Escolar Documentos
Profissional Documentos
Cultura Documentos
NDICE
Pg.
1 INTRODUO
10
11
12
14
14
MODELO ESFRICO
15
MODELO EXPONENCIAL
15
MODELO GUASSIANO
15
16
16
16
17
17
SUPORTE
17
ZONA DE INFLUNCIA
17
REGIONALIZAES SUPERPOSTAS
18
ANISOTROPIAS
18
CONTINUIDADE ESPACIAL
19
CORREGIONALIZAO
20
20
20
23
4 - BIBLIOGRAFIA RECOMENDADA
26
1 - INTRODUO
Em diversas reas, que se trabalha com amostragem para o entendimento de uma
populao, existe uma relao custo e benefcio, isto , quanto mais amostras, mais
prximo da realidade sero estimados suas propriedades objetivos. Porm, as amostras
tem um custo, que varia de acordo com o tipo da amostra. Em uma pesquisa mineral
estimado em cerca de 100 dlares o metro perfurado, da sondagem com coroa
diamantada .
A rea de Geocincias, indubitavelmente a que vive muito este tipo de conflito,
pois requer, normalmente, estimativas de um todo a partir de amostras, por exemplo;
imagine um morro mineralizado em nquel, somente ter-se- o valor mdio do teor de
nquel de todo o morro, aps a lavra total, entretanto, o gelogo dever usar todos seus
conhecimentos geolgicos e geoestatsticos para, a priori e em etapas inferir o teor mdio
do nquel.
Para se efetuar estimativas em locais onde no foi realizada amostragem,
necessrio ter-se um modelo do comportamento do fenmeno natural que deu origem s
variveis em estudo. O conhecimento em detalhes do comportamento de fenmenos
naturais, entretanto, de difcil alcance. Basta para isso, imaginar a formao de
depsitos minerais, a ao do intemperismo sobre as rochas originando solos ou a origem
de uma pluma de contaminao por efluentes txicos.
Caso houvesse um perfeito conhecimento dos processos fsicos e/ou qumicos que
geraram os valores das variveis, poder-se-ia, ento, usar modelos determinsticos com
um nmero pequeno de amostras, para se fazer estimativa. Desse modo, para a anlise
da maioria das variveis, oriundas de fenmenos naturais, necessrio se admitir alguma
incerteza no comportamento destes fenmenos entre duas posies espaciais da
amostragem (ISAAKS & SRIVASTAVA, 1989).
Esta complexidade de processos que originam dados, faz parecer que os mesmos
possuem um comportamento aleatrio, quando, de fato, eles refletem o desconhecimento
que se tem de todos os processos e das suas interaes no fenmeno natural. Dentro
deste contexto, os modelos probabilsticos surgem como uma alternativa consistente para
modelar este comportamento, por meio do uso de funes aleatrias.
O termo Geoestatstica surgiu para enfocar o estudo estatstico de um fenmeno
natural, por sua vez, caracterizado pela distribuio no espao de uma ou mais variveis,
denominadas "variveis regionalizadas" (JOURNEL & HUIJBREGTS, 1978).
Por volta de 1950, na frica do Sul, D.G. Krige concluiu que no poderia estimar de
forma adequada o contedo de ouro em blocos mineralizados se no considerasse a
configurao geomtrica das amostras, ou seja, localizao e volume. Estas avaliaes, a
princpio empricas e de aplicaes localizadas, foram importantes para o engenheiro
francs Georges Matheron desenvolver a teoria que estuda o comportamento de variveis
distribudas espacialmente e que representam um fenmeno natural. Assim, Matheron,
durante a dcada de 60, generalizou os mtodos de estimativas usados por Krige e
desenvolveu os fundamentos tericos da variabilidade de amostragem associada com o
tamanho das amostras bem como, formulou uma teoria completa dos erros de estimativas
(MATHERON, 1962, 1963 e 1970).
Desde os anos 60, portanto, a Geoestatstica vem sendo aplicada em diversas
reas das Geocincias, no apenas na Pesquisa e Avaliao Mineral, mas tambm, entre
outras, em Hidrogeologia, Cartografia, Geologia Ambiental e Geotecnia.
