Escolar Documentos
Profissional Documentos
Cultura Documentos
DADOS GEOLGICOS
MULTIVARIADOS
1. INTRODUO
As primeiras aplicaes de mtodos quantitativos em Geologia coincide com o seu
estabelecimento como cincia moderna, pois a subdiviso do Tercirio, por Lyell em 1830, foi
baseada na classificao quantitativa de espcies recentes de moluscos presentes nos
diversos estratos da Bacia de Paris. A partir desse incio,
mtodo, procura-se por agrupamentos homogneos de itens representados por pontos num
espao n-dimensional em um nmero conveniente de grupos relacionando-os atravs de
coeficientes de similaridade ou de distncia.
A anlise fatorial procura interpretar a estrutura de um conjunto de dados multivariados,
tanto em modo Q como em modo R, a partir da respectiva matriz de varincias-covarincias
ou de
As principais questes a serem enfrentadas por esse tipo de anlise so as seguintes, segundo
Pisani (1969):
1. problemas de dependncia, quando so utilizados, por exemplo, anlise de regresso
mltipla e correlao cannica;
2. problemas de inferncia, quando so utilizados extenses multivariadas de mtodos
estatsticos univariados, como o teste T de Hotelling ou a anlise generalizada de varincia;
3. problemas de reduo e escala, quando so utilizados anlise das componentes principais,
anlise dos fatores, distncia generalizada D de Mahalanobis, etc.;
4. problemas de discriminao e classificao, quando so utilizados funes discriminantes e
as diversas tcnicas de anlise de agrupamentos.
A utilidade dos mtodos multivariados pode ser apresentada em termos geomtricos.
Assim, observaes univariadas podem ser assinaladas sobre uma linha reta e se essa linha
for dividida em intervalos de classes e contando o nmero de observaes em cada intervalo,
um histograma poder ser construdo. Esse histograma ir requerer duas dimenses para a
sua representao. Observaes bivariadas podem ser assinaladas em um sistema de
disperso a duas dimenses. Se o diagrama for dividido em celas, o nmero de observaes
em cada cela pode ser contado e o respectivo histograma construdo. Esse histograma requer
trs dimenses e pode ser representado por um mapa de isovalores. Observaes trivariadas
podem ser assinalados em um grfico de disperso a trs dimenses e a configurao nos
pontos no espao definir uma elipside. Se o espao tri-dimensional for dividido em cubos os
nmeros de observaes dentro de cada figura geomtrica podero ser contados e obtida a
distribuio de freqncias. Para a construo do respectivo histograma quatro dimenses
sero necessrias. Em observaes com quatro ou mais variveis no possvel a
representao grfica segundo os mtodos comuns, embora Mertie (1949) tenha proposto
para tanto complicados hipertetraedros.
Utilizando, assim, a interpretao geomtrica em trs dimenses para observaes
trivariadas, os seguintes exemplos de procedimentos em estatstica multidimensional podem
ser apresentados:
a) na regresso mltipla calcula-se um plano para uma regresso linear, ou superfcies curvas
para regresses de ordem maior, que so ajustados s observaes a fim de minimizar a
soma das distncias ao quadrado dos pontos no espao medidos perpendicularmente em
relao a essas superfcies;.
b) na anlise de varincia generalizada verificado se dois ou mais elipsides tem o mesmo
centro;
c) na anlise discriminante localiza-se os centros dos elipsides e calcula-se a distncia entre
pares de centros de elipsides;
dimenses;
rotados de tal modo a colocar o centro do elipside coincidente com o centro do sistema de
coordenadas.
Entre os principais livros textos que tratam desse assunto podem ser citados: Miller &
Kahn (1962), Sokal & Sneath (1963) Krumbein & Graybill (1965), Harbaugh & Merriam
(1968), Koch & Link (1971), Davis (1973 e 1986), Joreskog, Klovan & Reyment (1976) , Le
Maitre (1982) e Howarth e Siding-Larsen (1983), Griffith & Amrhein (1997), Reyment &
Savazzi (1999).
Existem tambem diversos pacotes estatsticos de aplicao geral, bem elaborados e
completos, como SAS, S-Plus, Statistica, Systat, todos em constantes atualizaes. Um
outro, no to conhecido, mas bastante fcil de ser usado e com boa saida grfica, o MVSP.
Um pacote dedicado a anlise de dados geolgicos o Geoquant.
BIBLIOGRAFIA
DAVIS, J.C. (1973) - Statistics and Data Analysis in Geology:John Wiley and Sons, Inc.
DAVIS, J.C (1986) - Statistics and Data Analysis in Geology: 2th ed., John Wiley and Sons, Inc.
GEOQUANT (1990) Companhia de Pesquisa de Recursos Minerais, verso 3.0
HARBAUGH, J.W. & MERRIAM, D.F. (1968) - Computer applications in Stratigraphic Analysis:
John Wiley & Sons, Inc.
HOWARTH, R.J. & SINDING-LARSEN, R. - Multivariate analysis - in: Statistics and Data
Analysis in Geochemical Prospecting, vol. 2, Elsevier, P.207-289.
JORESKOG, K.G., KLOVAN, J.E. & REYMENT, R.A. (1976) - Geological factor analysis:
Elsevier.
KENDALL, M.G. (1963) - Discrimination and Classification: C.E.I.R. Ltda.
KOCH JR, G.S. & LINK, .F. (1971) - Statistical analysis of geological data: vol. 2, John Wiley &
Sons., Inc.
KRUMBEIN, W.C. & GRAYBILL, F.A. (1965) - An introduciton to Statistical Model in Geology:
McGraw Hill Book, Co.
LE MAITRE, R.W. (1982) - Numerical Petrology. Statistical Interpretation of Geochemical Data:
Elsevier.
MERTIE JR, J.B. (1949) - Charting five and six variables on the bounding tetrahedra of
hypertetrahedra: Am. Mineralogist, 34:706-716.
MILLER, R.L. & KAHN, J.S. (1962) - Statistical analysis in the geological sciences: John Wiley
and Sons.
MVSP Plus (1998) Kovach Computing Services, verso 3.0
PISANI, J.F. (1969) - Anlise estatstica multidimensional em Biologia: Cincia e Cultura,
21(3):619-631.
SAS SAS Institute, Inc.
SOKAL, R.R. & SNEATH, P.H.A. (1963) - Principles of numerical taxonomy: W.H. Freeman and
Co.
S-PLUS (1997) Mathsoft, verso 4.0
STATISTICA for Windows (2000) StatSoft Inc.,, verso 5.5
SYSTAT for Windows (1997) SPSS Inc., verso 7.0
(x x ) n
sx2
portanto,
de
um
teste
generalizado
que
verifique
diferentes
de
mdias
hipotticas
correspondentes
fornecidas.
Para a generalizao multivariada do teste "t", na situao apresentada,
substitui-se X por um menor vetor de mdias amostrais, x por um vetor de
mdias populacionais e s por uma matriz de varincias-covarincias.
