Curso Métodos 4 A GR

/ ë O
Parte 4A
p

/ ë O
Ô trodução
Medidas geológicas em sequê cias:
Neste bloco de assu tos iremos co siderar os modos de se exami ar

dados que são caracterizados por sua posição ao lo go de uma
li a. Ôsto é, eles formam uma sequê cia e a posição a qual
cada dado ocorre de tro da sequê cia é importa te. Co u tos
de dados deste tipo são comu s em geologia e i cluem, e tre
outros:
- sucessões de litologias ide tificadas;
- e saios geoquímicos e mi eralógicos em perfis,
tri ceiras, testemu os de so dagem, etc.
- registros geofísicos em poços ou em perfis a
superfície.
/ ë O
Ô trodução
Medidas geológicas em sequê cias:
Também estão esta categoria os registros efetuados ao lo go do

tempo, tais como:
- vazão de dre age s ao lo go de um período;

- produção de uma mi a ao lo go do a o;
- variação do campo mag ético em BSB a última
década, etc, etc.
/ ë O
Ô trodução
!"# :
$%&registros basta te precisos
Sequê cias basta te precisas ta to o registro da variável que é

medida como a escala ao lo go da qual as seguidas
observações são alocadas.
Exemplo: Registros geofísicos em perfis.

Histórico de produção de um poço de petróleo
/ ë O
Ô trodução
!"# :
$% &registros pouco precisos
Nós podemos co siderar uma sequê cia estratigráfica

co sisti do de tipos de rocas e co tradas ao lo go de uma
seção sedime tar. Tal sequê cia poderia ser um ciclotema de
calcário-folelo-calcário-folelo-are ito-carvão-folelo-
calcário. Nós estamos i teressados a sig ificâ cia da sucessão,
mas ão podemos associar a ela e uma escala.
/ ë O
Ô trodução
!"# :
%!'&ou a variável ou a escala ão são precisas.
No caso a terior poderíamos medir algum atributo dos

difere tes tipos de roca. Por exemplo, poderíamos medir o teor
de cumbo em cada litologia. Neste caso a variável, teor de
cumbo, estaria registrada em escala de i tervalo refere ciada a
uma escala omi al (litologias).
/ ë O
Ô trodução

V

·!
·$

·" ·#
·#
·%

·&

·#
·'

·%
(

·# ·&

)*

·V

/ ë O
Ô trodução
[(") % !:
- São as observações aleatórias ou elas co tém evidê cia de

i ou padrão ?
- Podem ciclos e repetições ser detectados e medidos ?
- Podem ser feitas previsões ou estimativas a partir dos dados ?
- Podem as variáveis estar relacio adas e tre si ?
Embora estas questões possam ão ser explicitame te colocadas em

todas os problemas, você deverá exami ar a atureza das
téc icas, pe sar a sua aplicabilidade e tipos de estudos que
poderão ser solucio ados. Os exemplos que veremos são ape as
sugestões. Muitos outros poderiam ser usados.
/ ë O
Ô trodução
*% !":
Qua do co fro tado com um problema e volve do dados ao

lo go de uma sequê cia, as segui tes questões devem ser feitas
para audar o pla eame to:
- Que questão (ou questões) eu quero respo der ?
- Qual a atureza de mi as observações ?
- Qual a atureza da sequê cia a qual as

observações ocorrem ?
/ ë O
Ô terpolação
+,-. +,&
Muitas das téc icas usadas em a álise de seqüê cias de dados

dema dam que os valores esteam igualme te espaçados. As
observações devem ser coletadas em i tervalos regulares ao
lo go de uma li a ou perfil, ou igualme te espaçadas ao lo go
do tempo.
Esta regularidade a amostragem é, em muitos casos, impossível de

ser obtida. Precisaremos, porta to, estimar o valor da variável
em a álise, em po tos regularme te espaçados, a partir dos
valores co ecidos irregularme te espaçados.
/ ë O
Ô terpolação
+,-. +,&
Embora existam muitos métodos através dos quais dados

regularme te espaçados podem ser estimados de dados
irregularme te espaçados. Co sideraremos, primeiro, a
/0 e tre um par de po tos.
Supo a que y1 e y2 seam valores observados os po tos x1 e x2.

