APOSTILA DE GEOESTATSTICA BSICA

JOS RICARDO STURARO

Professor Adjunto

UNESP/campus de Rio Claro

Departamento de Geologia Aplicada - IGCE
2015

Reproduo autorizada desde que citada a fonte

Norma 6023-2000/ABNT (http://www.abnt.org.br)

NDICE
Pg.
1 INTRODUO

2 - ANLISE ESTATSTICA DOS DADOS

2.1 DISTRIBUIO DE FREQNCIAS E MODELOS

2.2 - ANLISE DE CORRELAO

3 - ANLISE DA TENDNCIA ESPACIAL

3.1 - ANLISE GEOESTATSTICA

10

3.2 - VARIVEIS REGIONALIZADAS

11

3.3 - FUNO SEMIVARIOGRAMA

12

3.4 - MODELOS VARIOGRFICOS

14

3.4.1 - MODELOS COM PATAMARES

14

MODELO ESFRICO

15

MODELO EXPONENCIAL

15

MODELO GUASSIANO

15

MODELO ALEATIRO (EFEITO PEPITA PURA)

16

3.4.2 MODELO SEM PATAMARES

16

MODELOS LINEARES GENERALIZADOS

16

MODELO LOGARTMICO (ESQUEMA DE WIGS)

17

3.4.3 - CARACTERSTICAS ESTRUTURAIS DOS SEMIVARIOGRAMAS

17

SUPORTE

17

ZONA DE INFLUNCIA

17

REGIONALIZAES SUPERPOSTAS

18

ANISOTROPIAS

18

CONTINUIDADE ESPACIAL

19

CORREGIONALIZAO

20

3.5 - MTODO GEOESTATSTICO DE ESTIMAO

20

3.5.1 - VARINCIA DE ESTIMAO

20

3.5.2 - ESTIMAO LINEAR KRIGAGEM

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

Antes de qualquer anlise mais detalhada, de um fenmeno natural, para uma

subseqente anlise geoestatstica, requer-se- um conhecimento das caractersticas da
populao, representada pela varivel a ser analisada. Posteriormente, outros mtodos
da estatstica univariada ou multivariada, podero ser requisitados para auxiliar no
entendimento da varivel, de acordo com os objetivos a serem perseguidos.
Alm da caracterizao das populaes, podem tambm ser utilizadas as anlises
de correlao e de tendncia, visando a compreenso preliminar da variao espacial das
variveis. Estes mtodos foram baseados nos textos bsicos de estatstica ou matemtica
aplicados Geologia, com destaque para Kock e Link (1971), Davis (1973), Agterberg
(1974) e Landim (1979 e 1988).

2.1 DISTRIBUIO DE FREQNCIAS E MODELOS

A representao grfica das distribuies de freqncia amostral permite avaliar

um modelo terico provvel da distribuio, calcular os valores de tendncia central e
disperso, caracterizar algum tipo de zoneamento e identificar a presena de valores
anmalos.

O intervalo das classes de freqncia foi calculado segundo o critrio de Sturges,

cuja frmula :
IC = (Xmax Xmin)/(1 + 3,22 1n N)
Onde: IC

o intervalo da classe

Xma, Xmin so os valores mximo e mnimo da varivel X

N

o nmero de dados

Os modelos tericos mais comuns de distribuio de probabilidade so:

* Distribuio Normal
Sua funo de densidade de probabilidade dada pela expresso:

f x

e x / 2 2
2

onde: = mdia da populao

= desvio padro da populao
Uma propriedade importante da distribuio normal que reas sob a curva, que
representam a probabilidade do evento x, podem ser calculadas pra qualquer intervalo.
A Figura 1 mostra a configurao da curva normal padronizada, onde as reas sob
a curva so para os valores de x reduzidos mdia zero e desvio padro igual a um (1).
Os limites de confiana da mdia podem ser expressos pelos intervalos aproximados:

Pr obx s x s 68%
Pr obx 2s x 2s 95%

Figura 1 Curva de distribuio normal e reas sob a curva (a)

curva lognormal (b). (Grossi Sad, 1986).