[ x] [ x ] n
[s ]
2
[x x ]
[s ]
2
[ ]
[ ]
[ A]
[ A]' [ x x ] n
[ A] [ s2 ] [ A]'
([ A]' [x ] ) n
2
t2
[ A] [ s 2 ] [ A]'
[ A] .
imposio de restrio:
[ A]i [ s 2 ] [ A] = 1
A introduo da restrio pelo multiplicador de Lagrange e
subsequente diferenciao com respeito [ A] fornece o sistema de equaes:
][
[ ] [ A] = 0
x x l n s2
x
x
([ A]' [x ])
x
[ A]' [ s2 ] [ A]
o que resulta: = t 2
Para a determinao de t, ou seja o mximo valor possvel, deve-se
encontrar o determinante
10
[ ]
s2
[ x ][ x ]' n [ I ] = 0
[ ] [x ][x ]' n
= tr s2
[ ]
T 2 = n [x x ]' s2
[x x ]
n m 2
T , apresenta uma distribuio F com graus de liberdade m e
m( n 1)
Exemplo:
porfirides, com
mineralogia marcada
quartzo
feldspato
pela
aparecendo
biotita
como
principal
composto
ferromagnsiano
11
SiO2 TiO2
Na2O K2O
P205
0.07
0.02
0.19
0.08
0.05
0.07
0.10
0.03
0.05
0.08
0.11
0.05
0.07
0.06
0.06
0.07
0.07
0.01
0.09
0.07
0.09
0.04
0.08
0.07
0.07
0.09
0.07
0.06
0.05
0.06
0.08
0.06
0.06
0.06
0.07
0.09
0.08
5.34
5.34
5.72
5.72
5.01
5.01
5.34
5.01
5.34
4.04
4.85
4.85
4.85
4.85
4.85
4.85
5.12
4.72
4.45
4.58
4.85
4.58
4.31
4.31
4.58
1.35
4.58
4.31
4.31
4.31
3.24
4.31
4.30
4.31
4.58
4.36
4.30
0.26
0.07
0.13
0.16
0.16
0.32
0.30
0.05
0.27
0.14
0.16
0.22
0.33
0.28
0.30
0.29
0.17
0.03
0.24
0.32
0.29
0.12
0.31
0.36
0.37
0.31
0.30
0.37
0.29
0.21
0.15
0.29
0.26
0.31
0.32
0.38
0.39
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
25
26
27
28
29
30
32
33
34
35
36
37
38
39
67.58
72.77
68.64
69.87
71.42
66.02
66.20
72.75
65.80
70.03
69.71
67.45
66.31
65.78
65.84
64.43
69.57
72.33
70.73
64.17
64.57
69.75
65.10
65.29
66.84
66.93
67.33
64.93
66.23
68.33
72.15
66.79
65.78
66.08
64.50
65.87
63.72
0.58
0.20
0.40
0.45
0.39
0.60
0.67
0.22
0.65
0.38
0.50
0.53
0.69
0.67
0.67
0.73
0.40
0.49
0.50
0.87
0.77
0.37
0.67
0.66
0.66
0.78
0.61
0.85
0.62
0.44
0.24
0.60
0.57
0.59
0.79
0.71
0.74
12.65
12.96
13.33
13.36
12.23
13.62
12.99
12.72
13.95
12.83
13.00
13.67
14.23
14.21
12.89
13.97
13.18
14.06
12.77
13.81
13.92
12.83
14.30
14.18
13.40
13.51
13.14
14.20
13.57
12.98
11.96
13.73
14.45
14.15
13.80
13.50
13.91
0.15
0.01
0.65
0.90
0.01
0.97
1.21
0.17
0.33
0.43
0.06
0.37
0.13
0.19
0.75
0.18
0.30
0.62
0.33
0.98
1.33
1.69
0.88
1.09
0.62
0.47
1.15
1.91
1.08
0.77
0.96
1.14
1.91
1.61
1.08
2.01
1.97
3.62
2.30
2.98
2.03
3.06
3.35
3.08
2.53
3.76
3.81
3.18
3.59
3.39
3.49
3.53
4.22
2.67
0.99
2.49
4.11
3.35
2.98
3.71
3.61
3.36
5.45
2.88
3.72
3.49
2.78
1.81
2.63
2.82
3.14
4.03
2.73
3.48
1.28
0.30
0.77
0.81
0.82
1.10
1.10
0.37
1.08
0.73
0.90
0.95
1.29
1.36
1.43
1.32
1.09
0.18
0.90
1.48
1.46
0.66
1.35
1.11
1.33
1.47
1.39
0.85
1.17
0.95
0.52
1.32
0.91
1.12
1.39
1.49
1.50
2.14
0.77
1.11
0.80
1.53
2.89
2.76
1.13
2.67
1.59
2.14
2.62
3.02
2.87
3.11
3.02
1.71
0.22
1.80
3.26
3.04
1.39
2.83
3.07
2.67
2.71
2.47
2.47
2.86
2.34
5.20
2.72
2.58
2.92
3.17
3.26
3.22
4.9 9
4.55
4.70
4.96
3.48
5.00
4.97
4.34
4.96
5.04
4.54
4.63
4.48
5.06
4.81
4.88
4.91
5.22
4.74
4.85
4.51
4.68
4.85
4.85
4.64
5.13
4.87
4.85
4.84
4.77
2.71
5.22
5.10
4.46
4.96
4.39
4.89
12
40
41
42
52
75.37
67.66
65.72
67.43
0.09
0.63
0.63
0.54
12.13
13.07
13.71
13.54
0.18
0.68
1.23
1.44
2.16
3.62
3.35
2.11
0.01
0.05
0.05
0.06
0.09
1.27
1.01
1.15
0.54
2.56
3.09
2.68
4.04
4.58
4.85
5.12
4.62
4.41
4.64
4.48
0.02
0.29
0.36
0.24
valores mdios dessas anlises com valores mdios obtidos por Nockolds
(1954) para rochas granticas adamelliticas e granodiorticas mundiais, os
autores
citados
concluiram
por
uma
composio
prxima
rochas
provenientes
distribudas pelo restante do corpo (amostras de nmeros 6, 7, 20, 21, 23, 25,
26, 28, 29, 30, 34, 35, 36, 37, 38, 39, 41, 42 e 52). Quanto s amostras de
nmeros 2, 3, 5, 8, 18, 22, 27, 33 e 40 no se encaixam em nenhum desses
dos grupos.
Tendo como hiptese que a populao multidimensional seria os valores
mdios obtidos por Nockolds (1954) para rochas adamelliticas (Tabela 3.2.),
procurou-se aplicar o teste T' para verificar se a amostra multidimensional,
constituda pelo conjunto de 13 anlises, pertenceria a essa populao. De
modo idntico testou-se a amostra composta pelas 19 anlises.
SiO2
TiO2
Fe2O3 FeO
MnO
MgO
CaO
Na2O K2O
P205
0,06
0,99
2,45
3,35
0,20
Al2O3
69,15 0,56
14,63 1,22
2,27
4,58
13
Tabela
2.2.
Composio
qumica
mdia
de
adamellitos
(Nockolds,1954).
a) F1=
n m 2 13 11
T =
4028.71 = 61.04
m(n 1)
11(12)
Desse modo como o valor de F1 calculado menor que o tabelado devese aceitar Ho ao nvel de 95%. Isso significa que essa amostra pode ser
considerada como proveniente de uma populao
com composio
adameltica.
b) Fo = [(19 11) / 11 * 18]2367.01 = 95.67
F( 0.05;12.7 ) = 3.5747
Contra a alternativa
H1 : [ 1 ] [ 2 ]
14
x1 x2
sp 1 / n1 ) + ( 1 / n2 )
( n1 1 )s12 + ( n2 1 )s22
n1 + n2 2
[ ]
produtos
[Sp ] = n + n1 2 ( [ S ] + [ S ] )
2
SQX 1
SPX X
1 2
S1 =
SPX 1 X m
SPX 1 X 1
SQX 22
SPX 2 X m
L SPX 1 X m
L SPX 1 X m
2
L SQX m
onde
SQX 12
na
x1i
i 1
na 2
x1i
i
=1
n1
=
n 1
SPX 1 X 2
na
na
x1i x 2i
n
i 1
a ( x . x ) i 1
i =1 1i 2i
n1
=
n 1
[ x1 ] [ x2 ] = [ x1 x2 ] .
O teste T para o presente caso ter a forma
15
T2 =
[ ]
n1n2
x1 x2 ]' . Sp 2
[
n1 + n2
[ x1 x2 ]
n1 + n2 m 1 2
T , com m e (n1 + n2 m 1) graus de liberdade.