Supo a, agora, que deseamos estimar o valor de y¶ o po to
x¶.
/ ë O
Ô terpolação
/ ë O
Ô terpolação
+,-. +,&
Se podemos supor que exista uma relação li ear e tre os dois

po tos, valores i termediários podem ser calculados a partir de
relações geométricas:
·

·2 ·1 1
Ë ·1
2 1
Em outras palavras, a difere ça e tre valores de dois po tos

adace tes pode ser represe tada por uma fu ção da distâ cia que os
separa.
/ ë O
Ô terpolação
+,-. +,&

Embora a i terpolação li ear sea simples, ela gera algu s
problemas em muitas aplicações.
Se o úmero de po tos igualme te espaçados é aproximadame te o

mesmo que o de po tos origi ais e se estes possuem
espaçame to u iforme, a téc ica produz resultados satisfatórios.
Co tudo, se existem muito mais po tos origi ais que i terpolados,

a maioria dos dados origi ais será ig orada, pois some te dois
po tos vizi os defi em um valor i terpolado.
/ ë O
Ô terpolação
+,-. +,&

Se os dados origi ais possuem uma gra de compo e te aleatória
que faz com que os valores variem forteme te, os valores
i terpolados podem variar de forma i aceitável.
Se os dados origi ais são esparsos e diversos valores devem ser
estimados e tre cada par de observações, a i terpolação li ear
operará adequadame te, desde que a suposição de variação
li ear e tre po tos sea razoável.
Em qualquer problema de i terpolação, precisamos lembrar sempre

que ão podemos criar dados por estimação por qualquer
téc ica. A validade do resultado depe de sempre dos dados
origi ais.
/ ë O
Ô terpolação
+,-.,+ +&
Um aume to o tama o da vizi a ça para a determi ação de um

valor i terpolado pode, em algu s casos, mi orar problemas
observados a i terpolação li ear simples. O i terpolador de
Lagra ge procura atuar este co texto.
/ ë O
Ô terpolação
+,-.,+ +&
Neste i terpolador mais de dois po tos podem ser utilizados a

defi ição de um valor i terpolado. Assim temos:
ë

·

ë

O de é o úmero de po tos co secutivos co siderado a

estimativa de um valor.
/ ë O
Ô terpolação
+,-., &
matemático é restrito a passar por po tos defi idos, porém

e tre os po tos ele se flexio a resulta do uma li a
suaveme te variável.
Os ão são fu ções a alíticas em são modelos estatísticos

como a regressão poli omial. Os são purame te
arbitrários e vazios de base teórica, exceto aquelas que defi em
as características da própria li a.
/ ë O
Ô terpolação
+,-., &
Os spli es são segme tos de poli mios que são restritos a

possuírem derivada co tí ua a u ção e tre segme tos.
O spli e mais comum co siste de poli mios cúbicos do tipo:
Y = ö 1 + ö 2 X + ö 3 X2 + ö 4 X3
A curva defi ida por uma poli omial cúbica pode passar
exatame te por 4 po tos, porém para austar uma sequê cia
maior de po tos é ecessário usar uma sucessão de segme tos
de poli mios.
/ ë O
Ô terpolação
+,-., &
Para gara tir que ão ocorram muda ças abruptas a i cli ação ou
curvatura e tre segme tos, a fu ção ão é austada aos 4 po tos
e, sim, a some te 2. Ôsto permite usar restrições adicio ais que
assegurarão que o te a:
1 ± co ti uidade da 1ª derivada e tre segme tos (a i cli ação
da li a é a mesma em ambos os lados de uma u ção),
2 ± co ti uidade da 2ª derivada (a taxa de variação ão muda
através da u ção).
/ ë O
Ô terpolação
/ ë O
Ô terpolação
/ ë O
Ô terpolação
/ ë O
Teste de corridas
! &
O tipo mais simples de seqüê cia é aquele co sisti do de uma
sucessão de observações colocadas em ordem de ocorrê cia,
o de as observações são !!
%% $1.
Co sidere, por exemplo, uma seção através de uma lâmi a delgada

a qual registramos a ocorrê cia de mi erais opacos ou ão.
Nossa a álise dará origem a uma seqüê cia de dois estados
mutuame te exclusivos.
Podemos criar experime talme te seções similares oga do, por

exemplo, uma moeda e registra do a ocorrê cia de caras e
coroas.
/ ë O
Teste de corridas
Por exemplo, uma sequê cia com 2 te tativas poderia resultar em:
-----------
Nós, i tuitivame te, esperamos, é claro, que cerca de 1 caras

apareçam a seqüê cia. Podemos, i clusive, calcular a
probabilidade de se obter este ou qualquer outro úmero de
caras. Resultados deste tipo de experime to seguem a
distribuição bi omial.
Um aspecto que ão co sideramos até agora, co tudo, é a ordem a

qual ocorrem as caras e coroas.
/ ë O
Teste de corridas
Co sideraríamos a seqüê cia do tipo
-----------
como se do muito estra a, embora a probabilidade do úmero de

