demonstraram melhor
performance pois o método conseguiu identificar e maximizar a variabilidade
determinística que caracteriza o comportamento de cio, minimizando os efeitos
Page 74
73
gerados por outros eventos, que não são cio, e que geram uma variabilidade
determinística ou aleatória na série.
4.1.3 Resultados das Cartas de Controle no Banco de Treinamento.
O banco de dados para treinamento, denominado como banco de
treinamento, foi formado através da extração aleatória dos dados de 10 animais do
banco geral fornecido pela Chip Inside Tecnologia S/A, conforme explicado no
capítulo anterior. Este banco é utilizado, principalmente, como base para o
desenvolvimento da carta ΔP2 proposta neste trabalho. Por outro lado, este banco
também é manipulado como objeto de comparação do desempenho da carta ΔP2
com as cartas de Shewhart, EWMA e CUSUM. As Tabela 8 e 9 apresentam o
resumo dos resultados finais destas simulações e é importante destacar que elas
expressam o número de observações do índice de atividade que são classificadas
como verdadeiro positivo, falso positivo, verdadeiro negativo e falso negativo, assim
como o total de observações que compõe o total de cios analisados. Conforme já
foi mencionado na seção 3.4.4 o número de observações do índice de atividade é
equivalente ao número de horas do comportamento das vacas. Os resultados
completos das aplicações no banco de treinamento encontram-se no Apêndice I
deste trabalho.
Tabela 8 – Dados extraídos da matriz de confusão do banco de treinamento.
MÉTODO
Número de Observações do Índice de Atividade*
Verdadeiro Positivo
(Total de cios)
Falso Positivo
(Total de não cios)
Verdadeiro Negativo
(Total de não cios)
Falso Negativo
(Total de cios)
ΔP2 192 (240) 96 (5520) 5424 (5520) 48 (240)
Shewhart 120 (240) 288 (5520) 5232 (5520) 120 (240)
EWMA 96 (240) 48 (5520) 5472 (5520) 144 (240)
CUSUM 216 (240) 264 (5520) 5256 (5520) 24 (240)
* O número de observações do índice de atividade é equivalente ao número de horas do comportamento das vacas.
Fonte: Elaborado pelo Autor.
Page 75
74
Tabela 9 - Análise quantitativa de resultados no banco de treinamento.
MÉTODO Acurácia Sensibilidade Especificidade Precisão F1-score Kappa
ΔP2 0,975 0,800 0,982 0,667 0,727 0,714
Shewhart 0,929 0,500 0,947 0,294 0,370 0,335
EWMA 0,966 0,400 0,991 0,667 0,500 0,484
CUSUM 0,950 0,900 0,952 0,450 0,600 0,576
Fonte: Elaborado pelo Autor.
As simulações da carta ΔP2 executadas no banco de treinamento
obtiveram resultados satisfatórios alcançando um índice Kappa de 0,714 que
segundo a Tabela 6, é um desempenho classificado como “muito bom”. A
sensibilidade de 0,800 demonstra que a carta ΔP2 possui boa capacidade de
detectar a vaca em “cio” quando ela realmente está em “cio”, detectando 8 das 10
vacas em cio deste banco. Por outro lado, a precisão de 0,667 indica que a cada 3
alerta de “cio” gerados pela carta, 2 alertas foram verdadeiros positivos e 1 alerta
foi falso positivo. No que diz respeito a precisão, em 10 vacas monitoradas
individualmente por 24 dias consecutivos, foram gerados 4 alertas falsos, o que é
considerado um desempenho satisfatório.
Como já era esperado, a carta ΔP2, em comparação com as outras
cartas, teve um desempenho superior e foi a única a conseguir um índice Kappa
classificado como “muito bom”. As cartas de Shewhart, EWMA e CUSUM obtiveram
índices Kappa de 0,335, 0,484 e 0,576 tendo seus desempenhos classificados como
razoável, bom e bom, respectivamente. Na comparação do desempenho de
sensibilidade a carta ΔP2 obteve o segundo melhor resultado ficando atrás da carta
CUSUM que ficou com a métrica em 0,900, ou seja, detectou 9 de 10 cios possíveis.
O pior resultado de sensibilidade foi 0,400 da carta EWMA que detectou apenas 4
dos 10 cios possíveis. Em relação a métrica de precisão o melhor resultado foi de
0,667 das cartas ΔP2 e EWMA, o que é considerado um desempenho satisfatório.
Por outro lado, as cartas de Shewhart e CUSUM tiveram resultados insatisfatórios
nesta métrica com valores de 0,294 e 0,450, respectivamente.
A última análise quantitativa é realizada através do índice de
desempenho F1-score que é calculado pela relação entre sensibilidade e precisão
e que transmite uma perspectiva equilibrada na capacidade que os modelos têm em
Page 76
75
detectar o máximo de verdadeiros positivos gerando o mínimo possível de falsos
positivos. Nesta métrica o resultado da carta ΔP2 foi de 0,727, sendo superior ao
valor de 0,370 da carta Shewhart, 0,500 da carta EWMA e 0,600 da carta CUSUM.
Finalizando, é importante lembrar que as simulações realizadas no banco
de treinamento não são conclusivas pois este banco além de possuir um número
pequeno de observações também foi utilizado como referência para a construção
do modelo matemático da carta ΔP2. Deste modo, o banco de validação, que é um
banco com um maior número de observações selecionadas aleatoriamente, é
utilizado para consolidar o modelo desenvolvido além de confirmar os resultados
preliminares do banco de treinamento. Os resultados de validação estão
apresentados na próxima seção deste trabalho.
4.1.4 Resultado das Cartas de Controle no Banco de Validação.
O banco de validação foi estruturado através da extração dos dados de
100 animais do banco geral fornecido pela Chip Inside Tecnologia S/A. O banco de
validação é formado pelos animais disponíveis no banco geral, excluindo os 10
animais que formam o banco de treinamento, conforme explicado no capítulo
anterior. Este banco foi utilizado para avaliar e validar o desempenho da carta ΔP2
proposta neste trabalho além de compará-la com as cartas de Shewhart, EWMA e
CUSUM. As análises de resultado e comparação de desempenhos foram realizadas
utilizando métricas geradas pela matriz de Confusão, como as medidas de Acurácia,
Sensibilidade, Especificidade, Precisão, índice Kappa e F1-score. As Tabelas 10 e
11 apresentam o resumo dos resultados finais das simulações executadas no banco
de validação e de maneira análoga as Tabelas 8 e 9, expressam o número de
observações do índice de atividade que são classificadas como verdadeiro positivo,
falso positivo, verdadeiro negativo e falso negativo, assim como o total de
observações que compõe o total de cios analisados. Os resultados completos das
simulações no banco de treinamento encontram-se no Apêndice II deste trabalho.