( n1 + n2 2 )m
Aceita-se H o : 1 = 2 se
T 2 F( ;m;n1 + n 2 m 1)
Exemplo:
:[ 1 ] =
[ 2 ]
H1 :
[ 1]
[2 ]
contra
n + n m 1 2 13 + 19 11 1
F= 1 2
T =
1417.59 = 85.91
(n1 + n2 2)m
(13 + 19 2)11
F tabelado, para um nvel de significncia de 0.05%
liberdade 12(m) e 19
(n n
1 2
e graus de
16
[ ]
[ ] [ ]
[ ]
Ho : i2 = 22 = L = 2k
[ ] [ ]
H1 : i2 2k
[s ]
2
i
[sp ] =
i =1
[ ]
( ni 1 ) si2
k
ni k
( i =1 )
o nmero total
] [ ]
[ ]]
17
2m + 3m 1
1
1
C 1 = 1
k
6(m + 1)( k 1) i =1 ni 1
n k
i =1 i
MC 1
= 1
( 2m2 + 3m 1) ( k + 1)
6( m + 1) k ( n 1)
Exemplo:
18
19
BIBLIOGRAFIA
GOMES, C.B; BERENHOLC, M.; HYPLITO, R. & ARRUDA, J.R. (1975) Geoqumica de macios granticos da Regio do Ribeira, Parte 1: elementos
principais: An. Acad. Bra.s Cinc., 47:113-130.
JACKSON, J.E. (1959) - Some multivariate statistical tecniques used in color matching
data: Jour. Opt. Soc. America, 49:485-592.
LANDIM, P.M.B.; GOMES, C.B.; ARRUDA, J.R. & FULFARO, V.J. (1979) - Anlise de
agrupamentos (cluster analysis) aplicada ao estudo geoqumico do granito Itaca,
regio da Ribeira: An. XXVIII Congr. Bras. Geologia, 7:161-168.
MORRISON, D.F. (1967) - Multivariate statistical methods: McGraw-Hill, Inc.
NOCKOLDS, S.R. (1954) - Average chemical compositon of some igneous rocks:
Geol. Soc. Am. Bull., 65:1007-1032.
20
3. REGRESSO MLTIPLA
As relaes entre duas variveis "X", considerada independente, e "Y",
considerada dependente, pode ser representada num diagrama de disperso,
com os valores yi em ordenada e os xi em abcissa. Cada par de valores xi e yi
fornecer um ponto e utilizando-se, por exemplo, o mtodo dos desvios
mnimos ao quadrado, pode-se calcular a equao de uma curva de tendncia
que melhor se ajuste nuvem de distribuio. O mtodo mais simples que
pode ser adotado o da anlise de regresso linear simples que fornece a
equao de uma reta:
y = + x + , onde e so constantes desconhecidas a serem
i
i
i
21
maior variabilidade, ao
(1)
xi yi + a o xi + a1 xi2
(2)
[ X ]1 .[ X ] .[ A] = [ X ]1 Y
22
x1i
x12i
x 2 x1
n
x
1i
x2
M
x mi
x mi x1
L x mi
L x1i x mi
L x2 xm
2
L x mi
[X]
ao
a
1
a2
a m
[ A]
yi
x y
1i i
x 2i yi
x mi yi
[Y ]
[ A ] = [ X ] 1 [ Y ]
tem
apenas
um
significado
numrico
no
implicando
de
regresso
ajustada
representada
pelo
coeficiente
de
determinao R.
s2
~
&
de regressao)
y*
( varincia de Y explicada pela analise
2
R =
=
$
(variancia total)
s2
y
23
Bk = bk
Sk
, onde bk = coeficiente de regresso parcial;
SY
eficientes.
Embora a regresso mltipla seja multivariada no sentido de que mais
de uma varivel medida simultaneamente em cada observao, trata-se na
realidade de uma tcnica univariada, pois o estudo apenas em relao
variao da varivel dependente Y, sem que o comportamento das variveis
independentes, Xs, seja objeto de anlise.
Finalmente, alguns cuidados que se deve tomar quando da utilizao da
anlise de regresso:
a) as relaes entre as variveis devem ser lineares
b) evitar um nmero inferior de casos em relao ao nmero de variveis
consideradas; recomendado que tal relao seja da ordem de 10 a 20
vezes superior
c) evitar variveis independentes redundantes, isto , que tenham um alto
coeficiente de correlao entre si
d) verificar, utilizando resduos, a presena de valores anomalos
Exemplo:
Denise de La Corte Bacci, em sua tese de doutorado, procurou avaliar os
para
ocupao
pela
populao
local;
formular
equaes
24
SEN2
VP
CARGA
DISTNCIA
SOLO
FREQNCIA
-------------------------------------------------------------------------------------------------------------0.0534 0.0333
6.59
160
568
27
85
-0.0302 0.0257
24.8
180
300
27
43
-0.0555 0.0317
16.9
180
395
24
51
0.0507 -0.0331
15.1
80
364
22
37
0.0078 0.0055
14.9
80
444
27
51
0.0505 -0.0246
9.79
80
485
28
85
0.0550 -0.0328
8.41
80
574
31
43
-0.0302 0.0257
9.78
92
294
27
43
0.0228 -0.0038
10.1
92
500
28
39
-0.0555 0.0317
4.25
80
584
24
57
-0.0420 0.0306
3.74
80
616
21
73
0.0228 -0.0038
8.99
74
384
29
43
-0.0298 0.0084
8.83
74
480
27
64
0.0228 -0.0038
2.16
74
668
15
47
0.0549 -0.0299
2.13
74
718
10
64
_____________________________________________________________________
Tabela 3.1.: Dados referentes frente B. Vp a varivel dependente e as demais
independentes
25
26
de
fraturas,
com
direes
leste-oeste
noroeste-sudeste,
a anlise de regresso
DISTNCIA: 66,6%
CARGA: 11,0% (0,776 0,666)
SEN2: 6% (0,836 0,776)
FREQUNCIA: 0,5% (0,841 0,836)
SOLO: 0,1% (0,842 0,841)
SEN1: 0% (0,842 0,842)
27
% explicada de Vp
A
CD
Distncia
51,0
66,6
47,3
48,9
11,7
11,0
19,3
0,2
2,3
0,1
2,2
Freqncia de oscilao
4,9
6,0
5,3
9,6
seno 1
0,2
seno 2
6,0
0,1
8,6
69,9
84,2
72,0
69,7
28
DISTANC vs. VP
VP = 28.811 - .0387 * DISTANC
Correlation: r = -.8164
28
24
20
VP
16
12
8
4
0
250
350
450
550
650
750
Regression
95% confid.
DISTANC
BIBLIOGRAFIA
29
4. ANLISE DE AGRUPAMENTOS
4.1. Introduo
Anlise de agrupamentos (cluster analysis) um termo usado para
descrever diversas tcnicas numricas cujo propsito fundamental classificar
os valores de uma matriz de dados sob estudo em grupos discretos. A tcnica
classificatria multivariada da anlise de agrupamentos pode ser
utilizada
atravs
de
coeficientes
de
similaridades
ou
de
correspondncia.
A aplicao desta anlise controversa entre os pesquisadores, pois
pouco se sabe a respeito dos pressupostos estatsticos dos seu vrios mtodos
e apenas testes limitados so conhecidos para verificar a significncia dos
resultados. Na anlise introdutria de matrizes de dados tornam-se, porem,
bastante eficientes para auxiliar na formulao de hipteses a respeito da
homogeneidade ou no desses dados.
4.2. Classificao
Segundo Davis (1986) os diversos mtodos para a anlise de
agrupamentos podem ser enquadrados em quatro tipos gerais:
a) Mtodos de partio: procuram classificar regies no espao, definido em
funo de variveis, que sejam densamente ocupados em termos de
observaes daqueles com ocupao mais rala.