caras ão te a mudado. Ôgualme te estra a seria a alter â cia
regular de caras e coroas:
-----------
O que parece estra o as duas sequê cias ão é a proporção de caras e
coroas, mas a ordem a qual elas ocorrem. No experime to, ós
supomos que as caras e coroas ocorrerão aleatoriame te. Nestes
dois exemplos acima existe um claro padrão de regularidade.
/ ë O
Teste de corridas
Podemos testar seqüê cias deste tipo para verificar se a ordem de

ocorrê cia dos dois estados é aleatória ou ão. O teste é baseado
o exame do úmero de . Co são defi idas como
uma seqüê cia ão i terrompida de um mesmo estado.
A primeira seqüê cia observada teria as segui tes corridas:
-----------
23456789 2 3
/ ë O
Teste de corridas
Nós podemos calcular a probabilidade de que uma dada sequê cia de

corridas foi criada pela ocorrê cia aleatória de dois estados. Ôsto
é feito e umera do-se todas as possíveis ma eiras de se arra ar
1 ite s do tipo 1 e 2 ite s do tipo 2. O úmero total de corridas
uma seqüê cia é camado de U. Tabelas de valores críticos de
U, para especificados valores de 1 e 2, são dispo íveis.
Co tudo, se 1 e 2 excedem 1, a distribuição U pode ser
aproximada pela distribuição ormal e podemos usar a tabela Z.
/ ë O
Teste de corridas
O úmero médio esperado de corridas uma seqüê cia gerada

aleatoriame te com 1 ite s do estado 1 e 2 ite s do estado 2 é:
_
U = [(2 . 1 . 2)/( 1 + 2)] + 1
A variâ cia esperada o úmero médio de corridas será:

2 212 212 ë 1 ë 3

1 2 2 1 2 ë1
Com estas equações podemos determi ar o úmero médio de
corridas e o erro padrão o úmero médio de corridas, em todos os
arra os possíveis de 1 e 2 ite s.
/ ë O
Teste de corridas
A estatística Z para verificar se 1 ite s do tipo 1 e 2 do tipo 2 estão

distribuídos aleatoriame te uma sequê cia é dada por:
¢ ¢

¢
Reco ecemos, logo, que este é o formato da estatística z usada

a teriorme te.
/ ë O
Teste de corridas
A ipótese ula que estabelece a ão difere ça e tre o úmero de

corridas observado e o úmero médio esperado uma seqüê cia
aleatória é:
_
H : U = U
a alter ativa _
H1: U ó U
Usa do um ível de sig ificâ cia = 5%, temos os valores críticos

de + 1.96 e ± 1.96. Vamos, agora, testar para as seqüê cias vistas.
/ ë O
Teste de corridas
As seqüê cias têm 1 = 11 ite s e 2 = 9. Porta to,
2.11.9
¢ Ë 1 1.9
11 Ë 9

2

2.11.9 2.11.9 11 9
4.6
¢
9 Ë 11 2 9 Ë 11 1
/ ë O
Teste de corridas
Para a primeira seqüê cia temos U = 13 e a estatística z será:

¢ ë ¢ 13 ë 1.9
1.

¢ 2.1
Como z é me or que o valor crítico aceitamos H. Para as outras

duas sequê cias teremos:
2 ë 1.9 19ë1.9
ë 4.2 e 3.9
2.1 2.1
em ambos os casos reeitamos a ipótese ula.

/ ë O
Sequê cias de Markov
"# !p:1&
Em muitas pesquisas geológicas, seqüê cias de dados podem ser geradas

co stitui do de sucessões orde adas de estados mutuame te exclusivos.
Com exemplo, poderíamos co siderar uma seção tra sversal através de uma
lâmi a delgada com a ide tificação sucessiva dos mi erais.
Seções estratigráficas medidas também possuem a forma de seqüê cias de

litologias. Observações ao lo go de um perfil podem ser feitas em i tervalos
regulares ou toda vez que ouver muda ça de litologia (estado). No primeiro
caso, esperamos observar seqüê cias repetidas de um mesmo estado. No
segu do caso seqüê cias repetidas ão podem ocorrer, pois as observações
são feitas o de as muda ças ocorrem.
/ ë O
"# !p:1&
Em algu s problemas estamos muito mais i teressados a atureza de tra sições

de um estado para outro, do que a posição relativa dos estados a seqüê cia.
Podemos, este caso, empregar téc icas que sacrificam toda i formação
sobre posição das observações a seqüê cia, mas for ecem, por outro lado,
i formação sobre a te dê cia de um estado seguir outro.
Os dados a seguir represe tam uma seção estratigráfica os quais as rocas

sedime tares foram classificadas um i tervalo de 1 m. As litologias i cluem
quatro estados mutuame te exclusivos: are ito (A), calcário (B), folelo (C)
e carvão (D).
/ ë O
/ ë O
Uma matriz 4 x 4 poderia ser co struída mostra do o úmero de

vezes que uma roca é sucedida por outra. Uma matriz deste
tipo é camada de %;!"<# ! /(
A seção estratigráfica medida tem 62 observações e terá, porta to,