2 ANLISE ESTATSTICA DOS DADOS
o intervalo da classe
o nmero de dados
f x
e x / 2 2
2
Pr obx s x s 68%
Pr obx 2s x 2s 95%
1 n
xi
n i 1
1 n
xi x 2
varincia s
n 1 i 1
Desvio padro (estimador de ) s
2
<
Assimetria <
0.4
2.4
<
Curtose
<
3.7
4.5
<
A/S
<
6.0
* Distribuio Lognormal
4
G e
onde:
s2 y / 2
mG e y
E os limites de confiana deste valor mdio, so estimados da seguinte forma:
Prob G e
Prob G e y e y 68%
zy
G zy 95%
CV e s
2y
1 n
xi x yi y
n 1 i 1
r x, y C x, y / Sx Sy
onde: Sx, Sy so desvios padro das variveis x e y.
O coeficiente de correlao linear adimensional e varia de +1 a -1. Prximo ao
valor +1 a relao perfeita e direta, enquanto no outro extremo, correpondente a -1, a
relao perfeita, mas inversa. Entre este dois extremos situam-se os vrios graus de
correlao entre duas variveis e quando igual a zero (0), no existe correlao linear.
Pode-se avaliar a porcentagem explicada da adaptao dos dados a um arranjo
linear, segundo a expresso:
% explicada r 2 x , y x100
Z a0 a1 x a z y a3 x 2 a4 XY a5 y 2 ... am y p R
onde: Z o valor do atributo no ponto x, y
x, y so as coordenadas do ponto
R representa os resduos
a i sos os coeficientes a serem calculados
z x, y ao a1 x a 2 x
(grau 1)
z x, y ao a1 x a 2 y a3 x 2 a 4 xy a 5 y 2
(grau 2)
z x, y ao a1 x a 2 y a3 x a 4 y a 5 xy a 6 x 3 a 7 y 3 a 8 x 2 y a 9 xy 2
2
(grau 3)
% ajuste 100 z z / N / z i z i / N
2
z1 = valor observado
10
local a ser implantada uma obra, bem como, na avaliao da quantidade, distribuio e
representatividade dos parmetros geotcnicos (Souli, 1984).
Uma amostragem mais abrangente das diversas aplicaes da Geoestatstica no
campo da Geocincias encontra-se em Verly et alii (1984).
Ezx mx
Var z( x) E zx mx
zx1 zx2 :
2 x1 , x2 Var zx1 zx2
O termo variograma utilizado neste trabalho para se referir ao conceito de variabilidade, cuja ferramenta de anlise
a funo semivariograma.
12
x1 , x2
Para tornar aplicveis estes momentos e fazer inferncias, utilizar-se a hiptese de
estacionaridade espacial, que assume ser constante o valor mdio esperado para as
diversas localizaes, ou ainda, que todos os elementos avaliados pertencem a mesma
populao. Assim, cada par de dados z(x) e z(x+h), separados pela distncia h,
considerado uma realizao diferente das variveis regionalizadas dentro de um
fenmeno regionalizante. Sob esta tica, a estacionaridade de segunda ordem reavalia os
momentos para as seguintes formas:
Esperana Matemtica (m):
m E z x
Varincia co :
co E z x m
Covarinci a ch :
ch Ez x h z x m 2
Semivariograma h ;
1
h E z x h z x 2 co ch
2
1 N h
zxi zxi h2
2 N h i 1
z xi z xi h
/ 2n
n
h z xi z xi h 2
z x z x
i
ento
zx zx
i
h / n 0
prtica
alguns
modelos,
ch co h
Os modelos mais comumente usados dentro deste grupo so (Figura 6):
- MODELO ESFRICO
Constitui-se no ajuste mais comum da Geoestatstca, principalmente no estudo dos
depsitos minerais (David, 1977). Matematicamente sua frmula :
3
3h h
3 para h a
2a 2a
h c para h a
h c
- MODELO EXPONENCIAL
O ajuste se faz atravs da curva exponencial. O patamar (c) a assintota desta
curva e a amplitude variogrfica (a) corresponde ao encontro da tangente da curva na
origem com o patamar. Sua expresso matemtica :
h c1 e h / a
A inclinao da tangente da curva na origem igual a c/a.
16
- MODELO GUASSIANO
A funo parablica prxima origem. Este modelo apresenta amplitude
variogrfica extensa e o patamar semelhante ao modelo exponencial. Sua funo :
h c 1 e h
2 / a2
h c para qualquer h
h
onde: varia de 0 a 2
a inclinao na origem
h 3 log e h
onde: uma constante que representa a disperso absoluta.
- SUPORTE
18
- ZONA DE INFLUNCIA
O semivariograma uma funo de incremento em relao distncia orientada h.
Teoricamente, medida que essa distncia aumenta, mais discrepantes sero os dados e
maior ser a semivarincia, at atingir uma separao de total independncia entre as
amostras. Esta distncia denominada em Geoestatstica de zona de influncia, cuja
medida a amplitude variogrfica.