30
similaridade de tamanho
[ n * n] ,
[ p * p] ,
(minimum
proporcionalmente
32
33
4.2.2. Dendrograma
A forma grfica usada para representar o resultado final dos diversos
agrupamentos
34
Dendrograma
Mtodo: UPGM
Distncia euclidiana
250
200
150
100
50
C_9
C_6
C_13
C_8
C_5
C_4
C_12
C_2
C_3
C_14
C_15
C_10
C_11
C_1
C_7
Dendrograma
Mtodo: UPGM
Distncia euclidiana
250
200
150
100
50
C_9
C_6
C_13
C_8
C_5
C_4
C_12
C_2
C_3
C_14
C_15
C_10
C_11
C_1
C_7
35
Davis, 1986)
4.2.3. Coeficientes de Similaridade
Os coeficientes de similaridade mais usuais, obtidos num espao
multidimensional, podem ser subdivididos em trs categorias:
a) os que medem a distncia, ou a separao angular, entre pares de pontos;
b) os que medem a correlao entre pares de valores;
c) os que medem a associao entre pares de caracteres qualitativos.
Existem diversas publicaes que discutem esses diversos tipos de
medidas como, por exemplo, Sneath & Sokal (1973), Everitt (1980), Prentice
(1980), Gordon (1981), Greig-Smith (1983), Pielou (1984), alem do resumo,
sobre 23 coeficientes de similaridades, constante no pacote MVSP, verso 3.1.
4.2.3.1. Coeficientes de distncia
Expressam o grau de similaridade como distncia em um espao multidimensional. Quanto maior a distncia, maior o grau de similaridade e viceversa. A distncia D entre dois pontos, cuja localizao especificada num
sistema de coordenadas cartesianas, fornecida, segundo o teorema de
Pitgoras, por
36
D1.2
( x1 x2 )2 + ( y1 y2 )2
( xik x jk )2 / n
k =1
xip xiq
2
2
xip xiq
1/ 2
p e q = valores comparados
x
(
)
i
i
[var( x ) var( y )]1/ 2 [
.
]1/ 2
n 1
n 1
cov( x , y )
r=
SQX . SQY
SPXY = xy -(x y) / n
SQX = x2 - (x)2 / n
SQY = y2 - (y)22 / n
Valores de r , os quais so medidas adimensionais, podem variar entre 1
+1,
expressando
desde
comportamento
totalmente
inverso
at
r = 1
s
n3 n
x e, + y e, d i2
2 x e, y e,
onde
n3 n
n3 n
,
x e, =
Tx ; y =
T
e
y
12
12
T=
t 3 t
;
12
posto.
38
V02
V03
V04
V05
V06
Am01 1.0
2.0
3.0
4.0
5.0
6.0
Am02 5.0
4.0
1.0
8.0
7.0
9.0
Am03 6.0
5.0
4.0
2.0
7.0
9.0
Am04 6.0
4.0
2.0
1.0
3.0
7.0
Am05 9.0
2.0
1.0
4.0
7.0
8.0
Am06 9.0
6.0
3.0
4.0
5.0
6.0
Am07 1.0
5.0
9.0
7.0
5.0
3.0
Am02
Am03
Am04
Am05
Am06
Am07
Am01
.00
7.3
7.2
6.6
8.7
8.9
7.9
Am02
7.28
.0
6.9
8.4
6.1
7.3
11.0
Am03
7.21
6.9
.0
5.1
5.7
5.3
10.7
Am04
6.63
8.4
5.1
.0
6.3
5.3
11.4
Am05
8.72
6.1
5.7
6.3
.0
5.3
13.2
Am06
8.94
7.3
5.3
5.3
5.3
.0
10.9
Am07
7.94
11.0
10.7
11.4
13.2
10.9
.0
e agrupamento pareado
39
Dendrograma
"Single Linkage"
Distncia euclidiana
AM01
AM02
AM03
AM04
AM06
AM05
AM07
4.5
5.0
5.5
6.0
6.5
7.0
7.5
8.0
10
11
Dendrograma
"Unweighted pair-group average"
Distncia euclidiana
AM01
AM02
AM03
AM04
AM06
AM05
AM07
40
Ausente
41
a / ( a + b + c)
Otsuka :
a / (a + b)(a + c)
Fager :
a / ( a + b ) ( a + c ) 1 / 2 { min( a + b ),( a + c ) }
( ad bc ) / ( ad + bc )
Phi
( ad bc ) / ( a + b ) ( a + c ) ( b + d ) ( c + d )
mesmo
caracter
um
ambos
os
objetos,
mais
equiparaes
desencontradas;
Simples :
(a + d ) / n
Hamann :
(a + d b c) / n
Sackin :
a/n
(b + c ) / n
42
V02
V03
V04
V05
V06
Am01 1.0
1.0
0.0
0.0
0.0
1.0
Am02 0.0
0.0
1.0
1.0
0.0
0.0
Am03 0.0
1.0
1.0
0.0
0.0
0.0
Am04 1.0
1.0
2.0
1.0
3.0
0.0
Am05 0.0
0.0
1.0
1.0
1.0
1.0
Am06 1.0
1.0
0.0
0.0
0.0
1.0
Am07 0.0
0.0
1.0
1.0
1.0
1.0
43
Exemplo
44
46
Mtodo WPGMA
Amostras
5BJ-1
5BJ-5
5BJ-2
5AJ-2
5AJ-5
5AJ-3
5AJ-4
5BJ-3
5BJ-4
5AJ-1
4J-5
4J-3
4J-2
4J-4
3J-2
4J-1
3J-5
3J-4
3J-3
3J-1
2J-4
2J-5
2J-2
2J-3
2J-1
1J-5
1J-3
1J-4
1J-2
1J-1
240
200
160
120
80
40
Distncia Euclidiana
47
Variveis
MEAS1070
MEA1120
%Rt1120
%Rq1120
%Rt1070
%Rq1070
%Rt1020
%Rq1020
TRF1120
TRF1070
TRF1020
MEA1070
MEA1020
MEAS1020
PA1020
MEAS1120
%PF1120
PA1120
AA1120
PA1070
AA1070
AA1020
%PF1070
%PF1020
-0,2
0,2
0,4
0,6
0,8
48
BIBLIOGRAFIA
DAVIS, J.C (1986) - Statistics and Data Analysis in Geology: 2nd. ed., John Wiley and
Sons, Inc.
EVERITT, B. (1980) Cluster Analysis: 2nd ed., Gower Publishing Co.
GORDON, A. D. (1981) Classification: Chapman and Hall
GREIGH-SMITH, P. (1983) Quantitative Plant Ecology: University of California Press,
Berkeley
MONTEIRO, R. C.; BERNARDES, E.V.; MASSON, M.R. & LANDIM, P.M.B. (2000)
Anlise
estatstica
multivariada
para
materiais
cermicos:
VIII
Simp.Quant.Geocincias, Bol.Res. Expandidos, 163-166
MVPS/Plus (1998) Multi-Variate Statistical Pacckage, version 3.1.: Kovach
Computing Services
PIELOU, E.C. (1984) The Interpretation of Ecological Data: Wiley-Interscience
PRENTICE, I.C. (1980) Multidimensional scaling as a research tool in Quaternary
palybology: A review of theory and methods: Review of Paleobotany & Palynology,
31:71-104
SNEATH, D. H. & SOKAL, R. R. (1973) Numerical Taxonomy: W. H. Freeman & Co.