( -1) = 61 tra sições.
A matriz é lida das li as para as colu as sig ifica do, por
exemplo, que as tra sições dos estado A para o estado C
e trarão a matriz como eleme to a1,3.
/ ë O
Matriz de frequê cia de tra sições:
para
A B C D total
A 17 5 22
de B 5 2 7
C 5 2 17 3 27
D 3 2 5
total 22 7 27 5 61
Porta to, observa do os dados vemos que existem 5 tra sições

i dica do muda ça do estado A para o estado C.
/ ë O
A matriz de freqüê cia de tra sições é uma ma eira co cisa de

expressar a i cidê cia de um estado se seguir a outro. Observe
que os totais as li as e colu as são os mesmos, desde que a
seção comece e termi e com o mesmo estado. Observe,
também, que esta matriz ão é simétrica.
A te dê cia de um estado suceder um outro pode ser e fatizada, a

matriz, co verte do as freqüê cias para frações decimais ou
perce tage s.
/ ë O
Se cada eleme to a
li a for dividido pelo total desta li a, o
resultado i dicará o úmero relativo de vezes que o estado é
seguido de outros estados.
Num se tido probabilístico, estas são estimativas da probabilidade

co dicio al, p ( l ), isto é, a probabilidade de que o estado
será o próximo a ocorrer, dado que o estado prese te é .
/ ë O
Assim, temos:
para
A B C D total
A ,77 ,23 1,
de B ,71 ,29 1,
C ,19 ,7 ,63 ,11 1,
D ,6 ,4 1,
Que uma matriz de probabilidades de tra sições.

/ ë O
Aqui, por exemplo, vemos que se estamos o estado C um dado

po to, a probabilidade é de 63% de que o próximo estado sea
também C. A probabilidade é de 19% de que o próximo sea A,
7% que sea B e 11% que sea D. Como os quatro estados são
mutuame te exclusivos e são as ú icas opções (mutuame te
exaustivos), a litologia deve ser umas das quatro e a soma das
li as é de 1, ou 1%. Esta seria uma %; !
!! ! /(.
/ ë O
Se ós dividirmos o total de cada li a da matriz de frequê cia de

tra sições, pelo úmero total de tra sições observado a
seqüê cia, obtemos as proporções relativas das quatro litologias
prese tes a seção. Esta operação gera o 1!
!!% $:
A ,37
B ,11
C ,44
D ,
Este vetor mede a probabilidade de se ter tra sições associadas com
os 4 estados.
/ ë O
Vimos a teriorme te que para dois eve tos A e B que compartilam

amostras temos:
p (A } B) = p (B Ň A) x p (A)
Ou,
p (B Ň A) = p (A } B) / p (A)
Assim, a probabilidade de que o estado B seguirá o estado A é a

probabilidade co dicio al de ambos ocorram dividido pela
probabilidade de que o estado A ocorra.
/ ë O
Co tudo, se os estados ocorrem i depe de teme te u s dos outros

a seqüê cia teremos que:
p (A } B) = p (A) . p (B)
e porta to:
p (B Ň A) = p (A) . p (B) / p (A) = p (B)
/ ë O
Podemos co cluir que a probabilidade de que o estado B seguirá o

estado A é simplesme te a probabilidade de que o estado B
ocorra a seção. Este valor é dado pelo eleme to apropriado o
1!!!$, visto a teriorme te.
Se as ocorrê cias de todos os estados a seção são i depe de tes, a

mesma relação é válida para todas as possíveis tra sições,
e tão:
p (B Ň A) = p (B Ň B) = p (B Ň C) = p (B Ň D) = p (B)
/ ë O
Ôsto os permite prever como deveria ser a matriz de probabilidades

de tra sições, caso a ocorrê cia de um estado litológico um
dado, po to da seqüê cia, for completame te i depe de te da
litologia que imediatame te o a tecede.
/ ë O
Assim, podemos co struir uma %;!!!!