Page 77
76
Tabela 10 – Dados extraídos da matriz de confusão do banco de validação.
MÉTODO
Número de Observações do Índice de Atividade*
Verdadeiro Positivo
(Total de cios)
Falso Positivo
(Total de não cios)
Verdadeiro Negativo
(Total de não cios)
Falso Negativo
(Total de cios)
ΔP2 2088 (2400) 840 (55200) 54360 (55200) 312 (2400)
Shewhart 1584 (2400) 1464 (55200) 53736 (55200) 816 (2400)
EWMA 1464 (2400) 264 (55200) 54936 (55200) 936 (2400)
CUSUM 2256 (2400) 1872 (55200) 53328 (55200) 144 (2400)
* O número de observações do índice de atividade é equivalente ao número de horas do comportamento das vacas.
Fonte: Elaborado pelo Autor.
Tabela 11 - Análise quantitativa de resultados no banco de validação.
MÉTODO Acurácia Sensibilidade Especificidade Precisão F1-score Kappa
ΔP2 0,980 0,870 0,984 0,713 0,783 0,773
Shewhart 0,960 0,660 0,973 0,519 0,581 0,561
EWMA 0,979 0,610 0,995 0,847 0,709 0,698
CUSUM 0,965 0,940 0,966 0,546 0,691 0,673
Fonte: Elaborado pelo Autor.
As simulações da carta ΔP2 executadas no banco de validação
obtiveram resultados satisfatórios alcançando um índice Kappa de 0,773 que,
segundo a Tabela 6, é um desempenho classificado como “muito bom”. A
sensibilidade de 0,870 demonstra que a carta ΔP2 possui boa capacidade de
detectar a vaca em “cio” quando ela realmente está em “cio”, detectando 87 das 100
vacas em cio deste banco. No que diz respeito a métrica de precisão o resultado foi
satisfatório, obtendo um valor de 0,713 e mantendo, em termos práticos, a mesma
relação de verdadeiros e falsos positivos encontrada nas simulações do banco de
treinamento. O índice F1-score foi igual a 0,783, demonstrando que o modelo
desenvolvido neste trabalho tem um bom equilíbrio entre a eficácia de acertar as
detecções dos eventos reais de “cios” e a capacidade de gerar poucos falsos
alertas. É importante ressaltar que os resultados das simulações no banco de
validação são superiores aos resultados do banco de treinamento e consolidam o
modelo desenvolvido neste trabalho.
Page 78
77
Na comparação da carta ΔP2 com as cartas de Shewhart, EWMA e
CUSUM percebe-se que ela obteve melhores resultados quando analisamos os
resultados dos índices Kappa e F1-score. Na comparação do primeiro índice a carta
ΔP2 obteve resultado igual a 0,773 e foi classificada com desempenho “muito bom”,
enquanto as cartas de EWMA e CUSUM, apesar de também obter um desempenho
classificado como “muito bom”, obtiveram valores neste índice igual a 0,698 e 0,673,
respectivamente. A carta de Shewhart obteve um resultado classificado como “bom”
e o índice Kappa no valor de 0,561. A análise do segundo índice também indica um
melhor desempenho da carta ΔP2 que obteve um valor de 0,783, sendo superior
aos respectivos valores de 0,581, 0,709 e 0,691 das cartas de Shewhart, EWMA e
CUSUM.
Concluindo, na análise comparativa entre os métodos é possível
perceber que em relação as métricas de sensibilidade e precisão a carta ΔP2 obteve
um desempenho mais equilibrado que os outros três métodos analisados neste
estudo. No que diz respeito a sensibilidade o método CUSUM obteve melhor
desempenho alcançando um valor nesta métrica de 0,940, ficando a carta ΔP2 em
segundo lugar com o valor de 0,870. As cartas de Shewhart e CUSUM, terceira e
quarta colocada, tiveram sensibilidade de 0,660 e 0,610, respectivamente.
A métrica de precisão da carta ΔP2, na análise comparativa, ficou em
segundo lugar com um valor de 0,713, ficando atrás do desempenho de 0,847 da
carta de EWMA, e na frente do desempenho de 0,546 da carta CUSUM e 0,519 da
carta de Shewhart. Sendo assim, é possível concluir que a carta ΔP2, apesar de
não ser a carta que mais detecta “cio” nem a que menos gera falsos alertas, possui
um maior equilíbrio entre estas duas métricas e por isso é escolhida, na comparação
com as outras três cartas, como o melhor método para a detecção de “cio” em vacas
monitoradas pelo índice horário de atividade do sistema COWMED.
4.1.5 Monitoramento Estatístico de Cio versus Outros Métodos.
O monitoramento do comportamento animal realizado pelo
monitoramento estatístico, utilizando a carta controle ΔP2, do índice de atividade
gerado pelo sistema COWMED, se demonstrou uma ferramenta mais eficaz na
Page 79
78
detecção de cio na comparação com os demais métodos apresentados na Seção
2.3. Nesta análise, a métrica utilizada para a comparação dos resultados foi a
sensibilidade, ou seja, a capacidade que o método possui em identificar o máximo
de cios verdadeiros dentro do banco de dados.
Os métodos de detecção visual de cio, os sistemas de detecção de
pressão, os pedômetros e os colares de monitoramento de atividade passaram por
diversos experimentos que medem suas capacidades de detecção e tiveram os
seus resultados divulgados, conforme já foi abordado na Seção 2.3 desta
dissertação e os resultados apresentados revelam que o monitoramento animal
realizado pelo sistema COWMED e o monitoramento estatístico realizado pela carta
controle ΔP2, desenvolvida neste trabalho, é mais eficaz que os métodos
tradicionais pois obteve uma maior capacidade de detectar eventos reais de cio. A
sensibilidade do método ΔP2 foi de 87%, ou seja, a cada 100 eventos de reais cios,
o modelo consegue detectar 87 eventos, tendo um desempenho superior aos
demais métodos.