49
51
52
matriz de dados:
1
4
7
8
2
2
3
5
4
3
2
1
53
1,000
0,820
0,980
0,820
0,980
1,000
0,913
0,913
1,000
0,820
0,980
0,820
1,000
0,913
0,913
1,000
[ A ] [I] =
0,980
= 0
(soma = 3)
0,07
F1
-0.58
-0.56
0.59
F2
-0.60
0.79
0.16
F3
0.56
0.26
0.79
Var1
Var2
Var3
F1
-0.97
-0.94
1.00
F2
-0.26
0.34
0.07
F3
0.03
0.01
0.04
55
0.5
Var2
Var3
0
Var1
-0.5
-1
-1
-0.5
0.5
1
4
7
8
2
2
3
5
4
3
*
2
1
0,58
0,56
0,59
0,60 0,56
0,79 0,26
0,16 0,79
Obs1
Obs2
Obs3
Obs4
= factor scores
F1
2.10
0.93
-0.69
-2.34
F2
0.45
-0.35
-0.51
0.41
F3
0.03
-0.07
0.06
-0.02
56
A1
A4
0
A2
A3
-0.5
-1
-1.5
-2
-2.5
-2.5
-2
-1.5
-1
-0.5
0.5
1.5
2.5
- - a xis F 1 ( 9 3 .6 6 %) - - >
A1
A4
0.5
V2
V3
0
V1
-0.5
A2
-1
A3
-1.5
-1.5
-1
-0.5
0.5
1.5
- - a xis F 1 ( 9 3 .6 6 %) - - >
57
(w
n
GGScij =
ijk ijk
k =1
w
k =1
onde: s ijk = 1
ijk
xik x jk
range(k )
58
Esse trabalho
59
n
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
V1
4880.0
4820.0
3700.0
5090.0
4420.0
5230.0
4460.0
3460.0
4120.0
4260.0
4990.0
4520.0
3270.0
4140.0
4620.0
3230.0
4320.0
4950.0
4230.0
4460.0
4580.0
4990.0
4860.0
4550.0
4590.0
3130.0
3012.0
V2
3170.0
2380.0
910.0
2380.0
3830.0
2620.0
3300.0
520.0
1170.0
4660.0
1950.0
3730.0
850.0
1290.0
1750.0
730.0
4430.0
3230.0
1580.0
1150.0
1660.0
2500.0
3400.0
1660.0
2490.0
2944.0
1200.0
V3
380.0
900.0
3420.0
720.0
290.0
420.0
460.0
4290.0
2670.0
70.0
1140.0
270.0
3890.0
2340.0
1580.0
4090.0
100.0
310.0
2040.0
2380.0
1680.0
680.0
250.0
1760.0
970.0
1068.0
1232.0
V4
640.0
920.0
950.0
1010.0
770.0
1250.0
1220.0
960.0
960.0
560.0
950.0
550.0
800.0
1580.0
830.0
1290.0
780.0
870.0
830.0
1160.0
1200.0
1090.0
940.0
960.0
980.0
1526.0
2051.0
V5
930.0
980.0
1020.0
800.0
690.0
480.0
560.0
770.0
1080.0
450.0
970.0
930.0
1190.0
650.0
1220.0
660.0
370.0
630.0
1320.0
850.0
880.0
740.0
550.0
1070.0
970.0
1332.0
2505.0
60
61
StEd ij =
xik x jk
sd k
k =1
n
62
BIBLIOGRAFIA
AITCHISON, J. (1986) The statistical analysis of compositional data: Chapman & Hall
GOWER, J. C. (1966) Some distance properties of latent root and vector methods
used in multivariate methods: Biometrika, 55: 325-338
JORESKOG, K.G., KLOVAN, J.E. & REYMENT, R.A. (1976) - Geological factor
analysis: Elsevier.
REYMENT, R. A. & JRESKOG, K. G. (1996) Applied Factor Analysis in the Natural
Sciences: Cambridge University Press, second printing
ZHOU, D. (1989) ROPCA: A FORTRAN Program for Robust Principal Components
Analysis: Computers & Geosciences, 15:59-78
63
6. ANLISE FATORIAL
X j = a jr f r + e j , onde
r =1
um
mximo
de
variabilidade
existente.
comunalidade
64
65
p
sk2
j =i
a 2jp
2
h 2j
a 2jp / h 2j
j =i
2
p
V =
k =1
sk2
66
Cos ij =
X ik jk
k =1
m
k =1
k =1
X ik2 X 2jk
67
1
4
matriz de dados = [ X ij ] =
7
2
2
3
5
4
3
0,820 0,980
1,000
2 = 0,188
3 = 0,002
Componentes do autovetor V1:
1,000
68
0,974
- 1,032
Normalizao dos autovetores, Vi, para tamanho unitrio:
Fatores
F1
F2
X1
0,966 - 0,259
X2
0,940
X3
0,340
- 0,997 0,070
tan 4 =
Vj = 2XjpXjq
A2 = 6,8789
B = Vj = - 0,0001 B2 = 0,0000
C = (U2j - V2j) = 1,6365
D = 2UjVj = - 0,1594
arctan 0,2429 = -166 21 = 4;
= 41 17
sen = - 0,6598
cos = 0,7515
69
0,7515 0,6598
[T ] =
0,6598 0,7515
Xj1 = T11X11 + T12X12 = (0,9656)(0,715) + (- 0,2590)(- 0,6598) = 0,894
matriz fatorial rotada:
Fatores
F1
F2
X1
0,894
0,447
X2
0,477
0,879
X3
- 0,792
- 0,609
70
71
1
[X]
x ij
72
. autovetores de modo R
Os
scores
de
cada
observao
sobre
os
fatores
de
correspondncias so
[ S R ] = [W ] [ A R ]
= [ S R ] = [ ] 1
73
74
75
Aero
Th
U
1X
2X
3X
4X
5Q
6Q
7Q
8Q
9Q
10 Q
11 Q
12 Q
13 Q
14 Q
15 Q
16 Q
17 Q
18 A
19 A
20 A
21 A
22 Q
240
360
420
500
580
700
600
650
770
930
1020
1000
1000
1040
1150
1000
960
420
370
400
480
730
K
0.63
2.18
2.26
1.71
2.38
3.83
3.79
4.09
4.21
4.72
6.24
5.24
4.73
4.67
5.08
5.27
5.61
2.33
2.64
2.29
2.32
5.94
2.05
5.31
5.61
6.44
7.99
8.32
9.46
14.71
12
12.78
16.31
14.51
15.79
10.3
13.11
13.4
10.31
6.83
9.88
6.02
6.14
12.86
0.13
0.31
0.34
0.7
1.73
4.26
1.53
3.11
1.9
2.92
2.29
1.88
4.64
4.17
3.97
4.36
2.05
0.47
0.58
0.34
0.32
1.35
Virginia/EUA
76
padronizadas,
77
Bibliografia
BENZCRI, Jean-Paul, & others (1980) - LAnalyse des donnes. Vol. 2, LAnalyse
des correspondances: Dunod, Paris, 628p.
CARR, J.R. (1990) - CORSPOND: a portable FORTRAN-77 program
correspondence analysis: Computers & Geosciences 16(3):289-307.
for
DAVID, M.; M., DAGBERT & BEAUCHEMIN, Y. (1977) - Statistical analysis in geology:
Correspondence analysis method: Quart. Colorado Sch. Mines, 7:60p.
GABRIEL, K. R. (1971) The biplot display of matrices with application to principal
cimponents analysis: Biometrica, 58:453-467
GABRIEL, K. R. (1995,a) : Biplot displays of multivatiate categorical data, with
comments on multiple correspondence analysis: Recent Advances in Descriptive
Multivariate Analysis (ed.: W. J. Krzanowski): 190-226, Oxford Science Publ.
GABRIEL, K. R. (1995,B): MANOVA biplots for two-contingency tables: Ibid., 227-268
GORDON, A. D. (1981): Classification: Monographs on Applied Probability and
Statistics, Chapman and Hall
GOWER, J. C. (1966) Some distance properties of latent root and vector methods
used in multivariate methods: Biometrika, 55:325-338
JACKSON, J. E. (1991) A Users Guide to Principal Components: Wiley
JOLLIFFE, I. T. (1986) Principal Components Analysis: Springer Verlag
JORESKOG, K.G., KLOVAN, J.E. & REYMENT, R.A. (1976) - Geological factor
analysis: Elsevier.