/(! que terá a forma:
para
A B C D total
A ,37 ,11 ,44 , 1,
de B ,37 ,11 ,44 , 1,
C ,37 ,11 ,44 , 1,
D ,37 ,11 ,44 , 1,
Esta é a matriz de probabilidade de tra sições que esperaríamos
observar se todos os estados fossem i depe de tes u s dos
outros.
/ ë O
Nós poderíamos comparar a %;!!!!

/(! com a %;!!!!
/(1! para a seqüê cia e testar a ipótese de
que os estados são i depe de tes daqueles que imediatame te
os precedem.
Para efetuar o teste, primeiro co vertemos a %;!

!!! /(! uma %;!
"# ! /(!Ôsto é feito multiplica do
cada eleme to da matriz esperada pelo total de tra sições
correspo de te.
/ ë O
Assim temos:
para
A B C D total
A ,37 ,11 ,44 , 1, x 22
de B ,37 ,11 ,44 , 1, x7
C ,37 ,11 ,44 , 1, x 27
D ,37 ,11 ,44 , 1, x5
Opera do teremos a %;!"# ! /(!

/ ë O
Assim temos:
para
A B C D
A ,1 2,4 9,7 1,
de B 2,6 , 3,1 ,6
C 1, 3, 11,9 2,2
D 1,9 ,6 2,2 ,4
Que é a %;!"# ! /(!

/ ë O
A comparação e tre as duas matrizes é feita com o auxílio de um

teste `2. A distribuição `2 é também baseada em propriedades da
distribuição ormal.
Uma curva `2 típica é mostrada abaixo. Observe que, como o caso

da distribuição F, os valores a distribuição `2 vão de a
i fi ito ão te do valores egativos. Os testes serão sempre
realizados a extremidade superior da curva.
/ ë O
No problema estamos testa do a ipótese:
H: as litologias (estados) são i depe de tes umas das outras a

seqüê cia.
Co tra a alter ativa:
H1: existe a te dê cia de uma litologia ser seguida de outra.

/ ë O
A estatística `2 é dada por:
` 2 ë÷
2
O de cada eleme to da matriz de frequê cia de tra sições

co stitui uma categoria com um valor observado (O) e um valor
esperado (E) ( de tra sições).
/ ë O
Este teste tem (m-1)2 graus de liberdade, o de m é o úmero de

estados a seqüê cia. O teste dema da que cada categoria te a
um valor esperado de pelo me os 5 tra sições. Este ão é o caso
o exemplo, porém ão impede sua fi alização.
Categorias com valor esperado me or do que 5 devem ser

combi adas até que ati am o limite. Podemos, assim, combi ar
as categorias correspo de tes à li a B e à li a D, em duas
outras categorias com valor acima de 5. A quatro resta tes (duas
de A e duas de C) uma categoria com valor acima do limite
defi ido.
/ ë O
Assim, temos:
2
17ë ,1 5 ë 1,
2
Ë Ë
5 ë 9,7 Ë 17ë11,9
2 2 2
,1 1, 9,7 11,9
7 ë 7 2 Ë 5 ë 5 2 Ë 5 ë 9, 2
2
7 5 9,
O valor crítico de 2 para 9 graus de liberdade ( = (4 ± 1)2) e um

ível de sig ificâ cia, , de 5% é igual a 16,92.
/ ë O
O valor obtido para `2 é maior que o valor crítico e, porta to,

caímos a área de reeição da ipótese H. Assim, co cluímos
que a ipótese de i depe dê cia e tre os estados está i correta.
Existe uma te dê cia estatisticame te sig ifica te de certos
estados serem seguidos prefere cialme te de outros.
Uma seqüê cia a qual um estado, em dado po to, é parcialme te

depe de te , o se tido probabilístico, de um estado precede te
é camada de !p:1. Uma seqüê cia que possui
a propriedade de Markov é i termediária e tre seqüê cias
determi ísticas e seqüê cias completame te aleatórias.
/ ë O
Mí imos quadrados e regressão
p+ p[,+= ,,.
Em muitos tipos de problemas, ós estamos i teressados ão

some te as muda ças ao lo go de uma seqüê cia mas,
também, em o de estas muda ças ocorrem. Para exami ar estes
problemas, ós precisamos ter um co u to de medidas de uma
variável e precisamos co ecer os locais dos po tos de medidas.
Ta to a variável como a escala ao lo go da sequê cia devem
estar possuir mag itude (escalas de razão ou i tervalo).
/ ë O
p+ p[,+= ,,.
Na maioria dos problemas ós estamos i teressados a te dê cia

geral dos dados. Esta te dê cia pode ser usada para i terpolar
e tre po tos, extrapolar além da seqüê cia de dados, i ferir a
prese ça de te dê cias ou estimar outras características de
i teresse do geólogo.
Se certas características são observadas as populações amostradas,

