32Segun<strong>do</strong> Perry e Iemma (1999) os estima<strong>do</strong>res de MVR são obti<strong>do</strong>s maximizan<strong>do</strong>-se aparte da função MV que é invariante ao parâmetro de locação, ou seja, maximizan<strong>do</strong>-se a funçãoMV de um vetor de combinações lineares das observações que são invariantes a µ(x) = Dβ.Consideran<strong>do</strong>-se o modelo da Equação 2.2 vem:KY = Kµ(x)+K S(x)+K ε (2.30)onde K é o tal vetor de combinações lineares. Assim:Y ∼ N n(Kµ(x);K( σ 2 R(φ)+τ 2 I ) K ′)e o logaritmo da função MVR poderá então ser escrita como:−2logL RE= log|σ 2 R(φ)+τ 2 I|+(Y − D ˆβ) ′ (σ 2 R(φ)+τ 2 I) −1 (Y − D ˆβ)+log|D ′ (σ 2 R(φ)+τ 2 I)D|+(n − k)log2πonde k é o posto da matriz D e:ˆβ = (D ′ ( ˆσ 2 R( ˆφ)+ ˆτ 2 I))(D ′ ( ˆσ 2 R( ˆφ)+ ˆτ 2 I)) −1 Ysen<strong>do</strong> ˆβ, ˆσ 2 , ˆτ 2 e ˆφ 2 estima<strong>do</strong>res MV de β, σ 2 , τ 2 e φ, respectivamente.O méto<strong>do</strong> supõe gaussianidade <strong>do</strong>s da<strong>do</strong>s, fornecen<strong>do</strong> estimativas não negativas davariância e ainda considera a perda de graus de liberdade pela presença <strong>do</strong>s fatores fixos. Apesarde ser emprega<strong>do</strong> para estimar componentes da variância em da<strong>do</strong>s desbalancea<strong>do</strong>s (númerodiferentes de repetições) fornece também estima<strong>do</strong>res não vicia<strong>do</strong>s e de variância mínima parada<strong>do</strong>s balancea<strong>do</strong>s.2.5.5 Escolha de modelos por validação cruzadaPara Cressie (1985), escolher um modelo é obter o estima<strong>do</strong>r <strong>do</strong>s seus parâmetros comméto<strong>do</strong>s estatísticos de otimização, e uma vez escolhi<strong>do</strong>, resta saber se ele é eficiente parainterpolar valores, permitin<strong>do</strong> estimativas confiáveis para a construção de mapas temáticos.Essa escolha é feita com a aplicação de méto<strong>do</strong>s de validação que comparam o valor de umavariável sob um modelo geoestatístico teórico com o valor empíricos dessa variável obti<strong>do</strong>através de amostragem, em uma mesma coordenada espacial. Basea<strong>do</strong> na análise <strong>do</strong> erro de
33estimação poderá ser escolhi<strong>do</strong> o melhor modelo. Dentre os principais critérios para validaçãoencontram-se o Critério de Informação de Akaike, de Filliben, da validação cruzada e o máximovalor <strong>do</strong> logaritmo da função verossimilhança (FARACO et al., 2008).A validação cruzada é uma técnica frequentemente utilizada para se avaliar um modeloteórico idealiza<strong>do</strong> para explicar um fenômeno. Após o ajuste de seus parâmetros, com base emum conjunto experimental de da<strong>do</strong>s, os quais se supõe serem governa<strong>do</strong>s por tal modelo, testa-seo seu efeito sobre a estimação <strong>do</strong> mesmo conjunto de da<strong>do</strong>s ou sobre outro conjunto conheci<strong>do</strong>e que seja supostamente governa<strong>do</strong> pelo mesmo modelo. Para isso, duas principais estatégiassão a<strong>do</strong>tadas. Em uma delas, retira-se cada um <strong>do</strong>s pontos amostrais