Professional Documents
Culture Documents
SUMRIO
1 INTRODUO ________________________________________________________ 1
2 CONCEITOS BSICOS _________________________________________________ 1
3 PREPARAO DE DADOS______________________________________________ 4
3.1 Composio de amostras de furos de sonda _____________________________ 4
3.1.1 Composio por bancadas _________________________________________ 5
4 ANLISE ESTATSTICA _______________________________________________ 9
4.1 Conceitos de variveis aleatrias e probabilidade________________________ 10
4.2 Representaes grficas de variveis aleatrias _________________________ 12
4.3 Estatsticas descritivas de variveis aleatrias __________________________ 15
4.3.1 Medidas de tendncia central ______________________________________ 15
4.3.2 Medidas de disperso ____________________________________________ 17
4.3.3 Medidas de forma _______________________________________________ 19
4.4 Modelos probabilsticos contnuos ____________________________________ 20
4.4.1 Distribuio normal _____________________________________________ 20
4.4.2 Distribuio lognormal ___________________________________________ 22
4.5 Teorema do Limite Central _________________________________________ 23
4.6 Intervalo de confiana da mdia _____________________________________ 25
4.7 Correlao e regresso _____________________________________________ 27
5 ANLISE GEOESTATSTICA __________________________________________ 29
5.1 Por qu variveis regionalizadas ?____________________________________ 29
5.2 Variveis regionalizadas ____________________________________________ 31
5.3 O variograma _____________________________________________________ 33
5.4 Relao entre semivariograma e a funo covarincia ___________________ 35
5.5 Propriedades do variograma ________________________________________ 37
5.6 Anisotropias ______________________________________________________ 38
5.7 Comportamento prximo origem ___________________________________ 39
5.8 Domnio do variograma ____________________________________________ 40
5.9 Clculo de variogramas experimentais ________________________________ 41
5.10 Modelos tericos de variogramas____________________________________ 42
6 ESTIMATIVAS POR KRIGAGEM ORDINRIA ___________________________ 44
6.1 Definio da fronteira convexa_______________________________________ 44
6.2 Definio da vizinhana local ________________________________________ 45
i
ii
1 INTRODUO
A geoestatstica que foi definida inicialmente, por Matheron (1971, pg. 5),
como a aplicao da Teoria das Variveis Regionalizadas para a estimativa de
depsitos minerais, tem hoje sua aplicao nas mais diversas reas do
conhecimento como: petrleo, hidrogeologia, meio ambiente, geotecnia,
agronomia de preciso, oceanografia e reflorestamento. Como a geoestatstica foi
introduzida muito recentemente na grade curricular em cursos de graduao e de
ps-graduao, h necessidade de promover cursos de extenso para
disseminao da tcnica, bem como para proporcionar uma reciclagem aos
profissionais atuantes na rea. Nesse sentido, surgiu a idia de oferecer este
curso, no qual introduziremos as tcnicas e conceitos da geoestatstica aplicada
na anlise e interpretao de dados, com o objetivo de fazer o melhor uso da
informao disponvel. Alm disso, o planejamento deste curso, levou em
considerao tambm disponibilidade de um software totalmente nacional para
que o aluno pudesse contar com uma licena acadmica para que continuar seus
estudos aps o trmino do curso. Trata-se do sistema GeoVisual que foi
desenvolvido para suportar o ensino de geoestatstica em disciplinas de
graduao e de ps-graduao ministradas regularmente no Instituto de
Geocincias USP.
2 CONCEITOS BSICOS
trs
a) aleatria simples;
b) aleatria estratificada;
c) sistemtica.
A amostragem sistemtica, sempre que possvel, indicada para o clculo de
estimativas.
Condio necessria
Estimativas de volumes, massas e teores devem ser baseadas em observaes
sistemticas (amostragem sistemtica) e interpretaes da geologia (litologia e
estrutura) e da mineralizao (mineralogia, controles, distribuio e
continuidades), segundo Valle & Cte (1992).
Fontes de erros
Os erros envolvidos na estimativa atravs da amostragem so devidos aos erros
de amostragem e variabilidade natural do fenmeno em estudo.
Erros de amostragem
Qualquer amostragem - at mesmo a mais simples - comporta uma srie de
erros possveis, alguns dos quais relacionados com a estrutura do minrio, com
sua distribuio e textura, outros decorrentes das tcnicas usadas na
amostragem, ou do modo como as tcnicas so aplicadas, ou dos instrumentos
de amostragem, in Gy (1968). Este problema, infelizmente, no termina com a
retirada da amostra, mas continua atravs da preparao, subdiviso e estgios
de anlise em laboratrio, cada um dos quais passvel de erro, que podem
2
Variabilidade natural
A variabilidade do fenmeno em estudo, que pode ser medida atravs do
coeficiente de variao (razo da mdia pelo desvio padro do conjunto de
observaes), pode representar a maior fonte de erro. O padro de variao pode
ser regular ou aleatrio.
Resultado
Os resultados da amostragem podem ser representados atravs de medidas
diretas ou indiretas. As medidas diretas podem ser obtidas in situ e/ou sobre a
amostra e as medidas indiretas so obtidas atravs de sensores remotos
(mtodos geofsicos, sensoriamento remoto).
Inferncia
A partir dos dados obtidos, os quais esto sujeitos a erros, devemos inferir as
propriedades do todo amostrado ou do fenmeno em estudo. Se no houver
variabilidade, poucas amostras sero suficientes para inferir o todo. Porm, na
presena de variabilidade, a amostragem deve ser rigorosamente planejada para
que, dentro da limitao econmica, seus resultados possam ser estendidos para
o todo com um mnimo de erro. Aqui comea o problema para a geoestatstica,
pois a variabilidade entre as amostras deve ser reconhecida, mensurada e
utilizada para posterior estimativa de pores no amostradas. Entretanto, antes
de introduzir a geoestatstica necessrio passar pela fase de preparao e
analise estatstica dos dados.