REYMENT, R. A., BLACKITH, R. E. & CAMPBELL, N. A. (1984) Multivariate
Morphometrics: 2d. edition, Academic Press
SHERMAN, K. N., BUNKER, C.M. & BUSH, C. A. (1971) Correlation of uranium,
thorium and potassium with aeroradioactivity in the Berea area, Virginia: Econ.
Geol., 66:302-308
TEIL, H. (1975) - Correspondence factor analysis: An outline of its method: Journ. Intl.
Assoc. Mathematical Geology, 7:3-12.
TEIL, J. & CHEMINE (1975) - Application of correspondence factor analysis to the
study of major and trace elements in the Erta Ale Chain (Afar, Ethiopia): Jour. Intl.
Assoc. Mathematical Geology, 7:13-30.
ZHOU, D. (1989) ROPCA: A FORTRAN Program for Robust Principal Components
Analysis: Computers & Geosciences, 15:59-78
,
ZHOU, D., CHANG, T. & DAVIS, J. C. (1983) Dual Extraction of R-Mode and QMode Factor Solutions: Math. Geology, 15: 581-606
78
7. ANLISE DISCRIMINANTE
= i x i + 2 x 2 +L+ p x p
79
[Vp ] [p]
2
[ Rp]
[]
[Rp] = vetor coluna, px1, das "p" diferenas entre as mdias das variveis de
dois grupos A e B.
[ ]
[Va ]
SQX 12
SPX 1 X 2
SPX 1 X 2
M
SPX 1S P
SQX 22
SPX 2 X P
L SPX 1 X P
L SPX 2 X P
L SPX P2
onde:
SQX 12
SPX 1 X 2
1i
n
= x12i i =1
/ n 1
n
i =1
n
n
x
x2 i
n
1i
= ( x1i . x2i ) i =1 i =1 / n 1
n
i =1
80
[V ]
2
p
[Va ] + [Vb ]
na nb 2
[ Rp]
R1
R
2
M
R p
X b1
X a1
X
a2 X b2
X bp
X ap
[p]
[ ]
= V p2
[ Rp]
Da
= 1 x a1 + x a 2 + L+ p x ap
e do grupo B por
Db
= 1 xb1 + xb 2 + L + p xbp
X a1 + X b1
= 1
X a 2 + X b2
+ 2
X ap + X bp
+L+ p
populaes,
calcula-se
distncia
entre
as
duas
mdias
81
n + n p 1
= a b
(na + nb 2) p
na nb 2
D ,
na + nb
p Rp
D2
* 100
numa
grupos
os
respectivos
centrides.
Uma
observao
83
[ x x ] [S ] [ x x ]
1
R'.V 1. R
84
12
onde R = 11
V
V
22
21
R' =
[V11
S2
v1
V =
rv v .s .s
1 2 v1 v2
rv v .s .s
1 2 v1 v2
S2
v2
configurao
dos
grupos
considerados
no
espao
crticas tem sido formuladas ao emprego desses ndices pois a sua eficcia
praticamente nula quando da utilizao de modelos estatsticos formais em que
valores amostrais devam estimar parmetros da populao. Ver propsito
Davis e Ehriich (1970). Por outro lado quando colocados num sistema de
coordenadas
cartesianas,
pares
de
ndices
fornecem
separaes
ou
ndices e as
De
Do
-13.02
D2
4.23
ambiente elico.
F(calculado) = 44.28
Como F(0.05;
4,174)=
= 1,88%
= 0,38%
Sk
= 78,13%
Kg
= 19,60%
87
Dpb
Do
= 22.815
D2
= 3.500
88
Mz
= 54.65%
= 20.77%
Sk
= 5.46%
Kg
= 19.12%
Dpb
Do
= 13.61
D2
= 12.34
= 24.50%
= 59.33%
Sk
Kg
= 10.47%
5.70%
89
Dpb
Do
= 18.03
1.52
= - 17.59%
= 114.93%
Sk
8.34%
Kg
5.67%
Moiola e
Weiser ( 1969),
nem
sempre so as mesmas.
Isso uma constatao digna de meno, porque tem sido atribuda
uma importncia muito grande ao ndice assimetria para a distino entre
esses dois ambientes (Masson e Folk, op.cit.; Friedman, 1961; Folk e
Robles, 1964; Duane, 1964; Martins, 1965). Inclusive no primeiro exemplo
90
padro e assimetria para as areias elicas, praial (linha da mar alta) e praial
(linha da mar baixa) so respectivamente, 2.92, 0.21 e 0.27; 2.66, 0.30 e 0.10;
2.47; 0.37 e 0.16. Isso significa que o ambiente elico apresenta, em mdia,
areias mais finas e melhores selecionadas que os sub-ambientais praiais e que
todos esses ambientes mostram, em mdia, valores positivos para assimetria.
Num estudo sedimentolgico sobre as areias praiais da Ilha Comprida,
Barcelos (1975) verificou que h diminuio dos valores do dimetro mdio de
92
BIBKIOGRAFIA
BARCELOS, J.H. (1975) - Sedimentao e subambientes deposicionais da Ilha
Comprida, So Paulo: Dissertao de Mestrado, Instituto de Geocincias, USP
(indito).
DAVIS, J.C (1986) - Statistics and Data Analysis in Geology: 2th ed., John Wiley and
Sons, Inc.
DUANE, D.B (1964) - Significance of skewness in Recent Sediments, Western Palmico
Sound, North Carolina: Jour. Sed. Petrology, 34:
FOLK, R. L. (1966) - A review of grain-size parameters: Sedimentology, 6:73-93.
FOLK, R.L. & ROBLES, R. (1964) - Carbonate sands of Isla Perez, Alacran Roef
Complex, Ycatan: Jour, Geology, 72:255-292.
FOLK, R.L. & WARD, W.C. (1957) - Brazos river bar: a study in the significance of
grain size parameters: Jour. Sed. Petrology, 27:3-26.
FRIEDMAN, G.M. (1961) - Distinction between dune, beach, and river sands from their
textural characteristics: Jour. Sed. Petrology, 31:514-529.
GREENWOOD, B. (1960) - Sediment parameters and evironment discrimination: an
application of multivariate statistics: Canad. Jour. Earth Sc., 6:1347-1358.
LANDIM, P.M.B. & CASTRO, P.R.M. (1981) - Distino entre areias elicas e praiais
pela anlise discriminante: Not. Geomorfol., 21:41-60.
LANDIM, P.M.B. & FRAKES, L.A. (1968) - Distinction between tills and other
diamictions based on textural characteristics: Jour. Sed. Petrology, 38:1213-1223.
LANDIM, P.M.B.; PISANI, J.F. & BSIO, N.J. (1977) - Aplicao do D2 de Mahalanobis
na distino de ambientes de sedimentao: An. Acad. Brasil. Cinc., 49:259-268.
MARTINS, L.R. (1965) - Significance of skewness and kurtosis in environmental
interpretation: Jour. Sed. Petrology, 35:768-770.
MARTINS, L.R. (1967) - Aspectos texturais e deposicionais dos sedimentos praiais e
elicos da plancie costeira do Rio Grande do Sul: Esc. Geol. Porto Alegre, Publ.
EspEcial n 13:1-100.
MASON, C.C. & FOLK, R.L. (1958) - Differentiation of beach, dune, and aeolian flat
environments by size analysis, Mustang Island, Texas: Jour. Sed. Petrology,
28:211-226.
MELLON, G.B. (1964) - Discriminatory analysis of calcite and silicate cemented phases
fo the Montain Park sandstone: Jour. Geology, 72:786-809.