testes estatísticos camados de '!0 podem ser
efetuados.
/ ë O
/ ë O
Os valores aprese tados a tabela represe tam medidas de umidade

efetuadas em amostras retiradas em i tervalos regulares de
profu didade.
O valor de 47,75 i dicado a figura represe ta a umidade média o

co u to de dados. Este valor é um ú ico úmero em tor o do
qual existe a me or variâ cia.
Vimos a teriorme te que a média é um estimador eficie te e ão

te de cioso da média da população. É claro, que o osso
problema a média ão represe ta adequadame te os dados.
/ ë O
/ ë O
Ôsto ocorre porque os dados foram obtidos seqüe cialme te e,

porta to, ão são i depe de tes. Ao co trario de uma
estimativa po tual (tipo média) precisamos de uma fu ção que
expresse a relação e tre umidade e profu didade, através da
faixa de variação de ambas as variáveis.
É i tuitivame te razoável co struir uma li a de tal modo que os

desvios medidos a partir dela seam mi imizados de alguma
ma eira.
/ ë O
Uma escola poderia ser a de mi imizar a soma dos desvios

quadrados a partir da li a, usa do uma a alogia com a média
(lembre que a média é o valor em tor o do qual a variâ cia, isto
é a soma dos desvios quadrados, é me or). Poderíamos,
porta to, co struir uma li a em tor o da qual a variâ cia seria
mí ima.
Se o valor de tal li a for subtraído dos valores origi ais, os

po tos apropriados, aprese tarão média zero e variâ cia me or
que qualquer outro co u to de desvios, produzidos por outra
li a traçada através dos dados.
/ ë O
Existem, co tudo, várias ma eiras de se defi ir e medir os desvios

(ver tra sparê cias).
Se mi imizamos os desvios o co teúdo de umidade a partir da

li a austada, estamos dize do que a li a resulta te é o
melor estimador de umidade para profu didades especificadas.
No caso co trário, se mi imizamos desvios em profu didade,
estaremos estima do profu didade a partir do co teúdo de
umidade.
/ ë O
/ ë O
No problema em a álise as profu didades são co ecidas (variável

fixa) e o co teúdo de umidade é a variável aleatória. Porta to,
as i certezas estão associadas com estimativas de umidade e
devemos mi imizar os desvios com relação a esta variável.
Deste modo, o co teúdo de umidade Y é a variável aleatório e X
é a variável fixa. O problema será, porta to, prever Y a partir de
X. Y é camada de 1'1! ! !! e X a
1'1 ! !
/ ë O
A fu ção mais simples que podemos passar pelos po tos é a reta

que tem a equação:
· Ë 1
O de é a i terseção e é a i cli ação. Os valores de yi capéu

são os valores estimados de · para valores especificados de
Os desvios que estamos co sidera do são:
· ë ·
e o problema passa a ser o de e co trar um método de calcular a
reta de modo que: 2
·

1 · ë ëo
/ ë O
Os valores de b e b1 são obtidos resolve do o sistema camado de

"/( %aprese tado abaixo:
{ 1 1

1
·
· 1 1 1
2
1
/ ë O
O de:

1

· ë 1

· /
1
ë
1 2
2
1 1
/

1
· 1
ë 1 ë 1

/ ë O
As duas equações ormais podem ser escritas em forma matricial

como:

.

2
1
Para o problema em a álise teremos:

14 3 2
14 35. 3 7
1
Resolve do temos b = 94,67 e b1 = -2,6 .

/ ë O
Podemos usar a reta obtida para estimarmos valores de umidade em

várias profu didades. Os valores estimados · os locais de
amostragem for ecem uma medida de quão bem a reta de
mí imos quadrados se austa aos dados origi ais.
Se a reta passasse exatame te sobre cada po to amostrado a soma

dos desvios seria zero. O que ão é o caso em pauta.
/ ë O
Podemos defi ir 3 termos que expressam variação da variável

depe de te. O primeiro é medido pela %!
"!! (SST) de Y:
1 ·
2
ë

1
·
2

/ ë O
O segu do termo é a %!"!!!1!>0

(SSR):
1 ·
2
ë

1
·
2

/ ë O
O terceiro é a %!"!!!1!!1 (SSE):
SSE = SST ± SSR

Ou:
2
1 ·

·
A "!!!* da reta pode ser obtida pelo í dice:
R2 = SSR / SST
Ou pelo !/0%? R = (R)1/2.
/ ë O
A adequação do auste da reta aos dados pode ser avaliada com o

apoio da téc ica de a álise de variâ cia. No caso estaremos
testa do a ipótese:
H: ȕ1 = (a regressão ão é sig ifica te)
Co tra a alter ativa:
H1: ȕ1 (a regressão é sig ifica te)