Os estimadores dos parmetros bsicos de uma distribuio normal constituem-se

nas
estatsticas:

mdia aritmtica x : estimador de

1 n
xi
n i 1

1 n
xi x 2
varincia s

n 1 i 1
Desvio padro (estimador de ) s
2

A relao s / x .100 fornece o coeficiente de variao, que expressa de forma

padronizada e em porcentagem, o grau de disperso da varivel. De acordo com Grossi
Sad (1986), coeficientes de variao menores que 40%, indicam variveis de,
comportamento espacial, usualmente regulares.
Para uma distribuio amostral de freqncia, define-se momento de ordem p em
relao mdia, atravs da expresso:
Mp xi x / n
p

Os momentos de ordem 3 e 4, centrados na mdia, possibilitam o clculo dos

parmetros associados simetria e ao achatamento da distribuio, conforme as
expresses:
Coeficiente de Assimetria = M 3 / S 3
Coeficiente de Curtose = M 4
Outra medida que auxilia na caracterizao do formato da distribuio a rao
A/S, onde A representa a amplitude de variao dos dados, correpondente a Xmax
Xmin.
Os coeficientes de assimetria e curtose, bem como a razo A/S, expressam as
distores da distribuio amostral da configurao de uma populao com distribuio
normal. Para este trabalho, cujo nmero de amostras situa-se entre 100 e 200, pode-se
usar os seguintes intervalos como referncia de ajuste, baseados nas curvas e tabelas
elaboradas por Pearson e Hartley (1966, apud Preston, 1970), para um nvel de
significncia de 95%:
0

<

Assimetria <

0.4

2.4

<

Curtose

<

3.7

4.5

<

A/S

<

6.0

* Distribuio Lognormal
4

Quando a distribuio de freqncia apresenta acentuada assimetria, cujo

logaritmo dos valores observados tendem a uma distribuio normal, define-se esta forma
de distribuio de lognormal.
Para se fazer inferncias a respeito desta populao, deve-se, inicialmente,
transformar os dados x i em y i atravs da funo logartmica y i 1n xi e em seguida,
proceder-se de acordo com uma distribuio normal. Isto , deve-se calcular os
parmetros bsicos para y i de uma forma anloga ao caso normal.
Portanto:

y mdia aritmtica de yi (estimador de y )

s 2 y varincia dos logaritmos yi
sy desvio padro de yi (estimador de y )
O valor mdio populacional, para um nmero de amostras grande (n > 100), pode
ser estimado usando-se a seguinte expresso (Garcia, 1988).

G e
onde:

s2 y / 2

G o valor estimado pela mdia geomtrica

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%

O coeficiente de variao obtido segundo a expresso (Grossi Sad, 1986).

CV e s

2y

2.2 - ANLISE DE CORRELAO

Nos trabalhos que envolvem o tratamento de mais de uma varivel deseja-se,

muitas vezes, conhecer o grau de relao existente entre elas.
Uma forma de avaliar esta relao atravs do clculo da covarincia. Esta
constitui-se no produto das disperses das variveis em relao a uma mdia
probabilidade comum, estimada segundo a equao:
CX ,Y

1 n
xi x yi y
n 1 i 1

onde: x, y so as mdias das variveis x e y

n o nmero de pares de amostras
Ocorre, entretanto, que a covarincia influenciada pela unidade de medida das
variveis, o que dificulta as comparaes. Para evitar esta particularidade, divide-se a
covarincia pelo produto dos desvios padro de cada varivel. Esta razo fornece o
coeficiente de correlao linear (r) de Pearson, segundo a expresso:

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

Nota-se que medida em que aumenta o valor de r, maior torna-se a porcentagem

dos dados que explica um arranjo linear. Segundo observaes prticas, admite-se o
valor de r=0,8 que explica 64% da correlao linear, como base para a existncia de uma
relao direta e linear entre duas variveis.
Para verificar se o valor do coeficiente r estatisticamente diferente de uma
correlao nula (inexistente), deve-se recorrer aos valores tabelados em nveis
probabilsticos de rejeio ou aceite de r, baseados no teste bicaudal, que se encontram
nos textos bsicos de estatstica, como em Clarke e Cooke (1983).
De acordo com Chapman (1975) e Howarth (1983), alguns aspectos podem influir
incisivamente no coeficiente de correlao, tais como: comparao de dados provenientes
de populaes distintas, valores esprios ou errados, escala de variao de dados de
cada varivel e o nmero de amostras comparadas.
Associado aos clculos analticos de correlao sempre conveniente a
construo do grfico que cruza as disperses das variveis, denominado de diagrama de
disperso. Este procedimento possibilita a deteco de outras formas de relaes que
no sejam as lineares. Uma amostragem das relaes entre as variveis atravs de
diagramas de disperso, com seus respectivos coeficientes de correlao, apresentada
na Figura 2.

