72Figura 3.2: Grid regular com locação amostral de duas variáveis com círculos representan<strong>do</strong> aprimeira e estrelas a segunda. As setas estabelecem a direção das correlações e os h, através deseus índices indicam o grupo de correlações entre variáveis separadas por uma mesma distância.como:Consideran<strong>do</strong>-se a Equação 3.2 a covariância entre Y(x i ) e Y(x j ) pode ser expressaCov ( Y 1 (x i );Y 2 (x j ) ) = Cov ( µ 1 + S 0 (x i )+S 1 (x i ) ; µ 2 + S 0 (x j )+S 2 (x j ) )ind.= Cov ( S 0 (x i );S 0 (x j ) ) (3.3)De forma semelhante ao resulta<strong>do</strong> obti<strong>do</strong> na Equação 2.8, a Equação (3.3) fica:Cov ( Y 1 (x i );Y 2 (x j ) ) = σ 01 σ 02 ρ(φ 0 ) (3.4)Análogamente as autocovariâncias de Y 1 e de Y 2 serão dadas por:Cov ( Y 1 (x);Y 1 (x) ) = σ 2 0ρ(φ 0 )+σ 2 1ρ(φ 1 ) (3.5)Cov ( Y 2 (x);Y 2 (x) ) = σ 2 0ρ(φ 0 )+σ 2 2ρ(φ 2 ) (3.6)Fazen<strong>do</strong>-se as parametrizações σ 01 = σ; σ 02 = ησ; σ 1 = ν 1 σ e σ 2 = ν 2 σ e substituin<strong>do</strong>nas Equações 3.4, 3.5 e 3.6 tem-se:Cov ( Y 1 (x);Y 2 (x ′ ) ) = σησρ(φ 0 ) = σ 2 ηρ(φ 0 )Var ( Y 1 (x) ) = σ 2 + ν1 2 σ 2 = σ 2 [ρ(φ 0 )+ν1 2 ρ(φ 1 )]Var ( Y 2 (x) ) = η 2 σ 2 + ν2 2 σ 2 = σ 2 [η 2 ρ(φ 0 )+ν2 2 ρ(φ 2 )]
73Logo:[Y1Y 2]([ ] [ ])µ1∼ N n ;σ 2 V(ν1 ;φ 0 ;φ 1 ) V(η;φ 0 )µ 2 V ′ (η;φ 0 ) V(η;ν 2 ;φ 0 ;φ 2 )(3.7)A literatura geralmente sugere que a estimativa <strong>do</strong>s parâmetros de um modelo geoestatísticobivaria<strong>do</strong> seja feita através <strong>do</strong> ajuste de certas funções de correlação, como as jámencionadas no Capítulo 2, aos semivariogramas relativos a Y 1 e Y 2 bem como ao semivariogramacruza<strong>do</strong>. Neste trabalho empregamos méto<strong>do</strong> basea<strong>do</strong> em verossimilhança aplica<strong>do</strong>s ádistribuição conjunta de Y 1 e Y 2 .3.4 PREDIÇÃO LINEAR ESPACIAL BIVARIADAIsaaks e Srivastava (1989) apresentam a cokrigagem como um méto<strong>do</strong> de estimação,envolven<strong>do</strong> a correlação cruzada entre variáveis secundárias e uma variável primária. A grandeutilidade <strong>do</strong> méto<strong>do</strong>, alegada pelos autores, é que as variáveis secundárias podem apresentarcaracterísticas favoráveis à sua obtenção, como baixo custo, fácil acesso, dentre outras, quepodem ser utilizadas para estimar variáveis primárias sujeitas a subamostragem.Consideram-se aqui <strong>do</strong>is processos estocásticos Y 1 e Y 2 distintos, mas ocorren<strong>do</strong> simultaneamenteem uma região. Por conveniência de notação, Y 1 foi a variável primária. No caso deuma única variável, para alguma coordenada onde não se tenha um valor medi<strong>do</strong>, este poderáser estima<strong>do</strong> por krigagem usan<strong>do</strong> uma combinação linear com pesos w associa<strong>do</strong>s a valoresn∑conheci<strong>do</strong>s, tal como: ŷ 0 = w i y i onde y i é o valor medi<strong>do</strong> na i-ésima coordenada x. No casoi=1de duas variáveis, a estimativa por cokrigagem, com um modelo linear de corregionalização,será obtida por uma combinação linear das duas variáveis, como:ŷ 1 (x 0 ) =n∑m∑a i y 1 (x i )+ b j y 2 (x j ) (3.8)i=1j=1onde ŷ 1 (x 0 ) é a estimativa da variável primária em uma particular localização x 0 não amostrada;y 1 (x) = ( y 1 (x 1 ),y 1 (x 2 ),...y 1 (x n ) ) são os da<strong>do</strong>s da variável primária observa<strong>do</strong>s em nlocalizações da área, y 2 (x i ) = (y 2 (x 1 ),y 2 (x 2 ),...y 2 (x m )) são os da<strong>do</strong>s da variável secundáriaobserva<strong>do</strong>s em m localizações da mesma área, que podem ser parcialmente ou totalmentecoincidentes ou isoladas com relação às localizações da variável primária; a 1 ,a 2 ,...,a n eb 1 ,b 2 ,...,b m são, respectivamente, os pesos de krigagem a serem determina<strong>do</strong>s associa<strong>do</strong>s às
- 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 90 and 91: 70 (y 2,1 )• x 4• x 1(y 1,1 )(
- 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