Essa é uma revisão anterior do documento!
<latex> \par Os gr\~aos s\~ao comodities de grande import\^ancia internacional, amplamente negociadas entre importadores e exportadores. A madeira \'e fundamental nas atividades industriais do Brasil, seja como insumo, seja como geradora de energia. Neste in\'icio de mil\^enio, soja, cana-de-a\c{c}\'ucar, milho e madeira t\^em ocupado espa\c{c}o na substitui\c{c}\~ao da produ\c{c}\~ao de energia de origem petroqu\'imica e consequentemente tem aumentado sua demanda pela competi\c{c}\~ao com a produ\c{c}\~ao de alimentos.
Al\'em da expans\~ao de fronteiras agr\'icolas, novas tecnologias t\^em surgido para dar suporte ao aumento da produtividade, viabilidade econ\^omica e preserva\c{c}\~ao do habitat.
Novos conceitos v\~ao sendo estabelecidos e a agricultura de precis\~ao \'e um dos que mais se desenvolve. Ela prop\~oe a identifica\c{c}\~ao e o manejo de zonas agr\'icolas de caracter\'istica uniforme, onde se pode dar um tratamento mais espec\'ifico, evitando-se, por exemplo, subdosagens ou superdosagens de insumos. Na identifica\c{c}\~ao dessas zonas de manejo, os mapas tem\'aticos t\^em fun\c{c}\~ao de destaque. Sua elabora\c{c}\~ao requer metodologias pr\'oprias onde a geoestat\'istica tem cumprido seu papel. Muitos estudos s\~ao realizados e importantes resultados t\^em levado a mapas que expressam, com qualidade, a distribui\c{c}\~ao espacial dos valores das vari\'aveis georreferenciadas.
Nas pesquisas em que s\~ao aplicados m\'etodos geoestat\'isticos \'e comum a coleta de um conjunto de vari\'aveis que descrevem propriedades f\'isicas, qu\'imicas e de produ\c{c}\~ao e com posi\c{c}\~ao de coleta de dados referenciadas espacialmente. Muitos trabalhos envolvem o estudo e elabora\c{c}\~ao de mapas de uma \'unica vari\'avel por vez. Neste trabalho foram produzidos mapas em um contexto multivariado. Apesar das baixas correla\c{c}\~oes dessas vari\'aveis reportadas na literatura, foi feita uma an\'alise de componentes principais para a redu\c{c}\~ao do conjunto de vari\'aveis suporte \`a sua primeira componente, incorporando sua informa\c{c}\~ao de variabilidade espacial a outra vari\'avel de interesse principal, em uma estrutura bivariada de modelo, para qual se dispunha de recursos computacionais para resolver numericamente aplica\c{c}\~oes.
Adotou-se uma formula\c{c}\~ao com base em modelos mistos. Seus par\^ametros foram estimados pela otimiza\c{c}\~ao de fun\c{c}\~oes de verossimilhan\c{c}a e por simula\c{c}\~ao bayesiana para a obten\c{c}\~ao de distribui\c{c}\~ao a \textit{posteriori}. Com esses modelos foram derivados preditores marginais e condicionais, permitindo-se estimar valores em pontos de uma estrutura compat\'ivel com a apresenta\c{c}\~ao em forma de mapa.
Foram analisados dados de dois problemas distintos em sua natureza. Em um dos casos os dados reportavam vari\'aveis de produtividade de soja associados a dados f\'isicos e qu\'imicos, distribu\'idos em uma \'area de 1,74 ha cultivada em sistema de plantio direto. No outro, as vari\'aveis representavam o incremento m\'edio anual – IMA de \emph{Pinus taeda} L. em \'area de 2.252,11 ha de reflorestamento e dissociadamente dados de teor de argila.
A an\'alise revelou a capacidade do modelo bivariado em explorar a informa\c{c}\~ao espacial contida nos dados quando as localiza\c{c}\~oes das vari\'aveis n\~ao eram as mesmas e a capacidade de identificar zonas onde o modelo univariado n\~ao o fez, principalmente em se tratando de amostras pequenas da vari\'avel de interesse principal. A an\'alise mostrou ainda que o m\'etodo bayesiano, no caso univariado, define melhor as zonas diferentes quando se trata de delineamentos com poucas amostras. </latex>