Figura 2 Diagrama de disperso com os coeficientes de correlao. (a) efetiva

correlao linear positiva; (b) fraca relao linear, no estatisticamente
significativa; (c) ausncia de correlao linear; (d) efetiva correlao linear
inversa. (Davis, 1985).
3 ANLISE DA TENDNCIA ESPACIAL

A tcnica de Geomatemtica, conhecida como Anlise de Superfcie de Tendncia,

est fundamentada no mtodo dos mnimos quadrados, que possibilita o ajuste de
superfcie atravs dos dados observados.
Desta forma, so gerados mapas de tendncia regional, que so a prpria
superfcie ajustada e o de resduos, que constitui a diferena entre os valores observados
e os ajustados.
O principio bsico das superfcies de tendncia o mesmo dos ajustes de funes
polinomiais na regresso mltipla. Na anlise de tendncia, as coordenadas cartesianas
de um ponto observado so as variveis independentes e o valor do ponto a varivel
dependente.

Em Geologia, normalmente os dados se apresentam distribudos de modo irregular

em rea, o que requer o uso do mtodo dos polinmios no ortogonais para o ajuste das
superfcies (Landim, 1988).
As superfcies so representadas por funes polinomiais, segundo o modelo geral:

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

Assim, de acordo com o mtodo dos mnimos quadrados, ajustada uma

superfcie de regresso de tal forma que a varincia mdia entre os valores ajustados e
os observados sejam mnima.
Em geologia, pode-se encontrar modelos de tendncias muito complexos que so
impossveis de serem representados por superfcie de baixo grau. Desta forma, atravs
da expanso polinomial, so ajustados superfcies mais complexas que representam
melhor a tendncia de uma varivel geolgica (Davis, 1985). O limite desta expanso o
nmero de dados observados, que deve ser maior que o nmero de coeficientes do
polinmio.
Deve-se considerar que a natureza dos processos geolgicos muito complexa
para se ter um domnio quantitativo adequado dos mesmos. Desta forma, mesmo que a
verdadeira forma da funo de tendncia seja conhecida, seu ajuste aos dados
observados, pelo mtodo dos mnimos quadrados, pode ser facilmente induzido pela
presena de flutuaes locais de carter no aleatrio (Miesch e Connor, 1968).
O aspecto geral das superfcies de grau 1, 2 e 3 pode ser visualizado atravs da
Figura 3, cujas funes so assim expressas:

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)

Figura 3 Representao de duas dimenses e em perspectiva das superfcies de

tendncia de graus 1, 2 e 3. (Davis, 1985).

Na prtica do ajuste de superfcie de tendncia, importante possuir um

conhecimento prvio do comportamento regional da varivel que est sendo analisada.
Isto permite uma definio mais coerente do grau da superfcie a ser ajustada, de acordo
com os objetivos a serem atingidos. Os mapas de resduos, que evidenciam as flutuaes
locais, esto sujeitos a modificaes significativas, conforme o grau de superfcie ajustada
(Figura 4).

Figura 4 Representao em duas dimenses do ajuste de superfcie de tendncia. A

curva obtida atravs dos dados originais; B ajuste linear (plano); C ajuste
parablico; D ajuste cbico (Davis, 1985).
A porcentagem do ajuste da superfcie pode ser calculada atravs da razo entre a
soma de quadrados dos valores ajustados, que representa a variao devido superfcie
calculada, e a soma dos quadrados total, que representa a variao dos dados. Portanto,
a expresso que fornece a porcentagem de ajuste assim definida:

% ajuste 100 z z / N / z i z i / N
2

onde: z = valor ajustado

z1 = valor observado

O programa que calcula as superfcies de tendncia e respectivos mapas de

resduos, utilizado neste trabalho, foi adaptado de Davis (1973) e apresenta uma
seqncia de resultados, assim disposta:

listagem dos valores ajustados com os respectivos resduos

grau de aderncia da superfcie ajustada e opcional anlise de varincia

mapa em caracteres alfanumricos da superfcie ajustada

mapa que reala somente as reas de resduos positivos e negativos

mapa detalhado de resduos

10

3.1 ANLISE GEOESTATSTICA

Foi utilizada neste trabalho a Teoria das Variveis Regionalizadas, desenvolvida

fundamentalmente por Georges Matheron, a partir de 1960.
A aplicao desta teoria comumente conhecida como Geoestatstica, cujo
desenvolvimento foi apoiado em diversos trabalhos de natureza emprica, realizados por
pesquisadores nas minas da frica do Sul, entre os quais se destacam Krige e Sichel.
Segundo Matheron (1963), o ponto de partida para o desenvolvimento da
Geoestatstica foi devido inabilidade da Estatstica clssica em considerar o aspecto
espacial de um fenmeno, que constitui a feio mais importante num estudo geolgico.
A Teoria das Variveis Regionalizadas possui atualmente aplicao em diversos
campos das Geocincias, predominantemente na cartografia de variveis originadas de
um fenmeno que tenha continuidade no espao, bem como, na geologia mineira para a
avaliao dos mais diversos recursos naturais.
Em Hidrogeologia, a ampla aplicao dos mtodos das diferenas ou elementos
finitos para o modelamento do fluxo e o transporte em subsuperfcie, considera os
parmetros representativos das propriedades dos materiais com fixos ou com ligeira
variao sobre discretas reas do campo de anlise. Nestes casos, a componente de
variabilidade espacial adotada nos modelos muito menor do que aquela que estes
parmetros possuem efetivamente no meio natural (Neuman, 1984).
Entretanto, os modelos hidrogeolgicos estimam seus parmetros a partir de
medidas inexatas das propriedades bsicas dos materiais, efetuadas num nmero finito
de poos isolados. Desta forma, os parmetros resultados so variveis casuais e com
previso incerta, que caracterizam os modelos numricos estatsticos. Para minimizar
esta incerteza e tornar mais robustos os modelos hidrogeolgicos, os parmetros
utilizados devem ser estimados com o mnimo de tendeciosidade e com a menor varincia
de estimao possvel (Neuman, op. cit.).
Neste contexto, a Geoestatstica pode contribuir de modo eficaz na anlise da
variabilidade espacial de quantidade hidrogeolgicas, quer o modelo adotado para o fluxo
e o transporte em superfcie seja determinstico ou estatstico.
Em Geotecnia, a aplicao principal de Geoestatstica tem sido na caracterizao
da variabilidade espacial dos parmetros geotcnicos in-situ. Dentro de um projeto
geotcnico, o emprego de tcnicas da Geoestatstica constitui-se numa importante
ferramenta para o modelamento de variveis de natureza estratigrfica e hidrulica do
11

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).

3.2 VARIVEIS REGIONALIZADAS

O elemento bsico da Geoestatstica a varivel regionalizada, cuja variao

espacial caracteriza o fenmeno regionalizado que a originou. Estas variveis possuem
caractersticas casuais e estruturadas, ou seja, podem assumir localmente qualquer valor
segundo uma funo de probabilidade e globalmente possuem uma estruturao que
pode ser tratada por uma funo espacial (Journel e Huijbregts, 1978).
A associao das variveis casuais, com uma determinada funo espacial,
denominada em Geoestatstica de funo casual (Matheron, 1971 apud Olea, 1984).
Devido amostragem singular, que feita num ponto, torna-se praticamente
impossvel conhecer a funo de densidade de probabilidade que governa uma varivel
regionalizada, mas pode-se fazer inferncias, conhecendo-se alguns parmetros desta
funo. Na geoestatstica linear utilizam-se os momentos da funo casual, que sero
definidos a seguir, conforme Journel e Huijbregts (1978):

momento de primeira ordem ou esperana matemtica no ponto x, da

varivel regionalizada z(x);

Ezx mx

momento de segunda ordem:

o

Varincia de z(x) em relao a m(x)

Var z( x) E zx mx

o Covarincia para duas variveis regionalizadas, zx1 e zx 2 :

cx1 , x2 Ezx1 mx1 zx2 mx2

o Variograma1, que se constitui na varincia das diferenas

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

Na prtica usa-se o semivariograma, definido como a metade do variograma:

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

Devido fenmenos fsicos de elevada capacidade de disperso, que no

possuem varincia finita a priori e tampouco covarincia, define-se em geoestatstica a
hiptese intrnseca. Esta hiptese afirma que os primeiros dois momentos das diferenas
das variveis z(x) e z(x+h), so independentes de suas localizaes, sendo funo
somente do vetor h que as separam (Olea, 1984).