3 PREPARAO DE DADOS
As amostras podem ser coletadas de diversas formas (amostras de mo,
fragmentos, canal, furos de sonda, etc.), nas quais deve-se garantir que
apresentem o mesmo tamanho e massa. Por exemplo, amostras de mo de 2 kg,
amostras de canal coletadas a cada 20 cm, testemunhos de sondagem a cada 2
m e, assim por diante. Porm, pelos motivos expostos a seguir, as amostras de
furos de sonda necessitam de preparao para regularizar o intervalo de
amostragem.
3.1 Composio de amostras de furos de sonda
Geralmente o intervalo de amostragem nos furos de sonda no
corresponde ao intervalo de trabalho na fase de avaliao de reservas, embora
tenha sido necessrio analisar as amostras segundo o intervalo de amostragem,
sempre menor que o intervalo de trabalho. Justifica-se isto frente necessidade
de reconhecer e delimitar possveis zonas ricas dentro da jazida. Alm disso, as
amostras individuais dos furos de sonda podem variar bastante em tamanho,
comprimento e peso. Assim, a composio de amostras pelo agrupamento delas
para o intervalo de trabalho, definido segundo a caracterstica que se quer
analisar, produzir dados mais homogneos e, portanto, com maior facilidade de
interpretao. importante especificar a unidade de amostragem utilizada na
avaliao de reservas, pois, segundo Kim (1990), muitos problemas surgem pela
no especificao da unidade de amostragem. Por exemplo, se uma jazida
avaliada com base na populao de amostras de furos de sonda rotativa a
4
tc =
ti ei
i =1
n
(1)
ei
i =1
bancadas;
zona mineralizada.
CC =
altura da bancada
sen
fator de multiplicao
3,864
2,924
2,000
1,414
1,547
1,035
Fe (%)
0.000
59.77
0
61.74
0
62.81
0
5.000
0.000
0.000
Descrio
Fe (%)
Aterro
0.000
WH vermelho amarronzado
62.000
Hematita cinza escuro frivel
60.000
Rocha intrusiva
Hematita cinza escuro
60.000
Rocha intrusiva com Itabirito cinza 35.000
escuro
33.04 93.43 Itabirito cinza escuro, frivel.
55.000
4 ANLISE ESTATSTICA
A anlise estatstica uma etapa importante e deve preceder a anlise
geoestatstica e a estimativa por krigagem ordinria. Esta anlise permite
sumariar os dados obtidos, conferir a base de dados e, inclusive, reconhecer
valores anmalos. Trata-se em conhecer melhor os dados que sero utilizados
para estimativas e inferncias e, portanto, eles devem estar isentos de erros de
digitao. Antes de introduzir os conceitos estatsticos, seria interessante rever
brevemente alguns conceitos de variveis aleatrias e probabilidade.
9
Variveis aleatrias
Uma varivel cujo valor determinado pela realizao de um experimento
denominada varivel aleatria. As variveis aleatrias podem ser subdivididas em
duas classes: discretas e contnuas.
Notao
Letras maisculas sero usadas para referir as variveis aleatrias. Exemplo: X,
representando o teor de slica em minrio de ferro. Letras minsculas referem-se
a um valor especfico da varivel aleatria. Exemplo: x=3.23 %, o teor de slica
em uma amostra especfica.
fA
n
10
e, similarmente:
P (B ) =
fB
n
Ento:
1) 0 P( A) 1 e 0 P(B ) 1
2) P(S ) = 1
3) Se A e B so eventos mutuamente exclusivos, ou seja, no podem ocorrer
simultaneamente (AB=0), ento P( A B ) = P( A) + P(B ) .
Distribuio de probabilidade
As probabilidades p(x1), p(x2), ... ,p(xn) associadas aos valores possveis x1, x2, ...
,xn de uma varivel aleatria X constituem a distribuio de probabilidade de X.
Funo de probabilidade
Ao conjunto de pares ordenados (xi, p(xi)) denomina-se funo de probabilidade
de X.
P(a x b ) = f ( x')dx'
a
P( x' x ) = F ( x ) = f ( x')dx'
11
Histograma
1.0
1.5
2.0
Valores dos dados
Curva acumulativa
O procedimento para obteno de freqncias acumuladas o mesmo que
o do tipo anterior, porm as freqncias dos dados agrupados nos intervalos so
agora acumuladas. A curva acumulativa a representao grfica obtida do
lanamento das freqncias acumuladas em ordenada e os intervalos de medida
12
P( X ) = f ( x )dx
13
% ACUMULADA
1.0
1.5
2.0
Valores dos dados
14
Mdia
i =1
i =1
1 1 n
= xi
n n i =1
Propriedades da mdia
Tem-se a seguir algumas propriedades associadas mdia (Fonseca &
Martins, 1982, pgs. 40-41):
a) a mdia de uma constante a prpria constante;
15
E [K ] = K
E X X =0
Mediana
A mediana corresponde ao valor da varivel aleatria a 50% da distribuio
acumulada de freqncias. No exemplo da Figura 7, o valor da varivel aleatria
correspondente a 50% igual a 1,204.
Moda
A moda corresponde classe mais freqente verificada no histograma.
Para o exemplo da Figura 6, a moda corresponde classe 1,2 1,3. Quando
duas modas so verificadas, com as mesmas freqncias, ento a distribuio
bimodal.
16
i =1
i =1
1 1 n
= xi X
n n i =1
[ ]
S 2 = E X 2 E[X ]
Propriedades da varincia
As propriedades associadas varincia, segundo Fonseca & Martins
(1982) so:
a) a varincia de uma constante zero;
Var [K ] = 0
17
Coeficiente de variao
S
X
Teorema de Chebyshev
De acordo com o Teorema de Chebyshev, para qualquer funo densidade
de probabilidade, a proporo da varivel aleatria dentro de K desvios padro
1
em torno da mdia sempre no mnimo 1 2 , onde K qualquer nmero
K
positivo maior que 1. A Tabela 4 mostra a proporo de Chebyshev para alguns
valores de K.