/ ë O
A tabela ANOVA para realizar o teste é dada por:

ö ö

/ ë O
Para o problema em pauta SSR = 7546, , o SSE = 1962,62 e SST =

959,5. Os graus de liberdade correspo de tes serão,
respectivame te 1, - 2 = 6 e - 1 = 7.
Teremos, assim, MSR = 7546, e MSE = 327,1. O teste F será,

porta to, MSR/ MSE = 23,7. O valor crítico para Į = 5%, Ȟ1 = 1
e Ȟ2 = 6 é Fc = 5,99.
O valor de teste ultrapassa o valor crítico e reeitamos H. Existe,

porta to, uma relação sig ifica te e tre umidade e profu didade
represe tada pela reta austada aos dados.
/ ë O
Como vimos o exemplo o auste li ear aos dados é releva te.

Co tudo, embora a te dê cia li ear sea estatisticame te
sig ifica te, o gráfico dos dados sugere a possibilidade de
melor auste.
Os desvios observados ao austarmos uma reta aos dados têm duas

orige s: uma delas está associada à variação existe te a
população que for eceu os dados outra à adequação da fu ção
austada aos po tos.
/ ë O
Para podermos avaliar adequadame te a origem dos desvios é ecessário termos

outras amostras de dados. Supo a que a cerca de 1 m efetuamos outro
co u to de medidas de umidade em difere tes profu didades:
'+ , -+
./01233
4
,
353 26753
853 9:53
2353 8353
2853 6/53
/353 /953
/853 /653
6353 /353
6853 2953
/ ë O
Com esta ova amostra possuímos um co u to de réplicas para

ossos valores de · permiti do uma estimativa de variâ cia da
população. Poderemos, e tão, determi ar se a ão muito precisa
correlação li ear, e tre o co teúdo de umidade e profu didade,
é devido à variação a população ou à i adequação da fu ção
usada.
/ ë O
Calcularemos SST, SSR e SSE exatame te da mesma ma eira como

á vimos. Como agora possuímos um co u to de réplicas
podemos calcular a % ! "!! !1! > !
*, SSLF, e a % ! "!! !1! > 1/0
/0 (erro puro), SSPE.
O de,
SSE = SSLF + SSPE
Se do,
1 / 2 1 · ,1
2
· ,2
O valor de SSLF é obtido por difere ça.

/ ë O
A tabela de a álise de variâ cia para o problema terá o formato:

+@&,0 %%)
------------------------------------------------------------------------------------------------------
Fo te da Soma dos Graus de Quadrados Teste
Variação Quadrados Liberdade Médios F
-------------------------------------------------------------------------------------------------------
Regr. Li ear SSR 1 MSR F1 = MSR/MSE
Desvio SSE -2 MSE

-------------------------------------------------------------------------------------------------------
Falta de auste SSLF ( -2) - k MSLF F2 = MSLF/MSPE
Erro puro SSPE k MSPE

--------------------------------------------------------------------------------------------------------
Variação
Total SST -1
--------------------------------------------------------------------------------------------------------
/ ë O
O de:
= úmero total de observações (furo 1) =
= úmero total de observações (observações do furo 1 +
observações do furo2) =16
k = úmero de observações do furo 1com réplicas ( o caso
todas têm réplicas, porta to k= )
F1 = MSR/MSE = teste para a qualidade do auste (some te
dados do furo 1)
F2 = MSLF/MSPE = teste para a adequação da fu ção (reta) ao
co u to de dados (dados do furo 1 e furo 2)
/ ë O
Além da qualidade do auste é possível testar, agora, a adequação da

fu ção. O teste para verificar se a fu ção utilizada para austar
os dados ( o caso uma reta) é adequada é dado por:
F2 = MSLF / MSPE
A ipótese se do testada é:
H: o modelo (fu ção) é adequado
e a alter ativa:
H1: o modelo ão é adequado
/ ë O
Se o teste cair de tro da região crítica reeitamos H e podemos

co cluir que o modelo ão é adequado para o auste dos dados.
A região crítica a curva F será determi ada a partir de um ivel de
sig ificâ cia Į estabelecido e os graus de liberdade do
umerador e de omi ador, i dicados a tabela ANOVA.
Para os dados do problema em a álise, se calculado F2 , veremos

que H será reeitada. Ôsto é, a reta ão é a melor fu ção para
se austar aos dados.