3.3 FUNO SEMIVARIOGRAMA

A funo semivariograma, que representa basicamente a hiptese intrnseca,

utilizada em Geoestatstica para expressar a variabilidade espacial numa direo prdefinida.
O semivariograma constitui-se no grfico das semivarincias das diferenas dos
valores experimentais situados a intervalos regulares. Em condies estacionrias, o valor
mdio esperado constante ou zero, o que reduz o semivariograma mdia quadrtica
das diferenas dos valores experimentais (Clark, 1979).
Desta forma, para um conjunto de valores experimentais z(x) e Z (x 1+h), separados
pela distncia orientada h, define-se o semivariograma experimental pela expresso:
13

1 N h
zxi zxi h2

2 N h i 1

onde: N(h) nmero de pares experimentais

h intervalo regular que separa z(xi) e z(xi+h)
Esta expresso do semivariograma valida somente para situaes de
estacionaridade ou quase-estacionaridade, pois se o valor mdio esperado sofrer
mudanas graduais no espao de tal forma a carcterizar uma tendncia (drift), outros
recursos de avaliao estrutural devero ser aplicados.
Este aspecto inerente ao semivariograma pode ser melhor compreendido a partir
da prpria definio de semivariograma, conforme Davis (1986).
Considere as variaes regionalizadas z(xi) e z (xi+h), cujas semivarincias das
diferenas podem ser originalmente expressas por:

z xi z xi h
/ 2n
n

h z xi z xi h 2

Se valor,mdio esperado estacionrio no espao, a relao a seguir vlida:

z x z x
i

ento

zx zx
i

h / n 0

Portanto, o segundo termo do numerador nulo, somente na condio de

estacionaridade ou homogeneidade espacial. Quando esta condio no estiver presente,
o fator tendencioso deve ser extrado antes de se fazer a anlise variogrfica,
trabalhando-se com os resduos de uma superfcie de tendncia.
Pode-se afirmar que uma varivel regionalizada no estacionria possui duas
componentes significativas:

o drift, que o valor esperado da varivel regionalizada numa

vizinhana qualquer: mx Ez x . Este conceito semelhante ao de
valor ajustado em superfcies de tendncia.

O resduo, que constitui a diferena entre o valor real obtido e o valor

esperado: yx z x mx

A importncia deste desdobramento, que os resduos possuem mdia zero e so

estacionrios, o que viabiliza a elaborao dos semivariogramas e perfaz a anlise de
variabilidade.
Sob as condies de estacionaridade, o semivariograma e a convarincia esto
estritamente relacionadas, segundo a expresso: h co ch . Graficamente esta
relao assim expressa (Figura 5):
14

Figura 5 Relao entre o semivariograma e a covarincia sob a condio de

estacionaridade de segunda ordem. (Davis, 1985).

Em geral, o semivariograma a funo de incremento com a distncia h, visto que,

quanto mais afastadas forem as amostras, mais seus valores em mdia devero ser
diferentes. Esta caracterstica reflete bem a noo de zona de influncia de uma amostra
(Matheron, 1963).

3.4 - MODELOS VARIOGRFICOS

Os semivariogramas experimentais so construdos a partir de malhas com

disposio regular ou, quando irregulares, posteriormente regularizadas. Os valores
observados a serem submetidos variografia devem ser obtidos de suportes iguais ou
ento regularizados e os clculos so feitos em direes previamente estabelecidas,
visando a compreenso da variabilidade espacial do fenmeno em estudo.
Aps a confeco dos semivariogramas dos valores experimentais, procura-se
ajustar um modelo matemtico que represente o mais prximo possvel a configurao
dos mesmos.
Embora possa existir uma infinidade de funes que se ajustem aos
semivariogramas experimentais, a

prtica

tem mostrado que

alguns

modelos,

fundamentados nas suposies tericas das variveis regionalizadas, tm satisfeito a

maioria das suas aplicaes. Estes modelos podem ser classificados em:

3.4.1 - MODELOS COM PATAMARES

So normalmente ajustes que representam a estacionaridade de segunda ordem.
O semivariograma incrementa medida que aumenta a distncia entre as amostras, at
atingir um patamar (sill), onde se estabiliza. Este patamar deve ser teoricamente igual
15

varincia a priori. A distncia em que o semivariograma atinge o patamar denominada

de amplitude variogrfica (range), que corresponde ao raio de influncia da varivel.
Para cada seivariograma ajustado, deve existir um covariograma equivalente, segundo a
relao:

ch co h
Os modelos mais comumente usados dentro deste grupo so (Figura 6):

Figura 6 Semivariogramas com patamares (Rendu, 1978).