18
K
2
3
4
1
K2
0.75
0.89
0.94
Assimetria
CA= ( xi X ) 3 / S 3
i =1
Curtose
CC = ( xi X ) 4 / S 4
i =1
19
f ( x )=
e 1 / 2[( x ) / ]
(2)
20
1
2
3
4
Qualquer
varivel
aleatria
n.d.
0.75
0.8889
0.9375
Varivel
aleatria
normal
0.68
0.95
0.997
0.99994
21
1
x 2
e 1 / 2[(log x ) / ]
(3)
1
( x + C ) 2
e 1 / 2[(log( x +C ) ) / ]
C=
M 2 p1 p 2
p1+ p 22M
22
Figura 11: Curvas de distribuio lognormal com e C iguais a zero e trs valores
de 2, segundo Aitchison & Brown (1957, apud Koch & Link, 1971).
( X 1 + X 2 + ... + X n )
n
[ ]
EX =
1
(E[X 1 ] + E[X 2 ]+ .... + E[X n ])
n
ou
23
[ ]
EX =
1
(n. ) =
n
[ ]
[ ]
[ ]
2
2
n = / n
1
Var X = (Var[X 1 ] + Var [X 2 ] + ....Var[ X n ])
n
ou
1
Var X = 2
n
24
X
S
n
(A)
(B)
(C)
(D)
X t 5%
s
n
< < X + t 5%
s
n
Covarincia
A varincia mede a disperso de uma varivel aleatria X em torno da sua
mdia X , enquanto a covarincia mede a disperso ou como encontram-se
correlacionadas duas variveis aleatrias simultaneamente:
Coeficiente de correlao
O resultado da covarincia nem sempre de fcil interpretao, pois
depende dos valores associados s variveis aleatrias X e Y. Assim, comumente
utiliza-se de outra medida derivada da covarincia denominado coeficiente de
correlao, conforme a seguinte expresso:
Corr ( X , Y ) =
Cov( X , Y )
Var ( X )Var (Y )
27
Reta de regresso
Dado um conjunto de pares ordenados {xi, yi, i=1,n}, pode-se determinar a
relao funcional y = f ( x ) , atravs do mtodo dos mnimos quadrados. Vamos
exemplificar neste item a obteno da reta dos mnimos quadrados: y = a + bx .
Segundo este mtodo, a diferena elevada ao quadrado entre os valores
observados (y) e calculados (y*) deve ser a mnima possvel. Assim, devemos
minimizar:
n
S = y i y i
i =1
S = ( y i a bxi )
i =1
dS n
= 2( y i a bxi )( 1) = 0
da i =1
dS n
= 2( y i a bxi )( xi ) = 0
db i =1
desenvolvendo, tem-se:
n
i =1
i =1
i =1
a 1 + b xi = y i
i =1
i =1
i =1
a xi + b xi2 = xi yi
Por fim, os coeficientes procurados so:
n
y i b xi
a=
i =1
i =1
b=
Cov( X , Y )
Var [ X ]
28
5 ANLISE GEOESTATSTICA
Na estatstica trabalhamos com realizaes de variveis aleatrias; na
geoestatstica trabalhamos com as funes aleatrias onde as amostras so
vistas como realizaes de uma varivel aleatria que, por sua vez, funo das
coordenadas espaciais. A geoestatstica envolve a anlise e predio de
fenmenos espaciais ou temporais, tais como: teores de minrio, porosidades,
concentrao de poluentes, preo do petrleo no tempo, etc. etapa de estudo e
modelagem da correlao espacial denomina-se anlise geoestatstica. desta
anlise que se obtm a ferramenta bsica da estimativa por meio da krigagem
ordinria, que o variograma. Aps a anlise geoestatstica, pode-se fazer
predies ou simulaes estocsticas em pontos no amostrados para melhor
compreenso do fenmeno espacial em estudo.
Com o modelo de variograma reconhecem-se anisotropias (feio
particular dos mtodos geoestatsticos), bem como uma idia da variabilidade a
pequenas distncias dada pelo comportamento prximo origem.
Cabe salientar que a krigagem, como mtodo de estimativa da varivel de
interesse, s deve ser utilizada quando o variograma experimental for estruturado,
ou seja, se a variabilidade no for totalmente aleatria (efeito pepita puro).
Srie B:
Mdia
5
5
Varincia
6,67
6,67
29
[
B : [(1 3)
]
+ (4 2 ) ]/ 8 = 3,63
A : (1 7 ) + (7 3) + (3 6 ) + (6 2 ) + (2 9 ) + (9 4 ) + (4 8) + (8 5) / 8 = 22
2
+ (3 5) + (5 7 ) + (7 9 ) + (9 8) + (8 6 ) + (6 4 )
2
[
B : [(1 5)
]
+ (8 4 ) ]/ 7 = 12,86
A : (1 3) + (3 2 ) + (2 4 ) + (4 5) + (7 6 ) + (6 9 ) + (9 8) / 7 = 3
2
+ (5 9 ) + (9 6 ) + (6 2 ) + (3 7 ) + (7 8)
2
e, assim sucessivamente.
Calculando-se a varincia espacial at quatro intervalos de amostragem
tem-se os resultados mostrados na Tabela 7.