- REGIONALIZAES SUPERPOSTAS
Muitos fenmenos geolgicos podem gerar regionalizaes em vrias escalas, que
ficam ocultas ou aninhadas no contexto regional em que so executados os trabalhos de
pesquisa. Os semivariogramas podem captar essas flutuaes em diferentes nveis e
refleti-las na sua configurao. A presena de ntidas mudanas nas curvas dos
semivariogramas pode significar estruturas superpostas.
- ANISOTROPIAS
Quando os semivariogramas apresentam configuraes similares para as vrias
direes, o fenmeno dito ser isotrpico, caso contrrio, possui algum tipo de
anisotropia. Se os semivariogramas apresentam a mesma forma, mas com diferentes
amplitudes, denomina-se anisotropia geomtrica. De outra forma, o zoneamento da
varivel ou mistura de populaes distintas geram uma anisotropia mais complexa,
conhecida como anisotropia zonal.
19
20
- CORREGIONALIZAO
O estudo da correlao regionalizada de vrias variveis pode ser feito atravs dos
semivariogramas cruzados. Desta anlise conjunta, estabelece-se um modelo mais
robusto que integre as feies estruturais de todas as variveis submetidas variografia.
21
Foi utilizado o termo krigagem, baseado na escola francesa onde este mtodo foi cunhado em homenagem ao
engenheiro de minas D.G. Krige. Encontra-se tambm na literatura, os termos krigeage e kriging, das lnguas
francesas e inglesa, respectivamente.
22
E2
var r x
E2
1 v
z xv
v i 1
23
Ez v
E z v*
1
Ezxv m
v v
1
Ez xi m
n i
logo
E z v z v* 0
A equao da varincia de estimao pode ser desdobrada em:
E2 E z v z v* E z v2 E z v* 2 E z v z v*
2
E z v2
1
c xv x m 2
2
v
v
v
v
E z v*
1
cxv x j m 2
n i j
1
E z v z v* cxv xi m 2
v v i
E2
1
v2
cx
v
xv
1
n2
cx
i
x j
2
cxv xi
vn v i
E2 c v , v c n , n 2c v , n
Conforme a relao h co ch , a equao pode ser constituda em funo
dos semivariogramas. Finalmente, a varincia de estimao pode ser assim expressa:
E2 2 v,V v, v V , V
onde: a funo semivariograma mdio
V corresponde ao domnio a ser estimado, podendo ser um bloco, rea ou ponto
v um elemento do conjunto de amostras com suporte v
O significado de cada termo da equao geral de varincia de estimao
comentado a seguir:
24
v, v
V ,V
pontos
dentro
da
unidade
V.
Desta
forma
so
z * i z x i
i 1
No tenha vis
E z xo z * 0
Para isso necessrio estabelecer a construo:
25
visto que,
E z * m i Ez xo
E2 2 i si ,V i j si , s j V , V
n
i 1
i 1 j 1
1,
das
derivadas
parciais
igualando-as
zero.
Portanto,
matematicamente:
E2
0
i
Onde: para i = 1, 2, 3.......n
Este procedimento gera um sistema linear de n+1 equaes, conhecido como
sistema de krigagem, assim disposto:
i s1 , s1 2 s1 , s 2 3 s1 , s3 ... n s1 , s n s1 , v
1 s 2 , s1 2 s 2 , s 2 3 s 2 , s3 ... n s 2 , s n s 2 , v
1 s3 , s1 2 s3 , s 2 3 s3 , s3 ... n s3 , s n s3 , v
1 s n , s1 2 s n , s 2 3 s n , s3 ... n s n , s n s n , v
1
2
3
n 1
onde: si , s j o semivariograma mdio entre as amostras
26
s1 , s1 s1 , s 2 .... s1 , s n
s , s s , s .... s , s
2
2
2
n
2 1
s n , s1 s n , s 2 .... s n , s n
s1 , v
s , v
2
sn1 , v
1
2
C
n
n
C A1 B
A variao mnima da estimao, tambm conhecida como varincia da krigagem
assim obtida:
E2 i si , v v, v
ou ainda na forma matricial
E2 BT C v, v
onde: B a transposta da matriz B
T
E2 2 i si , so i j si , s j
27
E2 2 i si , s o
ou,
E2 B T C
onde: B a tranposta da matriz B
T
Estimativa no - linear
Prtica:
Acesse o site : http://tian.hwr.arizona.edu/yeh/HWR535/GEOEAS_HWR535.pdf
4 - BIBLIOGRAFIA RECOMENDADA
28
JIAN, X; OLEA, R.A. & YU, Y.S. (1996) - Semivariogram Modeling by Weighed Least
Squares: Computers & Geociences, 22:387-397.