Além do melhor desempenho, o monitoramento animal e estatístico
realizado pelo sistema COWMED e a carta ΔP2 ainda possuem outras vantagens
que podem ser destacadas. Em relação ao método de visualização de cio e até
mesmo os sistemas de pressão, o monitoramento permite um acompanhamento em
tempo real do comportamento do animal e consegue identificar com exatidão o
horário que o comportamento de cio iniciou. Na comparação com o método de
visualização de cio e o sistema mecânico de pressão, o monitoramento possui a
vantagem de não necessitar de pessoas para monitorar os animais durante o dia.
Finalizando, o monitoramento estatístico ainda possui um custo mais
atrativo na comparação com os métodos de pedômetro e colares de atividade uma
vez que o modelo comercial do sistema COWMED permite o acesso à tecnologia
através de uma mensalidade compatível com a sua renda.
Page 80
79
5. CONCLUSÃO
Esta dissertação abordou os problemas e desafios que os produtores de
leite possuem no manejo reprodutivo do seu rebanho e os seus impactos na
rentabilidade da atividade. Nos últimos anos novas tecnologias foram desenvolvidas
e inseridas na pecuária de leite para auxiliar o produtor no grande desafio que é
aumentar sua produtividade leiteira. Neste contexto, a startup Chip Inside
Tecnologia S/A desenvolveu um sistema eletrônico de monitoramento animal,
conhecido como COWMED, capaz de monitorar em tempo real o comportamento
de vacas de leite, gerando e identificando o nível de atividade que elas apresentam
durante os períodos do dia. Este nível de atividade é monitorado por um índice de
atividade gerado pelo sistema COWMED e é através do controle deste índice que
o comportamento de “cio” pode ser detectado.
O objetivo desta pesquisa foi aplicar o controle do índice horário de
atividade utilizando métodos univariados de controle já conhecidos e consolidados,
além de também trabalhar no desenvolvimento de um novo método de controle,
carta controle ΔP2, que em sua essência, constrói um índice pela diferença entre
dois pontos preditos na série temporal a ser controlada. A construção da carta ΔP2
foi fundamental, uma vez que os seus resultados de desempenho foram superiores
aos métodos de Shewhart, EWMA e CUSUM. É importante destacar que o método
desenvolvido neste trabalho considera as particularidades das séries temporais de
monitoramento animal, ou seja, a elevada dispersão dos dados, e por isso consegue
executar o controle do índice horário de atividade tendo bom desempenho de
sensibilidade e de precisão.
A construção do modelo ΔP2 foi realizada através da utilização de um
banco de treinamento com 5.760 observações que corresponde a 10 séries
temporais com 576 observações em cada uma delas. Após o desenvolvimento do
método foi utilizado um banco de validação com 57.600 observações que
corresponde a 100 séries temporais com as mesmas 576 observações em cada
série para validar a carta ΔP2 e comparar o seu desempenho com o das cartas de
Shewhart, EWMA e CUSUM.
Page 81
80
Os resultados numéricos revelaram um melhor desempenho geral da
carta ΔP2 pois apresenta um maior equilíbrio em detectar eventos reais de cio com
a capacidade de gerar um menor número de falsos alertas. O índice Kappa da carta
ΔP2 obteve um valor de 0,773, o maior entre os quatro métodos testados, e seu
desempenho foi classificado como muito bom. O segundo índice analisado, o F1-
score, também apresentou o melhor resultado na carta ΔP2 com um valor de 0,783
e indicou que este método possui um bom equilíbrio entre sensibilidade e precisão.
O método que apresentou maior sensibilidade foi a carta CUSUM que
detectou 94 de 100 cios possíveis. Entretanto, a precisão deste método foi
insatisfatória uma vez alertou 78 falsos positivos, ou seja, uma relação de
aproximadamente um falso positivo gerado para cada verdadeiro positivo
detectado.
Na perspectiva da precisão o método vencedor foi a carta EWMA que
gerou de 11 alertas falsos em um total de 72 alertas gerados, ou seja, a cada cinco
cios alertados pelo método EWMA quatro cios são corretos e um cio é falso.
Contudo, de maneira análoga aos resultados da carta CUSUM, apesar de uma
precisão muito boa este método obteve um resultado insatisfatório na sensibilidade,
detectando apenas 61 dos 100 cios possíveis.
A carta controle univariada ΔP2 alcançou os melhores resultados e
atendeu de maneira satisfatória o escopo deste trabalho que é criar um método de
controle capaz de realizar a detecção de cio em vacas monitoradas pelo sistema
COWMED de maneira eficaz. Apesar do método ter sido desenvolvido para atender
especificamente este objetivo, a sugestão é que a carta ΔP2 possa ser validada e
aplicada em outros problemas práticos de previsão e detecção que envolvem séries
temporais com alta variabilidade determinística.
Concluindo, o monitoramento animal realizado pelo sistema COWMED
aliado ao monitoramento estatístico realizado pela carta controle ΔP2 obtiveram um
desempenho de sensibilidade superior aos métodos citados na seção 2.3. Os
resultados divulgados revelam que o monitoramento proposto neste trabalho
alcançou uma capacidade de detecção de cio de 87% e os outros métodos não
ultrapassaram uma assertividade de 70%. Outras vantagens de utilizar o
monitoramento também podem ser mencionadas, como é o caso do monitoramento
Page 82
81
em tempo real do comportamento do animal, a exatidão para identificar o momento
iniciou o comportamento de cio, a falta da necessidade de pessoas para monitorar
os animais durante o dia e um custo de investimento atrativo. Entretanto, é
importante observar que a comparação de sensibilidade entre os métodos foi
realizada com base em diversos experimentos de diferentes pesquisadores que
utilizaram premissas e bancos de dados distintos. Sugere-se que trabalhos futuros
façam pesquisas que consigam comparar estes métodos utilizando as mesmas
premissas e o mesmo banco de dados.
Page 83
82
REFERÊNCIAS
ABBAS, N.; RIAZ, M.; DOES, R. J. M. M. An EWMA-Type control chart for monitoring
the process mean using auxiliary information. Communications in Statistics - Theory
and Methods, v.43, n.16, p.3485–3498, 2014.
ABBASI, S. A. On the performance of EWMA chart in presence of two component
measurement error. Quality Engineering, v.22 n.3., p.199–213., 2010.