Tabela 7: Varincias espaciais para as sries A e B, determinadas at quatro
intervalos de amostragem.
intervalo de
amostragem
1
2
3
4
var. esp. A
var. esp. B
22,00
3,00
23,67
3,80
3,63
12,86
23,83
29,60
30
definida no ponto x1. Segundo Journel & Huijbregts (1978), denomina-se funo
aleatria Z(x) o conjunto de teores Z(x) para todos os pontos x dentro do depsito
[i.e. varivel regionalizada Z(x)]. A interpretao probabilstica de uma varivel
regionalizada, como uma realizao particular de uma certa funo aleatria Z(x),
tem um significado operacional quando for possvel inferir toda ou parte da lei de
probabilidades que define essa funo aleatria na sua totalidade (Journel &
Huijbregts, 1978).
A maioria das variveis regionalizadas apresenta um aspecto aleatrio,
consistindo de variaes altamente irregulares e imprevisveis, e um aspecto
estruturado, refletindo as caractersticas estruturais do fenmeno regionalizado
(Kim, 1990). Uma formulao apropriada para soluo de problemas de
estimativa deve levar em considerao essas duas caractersticas aparentemente
contraditrias, por meio de uma representao simples da variabilidade espacial
(Journel & Huijbregts 1978).
A Teoria das Variveis Regionalizadas tem por objetivos o estudo e
representao das propriedades estruturais das variveis regionalizadas para
resoluo de problemas de estimativa.
Hiptese intrnseca
"Um conceito bsico na Teoria das Variveis Regionalizadas a chamada
hiptese intrnseca, a qual implica que uma funo (a funo intrnseca) descreve
o comportamento espacial da varivel regionalizada dentro do espao e que essa
funo uma caracterstica intrnseca da regionalizao. A funo intrnseca na
verdade o chamado semivariograma. Em outras palavras, a geoestatstica
assume que a distribuio das diferenas entre dois pontos amostrais (estatstica
de dois pontos) a mesma para todo o depsito e que ela depende apenas da
distncia e orientao entre os pontos. Essa a conceituao geoestatstica da
hiptese intrnseca, algumas vezes referenciada como hiptese de quaseestacionaridade. A variao espacial estacionria se ela puder ser reconhecida
em todas as partes do espao, ou seja, o variograma o mesmo onde quer que
se amostre. A estacionaridade usada na Teoria das Variveis Regionalizadas a
estacionaridade de segunda ordem das diferenas entre a varivel Z(x) e a
varivel Z(x+h) nos pontos (x) e (x+h), onde (Z(x); x D) um processo
estocstico a valores reais, definido sobre um domnio D em R, R2 ou R3", in IPT
(1989).
32
Localizao
Os valores de uma varivel regionalizada so dependentes de suas funes
espaciais relativas dentro do campo geomtrico (depsito). Alm disso, estes
valores so dependentes do tamanho da amostra, forma e orientao (suporte
amostral);
Suporte
Por vezes a varivel regionalizada Z(x) no est definida num ponto, mas sobre
uma rea ou volume centrado em x. A unidade amostral bsica sobre a qual a
varivel medida chama-se suporte (IPT, 1989);
Continuidade
A variao espacial de uma varivel regionalizada pode ser, dependendo do
fenmeno, grande ou pequena, mas deve existir uma certa continuidade ponto a
ponto;
Anisotropias
A regionalizao pode apresentar anisotropias quando apresenta variaes
graduais numa direo e rpida ou irregular em outra;
5.3 O variograma
O variograma a ferramenta bsica que permite descrever
quantitativamente a variao no espao de um fenmeno regionalizado
(Huijbregts, 1975).
A natureza estrutural de um conjunto de dados (assumido pela varivel
regionalizada) definida a partir da comparao de valores tomados
simultaneamente em dois pontos, segundo uma determinada direo.
A funo variograma 2(h) definida como sendo a esperana matemtica
do quadrado da diferena entre os valores de pontos no espao, separados por
uma distncia h, conforme a seguinte expresso:
2 (h ) = E [Z ( x + h ) Z ( x )]
ou em termos computacionais:
2 (h ) =
1 n
2
. [Z ( x + h) Z ( x)]
n i =1
33
(h ) =
1 n
2
. [Z ( x + h) Z ( x)]
2n i =1
d i = xi yi cos 45 o
elevando a distncia ao quadrado tem-se:
d i2 =
1
(xi yi )2
2
xy =
1 n 2
. d i ,
n i =1
34
ou
xy =
1 n 1
1 n
2
2
. ( xi yi ) =
. (xi yi )
2n i =1
n i =1 2
Var [Z (x )] = E [Z ( x ) m]
C (h ) = E [Z ( x + h ).Z ( x )] m 2
(4)
(h ) =
1
E Z 2 ( x + h ) 2 Z (x + h ).Z ( x ) + Z 2 (x )
2
(h ) =
{[
]}
1
E Z 2 ( x + h ) 2 E [Z ( x + h ).Z ( x )] + E Z 2 ( x )
2
(5)
C (0 ) = E [Z ( x ) m]
C (0 ) = E Z 2 ( x ) 2 Z ( x ).m + m 2
C (0) = E Z 2 (x ) 2mE [Z ( x )] + m 2
como E [Z ( x )] = m , tem-se:
C (0) = E Z 2 ( x ) 2mm + m 2 = E Z 2 ( x ) m 2
ou
E Z 2 ( x ) = C (0) + m 2
(6)
] [
E Z 2 (x ) = E Z 2 (x + h )
(7)
(h ) =
1
C (0) + m 2 2 C (h ) + m 2 + C (0) + m 2
2
(h) =
1
[2C (0) 2C (h )]
2
portanto:
(h ) = C (0) C (h )
(8)
Amplitude
a distncia a partir da qual as amostras passam a ser independentes (Figura
17). Em outras palavras, a amplitude reflete o grau de homogeneizao entre as
amostras, ou seja, quanto maior for a amplitude maior ser a homogeneidade
37
Zona de influncia
Uma feio resultante da anlise dos parmetros do variograma
experimental a determinao da zona de influncia, que um fenmeno de
transio caracterizado exclusivamente por modelos de variograma que possuem
patamar e amplitude definidos. Portanto, qualquer valor de Z(x) estar
correlacionado com outros valores Z(x+h) que estiverem dentro de um raio a de
x. Esta correlao, ou a influncia de um valor em outro, decresce conforme
Z(x+h) aproxima-se de a.
