Foram utilizados pesos corporais ao nascimento, 120, 210, 365, 450 e 550 dias de
idade, referentes a 2888 animais machos e 3348 animais fêmeas da raça Nelore criados
na região Centro Oeste do Brasil, com o objetivo de descrever a curva de crescimento
ponderal. O peso corporal dos animais foi regredido pela idade (em dias), por sexo,
utilizando a função não-linear Brody, Gompertz, Logístico, Meloun 1, Von Bertalanffy
e Von Bertalanffy modificada. A qualidade do ajuste do modelo foi verificada por meio
do índice assintótico, o coeficiente de determinação ajustado, critério de informação
Akaike e o critério de informação bayesiano de Schwarz. Com exceção do modelo que
empregou a função de Richards, todos os demais modelos, convergiram, com o modelo
que empregou a função Brody obtendo os melhores ajustes mediante os avaliadores.
Usando a função de Brody, mas considerando o peso assintótico e taxa de maturação,
parâmetros A e K, respectivamente, como aleatórios, houve uma redução na variância
residual estima em aproximadamente 79% e 83% para o sexo masculino e feminino,
respectivamente, em comparação com as estimativas obtidos nos mesmos modelos de
contexto fixos. Machos e fêmeas apresentaram taxas de crescimento absoluto similares
no inicio da trajetória de crescimento com 0,921 e 0,922 kg/dia, respectivamente. Com
o avanço da idade os machos apresentaram maiores ganhos diários em relação às
fêmeas, 0,261 e 0,198 kg/dia, respectivamente. Comportamento inverso foi verificado
para a taxa de crescimento relativa, com ganho de massa proporcional a 2,55% e 2,39%,
para fêmeas e machos, respectivamente,no inicio da trajetória de crescimento e
estimativas iguais à 0,06 e 0,08% para fêmeas e machos, respectivamente, aos 550 dias
de idade. Machos apresentaram maior aceleração de crescimento em relação às fêmeas
no inicio da trajetória de crescimento, igualando-se às fêmeas aos 397 dias de idade e à
partir dessa idade apresentaram menores estimativas de aceleração e crescimento. A
abordagem de modelo de regressão não linear sob o contexto de modelos mistos permite
redução da variância residual, aumento a precisão do modelo.