ALVES, E. R. A. Características do desenvolvimento da agricultura brasileira. In:
GOMES, A. T.: LEITE, J. L. B.; CARNEIRO, A. V. (Ed.). O agronegócio do leite no
Brasil. Juiz de Fora: Embrapa Gado de Leite. p. 11-31. 2001.
ALVES, E. R. A.; SOUZA, G. da S.; ROCHA, D. de P. Lucratividade da agricultura.
Revista de Política Agrícola, ano 21, n. 2, p. 45-63, abr./jun. 2012.
ALVES, N. G. Fatores determinantes da produção de leite. 1 ed. Curso de Pós-
Graduação “Lato Sensu” (Especialização) a Distância – Bovinocultura Leiteira: Manejo,
Mercado e Tecnologia. Lavras: UFLA/FAEPE, 41p. 2008.
AMIRZADEH, V.; MASHINCHI, M.; PARCHAMI, A. Construction of p-charts using
degree of nonconformity. Information Sciences: an International Journal, v.179, n.1-2,
p.150–160, 2009.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR6023: informação e
documentação - referências - elaboração. Rio de Janeiro, 2002.
AZEVÊDO, D. M. M. R.; BEZERRA, E. E. A. Ciclo estral em fêmeas bovinas. Embrapa
Meio-Norte, Folder, 2 p., 2006.
Page 84
83
BACO, S. B; LIMA, R.S.; PAIVA, A .P. Comparação de modelos de séries temporais
para previsão de demanda de matéria prima na fabricação de anéis de pistão. In:
Encontro Nacional de Engenharia de Produção, Anais eletrônicos. Fortaleza (CE), 2006.
BALL, P. J. H.; PETERS, A. R. Reproduction in Cattle. 3.ed. UK: Blackwell publishing,
242 p. 2004.
BANUVALLI, M. N.; HARISHA, M.; GURURAJ, P.M.; UMESH, B.U.;
VEERANNAGOWDA, B.G.; GOPALA, G.T. Heat (Estrus) Detection Techniques in
Dairy Farms- A Review. Veterinary College, Vinobanagar, Shivamogga-577204,
Bangalore, India. Theriogenology Insight: 5(2): 125-133, August, 2015.
BEAUCHEMIN, K. A. Ingestion and mastication of feed by dairy cattle. Veterinary Clinics
of North America: Food Animal Practice. v.7, n.2, 439–462, 1991.
BERGAMASCHI, M.A.C.M; MACHADO, R.; BARBOSA, R.T. Eficiência reprodutiva das
vacas leiteiras. Circular Técnica ISSN 1981-2086. SÃO CARLOS, SP, 2010.
BERGQUIST, B.; SÖDERHOLM, P. Data analysis for condition-based railway
infrastructure maintenance. Quality and Reliability Engineering International, v.31, n.5,
p.773–781, 2015.
BIANCHINI SOBRINHO. Estudo da curva de lactação em vacas da raça Gir. Tese de
Doutorado em Genética - Faculdade de Medicina Veterinária de Ribeirão Preto.
Universidade de São Paulo. Ribeirão Preto, 1984.
BORGES, A.M.; TORRES, C.A.A; ROCHA JÚNIOR, V.R.; RUAS, J.R.M.; GIOSO, M.M.;
FONSECA, J.F.; CARVALHO, G.R; MAFFILI, V.V. Dinâmica folicular e momento da
ovulação em vacas não lactantes das raças Gir e Nelore durante duas estaçõs do
ano. Escola de Veterinária da UFMG. Arq. Bras. Med. Vet. Zootec., v.56, n.3, p.346-354,
2004.
Page 85
84
BOX, G.E.P., JENKINS, G.M. and REINSEL, G.C. Time Series Analysis; Forecasting
and Control. 3rd Edition, Prentice Hall, Englewood Cliff, New Jersey, 1994.
BRASIL, Ministério da Agricultura, Pecuária e Abastecimento. Projeções do
Agronegócio: Brasil 2012/2013 a 2022/2023 / Ministério da Agricultura, Pecuária e
Abastecimento. Assessoria de Gestão Estratégica. Brasília: Mapa/ACS, 2013. 96 p.
BRISTOW, D.J. & HOLMES., D.S. Cortisol levels and anxietyrelated behaviors in
cattle. Physiology Behavior. v.90, n.4, 626–628, 2007.
BRITT, J.H.; SCOTT, R.G.; ARMSTRONG, J.D.; WHITACRE M.D.; Determinants of
estrous behavior in lactating Holstein cows, Journal Dairy Science. v.69, n.8, 2195–
2202, 1986.
BRUYÈRE, A. P., HÉTREAUB, T., PONSARTC, C. et al. Can video cameras replace
visual estrus detection in dairy cows? Theriogenology, v. 77, p. 525–530, 2012.
BUAINAIN, A. M.; ALVES, E.; SILVEIRA, J. M. da; NAVARRO, Z. (Ed.). O mundo rural
no Brasil doséculo 21: a formação de um novo padrão agrário e agrícola. Brasília,
DF: Embrapa, 2014. Disponível em: <https://www.embrapa.br/busca-de-publicacoes/-/
publicacao/998996/o-mundo-rural-no-brasil-do-seculo- 21-a-formacao-de-um-novo-
padrao-agrario-e-agricola>. Acesso em: 6 fev. 2015.
CALAMARI, L.; SORIANI, N.; PANELLA, G. et al. Rumination time around calving: An
early signal to detect cows at greater risk of disease. Journal Dairy Sciene. v.97, n.6,
3635-3647, 2014.
CARVALHO, B. C.; ÁVILA PIRES, M. F.; ARBEX, W; SANTOS, G. B.; Uso de
tecnologias de precisão na reprodução de bovinos leiteiros. Cadernos Técnicos de
Veterinária e Zootecnia, n. 79, dez. 2015.
Page 86
85
CHAINT-DIZIER, M.; CHAISTANT-MAILARD, S. Towards an automated detection of
estrus in dairy cattle. Reproduction in Domestic Animals, v. 47, p. 1056-1061, 2012.
CLARK, C. E.; LYONS, N. A.; MILLAPAN, L. Rumination and activity levels as
predictors of calving for dairy cows. Animal. v.9, n.4, 691–695, 2015.
COBUCCI, J.A.; EUCLYDES, R.F.; COSTA, C.N.; LOPES, P.S.; et. al. Análises da
Persistência na Lactação de Vacas da Raça Holandesa, Usando Produção no Dia
do Controle e Modelo de Regressão Aleatória. Revista Brasileira de Zootecnia, v.33,
n.3, p.546-554, 2004.