5.6 Anisotropias
Os variogramas determinados ao longo de diferentes direes da jazida
podem mostrar variaes distintas, como exemplificados pela Figura 18. A
anisotropia pode ser geomtrica (Figura 18A), quando a amplitude varia conforme
as direes, mas sob um patamar constante; zonal (Figura 18B) quando a
amplitude permanece constante e o patamar varia de acordo com a direo; e,
por fim, a anisotropia mista (Figura 18C) onde variam tanto a amplitude quanto o
patamar, ou seja, quando as vrias direes resultam em diferentes variogramas.
38
Figura 20: Domnios de definio do variograma, segundo Bubenicek & Haas (1969). O campo
geomtrico coincide com o depsito e, neste caso, um variograma intrnseco pode ser obtido (A); o
campo geomtrico engloba parte do depsito e uma zona no mineralizada, fazendo com que o
variograma seja dependente da posio e tamanho do campo, alm de apresentar variabilidade
maior que aquela verificada no variograma intrnseco (B); o campo geomtrico muito maior que o
depsito e o variograma tende a zero quando o tamanho do campo aumenta. Contudo, possvel
definir um variograma transitivo que independente do campo que engloba o depsito (C).
cia
n so
er as
l
To o P
d
Pa
ss
o
Passo 4
L
M a rg
x u r
im a
a
Passo 3
Passo 2
Passo 1
Passo 0
Tolerncia
Angular
Direo
Esfrico
h
(h) = C o + C1 exp
a
h 2
(h) = C o + C 1 exp
a
3 h 1 h 3
(
)
h = C o + C para h < a
2 a 2 a
(h) = C o + C para h a
43
A)
B)
100
100
80
80
60
60
40
40
20
20
0
0
20
40
60
80
100
0
0
20
40
60
80
100
Figura 23: Conjunto de pontos de dados (A) e sua fronteira convexa com o
desenho dos ns da malha regular pertencentes mesma (B).
B)
Figura 24: Localizao dos oito pontos mais prximos para o arranjo aleatrio (A),
localizao dos oito pontos mais prximos para o arranjo semi-regular (B),
modificado de Harbaugh et al. (1977).
Assim, para se evitar agrupamentos de pontos foram estabelecidos
critrios de seleo de amostras baseados na subdiviso da regio do ponto a ser
estimado em quatro ou oito setores, denominados respectivamente quadrante e
octante.
Quadrante
A)
B)
Figura 25: Seleo de duas amostras por quadrante, para o arranjo aleatrio (A) e para o arranjo
semi-regular (B), adaptado de Harbaugh et al. (1977).
Octante
B)
Figura 26: Seleo de uma amostra por octante, para o arranjo aleatrio (A) e
para o arranjo semi-regular (B), adaptado de Harbaugh et al. (1977).
Figura 28: Seleo de uma amostra de furo de sonda mais prxima por setor
(octante tridimensional), em relao ao centro do bloco.
48
100
80
60
40
20
0
0
20
40
60
80
100
50
Equaes de krigagem
Z (x o ) = i .Z(x i )
(9)
i=1
E Z(x o ) Z (x o ) = 0
fazendo E[Z(x o )] = m e tendo que:
n
n
E Z (x o ) = E i Z(x i ) = iE[Z(x i )]
i=1
i=1
n
E Z (x o ) = m i
i=1
51
i=1
=1
(10)
E2 = Var Z(x o ) Z (x o )
(11)
= 2 i C(x o x i )
i
Cov Z (x o )Z (x o ) = Var Z (x o )
= Var i Z(x i )
i
= i j C(x i x j )
i
52
- restrito a:
= 1 ou
1= 0
Forma-se o lagrangiano:
para i=1,n
j = 1
j
para i = 1, n
(12)
53
M
M
C ( x n x1 ) C ( x n x 2 )
1
1
L C ( x1 x n )
L C (x2 xn )
L
M
L C (xn xn )
L
1
1 1 C ( xo x1 )
1 2 C ( xo x 2 )
M M =
M
1 n C ( xo x n )
0
1
j = 1
j
para i = 1, n
(13)
M
M
( x n x1 ) ( x n x 2 )
1
1
L ( x1 x n )
L (x2 xn )
L
M
L (xn xn )
L
1
1 1 ( xo x1 )
1 2 ( xo x 2 )
M M =
M
1 n ( xo x n )
0
1
Varincia de krigagem
C(x
o termo
C(x
j
x j ) = C(x o x i )
para i=1,n
C(x
i
x j ) i = i C(x o x i )
e lembrando que
= 1, tem-se:
C(x
i
x j ) = i C(x o x i ) +
(14)
(15)
Varincia de interpolao
do conjunto de pesos {i, i=1,n} e dos valores dos dados z(xi), medindo a maior
variabilidade existente no bloco B.
Journel & Rossi (1989) j haviam concludo que a varincia de krigagem
mede apenas a configurao espacial dos dados; como a varincia de krigagem
depende apenas do variograma que global, ela independente dos valores locais
dos pontos de dados. Assim, Yamamoto (2000) props uma expresso para o
clculo da varincia de krigagem, que determinada como a mdia ponderada
das diferenas ao quadrado entre os valores dos pontos de dados e a estimativa
Z ( xo ) , como segue:
n
S o2 = i Z ( xi ) Z ( xo )
i =1
(16)
Essa expresso foi introduzida por Yamamoto (1989) para definir uma
varincia de interpolao associada a teores estimados atravs das equaes
multiqudricas em depsitos minerais. Yamamoto (1991) estendeu a definio
para calcular a varincia de interpolao usando os pesos da krigagem ordinria.
i =
i+ c
( j + c )
n
j =1
56
Os pesos corrigidos podem ser agora substitudos nas equaes (9) e (16)
para clculo do valor estimado e da varincia de interpolao, respectivamente.