por vez e então o estimacom o modelo ajusta<strong>do</strong> ao conjunto completo de informações. Em outra estratégia, ajusta-se omodelo pretendi<strong>do</strong> a um conjunto de da<strong>do</strong>s experimentais e então aplica-se o modelo em outroconjunto de da<strong>do</strong>s conheci<strong>do</strong>s e que também seja governa<strong>do</strong> pelo mesmo modelo. A avaliação<strong>do</strong> erro de predição informará sobre a qualidade <strong>do</strong> modelo escolhi<strong>do</strong>.2.6 PREDIÇÃO LINEAR ESPACIAL UNIVARIADAUm aspecto importante da modelagem estatística é a utilização <strong>do</strong> modelo obti<strong>do</strong> paraefetuar predições. Empregar o termo predição significa fazer conjectura ou suposição sobre umresulta<strong>do</strong> de Y , desconheci<strong>do</strong>, que poderá ou não acontecer. A meta é realizar boas estimativasde quantidades que variam continuamente no espaço, em função de um conjunto discreto deobservações obtidas dispersamente em uma área. Esse procedimento, sob certas circunstâncias,é chama<strong>do</strong> krigagem, termo este cria<strong>do</strong> por G. Matheron em reconhecimento ao trabalho <strong>do</strong>engenheiro de minas D. G. Krige (KRIGE, 1951), sen<strong>do</strong> a krigagem ordinária a mais utilizada.O méto<strong>do</strong> estima um valor em um ponto arbitrário de uma região fechada onde a função decorrelação <strong>do</strong> processo é conhecida, empregan<strong>do</strong> o conjunto de pontos amostrais conheci<strong>do</strong>s,distribuí<strong>do</strong>s pela área.Isaaks e Srivastava (1989) citam vários méto<strong>do</strong>s de estimação pontual como: méto<strong>do</strong>poligonal de desagrupamento, méto<strong>do</strong> da triangulação, méto<strong>do</strong> <strong>do</strong> inverso <strong>do</strong> quadra<strong>do</strong> dasdistâncias, méto<strong>do</strong> <strong>do</strong>s vizinhos mais próximos. A krigagem ordinária é um méto<strong>do</strong> que forneceum estima<strong>do</strong>r BLUE, acrônimo <strong>do</strong> inglês Best Linear Unbiased Estimator – melhor estima<strong>do</strong>rnão vicia<strong>do</strong> e de variância mínima. O méto<strong>do</strong> é linear porque seus estima<strong>do</strong>res são feitos apartir de combinações lineares sobre as observações amostrais disponíveis, é não vicia<strong>do</strong> poiso erro médio residual é zero e “melhor” porque dentre outros estima<strong>do</strong>res é o que leva à menor
- Page 4: A meus filhos, Denise e André e a
- Page 8 and 9: 4 CONCLUSÕES E SUGESTÕES DE TRABA
- Page 10 and 11: direita ilustra também o comportam
- Page 12 and 13: Figura 2.21 Distribuição a poster
- Page 14 and 15: Lista de TabelasTabela 2.1Estatíst
- Page 16 and 17: Lista de SiglasAPGPSSIGMVMVRACPCEPB
- Page 18 and 19: A análise revelou a capacidade do
- Page 20 and 21: deals with samples of small size.Ke
- Page 22 and 23: 2se dá na região Nordeste do Esta
- Page 24 and 25: 4reais, os fenômenos frequentement
- Page 26 and 27: 2 MODELO GEOESTATÍSTICO GAUSSIANOU
- Page 28 and 29: 8mente como Dβ é efeito espacial