CONGALTON, R. G. A review of assessing the accuracy of classifications of
remotely sensed data. Remote Sensing of Environment, v. 49 n. 12, p. 1671-1678, 1991.
COLOSIMO, B. M.; PACELLA, M. A comparison study of control charts for statistical
monitoring of functional data. International Journal of Production Research, v.48, n.6,
p.1575– 1601, 2010.
DISKIN, M. G., SREENAN, J. M. Expression and detection of oestrus in cattle.
Reproduction Nutrition Development, v.40, n.5, p.481- 491, 2000.
DOGDE, Y. The concise encyclopedia of statistics. Editora Springer Science &
Business Media, 622 páginas. Nova York, 2008.
DOBSON, H., SMITH, R., ROYAL, M., et al. The high producing dairy cow and its
reproductive performance. Reproduction in Domestic Animals, v. 42, n.2, p. 17–23,
2007.
DRANSFIELD M. B. G., NEBEL R. L., PEARSON R. E., WARNICK L. D. Timing of
insemination for dairy cows identified in estrus by a telemetric estrus detection
system. Journal Dairy Science, v.81, n.7, p. 1874-1882, 1998
Page 87
86
EMBRAPA, Anuário Leite 2018: Indicadores, tendências e oportunidades para quem
vive no setor leiteiro. Editora Texto Comunicação Corporativa, 1ª Edição - 116 páginas.
São Paulo, 2018.
FAOSTAT. Produção de leite, vacas ordenhadas e produtividade animal em 10
países entre 2000/2015, 2017. Disponível em: http://www.faostat.fao.org/faostat. Acesso
em: 01 de Janeiro de 2019.
FARRIS, E. J. Activity of Dairy cows during estrus. Journal of the American Veterinary
Medical Association, v. 125, p. 117,1954.
FERREIRA, A. G. T.; Estudo das curvas de lactação de vacas leiteira do sudoeste
do Paraná: comparação entre dois modelos empíricos e mecanicistas. Dissertação
de Mestrado – Programa de Pós-Graduação em Zootecnia, Universidade Tecnológica
Federal do Paraná. Dois Vizinhos, 2013.
FERREIRA, A. Reprodução da fêmea bovina: fisiologia aplicada e problemas mais
comuns. 420 p. Juiz de Fora: edição do autor, 2010.
FIGUEIREDO, G. C; VIEIRA, C.A.O. Estudo do comportamento dos índices de
exatidão global, Kappa e Tau, comumente usados para avaliar a classificação de
imagens do sensoriamento remoto. Anais XIII Simpósio Brasileiro de Sensoriamento
Remoto, Florianópolis, Brasil, INPE, p. 5755-5762. 2007.
FISHER, A.D.; MORTON, R.; DEMPSEY, J.M.; HENSHALL, J.M.; HILL, J.R.; Evaluation
of a new approach for the estimation of the time of the LH surge in dairy cows using
vaginal temperature and electrodeless conductivity measurements. Theriogenology
v.70, n.7, 1065–1074. 2008.
FONSECA, L.M.G. Processamento digital de imagens. Instituto Nacional de Pesquisas
Espaciais (INPE), 2000. 105p.
Page 88
87
FOODY, G. M. Status of land cover classification accuracy assessment. Remote
Sensing of Environment, v. 80, n.1, p. 185– 201, 2002.
GÁSPÁRDY, A.; EFRAT, G.; BAJCSY, A.C. et al. Electronic monitoring of rumination
activity as an indicator of health status and production traits in high-yielding dairy
cows. Acta Veterinaria Hungarica. v.62, n.4, 452–462, 2014.
GONZALEZ, L. A.; TOLKAMP, B. J.; COFFEY, M. P. et al. Changes in feeding behavior
as possible indicators for the automatic monitoring of health disorders in dairy
cows. Journal of Dairy Science. v.91, n.3, 1017–1028, 2008.
GONÇALVES, T.M.; OLIVEIRA, A.I.G.; FREITAS, R.T.F.; PEREIRA, I.G.; Curvas de
Lactação em Rebanhos da Raça Holandesa no Estado de Minas Gerais. Escolha do
Modelo de Melhor Ajuste. Revista Brasileira de Zootecnia. v. 31, n. 4, p. 1689-1694,
2002.
GUSTAFSSON, F. Adaptive Filtering and Change Detection. Wiley. 1998.
HAGNESTAM C, EMANUELSON U, BERGLUND B. Yield losses associated with
clinical mastitis occurring in different weeks of lactation. Journal of Dairy Science.
90, 2260-227, 2007.
HARIDY, S.; WU, Z. Univariate and multivariate control charts for monitoring
dynamic-behavior processes: a case study. Journal of Industrial Engineering and
Management. v.2, n.3, p.464– 498, 2009.
HOLMAN, A.; THOMPSON, J.; ROUTLY, J.E.; CAMERON, J.; JONES, D.N.; GROVE-
WHITE, D.; SMITH, R.F.; DOBSON, H. Comparison of oestrus detection methods in
dairy cattle. Veterinary Record 169, 47. 2011.
Page 89
88
HUZZEY, J. M.; VON KEYSERLINGK, M. A. G. E WEARY, D. M. Changes in feeding,
drinking, and standing behavior of dairy cows during the transition period. Journal
of Dairy Science. v.88, n.7, 2454–2461, 2005.
HUZZEY, J. M.; FREGONESI, J.A.; WEARY, D. M. Sampling behavior of dairy cattle:
Effects of variation in dietary energy density on behavior at the feed bunk. Journal
of Dairy Science. v.96, n.1, 247–256, 2013.
IBGE. Pesquisa da pecuária municipal e censo agropecuário. Rio de Janeiro: Sidra,
2016. Disponível em:<http://www.sidra.ibge.gov.br/bda/tabela/
listabl.asp?c=94&z=p&o=29>. Acesso em: 8 nov. 2016.
JOHNSON, R. A.; WICHERN, D.W.; Applied Multivariate Statistical Analysis. Six
Edition – New Jersey: Pearson Prentice Hall, 767 p., 2007.
KIDDY C. A, Variation in physical activity as an indication of estrus in dairy cows.
Journal Dairy Science, v. 60, p. 235–243, 1977.
LIANG, DI. "Estimating the economic losses from diseases and extended days open
with a farm level stochastic model". Theses and Dissertations - Animal and Food
Sciences. Paper 22, 2013.