Distribuio de probabilidade
i =1
As
equaes de krigagem permitem determinar
o conjunto de
ponderadores {i, i=1,n} associados ao conjunto de dados disponveis
{Z(xi),i=1,n}, que combinados conforme a equao (9), resulta na estimativa do
valor desconhecido Z (x o ) .
Conforme o domnio que se estima, tem-se:
- krigagem pontual;
- krigagem de bloco.
Krigagem pontual
57
4
3
Figura 32: Configurao dos pontos de amostragem (+) para krigagem pontual na
localizao do ponto marcado com crculo.
Os dados dos pontos de amostragem, selecionados pelo critrio dos
quadrantes, encontram-se na Tabela 8.
Tabela 8: Coordenadas dos pontos de amostragem.
Ponto
Coord. X
Coord. Y
Varivel
0*
250
200
1
300
350
56
2
125
250
46
3
200
125
37
4
400
150
42
* Ponto a ser estimado pela krigagem ordinria.
Seja considerado vlido para os dados em estudo, o seguinte modelo de
variograma:
3
h
h
(h ) = 5 + 151.5 0.5 para h < 800
a
a
(h ) = 20
para h 800
d (x1 , x 2 ) =
= 201,56
( x1 x2 ) = 5 + 151.5
201.56
201.56
0.5
800
800
= 10.55 ;
11.71 9.05
0
10.55 1 3 = 7.52
0
1 4 9.39
11.13 12.86 10.55
1
1
1
1
0 1
[1 = 0.21
Krigagem de bloco
nmero de
pontos
10
6x6
4x4x4
4
3
Leste
(m)
275
225
225
275
Norte
(m)
225
225
175
175
4
3
4
3
= 79.06
d (x sb 2 x1 ) =
= 145.77
d (x sb3 x1 ) =
= 190.39
d (x sb 4 x1 ) =
= 176.78
( x sb 2
3
145.77
145.77
x1 ) = 5 + 151.5
0.5
= 9.05
800
800
( x sb3
3
190.39
190.39
x1 ) = 5 + 151.5
0.5
= 10.25
800
800
( x sb 4
3
176.78
176.78
x1 ) = 5 + 151.5
0.5
= 9.89
800
800
( xo x1 ) =
62
( xo x 2 ) =
( x o x3 ) =
( xo x 4 ) =
11.71 9.05
0
10.55 1 3 = 7.6150
0
1 4 9.4375
11.13 12.86 10.55
1
1
1
1
0 1
[1 = 0.24
1x1
584,67
408,53
538,36
460,13
497,66
530,37
781,17
591,13
malhas de subdiviso
2x2
4x4
6x6
576,41
574,30
573,98
418,29
419,19
419,38
519,89
520,58
520,53
479,73
480,35
480,52
547,87
549,40
550,13
513,32
513,56
513,47
737,04
732,29
731,06
580,73
578,75
578,74
10 x 10
573,81
419,47
520,47
480,61
550,51
513,42
730,41
578,72
63
VALIDAO CRUZADA
10
0
0
10
15
VALOR REAL
Efeito de suavizao
E Z (x ) Z (x ) Z (x ) > z c 0
65
2
(x ) = KS
(x )
Var{Z ( x )} Var Z KS
2
(x ) = KO
(x ) + 2 0
Var{Z ( x )} Var Z KO
} { }
(x ) = E S o2 0
Var{Z ( x )} Var Z KO
66
B)
15
A)
Nmero de dados
= 224
Mdia
= 3.137
Desvio padro
= 2.339
Coeficiente de variao = 0.746
Mximo
= 14.577
Quartil superior
= 4.191
Mediana
= 2.735
Quartil inferior
= 1.469
Mnimo
= 0.290
10
25
Nmero de dados
= 2015
Mdia
= 3.147
Desvio padro
= 1.615
Coeficiente de variao = 0.513
Mximo
= 14.577
Quartil superior
= 3.828
Mediana
= 2.914
Quartil inferior
= 2.092
Mnimo
= 0.290
20
15
10
5
5
0
0
0
10
15
VARIVEL
10
15
ESTIMATIVA (KO)
SEMIVARIOGRAM
Figura 37: Histograma da distribuio dos dados originais (A) e dos dados
estimados pela krigagem ordinria (B).
10
0
0
200
400
600
800
1000
DISTANCE
67
Z (xo )
t gl ,ns
(17)
68
E .t gl ,ns
Z (xo ). nsb
100(%)
(18)
Medido
Provada
Provvel
Erro: 10%
Erro: 20%
N.C.: > 80%
N.C.:60-80%
Erro: 10%
Erro: 20%
N.C.: 90%
N.C.: 90%
Erro: 0-20%
N.C.: 95%
Erro: 0-20%
N.C.: 90%
Indicado
Possvel
Erro: 40%
N.C.:40-60%
Erro: 30%
N.C.: 90%
Erro: 20-50%
N.C.: 95%
Erro: 20-50%
N.C.: 90%
Inferido
Inferida
Erro: 60%
N.C.:20-40%
Erro: 50%
N.C.: 90%
Erro: >50%
N.C.: 95%
Erro: > 50%
N.C.: 90%
70
80
60
Ag
Ag
Ag
Au
Ag
Au
0
0
20
40
60
80
Au
Ag
Ag
Au
Au
Au
Au
20
Ag
Au
Ag
20
Ag
Au
20
Ag
Ag
40
Ag
Au
Ag
Au
40
Ag
Au
Ag
60
60
40
Ag
Au
Au
Ag
Au
80
80
Ag
Ag
Au
(C )
Ag
Au
Au
Au
Au
(B)
Ag
Au
Ag
Au
20
40
60
80
20
40
60
80
ij (h ) =
1
E {[Z i ( x + h ) Z i ( x )]* Z j ( x + h ) Z j ( x ) }
2
71
para funes aleatrias intrnsecas multivariadas (de ordem zero) deve satisfazer
(Chils & Delfiner 1999):
E [Z i ( x + h ) Z i ( x )] = 0
Cov[Z i ( x + h ) Z i ( x ), Z j ( x + h ) Z j ( x )] = 2 ij (h )
para i = 1, L , p
existe e depende apenas de h
Ainda segundo Chils & Delfiner (1999), o variograma cruzado possui duas
vantagens sobre o covariograma cruzado, a saber:
1. no assume varincias finitas e;
2. a estimativa do variograma cruzado no contaminada pela estimativa das
mdias. Quando existe, a relao entre o variograma cruzado e a
covarincia cruzada :
ij (h ) = C ij (0)
] [
1
1
C ij (h ) + C ij ( h ) + C ij (h ) C ij ( h )
2
2
ii (h ) jj (h ) ij (h )
da qual diferencia-se por ser o segundo termo do segundo membro uma varivel
diferente daquela analisada no primeiro termo.
