70 (y 2,1 )• x 4• x 1(y 1,1 )(y 2,2 )• x 3(y 1,3 )• x 2(y 1,2 ) Figura 3.1: Representação de uma área típica com processos geoestatísticos bivaria<strong>do</strong>s conten<strong>do</strong>quatro localizações amostrais, onde as variáveis não são co-localizadas e nem oferecemo mesmo número de observações.Deve-se aqui considerar quatro possibilidades distintas para modelos assim especifica<strong>do</strong>s,consideran<strong>do</strong> as características de seus elementos, assumin<strong>do</strong> que Y 1 e Y 2 ocorremsimultaneamente em uma mesma área de um espaço bidimensional:a) Sen<strong>do</strong> τ 1 = τ 2 = 0 e S 1 (x i ) ∼ N n(0;σ21 R(φ 1 ) ) independente de S 2 (x j ) ∼ N n(0;σ22 R(φ 2 ) ) ,então Y 1 será independente de Y 2 , ou seja, não serão correlaciona<strong>do</strong>s. Um problema escritodesta maneira, exigirá a estimação de quatro parâmetros: σ 1 , σ 2 , φ 1 e φ 2 .b) Sen<strong>do</strong> τ 1 = τ 2 = 0 e S 1 (x i ) ∼ N n(0;σ 2 R(φ) ) idêntico a S 2 (x j ) ∼ N n(0;σ 2 R(φ) ) , então Y 1será perfeitamente correlaciona<strong>do</strong> com Y 2 . Um problema escrito desta maneira, exigirá aestimação de <strong>do</strong>is parâmetros: σ e φ.(c) Sen<strong>do</strong> τ 1 ≠ τ 2 e S 1 (x i ) ∼ N n 0;σ 2 R(φ) ) (idêntico a S 2 (x j ) ∼ N n 0;σ 2 R(φ) ) então Y 1será parcialmente correlaciona<strong>do</strong> com Y 2 , provocan<strong>do</strong> uma dispersão difusa, dependen<strong>do</strong>da variância σ 2 . Um problema modela<strong>do</strong> desta maneira, exigirá a estimação de quatroparâmetros: τ 1 , τ 2 , σ, φ.(d) Sen<strong>do</strong> τ 1 = τ 2 = 0, S 0 (x i ) ∼ N n 0;σ20;1 R(φ 0 ) ) (idêntico a S 0 (x j ) ∼ N n 0;σ20;2 R(φ 0 ) ) , masescalona<strong>do</strong> por σ 2 (e S 1 (x i ) ∼ N n 0;σ21 R(φ 1 ) ) (diferente de S 2 (x j ) ∼ N n 0;σ22 R(φ 2 ) ) entãoY 1 será parcialmente correlaciona<strong>do</strong> com Y 2 . Um problema concebi<strong>do</strong> dessa maneira exigiráa estimação de sete parâmetros: σ0;1 2 , σ 0;2 2 , σ 1 2, σ 2 2, φ 0, φ 1 e φ 2 . Incluin<strong>do</strong>-se τ 1 ≠ τ 2 onúmero de parâmetros a serem estima<strong>do</strong>s poderá chegar a nove.Como exemplo de uma situação mais realística, ilustran<strong>do</strong> a situação contemplada em(d), consideran<strong>do</strong>-se estacionariedade na média e ε = 0 (sem perda de generalidade) o modelobivaria<strong>do</strong> pode ser escrito como:{ ( ) ( )Y1, j = µ 1 + S 0 xi + S1 xi( ) ( )(3.2)Y 2, j = µ 2 + S 0 x j + S2 x j i = 1,2,...,m; j = 1,2,...,n
71sen<strong>do</strong> S 0 (x i ), S 1 (x i ), S 0 (x j ) e S 2 (x j ) processos univaria<strong>do</strong>s independentes e com a mesma funcionalde correlação espacial.A covariância entre duas variáveis aleatórias Y 1 e Y 2 é definida como:Cov ( Y 1 (x);Y 2 (x) ) ( (Y1 )( ) )= E (x) − µ Y1 Y2 (x) − µ Y2em que µ Y1 = E ( Y 1 (x) ) e µ Y2 = E ( Y 2 (x) ) e define o coeficiente de correlação entre elas comosen<strong>do</strong>:em que σ 2 Y 1= Var ( Y 1 (x) ) e σ 2 Y 2= Var ( Y 2 (x) ) .ρ Y1 ;Y 2= Cov( Y 1 (x);Y 2 (x) )σ Y1 σ Y2Goovaerts (1997), define uma função que estima a correlação entre duas variáveis Y 1 eY 2 (nesta ordem), separadas por uma mesma distância h k ;k = 1,2,...,s (s a quantidade de paresque correspondem essa distância) como:onde ˆµ 1 = 1N(h)∑N(h)k=1C 1;2 (h) = 1N(h)∑y 1 (x k )y 2 (x k ′ N(h)) − µ ˆ 1µ ˆ 2k=1y 1 (x k ) , ˆµ 2 = 1N(h)∑N(h)k=1y 2 (x k ′ ) e N(h) é o número de pares pertencentesà mesma classe de distâncias e direção. Os estima<strong>do</strong>res ˆµ 1 e ˆµ 2 são, respectivamente, os estima<strong>do</strong>resdas médias µ 1 de Y 1 e µ 2 de Y 2 nas suas respectivas coordenadas <strong>do</strong> conjunto forma<strong>do</strong>pelas distâncias h. Um exemplo é apresenta<strong>do</strong> na Figura 3.2 para a distância h 1 (fixa) em queˆµ 1 seria a média das observações y(x i ) (círculos) <strong>do</strong> conjunto dessas distâncias e ˆµ 2 a média dasobservações y(x i ′ ) (estrelas) <strong>do</strong> mesmo conjunto.A covariância obtida para essas diferentes distâncias é chamada de função covariânciacruzada experimental. De maneira geral C (1;2) (h) ≠ C (1;2) (−h).A estimativa <strong>do</strong> correlograma cruza<strong>do</strong> será dada por:ρ 1;2 (h) = C (1;2)(h)√σ1 2σ 22em que, σ1 2 = 1N(h)∑(y 1 (x k )− ˆµ 1 ) 2 e σ2 2 N(h)= 1N(h)∑(y 2 (x k ′ N(h))− ˆµ 2) 2 sen<strong>do</strong> que σ1 2 e σ 2 2 sãok=1k=1as variâncias de Y 1 e Y 2 nas suas respectivas coordenadas <strong>do</strong> conjunto forma<strong>do</strong> pelas distânciash.
- 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 86 and 87: 66suporte da ACP para a redução d
- Page 88 and 89: 68três ecossistemas. Efetuaram uma
- 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