LIBOREIRO, D.N.; MACHADO, K.S.; SILVA, P.R.B. et al. Characterization of
peripartum rumination and activity of cows diagnosed with metabolic and uterine
diseases. Journal of Dairy Science. 98, 1-16, 2015.
LOPES, M.A.; NEIVA, R.S.; VALENTE, J. et al. Aplicação da função tipo Gama
Incompleta no estudo da curva de lactação de vacas da raça Holandesa, variedade
preta e branca, mantidas em sistema intensivo de produção. Revista da Sociedade
Brasileira de Zootecnia, v.25, n.6, p.1087-1101, 1996.
Page 90
89
LOPEZ, H., SATTER, L. D. e WILTBANK, M. C. Relationship between level of milk
production and estrous behavior of lactating dairy cows. Animal Reproduction
Science, v. 81, p. 209-223, 2004.
LUCY, M. C. Reproductive loss in high-producing dairy cattle: where will it end?
Journal of Dairy Science, v. 84, p. 1277-93, 2001.
MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R.J. Forecasting: methods
and applications. 3a
ed.New York: John Wiley & Sons, Inc. 642p. 1998.
MANZIC, C. L. Statistical Process Control - Practical Guides for Measurement and
Control. ISA Editora, 1995.
MARINONI, A.; IANELLI, G. C.; GAMBA. P. An Information Theory-Based Scheme for
Efficient Classification of Remote Sensing Data. IEEE Transactions on Geoscience
and Remote Sensing, v.55, n.10, 2017.
MARTINS, T. G.; MARTINS, L. G.; MARTINS, J. B.; REICHERT, J. T.; PERIN, G.;
MATOS, J. O. C. Desenvolvimento de um equipamento para uso na pecuária leiteira
capaz de medir o grau de atividade e deslocamento de bovinos. Reunião Anual da
Sociedade Brasileira para o Progresso da Ciência, 2013, Recife.
MARTINS, T. M.; LEITE, A. C.; MUNIZ, C. S.; PEIXOTO, D. G. M; BORGES, A. M. Como
reduzir o intervalo de partos das vacas leiteiras?, 2013. Disponível em:
http://www.revistaleiteintegral.com.br/noticia/como-reduzir-o-intervalo-de-partos-das-
vacas-leiteiras. Acesso em: 15 de março de 2019.
MCCULLAGH, P.; NELDER, J.A. Generalized Linear Models. Second Edition – London:
Chapman and Hall, 532 p., 1989.
Page 91
90
MILKPOINT. Cai o número de produtores de leite no país, 2013. Disponível
em:https://www.milkpoint.com.br/cadeia-do-leite/giro-lacteo/cai-o-numero-de-
produtores-de-leite-do-pais-85477n.aspx. Acesso em: 27 de Setembro de 2017.
MILKPOINT. IBGE: produção de leite cresceu 2,7% em 2014. Sul Tornou-se a maior
região produtora, 2015. Disponível em: https://www.milkpoint.com.br/cadeia-do-
leite/giro-lacteo/ibge-producao-de-leite-cresceu-27-em-2014-sul-tornouse-a-maior-
regiao-produtora-97326n.aspx. Acesso em: 27 de Setembro de 2017.
MINGOTI, S. A.; YASSUKAWA, F. R. Uma comparação de gráficos de controle para
a média de processos autocorrelacionados. Revista Eletrônica Sistemas & Gestão,
v.3, n.1, p.55–73, 2008.
MORETTIN, P. A.; TOLOI, C. M. C. Analise de Séries Temporais. 1ª Edição - São Paulo:
Editora Edgard Blucher Ltda., 535 p., 2004.
MONTGOMERY, D. C. Introduction to Statistical Quality Control. 6.ed. Wiley, 2009.
MUKHERJEE, P. S. On phase II monitoring of the probability distributions of
univariate continuous processes. Statistical Papers, p.1–24, 2015.
REITH, S.; HOY, S. Behavioral signs of estrus and the potential of fully automated
systems for detection of estrus in dairy cattle. Department of Animal Breeding and
Genetics, Justus Liebig University Giessen, Leihgesterner Weg 52, D-35392 Giessen,
Germany. Animal (2018), 12:2, pp 398–407 © The Animal Consortium 2017.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT. OECD:
Agriculture Outlook 2016- 2026. Paris: OECD, 2016. Disponível em: <http://dx.doi.
org/10.1787/agr_outlook-2016-en>. Acesso em: 6 fev. 2016.
PAGE, E. S. Continuos inspection schemes. Biometrika, v.41, n.1-2, p.100–115, 1954.
Page 92
91
PALMER, M.A.; OLMOS, G.; BOYLE, L.A.; MEE, J.F. Estrus detection and estrus
characteristics in housed and pastured Holstein-Friesian cows. Theriogenology 74,
255–264. 2010.
PAUDYAL, S.; MAUNSELL, F.; RICHESON, J. et al. Peripartal rumination dynamics
and health status in cows calving in hot and cool seasons. Journal of Dairy Sciene.
99, 1-12, 2016.
PERALTA, O.A.; PEARSON, R.E.; NEBEL, R.L. Comparison of three estrus detection
systems during summer in a large commercial dairy herd. Animal Reproduction
Science v.87, n.1-2, p.59–72. 2005.
REITH, S.; HOY, S. Behavioral signs of estrus and the potential of fully automated
systems for detection of estrus in dairy cattle. Department of Animal Breeding and
Genetics, Justus Liebig University Giessen, Animal, v.12, n.2, pp 398–407, 2018.
REYNOLDS JR, M. R.; LU, C.-W. Control charts for monitoring processes with
autocorrelated data. Nonlinear Analysis: Theory, Methods & Applications, v.30, n.7,
p.4059–4067, 1997.
ROBERTS, S. W. Control chart tests based on geometric moving averages.
Technometrics, v.1, n.3, p.239–250, 1959.
RUTTEN, C. J., VELTHUIS, A. G. J., STEENEVELD, W., HOGEVEEN, H. Sensors to
support health management on dairy farms. Journal Dairy Science, v.96, p.1928-52,
2013.
SARTORI, R.; SARTOR-BERGFELT, R.; GUENTHER, J. N.; PARRISH, J. J.;
WILTBANK, M. C. Fertilization and early embryonic development in heifers and
lactating cows in summer and lactating and dry cows in winter. Journal of Dairy
Science, v. 85, p. 2803-12, 2002.