Algumas questes prticas devem ser mencionadas para o variograma
cruzado.
a. uma dada estrutura (por exemplo: efeito pepita) no pode estar presente
no variograma cruzado ( 12 ) se no estiver presente nos variogramas
diretos ( 1 ou 2 ) ;
72
b. uma dada estrutura (por exemplo: efeito pepita) pode estar presente nos
variogramas diretos ( 1 ou 2 ) e no estar presente no variograma cruzado
( 12 ) .
7.3 O Modelo Linear de Corregionalizao
C (h ) = Bk Ck (h ) ou (h ) = Bk k (h )
h
h
h
+ 12sph
e 2 = 5 + 9sph
onde 1 o variograma da
50
135
135
1 = 3 + 5sph
h
observa-se ainda que o variograma cruzado no
135
np
Z *p0 ( x 0 ) = ip Z p ( xi )
p =1 i =1
i =1
p
i
1 se p = p0
= pp0 =
0 se p p 0
74
de
estimativa,
conforme
np
p
N np
N
E [Z *p0 ( x 0 ) Z p0 ( x0 )] = E ip Z p ( xi ) ip0 Z p0 ( x 0 ) ip Z p ( x 0 ) =
p = 0 i =1
i =1
p =1 i =1
1
23
23
p p0 1
1
0
np
= ip E [Z p ( xi ) Z p ( x0 )] = 0
14442444
3
p =1 i =1
N
1 se p = p 0
Introduzindo-se os pesos 0p = pp0 =
que esto includos nos
0 se p p 0
somatrios, pode-se reduzir a expresso da varincia de estimativa para:
2
N n p
p
= E i Z p ( xi )
p =1 i =0
2
E
Inserindo-se
variveis
aleatrias
fictcias
Z p (0 )
arbitrariamente
np
N n p
E2 = E ip Z p ( xi ) Z p (0) ip
i =1
p =1 i =0
1
23
0
2
N n p
= E ip (Z p ( xi ) Z p (0))
p =1 i =0 1442443
incrementos
P
(xi , x j ), que no
Definido-se a covarincia cruzada dos incrementos C pq
nq
P
(x i , x j )
E2 = ip qj C pq
N
p =1 q =1 i = 0 j = 0
75
np
nq
= 2 pp ( xi x0 ) p p ( x0 x0 ) ip qj pq (xi x j )
N
2
E
p =1 i =1
p
i
0 0
p =1 q =1 i =1 j =1
em termos matriciais ser escrito, em sua forma reduzida e para uma varivel
primria e uma secundria, como:
1
C
C12
1
11
C 22
0
C 21
1 1 1 0 0 0 0
0 0 0 1 1 1 0
0 11
0 12 C 01
0 13
1 12
= onde C pq uma matriz covarincia 3x3
1 22 C 02
1 32
0 1 1
0 0
2
2
CKO
np
= ip pp0 ( xi x0 ) + p0 p0 p0 ( x0 x0 )
p =1 i =1
76
77
Journel, A., Kyriakidis, P.C., and Mao, S., 2000, Correcting the smoothing effect of
estimators: a spectral postprocessor: Math. Geology, v. 32, no. 7, p. 787-813.
Kim, Y. C. 1990. Introductory geostatistics and mine planning. Tucson, The
University of Arizona. 139p.
Koch Jr., G.S. & Link, R.F. 1971. Statistical analysis of geological data. New York,
Dover Publishing. Vol. I. 375p.
Krige, D. G. 1978. Lognormal-De Wijsian geostatistics for ore evaluation.
Johannesburg, South Afr. Inst. Min. Metall. 50p.
Landim, P. M. B. - 1985. Introduo a Geoestatstica. Laboratrio de
Geomatemtica. Publicao Didtica n. 3. Instituto de Geocincias e
Cincias Exatas, Campus de Rio Claro. UNESP. 69p.
Lapin, L. L. 1982. Statistics for modern business decisions. Apud Davis, J. C.
(1986).
Matheron, G. 1965. Les variables rgionalises et leur estimation. Apud
Huijbregts, C.J. 1975. Regionalized variables and quantitative analysis of
spatial data.
Matheron, G. 1971. The theory of regionalized variables and its applications.
Fontainebleau, cole Nationale Suprieux das Mines de Paris. 211p. (Les
Cahiers de Centre de Morphologie Mathmatique de Fontainebleau, 5).
Miesch, A.T. 1967. Theory of errors in geochemical data. Washington, USGS.
(USGS Prof. Paper, 574-A). 17p.
Olea, R.A., 1991, Geostatistical glossary and multilingual dictionary: Oxford
University Press, New York, 175p.