MIDDLETON, G.V. (1962) - A multivariate statistical technique applied to the study of
sandstone composition: Trans. Royal Soc. Canad, 56:119-126.
93
MOIOLA, R.J. & WEISER, D.C. (1968) - Textural parameters: and evaluation: Jour.
Sed. Petrology, 38:45-53.
MOIOLA, R.J. & WEISER, D. (1969) - Environmental analysis of ancient sandstone
bodies by discriminant analysis: Bull. Amer. Ass. Petrol. Geol., 53:733.
PASSEGA, R. (1957) - Texture as characteristic of clastic deposition: Am. Assoc.
Petroleum Geologists Bull., 41:1952-1984.
RAO, C.R. (1952) - Advanced statistical methods in biometric research: John Wiley
and Sons.
SAHU, ,K, (91964) - Depositional mechanisms from the size analysis of clastic
sediments: Jour. Sed. Petrology, 34:73-83.
SHEPARD, F.P. & YOUNG, R. (1961) - Distinguishing between beach and dune
sands: Jour. Sed. Petrology, 31:196-214.
SUGUIO, K. & PETRI, S. (1973) - Stratigraphy of the Iguape-Cananeia logoonal region
sedimentary deposits, So Paulo, Part 1: Field observations and grain-size
analysis: Bol. I.G., Inst. Geocincias, USP, 4:1-20.
VISHER, G. (1969) - Grain size distribuitions and depositional processes: Jour. Sed.
Petrology: 39:1074-1106.
94
por
Landim
Perinotto
(1981),
para
exemplares
de
trs
espcies:
Stereosternum
tumidum
(Cope,
1886),
Exemplar
M01
M02
M03
M04
M05
M06
M07
M08
M09
M10
M11
M12
M13
M14
M15
S16
S17
S18
S19
S20
S21
S22
S23
S24
S25
S26
S27
S28
Crnio (cm)
7,1
6,7
6,7
8,9
7,1
7,2
7,6
7,9
7,8
9,2
7,1
9,6
5,1
7,9
7,2
6,0
5,8
5,8
6,6
4,7
6,4
5,8
6,2
6,5
5,2
6,2
6,5
5,5
Pescoo (cm)
6,0
4,8
5,3
5,6
5,2
4,9
4,9
5,8
5,1
6,8
6,0
8,3
4,2
6,2
4,3
5,5
4,6
5,1
5,3
4,6
5,8
4,7
6,0
7,1
5,6
6,6
5,8
5,6
Dentes (mm)
Comprimento
4,75
7,50
7,00
11,25
8,75
8,75
7,50
11,25
5,75
11,75
8,25
7,75
4,25
9,25
4,00
4,00
3,25
2,00
4,25
2,25
3,75
3,50
4,50
3,50
3,00
3,75
3,00
4,50
Largura
0,50
0,37
0,50
0,75
0,75
0,75
0,50
0,75
0,50
0,75
0,75
0,75
0,50
0,50
0,50
0,50
0,50
0,50
0,37
0,50
0,50
0,50
0,50
0,75
0,50
0,50
0,75
0,75
95
B29
B30
B31
B32
5,3
4,9
5,0
5,2
7,2
7,6
7,3
7,7
2,00
0,75
2,75
2,00
0,50
0,45
0,50
0,75
96
autovalores Porcentge
acumulada
10,257
86,91
86,91
1,170
9,92
96,83
0,363
3,07
99,90
0,011
0,10
100,00
Variveis
autovetor 1
Autovetor 2
autovetor 3
autovetor 4
Crnio
0,343
0,263
0,901
0,011
Pescoo
-0,022
0,961
-0,271
-0,047
Comp.dent
0,939
-0,075
-0,335
-0,025
0,019
0,041
-0,031
0,999
e
Larg.dente
97
Figura 8.2. Distribuio conjunta dos factor scores e variveis, em relao aos
Di
98
Di
99
Di
eficaz,
100
101
Mahalanobis (D2)
Isso est de acordo com Bertini (informao verbal) quando afirma que o
gnero Brazilosaurus provavelmente a forma ancestral
gneros e o mais terrestre dos mesossauros, com pescoo longo que favorece
a
predao,
Stereosternum.
parecendo
ter
compartilhado
seu
nicho
ecolgico
com
102
BIBLIOGRAFIA
ARAUJO, D.C. (1976) - Taxonomia e Relaes dos Progranossauria da Bacia do
Paran: An. Acad. Brasil. Cinc., 48 (1):91-116
COPE, E.D.(1886) - A contribution to the vertebrate paleontology of Brazil: Proc. Amer,
Phil. Soc., 23:7-15.
LANDIM. P.M.B. & PERINOTTO, J.A.J. (1981) - Taxonomia numrica dos
messoraurdeos da Formao Irati (P, Bacia do Paran): Soc. Bras. Geo., Ncleo
de So Paulo, Atas do 3 Simp. Reg. Geologia, 2:201-212.
MACGREGOR (1908) - Mesosaurus brasiliensis nov. sp.: Rel. Final Comisso Est.
Minas de Carvo de Pedra do Brasil, Rio de Janeiro, 2:301-336.
MVSP Plus (1998) Kovach Computing Services, verso 3.0
SHIKAMA, I. & OZAKI (1966) - On a Reptilian Skeleton from the Paleozoic Formation
of San Paulo, Brazil: Trans. Proc. Paleont. Soc. Japn NS., 61:351-358.
STATISTICA for Windows (2000) StatSoft Inc.,, verso 5.5
103
ESPACIAL
espacial
desses
grupos.
De
modo
idntico
os
scores,
104
II
III
N0 Gneros
0.621
-0.780
0.066
pH
0.957
0.019
-0.033
105
Temperatura
-0.859
0.025
0.508
OD
0.969
0.031
0.130
da 0.975
0.145
0.053
Profundidade
luz
Na
DBO5
-0.984
-0.064
-0.085
Cor
-0.969
-0.129
-0.015
Turbidez
-0.967
0.133
-0.156
% de variao
84.643
8.366
3.941
II
III
0.531
0.845
-0.020
pH
0.951
0.083
-0.073
Temperatura
-0.833
-0.077
0.546
OD
0.970
0.085
0.090
-0.033
0.021
Profundidade
da 0.987
luz
DBO5
-0.987
-0.051
-0.046
Cor
-0.997
0.021
0.018
Turbidez
-0.981
0.014
-0.124
% de variao
83.589
9.240
4.122
107
situados a uma certa distncia h e a influncia ser tanto maior quanto menor
for a distncia entre os pontos. O grau de relao entre pontos numa certa
direo pode ser expresso pela covarincia, sendo os pontos regularmente
espaados por mltiplos inteiros de h.
Para uma distncia h
108
representada por Co; o efeito pepita pode ser atribudo a erros de medio
ou ao fato de que os dados no foram coletados a intervalos
suficientemente pequenos, para mostrar o comportamento espacial
subjacente do fenmeno em estudo.
para
Nessa situao
o mtodo fornece,
109
Sendo necessrio a
C x , x
C x ,y
11 1 '1 [ 12 ( 1 2 ) ]
C 21 y 2 , x 1 C 22 y 2 , y '2
1L 1
0L 0
0L 0
1L 1
[ A]
1 0
M
1
0
M
0
0
0
0
1
1
0
0
M
[ 1]
[ 2 ]
1
2
[X]
[
[
]
]
C11 ( x0 , y 1)
C12 ( x0 , y 2 )
0
[ B]
110
= 1,..., n ; = 1 , ... , n .