JOURNEL, A.G. (1983) - Non-parametric estimation of spatial distribution. Mathematical
Geology, v.15,n.2,p.445 - 468.
JOURNEL, A.G. (1989) - Fundamentals of geostatistics in five lessons, short course in
Geology. Washington: American Geophysical Union, Vol. 8, 40 p.
29
JOURNEL, A.G. & ROSSI, M. (1989) When do we need a trend model in kriging?: Math.
Geology 21:715-739
KIM, Y.C. (1988) - Advanced geostatistics for highly skewed data. Arizona : Department
of Mining and Geological Engineering - The University of Arizona.
KIM, Y.C. (1990) - Introductory geostatistics and mine planning. The University of Arizona,
Department of Mining and Geological Engineering, 139 p.
KOCH JR., G.S. ; LINK, R.F. (1970) - Statistical Analysis of Geological Data (vol. 1) - John
Wiley and Sons.
KRAJEWSKI, S.A. & GIBBS, B.L. (1966) Understanding Contouring: A pratical Guide to
Spatial Estimation and Contouring Using a Computer and Basics of Using Variograms:
Gibbs Associates.
LANDIM, P.M.B. (2000) - Introduo aos mtodos de estimao espacial para confeco
de mapas. Lab. Geomatemtica, DGA,IGCE,UNESP/Rio Claro, Texto Didtico 02, 20 p.
Disponvel em <http://www.rc.unesp.br/igce/aplicada/textodi.html
LANDIM, P.M.B. (2003) - Anlise estatstica de dados geolgicos (2a. Edio) Editora
UNESP, 253 p.
LANDIM, P.M.B. (2004) - Introduo anlise variogrfica com o VARIOWIN. Lab.
Geomatemtica, DGA,IGCE,UNESP/Rio Claro, Texto Didtico 14, 25 p. Disponvel em
<http://www.rc.unesp.br/igce/aplicada/textodi.html
LANDIM, P.M.B. & STURARO, J.R. (2002) Krigagem indicativa aplicada elaborao
de mapas probabilsticos de riscos. Lab.. Geomatemtica, DGA,IGCE,UNESP, Texto
Didtico 6, 19 p., disponvel em http://www.rc.unesp.br/igce/aplicada/textodi.html
LANDIM, P.M.B.; STURARO, J.R. & MONTEIRO, R.C. (2002) Exemplos de aplicao
da Cokrigagem: Lab. Geomatemtica, , DGA,IGCE,UNESP, Texto Didtico 9, 18 p.
disponvel em http://www.rc.unesp.br/igce/aplicada/textodi.html
LAPPONI, J.C. (1997) Estatstica usando EXCEL 5 e 7: Lapponi Treinamento e Editora
LEE, I.K.; WHITE W.; INGLES, O.G. (1983) - Geotechnical engineering. Pitman, 508p.
MANN, C.J. (1987) - Misuses of Linear Regression in Earth Sciences: Int. Assoc. Math.
Geology, Stud. Math. Geology, n 1:74-106, Oxford University Press.
MATHERON, G. (1962) - Trait de Gostatistique Applique, Tome I: Mmoires du
Bureau de Recherches Gologiques et Minires: Editions Technip, vol. 14., 333 p.
MATHERON, G. (1963) - Trait de Gostatistique Applique, Tome II: Mmoires du
Bureau de Recherches Gologiques et Minires: Editions Technip, vol. 24., 172 p.
30
31
TROUTMAN, B.M. & WILLIAMS, G.P. (1987) - Fitting Straight Lines in the Earth Sciences:
Int. Assoc. Math. Geology, Stud. Math. Geology, n.1:107-128, Oxford University Press.
WEBSTER, R. 6 MCBRATNEY, B. (1989) On the Akaike Information Criterion for
choosing models for variograms of soil properties: Journal of Soil Science, 40:493-496.
WILLIAMS, G.P. & TROUTMAN, B.M. (1987) - Algebraic Manipulation of Equation of Best
- Fit Straight Lines: Int. Assoc. Math. Geology, Stud. Math. Geology,n. 129-141, Oxford
University Press.
YAMAMOTO, J. K. (1998) A Review of Numerical Methods for the Interpolation of
Geological Data: An. Acad. Bras. Cincias, 70(1):91-116
YAMAMOTO, J.K. (2000) An Alternative Measure of the Reliability of Ordinary Kriging
Estimates: Mathematical Geology, 32:337-340.
32