Olea, R. 1994. Fundamentals of semivariograms estimation, modeling and usage.
In: Yarus, J.M. & Chambers, R.L. (eds) Stochastic modeling and geostatistics
principles, methods and case studies. Tulsa, AAPG (AAPG Computer
Application in Geology no 3). P.27-36.
Olea, R., 1999, Geostatistics for engineers and earth scientists: Kluwer Academic
Publishers, Boston, 303p.
Pannatier, Y. - 1994. MS-WINDOWS Programs for Exploratory Variography and
Variogram Modeling in 2D. In Statistics of Spatial Processes: Theory and
Applications. Bary. Italy.
Royle, A. G. 1979. Why geostatistics ? Eng. & Min. J., 180(5):92-101.
79
80
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
0.00
5000
4602
4207
3821
3446
3085
2743
2420
2119
1841
1587
1357
1151
0968
0808
0668
0548
0446
0359
0287
0228
0179
0139
0107
0082
0062
0047
0035
0026
0019
0013
0010
0007
0005
0003
0.01
4960
4562
4168
3783
3409
3050
2709
2389
2090
1814
1562
1335
1131
0951
0793
0655
0537
0436
0351
0281
0222
0174
0136
0104
0080
0060
0045
0034
0025
0018
0013
0009
0007
0005
0003
0.02
4920
4522
4129
3745
3372
3015
2676
2358
2061
1788
1539
1314
1112
0934
0778
0643
0526
0427
0344
0274
0217
0170
0132
0102
0078
0059
0044
0033
0024
0018
0013
0009
0006
0005
0003
0.03
4880
4483
4090
3707
3336
2981
2643
2327
2033
1762
1515
1292
1093
0918
0764
0630
0516
0418
0336
0268
0212
0166
0129
0099
0075
0057
0043
0032
0023
0017
0012
0009
0006
0004
0003
0.04
4840
4443
4052
3669
3300
2946
2611
2296
2005
1736
1492
1271
1075
0901
0749
0618
0505
0409
0329
0262
0207
0162
0125
0096
0073
0055
0041
0031
0023
0016
0012
0008
0006
0004
0003
0.05
4801
4404
4013
3632
3264
2912
2578
2266
1977
1711
1469
1251
1056
0885
0735
0606
0495
0401
0322
0256
0202
0158
0122
0094
0071
0054
0040
0030
0022
0016
0011
0008
0006
0004
0003
0.06
4761
4364
3974
3594
3228
2877
2546
2236
1949
1685
1446
1230
1038
0869
0721
0594
0485
0392
0314
0250
0197
0154
0119
0091
0069
0052
0039
0029
0021
0015
0011
0008
0006
0004
0003
0.07
4721
4325
3936
3557
3192
2843
2514
2206
1922
1660
1423
1210
1020
0853
0708
0582
0475
0384
0307
0244
0192
0150
0116
0089
0068
0051
0038
0028
0021
0015
0011
0008
0005
0004
0003
0.08
4681
4286
3897
3520
3156
2810
2483
2177
1894
1635
1401
1190
1003
0838
0694
0571
0465
0375
0301
0239
0188
0146
0113
0087
0066
0049
0037
0027
0020
0014
0010
0007
0005
0004
0003
0.09
4641
4247
3859
3483
3121
2776
2451
2148
1867
1611
1379
1170
0985
0823
0681
0559
0455
0367
0294
0233
0183
0143
0110
0084
0064
0048
0036
0026
0019
0014
0010
0007
0005
0003
0002
81
Nvel de significncia
2.5
1
12.706
31.821
4.303
6.965
3.182
4.541
2.776
3.747
2.571
3.365
g.l.
1
2
3
4
5
10
3.078
1.886
1.638
1.533
1.476
5
6.314
2.920
2.353
2.132
2.015
0.5
63.657
9.925
5.841
4.604
4.032
0.1
318.310
22.327
10.215
7.173
5.893
6
7
8
9
10
1.440
1.415
1.397
1.383
1.372
1.943
1.895
1.860
1.833
1.812
2.447
2.365
2.306
2.262
2.228
3.143
2.998
2.896
2.821
2.764
3.707
3.499
3.355
3.250
3.169
5.208
4.785
4.501
4.297
4.144
11
12
13
14
15
1.363
1.356
1.350
1.345
1.341
1.796
1.782
1.771
1.761
1.753
2.201
2.179
2.160
2.145
2.131
2.718
2.681
2.650
2.624
2.602
3.106
3.055
3.012
2.977
2.947
4.025
3.930
3.852
3.787
3.733
16
17
18
19
20
1.337
1.333
1.330
1.328
1.325
1.746
1.740
1.734
1.729
1.725
2.120
2.110
2.101
2.093
2.086
2.583
2.567
2.552
2.539
2.528
2.921
2.898
2.878
2.861
2.845
3.686
3.646
3.610
3.579
3.552
21
22
23
24
25
1.323
1.321
1.319
1.318
1.316
1.721
1.717
1.714
1.711
1.708
2.080
2.074
2.069
2.064
2.060
2.518
2.508
2.500
2.492
2.485
2.831
2.819
2.807
2.797
2.787
3.527
3.505
3.485
3.467
3.450
26
27
28
29
30
1.315
1.314
1.313
1.311
1.310
1.706
1.703
1.701
1.699
1.697
2.056
2.052
2.048
2.045
2.042
2.479
2.473
2.467
2.462
2.457
2.779
2.771
2.763
2.756
2.750
3.435
3.421
3.408
3.396
3.385
40
60
120
inf
1.303
1.296
1.289
1.282
1.684
1.671
1.658
1.645
2.021
2.000
1.980
1.960
2.423
2.390
2.358
2.326
2.704
2.660
2.617
2.576
3.307
3.232
3.160
3.090
82