Curso Métodos 4 A GR

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Curso Métodos 4 A GR

Uploaded by

Copyright:

Available Formats

/ ë O

Medidas geológicas em sequê cias:

Neste bloco de assu tos iremos co siderar os modos de se exami ar

Medidas geológicas em sequê cias:

Também estão esta categoria os registros efetuados ao lo go do

- vazão de dre age s ao lo go de um período;

$%&registros basta te precisos

Sequê cias basta te precisas ta to o registro da variável que é

Exemplo: Registros geofísicos em perfis.

$% &registros pouco precisos

Nós podemos co siderar uma sequê cia estratigráfica

 %!'&ou a variável ou a escala ão são precisas.

No caso a terior poderíamos medir algum atributo dos

[(") % !:

- São as observações aleatórias ou elas co tém evidê cia de

Embora estas questões possam ão ser explicitame te colocadas em

Qua do co fro tado com um problema e volve do dados ao

- Que questão (ou questões) eu quero respo der ?

- Qual a atureza de mi as observações ?

- Qual a atureza da sequê cia a qual as

+, -. +,&

Muitas das téc icas usadas em a álise de seqüê cias de dados

Esta regularidade a amostragem é, em muitos casos, impossível de

+, -. +,&

Embora existam muitos métodos através dos quais dados

Supo a que y1 e y2 seam valores observados os po tos x1 e x2.

+, -. +,&

Se podemos supor que exista uma relação li ear e tre os dois

Em outras palavras, a difere ça e tre valores de dois po tos

+, -. +,&

Se o úmero de po tos igualme te espaçados é aproximadame te o

Co tudo, se existem muito mais po tos origi ais que i terpolados,

+, -. +,&

Em qualquer problema de i terpolação, precisamos lembrar sempre

+, -. ,+ +&

Um aume to o tama o da vizi a ça para a determi ação de um

+, -. ,+ +&

Neste i terpolador mais de dois po tos podem ser utilizados a

O de é o úmero de po tos co secutivos co siderado a

+, -. , &

  matemático é restrito a passar por po tos defi idos, porém

Os  ão são fu ções a alíticas em são modelos estatísticos

+, -. , &

Os spli es são segme tos de poli mios que são restritos a

O spli e mais comum co siste de poli mios cúbicos do tipo:

+, -. , &

Co sidere, por exemplo, uma seção através de uma lâmi a delgada

Podemos criar experime talme te seções similares oga do, por

Nós, i tuitivame te, esperamos, é claro, que cerca de 1 caras

Um aspecto que ão co sideramos até agora, co tudo, é a ordem a

Co sideraríamos a seqüê cia do tipo

como se do muito estra a, embora a probabilidade do úmero de

Podemos testar seqüê cias deste tipo para verificar se a ordem de

A primeira seqüê cia observada teria as segui tes corridas:

Nós podemos calcular a probabilidade de que uma dada sequê cia de

O úmero médio esperado de corridas uma seqüê cia gerada

A variâ cia esperada o úmero médio de corridas será:

A estatística Z para verificar se 1 ite s do tipo 1 e 2 do tipo 2 estão

Reco ecemos, logo, que este é o formato da estatística z usada

A ipótese ula que estabelece a ão difere ça e tre o úmero de

Usa do um ível de sig ificâ cia = 5%, temos os valores críticos

As seqüê cias têm 1 = 11 ite s e 2 = 9. Porta to,

Para a primeira seqüê cia temos U = 13 e a estatística z será:

/ ë O

$%&registros basta te precisos

$% &registros pouco precisos

%!'&ou a variável ou a escala ão são precisas.

[(") % !:

+,-. +,&

+,-. +,&

+,-. +,&

+,-. +,&

+,-. +,&

+,-.,+ +&

+,-.,+ +&

+,-., &

matemático é restrito a passar por po tos defi idos, porém

Os ão são fu ções a alíticas em são modelos estatísticos

+,-., &

+,-., &

Nós, i tuitivame te, esperamos, é claro, que cerca de 1 caras

Como z é me or que o valor crítico aceitamos H. Para as outras

Assim, podemos co struir uma %;!!!!

Nós poderíamos comparar a %;!!!!

Para efetuar o teste, primeiro co vertemos a %;!

Opera do teremos a %;!"# ! /(!

Que é a %;!"# ! /(!

H: as litologias (estados) são i depe de tes umas das outras a

,1 1, 9,7 11,9

p+ p[,+= ,,.

p+ p[,+= ,,.

Os valores de b e b1 são obtidos resolve do o sistema camado de

Resolve do temos b = 94,67 e b1 = -2,6 .

O segu do termo é a %!"!!!1!>0

O terceiro é a %!"!!!1!!1 (SSE):