14 - PPGMNE - Universidade Federal do Paraná

86t ha −1 obtida de fato na área. Tal resultado não permitiu contruir um mapa capaz de identificarzonas diferenciadas de produtividade.0 20 40 60 80 100 120128 amostras0 20 40 60 80 100 12064 amostras20 40 60 80 100 120 14020 40 60 80 100 120 140Figura 3.4: Mapas de produtividade de soja estimados por MV em modelos bivariados em uma malharegular de 690 pontos. No modelo do mapa da esquerda utilizou-se 128 amostras de soja e no da direita,64. A variável secundária foi 150 amostras da CP13.6.4 Análise geoestatística dos dados rendimento de P. Taeda L.Os dados a que se refere essa pesquisa envolvem duas variáveis, o IMA e o Teor deArgila. A variável IMA, de interesse principal, foi obtida de uma amostragem de 18 localizaçõese a variável Teor de Argila (secundária) foi coletada em 555 localizações.Ajuste dos parâmetros do modelo bivariado (IMA e Argila)Na Tabela 3.1 encontam-se as estimativas por MV para o modelo bivariado. Nessatabela, µ 1 e µ 2 são estimativas do efeito sistemático do modelo presentes, respectivamente,nas variáveis primária (IMA) e secundária (Argila); σ01 2 , σ 1 2, σ 02 2 e σ 2 2 são, respectivamente,parâmetros de escala associados às matrizes de correlação R 0 (φ 0 ) das variáveis primária esecundária, R 1 (φ 1 ) da variável primária e R 2 (φ 2 ) da variável secundária. φ 0 , φ 1 e φ 2 sãoparâmetros da função de correlação que, neste estudo, foi adotada a de Matèrn com κ = 0,5.Nesse modelo, considerou-se o efeito pepita relativo igual a zero.Estatísticas descritivas da predição bivariada do IMA suportada pelo Teor de ArgilaNa última linha da Tabela 3.2 encontra-se as medidas descritivas da média de prediçãode IMA, onde a média obtida de 25,73 m 3 ha −1 ano −1 é compatível, em ordem de grandeza,