66suporte da ACP para a redução <strong>do</strong> número de variáveis envolvidas no problema. Apresentou-seo problema geoestatístico multivaria<strong>do</strong> envolven<strong>do</strong> duas variáveis, sen<strong>do</strong> uma a principal e aoutra, secundária.3.2 MODELO GEOESTATÍSTICO MULTIVARIADOO conjunto da<strong>do</strong> pela expressão 3.1 é uma coleção p-dimensional de variáveisaleatórias. A matriz Σ de covariâncias desse conjunto é dada por:⎛⎞Cov(Y 1 ;Y 1 ) Cov(Y 1 ;Y 2 ) ... Cov(Y 1 ;Y p )Cov(Y 2 ;Y 1 ) Cov(Y 2 ;Y 2 ) ... Cov(Y 2 ;Y p )Σ =⎜⎝ ..... . ⎟⎠Cov(Y p ;Y 1 ) Cov(Y p ;Y 2 ) ... Cov(Y p ;Y p )sen<strong>do</strong> a diagonal a autocorrelação de cada variável Y k : k = 1,2,..., p <strong>do</strong> conjunto. Os elementosfora da diagonal representam a matriz correlação cruzada para cada combinação de paresde variáveis. Essa matriz é uma extensão daquela matriz para o caso univaria<strong>do</strong> da<strong>do</strong> pelaEquação 2.27. Ela deve ser uma matriz quadrada, simétrica, definida positiva e passível dedecomposição, para se obter sua inversa.Para qualquer par de variáveis, por exemplo ( Y c (a);Y d (b) ) , Cov ( Y c (a);Y d (b) ) = σ cdab .Neste caso, afirma-se que a covariância (e a correlação) se estabelece entre a variável Y c (x)tomada na coordenada a e a variável Y d (x) tomada na coordenada b. Uma propriedade imediata,é a sua natureza simétrica, ou seja, σ cdab = σ dcba .A matriz de correlação será dada por R(u), cujos elementos serão:ρab cd = σ cd√ abσa 2 σb2= σ cdabσ a σ bQuan<strong>do</strong> a = b, a função ρ aa (u) = ρ bb (u) corresponderá à função de correlação <strong>do</strong>processo univaria<strong>do</strong> Y a (x) e ρ aa (−u) = ρ aa (u). Se a ≠ b a função ρ ab (u) será chamada funçãode correlação cruzada de Y a (x) e Y b (x), mas não será necessariamente simétrica na matriz R(u),mas ainda assim satisfará a condição de que ρ ab (u) = ρ ba (−u) (DIGGLE; RIBEIRO JR, 2007).Pebesma e Wesseling (1998) apresentam um modelo de predição multivariada envolven<strong>do</strong>variáveis cruzadas correlacionadas. O modelo utiliza<strong>do</strong> para cada variável Y k ;k =1,2,..., p é aquele defini<strong>do</strong> pela Equação 2.2, portanto, um processo não estacionário. O mo-
67delo multivaria<strong>do</strong>, neste caso de envolvimento de todas as variáveis <strong>do</strong> conjunto, é da<strong>do</strong> por:Y = D β + S(x)+εonde D β corresponde à matriz de tendência externa <strong>do</strong> modelo aplicada às respectivasvariáveis. As matrizes envolvidas são:⎛⎞ ⎛D 1 0 ... 00 D 2 ... 0D =onde D⎜⎝ . .... . ⎟ k =⎜⎠ ⎝0 0 ... D ppara n k1 d (k)11d (k)21... d (k)p11 d (k)12d (k)22... d (k)p2. . .... .1 d (k)1n kd (k)2n k... d (k)pn krepresentan<strong>do</strong> o número de coordenadas relativas à k-ésima variável externa de p é o número de variáveis externas associada a um particular processo Y k . S(x) ={S1 (x),S 2 (x),...,S p (x) } .⎞,⎟⎠O melhor preditor linear não vicia<strong>do</strong> será:Ŷ(x 0 ) = d(x 0 ) ˆβ + r ′ V −1 Y(x) − D ˆβno qual⎛d(x 0 ) =⎜⎝( )d 1 x(0) 0 ... 0( )0 d 2 x(0) ... 0. .... .( )0 0 ... d p x(0)⎞⎟⎠e d k (x 0 ) corresponden<strong>do</strong> à linha da matriz D que contém o valor correspondente de Y(x 0 ), r amatriz de correlações de cada variável com o ponto x 0 a ser estima<strong>do</strong> e V a matriz de correlaçõesobtidas à partir da matriz de covariâncias multivariadas dada pela equação 3.2.A variância <strong>do</strong> erro de predição será dada por:Var ( Ŷ(x 0 ) ) = ˆβ − r ′ V −1 r+ ( d(x 0 ) − r ′ V −1 D )( D −1 V −1 D ) −1(d(x0 ) − r ′ V −1 r ) −1Para Ver Hoef e Cressie (1993) este modelo não impõe restrições ao número devariáveis e cada variável pode ter um número diferente de localizações.O pantanal matogrossense, segun<strong>do</strong> Couto e Cunha (2002), apresenta muitas unidadesde pe<strong>do</strong>paisagens com áreas periodicamente inundáveis, onde a amostragem é difícil devi<strong>do</strong> aelevada variabilidade espacial inter e intra estratos. Para sua pesquisa coletaram e analisaramcento e onze amostras sistemáticas com cinco atributos físicos e quinze atributos químicos em
- 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 52 and 53: 32Segundo Perry e Iemma (1999) os e
- 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 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