Page 93
92
SAUMANDE, J. Electronic detection of estrus in postpartum dairy cows: efficiency
and accuracy of the DEC® (showheat) system. Livestock Production Science v.77, n.2,
p.265–271. 2002.
SCHIRMANN, K.; VON KEYSERLINGK, M.A.G.; WEARY, D. M. et al. Technical note:
Validation of a system formonitoring rumination in dairy cows. Journal of Dairy
Science. v.92, n.12, 6052–6055, 2009.
SCHIRMANN, K.; CHAPINAL, N.; WEARY, D. M. et al. Short-term effects of regrouping
on behavior of prepartum dairy cows. Journal of Dairy Science. v.94, n.5, p.2312–2319,
2011.
SCHIRMANN, K.; WEARY, D. M.; HEUWIESER, W. et al. Short communication:
Rumination andfeeding behavior differ between healthy and sick cows during the
transition period. Journal Dairy Science. v.99, n.12, 1–8, 2016.
SCOPINHO, B. Utilização de Técnicas de Controle Estatístico para Validação de
Unidades de Processos. Dissertação de Mestrado – Programa de Pós-Gradução em
Engenharia Elétrica, UFMG. Belo Horizonte, 2005.
SENGER P. L. The estrus detection problem: new concepts, technologies, and
possibilities. Journal Dairy Science, v.77, p.2745-53, 1994.
SHEU, S. H. et al. Monitoring process mean and variability with generally weighted
moving average control charts. Computers & Industrial Engineering, v.57, n.1, p.401 –
407, 2009.
SHEWHART, W. A. Economic control of quality of manufactured product/50th
Anniversary Commemorative Issue. Milwaukee, WI: American Society for Quality,
1980. ISBN 0-87389-076-0.
Page 94
93
SORIANI, N.; TREVISI, E; CALAMARI, L. Relationships between rumination time,
metabolic conditions, and health status in dairy cows during the transition period.
Journal of Animal Science. v.90, n.12, 4544-4554, 2012.
STANGAFERRO, M.L.; WIJMA, R.; CAIXETA, L.S. et al. Use of rumination and activity
monitoring for the identification of dairy cows with health disorders: Part I.
Metabolic and digestive disorders. Journal Dairy Science. v.99, n.9, 1–16, 2016.
STRELCZUK, G. Diagnóstico precoce de gestação em bovinos leiteiros. Trabalho de
Conclusão de Curso – Departamento de Medicina Veterinária, Universidade Federal do
Rio Grande do Sul. Porto Alegre, 2015.
TONDOLO, C. M. Gráficos de Controle para Dados do tipo Taxas e Proporções
Autocorrelacionados. Dissertação de Mestrado – Programa de Pós-Graduação em
Engenharia de Produção, UFSM. Santa Maria, 2016.
TRIMBERGER, G. W. Breeding efficiency in dairy cattle from artificial insemination
at various intervals before and after ovulation, Bulletin of the Agricultural Experiment
Station of Nebraska, No 153, 26 p, 1948.
VILELA, D. Para onde caminha o leite. Revista Balde Branco, n. 603, p. 41-43, jan.
2015.
VINING, G. Technical advice: phase I and phase II control charts. Quality Engineering,
v.21, n.4, p.478–479, 2009.
VON KEYSERLINGK, M.A.G. & WEARY, D.M. Review: Feeding behaviour of dairy
cattle: Meaures and applications. Canadian Journal of Animal Science. v.90, n.3, 303-
309, 2010.
WALKER, W.L.; NEBEL, R.L.; MCGILLIARD, M.L. Time of ovulation relative to
mounting activity in dairy cattle. Journal of Dairy Science v.79, n.9, 1555–1561. 1996.
Page 95
94
WALSH, S.W.; WILLIAMS, E.J.; EVANS, A.C.O. A review of the causes of poor fertility
in high milk producing dairy cows. Animal Reproduction Science, v.123, n.3-4, p. 127–
138, 2011.
WARDELL, D. G.; MOSKOWITZ, H.; PLANTE, R. D. Control charts in the presence of
data correlation. Management Science, v.38, n.8, p.p. 1084–1100, 1992.
WEARY, D.M.; HUZZEY, J.M.; VON KEYSERLINGK, M.A.G. Board-invited review:
Using behavior to predict and identify ill health in animals. Journal Animal Science.
v.87, n.2, 770–777, 2009.
WOODALL, W. H. Controversies and contractions in statistical process control.
Journal of Quality Technology, v.32, n.4, p.341–350, 2000.
YADAV, M.C.; KATPATAL, B.C.; KAVSHIK, S.N. Components of gamma type function
of a lactation curve, and factors affecting them in Hariana and its Friesian crosse.
Indian Journal of Animal Science , v.49, n.9, p.502-505, 1977.
Page 97
96
APÊNDICE I – RESULTADO DAS APLICAÇÕES DAS CARTAS CONTROLE
NO BANCO DE TREINAMENTO
MATRIZ DE CONFUSÃO:
Tabela 12 - Matriz de confusão da aplicação da carta controle ΔP2 no banco de
treinamento.
ΔP2
CLASSIFICAÇÃO DADOS REFERÊNCIA
TOTAL NAS LINHAS CIO NÃO CIO
CIO 192 48 240
NÃO CIO 96 5424 5520
TOTAL NAS COLUNAS 288 5472 5760
Fonte: Elaborado pelo Autor.
Tabela 13 - Matriz de confusão da aplicação da carta controle Shewhart no banco
de treinamento.
Shewhart
CLASSIFICAÇÃO DADOS REFERÊNCIA
TOTAL NAS LINHAS CIO NÃO CIO
CIO 120 120 240
NÃO CIO 288 5232 5520
TOTAL NAS COLUNAS 408 5352 5760
Fonte: Elaborado pelo Autor.
Page 98
97
Tabela 14 - Matriz de confusão da aplicação da carta controle EWMA no banco de
treinamento.
EWMA
CLASSIFICAÇÃO DADOS REFERÊNCIA
TOTAL NAS LINHAS CIO NÃO CIO
CIO 96 144 240
NÃO CIO 48 5472 5520
TOTAL NAS COLUNAS 144 5616 5760
Fonte: Elaborado pelo Autor.