2
'2
2
[ (
C11 x 1, xa '1
z1 ;
,
C y ,
22 2 '2
sub-matriz
varivel z 2 ;
sub-matrizes
C x , y
12 1 2
e C21
y 2 , x 1 ,
x
o
sub-vetor
[ (
C12 x0 , ya 2
)]
n1 1
coeficientes e
n2 2
x
o
111
programas (Carr, Myers e Glass, 1985; Yates e Yates, 1990; Marcotte, 1991
e Deutsch e Journel, 1992, entre outros)
Fundamental na utilizao da cokrigagem a verificao prvia da
correlao existente entre as variveis, a qual deve ser alta para que as
estimativas sejam consistentes. Tambm deve ser notado que a melhoria de
interpretao somente significativa quando uma das variveis tem um
nmero extremamente reduzido de casos em relao outra e que o sistema
de cokrigagem torna-se extremamente complicado no caso de mais de duas
variveis. Desse modo crticas a esse mtodo so encontradas na literatura
como, por exemplo, em Myers, 1992 e 1988, Davis e Greenes, 1983.
9.2.2. Krigagem indicativa
1 se v j vc
i j (v c ) =
0 se v j > vc
Desta forma, so calculados os semivariogramas experimentais
indicativos para determinados nveis de corte e estabelece-se os modelos
112
i ( h , vc ) =
1 Nh
i ( x + h , vc ) i ( x , vc )
2 N h i =1
Onde:
h = passo (lag) bsico
vc = nvel de corte
N = nmero de pares
F ( v; v c /(n )) =
E{i ( v; v c ) /( n )}
F (v j ) F (v i )
onde: v j > vi
Como exemplo de aplicao da krigagem indicativa, com conotao
multivariada, apresentado o trabalho de Sturaro e Landim (1997). Nesse
estudo foram analisadas duas variveis, a espessura do solo e a profundidade
do lenol fretico, obtidas a partir de sondagens de simples reconhecimento na
regio do stio urbano de Bauru (SP), regio central do Estado de So Paulo.
Na rea, predominam rochas pertencentes ao Grupo Bauru (Cretceo
Superior), sobrepostas s rochas gneas da Formao Serra Geral, que
afloram em direo ao vale do Rio Tiet. O Grupo Bauru compreende uma
seqncia basal lamtica, com cerca de 20 metros de espessura, de origem
lacustre, seguido por arenitos finos a grossos, pouco argilosos, avermelhados,
com algumas intercalaes de lamitos tambm avermelhados. Sua espessura
mxima preservada no deve ultrapassar 190 metros nas cotas topogrficas
mais elevadas.
113
semelhantes
ao
horizonte
para
um
material
com
vulnervel
contaminao,
as
duas
variveis
referidas
havia
variogramas experimentais.
114
Para a escolha dos nveis de corte das duas distribuies, o critrio foi
dividir os dados da malha original em percentis representativos da distribuio
de freqncia acumulada. Desta forma, os valores de corte para a krigagem
indicativa foram 14, 16, 18, 20 e 22 m para espessura de solo, e 5, 8, 10, 12,5
e 16 m para profundidade do lenol fretico.
Para todos os nveis de corte, de ambas as variveis, foram efetuadas
anlises da variabilidade espacial e obtidos os respectivos modelos
matemticos variogrficos. Para os processos de estimativas, considerou-se os
variogramas indicativos prximos das medianas das variveis em anlise.
Os parmetros obtidos a partir dos modelos ajustados encontram-se na
Tabela 9.3. Subseqentemente os valores para a discretizao da funo de
distribuio acumulada, foram estimados, por krigagem indicativa pontual, para
um retculo de 200 x 180 m, distribudos por uma rea de 90 km2.
Para a elaborao dos mapas probabilsticos, escolheu-se, como
exemplo, valores medianos, ou seja, 18 m de espessura de solo e 14m de
profundidade do lenol fretico como limites para a anlise de favorabilidade de
reas para disposio de lixo sanitrio na rea de estudo.
Tabela 9.3. Valores obtidos a partir dos semivariogramas modelados
Modelo
(14)
Esfrico
(16)
Co
0.015
0.16
2500
Esfrico
0.01
0.10
2600
(18)
Esfrico
0.015
0.21
2700
(20)
Esfrico
0.03
0.08
2000
(22)
Esfrico
0.02
0.05
2400
Model
Co
(5)
Esfrico
0.01
0.15
3000
(8)
Esfrico
0.01
0.18
2800
(10)
Esfrico
0.01
0.20
3000
(12.5)
Esfrico
0.02
0.19
2900
(16)
Esfrico
0.05
0.10
2800
115
116
de solo com mais de 18m e profundidade do lenol fretico com mais de 14m.
Para localizar reas onde a espessura do solo fosse maior que 18m e,
ao mesmo tempo, a profundidade do lenol fretico fosse maior que 14m,
indicando favorabilidade para a localizao de um aterro sanitrio, procurou-se
no mapa resultante reas com a maior probabilidade combinada. Assim, em
termos probabilsticos, as reas mais recomendadas esto localizadas na parte
central e a sudeste. Como a parte central acha-se ocupada pelo stio urbano
de Bauru, a poro sudeste torna-se a mais indicada. Esta rea est contida na
unidade geotcnica II.
117
entre as variveis
para,
finalmente, mape-los.
118
BIBLIOGRAFIA
BERNARDI, J. V. E.; FOWLER, H. G. & LANDIM, P. M. B. (1997) Aplicao da
estatstica multivariada em estudos de impacto ambiental: VII Simpsio de
Quantificao em Geocincias, Bol Res. Expandidos, 12-16
CARR, J., MYERS, D.E. & GLASS, C.H. (1985) - Co-Kriging: a Computer Program:
Computers & Geociences, 11:111-127.
CASTRIGNAN, A., CONVERTINI, G., LOSAVIO, N. & HOXHA, I. (1995) Studio
delle relazioni tra le propriet fisico-chimiche di un suolo argilloso del litorale ionicolucano mediante la geostatistica multivariata: Proceedings of the 13th Symposium of
Italian Chemistry Society, Florence, pp. 61-70
CASTRIGNAN, A., GIUGLIARINI, L., RISALITI, R. & MARTINELLI, N. (2000) Study
of spatial relationships among some soil physico-chemical properties of a field in
central Italy using multivariate geostatistics: Geoderma, 97:39-60
DAVIS, B. M. & GREENES, K. A (1983) Estimation Using Spatially Distributed
Multivariate Data: Na Example with Coal Quality: Math. Geology, 15:287-300
DEUTSCH, C.V. and JOURNEL, A.G.- GSLIB-Geoestatistical Software Library and
Users Guide. Oxford University Press, 1992
GOOVAERTS, P. (1992) Factorial kriging analysis: a useful tool for exploring the
structure of multivariate spatial soil information: Jour. Soil Science, 43:597-619
GOOVAERTS, P. & WEBSTER, R. (1994) Scale-dependent correlation between
topsoil copper and cobalt concentrations in Scotland: Eur. Jour. Soil Science, 45:79-95
HUIJBBREGTS, C.J. (1975) - Regionalized variables and quantitative analysis of
spatial data. In: Davis, J.C. &
Mccullagh, M. J. (eds.) Display and analysis of spatial data, p.38 53, John Wiley
ISAAKS, E.H.; SRIVASTAVA, R.M. (1989) - Applied geostatistics. Oxford University
Press,. 561p., New York.
JOURNEL, A.G. (1983) Non-parametric estimation of spatial distribution. Math.
Geology, 15:445-468
JOURNEL, A. (1989) Fundamentals of geostatistics in five lessons. Short course in
Geology, American Geophysical Union, Vol. 8, Washington.
JOURNEL, A.G. & HUIJBREGTS, J.C.H. (1978) Mining geostatistics. Academic Press,
1978. 600p.
MARCOTTE, D. (1991) - Cokriging with Matlab: Computers & Geociences, 17:12651280
.
MATHERON, G. (1962-1963) - Traite de Geostatistique Appliquee: (vols. 1 e 2):
Technip.
119
120