- Page 30 and 31: 102.2.2 Componente determinísticoS
- Page 32 and 33: 12(a ′ ,b ′ ) = (a,b)(cos(ψA )
- Page 34 and 35: 14Para Tragmar, Yost e Uehara (1985
- Page 36 and 37: 162.4 TIPOS DE MODELO DE CORRELAÇ
- Page 38 and 39: 182.4.1 Função de correlação de
- Page 40 and 41: 20ρ(h) − Esferica0.0 0.2 0.4 0.6
- Page 42 and 43: 22Como solução dessas equações
- Page 44 and 45: 24Ribeiro Jr (2007) dizem que esse
- Page 46 and 47: 26de amostras coletadas com espaça
- Page 48 and 49: 28Agora substituindo σ 2 R+τ 2 I
- Page 50 and 51: 30[(l(φ,ν 2 ) = − 1 (Y − Dβ)
- Page 54 and 55: 34variância do erro. Em uma coorde
- Page 56 and 57: 36origem, todavia o conhecido Teore
- Page 58 and 59: 38O modelo geoestatístico dado pel
- Page 60 and 61: 40Se forem conhecidos os parâmetro
- Page 62 and 63: 42então:[β;|Y(x);φ]∼ tnσ +n(
- Page 64 and 65: 44σ 2 r ′ (φ)R −1 (φ) r(φ)
- Page 66 and 67: 46d) Predição com incerteza nos p
- Page 68 and 69: 48região do patamar oriental da Ba
- Page 70 and 71: 50Figura 2.11: Localização das am
- Page 72 and 73: 52do valor de referência de 2,75 t
- Page 74 and 75: 54amostrais têm dimensão 5 × 5 m
- Page 76 and 77: 56os resultados obtidos por MV mas
- Page 78 and 79: 58256 amostras128 amostras64 amostr
- Page 80 and 81: 60Figura 2.19: Localização das am
- Page 82 and 83: 62Estatísticas descritivas da pred
- Page 84 and 85: 642.8.5 Conclusões sobre o método
- Page 86 and 87: 66suporte da ACP para a redução d
- Page 88 and 89: 68três ecossistemas. Efetuaram uma
- Page 90 and 91: 70 (y 2,1 )• x 4• x 1(y 1,1 )(
- Page 92 and 93: 72Figura 3.2: Grid regular com loca
- Page 94 and 95: 74observações y 1 (x i ) e y 2 (x
- Page 96 and 97: 76O método de cokrigagem poderá s
- Page 98 and 99: 783.5 REDUÇÃO DO NÚMERO DE VARI
- Page 100 and 101: 80como:R =( )V − 21 −1 (Σ V 2)
- Page 102 and 103:
82ou a componente representante de
- Page 104 and 105:
84secundária apresentada no caso a
- Page 106 and 107:
86t ha −1 obtida de fato na área
- Page 108 and 109:
883.6.5 Conclusões sobre o método
- Page 110 and 111:
90• Comparar diferentes formulaç
- Page 112 and 113:
92CRESSIE, N. Fitting variogram mod
- Page 114 and 115:
94PEBESMA, E. J.; WESSELING, C. G.
- Page 116 and 117:
ANEXO A -- Figuras: Validação Cru
- Page 118 and 119:
98data1.5 3.01.5 3.0predicted0.0 0.
- Page 120 and 121:
ANEXO B -- Código fonte R das aná
- Page 122 and 123:
102}45 }}## −−−−−−−
- Page 124 and 125:
104## Dados256 $SB ,## Dados256 $ i
- Page 126 and 127:
106## summary ( Soja256 . geo )## r
- Page 128 and 129:
108285 #### −−−−−−−
- Page 130 and 131:
110375 ##par ( mfcol =c ( 5 , 2 ) ,
- Page 132 and 133:
112##summary ( Soja64S .KC$ p r e d
- Page 134 and 135:
114t i t l e ( main="256 amostras"
- Page 136 and 137:
116par ( mfrow=c ( 1 , 2 ) , mar=c
- Page 138 and 139:
118Listagem B.2: Análise univariad
- Page 140 and 141:
12080 sd ( IMA18$ARG1)sd ( IMA18$AR
- Page 142 and 143:
122##165 ## D e f i n i n d o o mod
- Page 144 and 145:
124## −−−−−−−−−
- Page 146 and 147:
126## −−−−−−−−−
- Page 148 and 149:
128130 ###### iConeiCone150S . geo
- Page 150 and 151:
130round ( prop . t a b l e ( t a b
- Page 152 and 153:
132## F I M## −−−−−−−
- Page 154 and 155:
13445 ####IMA18