Tabela 15 - Matriz de confusão da aplicação da carta controle CUSUM no banco de
treinamento.
CuSum
CLASSIFICAÇÃO DADOS REFERÊNCIA
TOTAL NAS LINHAS CIO NÃO CIO
CIO 216 24 240
NÃO CIO 264 5256 5520
TOTAL NAS COLUNAS 480 5280 5760
Fonte: Elaborado pelo Autor.
Page 99
98
RESULTADOS FINAIS:
Tabela 16 - Métricas de desempenho das cartas controle no banco de treinamento:
grupo 1.
MÉTODO Verdadeiro Positivo
Falso Positivo Verdadeiro Negativo
Falso Negativo
ΔP2 192 96 5424 48
Shewhart 120 288 5232 120
EWMA 96 48 5472 144
CuSum 216 264 5256 24
Fonte: Elaborado pelo Autor.
Tabela 17 - Métricas de desempenho das cartas controle no banco de treinamento:
grupo 2.
MÉTODO Acurácia Sensibilidade Especificidade Precisão
ΔP2 0,975000 0,800000 0,982609 0,666667
Shewhart 0,929167 0,500000 0,947826 0,294118
EWMA 0,966667 0,400000 0,991304 0,666667
CuSum 0,950000 0,900000 0,952174 0,450000 Fonte: Elaborado pelo Autor.
Tabela 18 - Métricas de desempenho das cartas controle no banco de treinamento:
grupo 3.
MÉTODO F1 Score Kappa
ΔP2 0,727272727 0,714285714
Shewhart 0,37037037 0,335504886
EWMA 0,50000000 0,483870968
CuSum 0,60000000 0,576470588 Fonte: Elaborado pelo Autor.
Page 100
99
APÊNDICE II – RESULTADO DAS APLICAÇÕES DAS CARTAS CONTROLE
NO BANCO DE VALIDAÇÃO
MATRIZ DE CONFUSÃO:
Tabela 19 - Matriz de confusão da aplicação da carta controle ΔP2 no banco de
validação.
ΔP2
CLASSIFICAÇÃO DADOS REFERÊNCIA
TOTAL NAS LINHAS CIO NÃO CIO
CIO 2088 312 2400
NÃO CIO 840 54360 55200
TOTAL NAS COLUNAS 2928 54672 57600
Fonte: Elaborado pelo Autor.
Tabela 20 - Matriz de confusão da aplicação da carta controle Shewhart no banco
de validação.
Shewhart
CLASSIFICAÇÃO DADOS REFERÊNCIA
TOTAL NAS LINHAS CIO NÃO CIO
CIO 1584 816 2400
NÃO CIO 1464 53736 55200
TOTAL NAS COLUNAS 3048 54552 57600
Fonte: Elaborado pelo Autor.
Page 101
100
Tabela 21 - Matriz de confusão da aplicação da carta controle EWMA no banco de
validação.
EWMA
CLASSIFICAÇÃO DADOS REFERÊNCIA
TOTAL NAS LINHAS CIO NÃO CIO
CIO 1464 936 2400
NÃO CIO 264 54936 55200
TOTAL NAS COLUNAS 1728 55872 57600
Fonte: Elaborado pelo Autor.
Tabela 22 - Matriz de confusão da aplicação da carta controle CUSUM no banco de
validação.
CuSum
CLASSIFICAÇÃO DADOS REFERÊNCIA
TOTAL NAS LINHAS CIO NÃO CIO
CIO 2256 144 2400
NÃO CIO 1872 53328 55200
TOTAL NAS COLUNAS 4128 53472 57600
Fonte: Elaborado pelo Autor.
Page 102
101
RESULTADOS FINAIS:
Tabela 23 - Métricas de desempenho das cartas controle no banco de validação:
grupo 1.
MÉTODO Verdadeiro Positivo
Falso Positivo Verdadeiro Negativo
Falso Negativo
ΔP2 2088 840 54360 312
Shewhart 1584 1464 53736 816
EWMA 1464 264 54936 936
CuSum 2256 1872 53328 144
Fonte: Elaborado pelo Autor.
Tabela 24 - Métricas de desempenho das cartas controle no banco de validação:
grupo 2.
MÉTODO Acurácia Sensibilidade Especificidade Precisão
ΔP2 0,980000 0,870000 0,984783 0,713115
Shewhart 0,960417 0,660000 0,973478 0,519685
EWMA 0,979167 0,610000 0,995217 0,847222
CuSum 0,965000 0,940000 0,966087 0,546512 Fonte: Elaborado pelo Autor.
Tabela 25 - Métricas de desempenho das cartas controle no banco de validação:
grupo 3.
MÉTODO F1 Score Kappa
ΔP2 0,783783784 0,773406766
Shewhart 0,581497797 0,56103196
EWMA 0,709302326 0,698795181
CuSum 0,691176471 0,673997413 Fonte: Elaborado pelo Autor.
Page 103
Sistema de geração automática de ficha catalográfica da UFSM. Dados fornecidos pelo autor(a). Sob supervisão da Direção da Divisão de Processos Técnicos da Biblioteca Central. Bibliotecária responsável Paula Schoenfeldt Patta CRB 10/1728.
Declaro, THIAGO GUEDES DA LUZ MARTINS, para os devidos fins e sob aspenas da lei, que a pesquisa constante neste trabalho de conclusão decurso (Dissertação) foi por mim elaborada e que as informaçõesnecessárias objeto de consulta em literatura e outras fontes estãodevidamente referenciadas. Declaro, ainda, que este trabalho ou partedele não foi apresentado anteriormente para obtenção de qualquer outrograu acadêmico, estando ciente de que a inveracidade da presentedeclaração poderá resultar na anulação da titulação pela Universidade,entre outras consequências legais.
Martins, Thiago Guedes da Luz Monitoramento Estatístico e Predição de MudançasComportamentais em Bovinos / Thiago Guedes da LuzMartins.- 2020. 101 p.; 30 cm
Orientadora: Fábio Mariano Bayer Coorientadora: João Henrique Cardoso Costa Dissertação (mestrado) - Universidade Federal de SantaMaria, Centro de Tecnologia, Programa de Pós-Graduação emEngenharia de Produção, RS, 2020
1. Monitoramento estatístico 2. Ciência de dados 3.Carta Controle 4. Comportamento de bovinos 5. Detecção decio I. Bayer, Fábio Mariano II. Cardoso Costa, JoãoHenrique III. Título.