- 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

onde: c - patamar, que corresponde varincia a priori finita

a - amplitude variogrfica
A inclinao da tangente da curva na origem igual a 3c / 2a

- 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

- MODELO ALEATIRO (EFEITO PEPITA PURA) (Figura 6)

A medida que aumenta a descontinuidade na origem do semivariograma, mais
aleatrio o fenmeno que originou a varivel em anlise. Esta caracterstica decorre de
uma provvel regionalizao, inferior escala de trabalho da malha de amostragem e/ou
variaes esprias associadas com a coleta e medio das amostras. Sua expresso :

h c para qualquer h

Figura 7 Modelo de semivariograma aleatrio (Huijbregts, 1975).

3.4.2 - MODELO SEM PATAMARES

Estes modelos satisfazem somente a hiptese intrnseca. Nestes casos, a varincia
a priori uma funo de incremento direto em relao rea ou ao volume onde
calculada. Os semivariogramas podem ser definidos, mas no se estabilizam em nenhum
patamar (Rendu, 1978).
Os modelos mais comuns desse grupo so:
17

MODELOS LINEARES GENERALIZADOS (Figura 7)

A expresso matemtica geral para essas semivariogramas :

h
onde: varia de 0 a 2
a inclinao na origem

Figura 8 Modelos lineares em h (Journel e Huijbregts, 1978).

- MODELO LOGARTMICO (ESQUEMA DE WIGS)

Foi um modelo muito usado at 1966, quando surgiram os vrios modelos com
patamar. Sua equao, segundo a Lei de Wigs :

h 3 log e h
onde: uma constante que representa a disperso absoluta.

3.4.3 CARACTERSTICAS ESTRUTURAIS DOS SEMIVARIOGRAMAS

Os semivariogramas apresentam uma configurao que reflexo da regionalizao

da varivel. O estudo das feies das variveis regionalizadas, que possibilitam a
construo de medidas consistentes dos semivariogramas, denominado em
Geoestatstica de anlise estrutural (Journel e Huijbregts, 1978).
As principais caractersticas estruturais do semivariogramas, que devem ser
consideradas no modelamento variogrfico esto sintetizadas na Figura 8 e descritas a
seguir, conforme Huijbregts (1975).

- SUPORTE
18

Define-se suporte, como o domnio geomtrico de onde se obtm o valor da

amostra, dotado de um volume, forma e orientao. Os semivariogramas devem ser
confeccionados a partir de dados que possuam suportes iguais. Caso isso no acontea,
os suportes devem ser regularizados.

- 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

Figura 9 Propriedades estruturais do variograma (Huijbregts, 1975).

- CONTINUIDADE ESPACIAL
A progresso da curva do semivariograma nas pequenas distncias reflete a
continuidade da varivel no espao. Assim. A anlise do semivariograma prximo
origem proporciona informaes desta natureza da varivel. Um semivariograma com
comportamento parablico reflexo de boa continuidade, j uma forma linear na origem
reflete a continuidade moderada no espao. Teoricamente o semivariograma deveria ser
nulo na origem, entretanto, na maioria das vezes ele apresenta uma descontinuidade,
denominada de efeito de pepita.
Este parmetro pode ser melhor compreendido atravs do desmembramento do
variograma em componentes de variabilidade, conforme o esquema de transio da
Figura 9.

20

Figura 10 Semivariograma representativo de um fenmeno de transio

Onde: c representa a componente estruturada no espao (varincia espacial)
co - constitui-se na componente aleatria (efeito pepita)

A relao entre os parmetros co e c fornece um ndice E=co/c, denominado de

efeito pepita relativo, que expressa a aleatoriedade da regionalizao (Garcia, 1988).
Segundo Royle (apud Garcia, 1988), os seguintes intervalos fornecem uma noo
da influncia da componente aleatria:

E < 0.15 Componente aleatria pequena

0.15 < E < 0.30 Componente aleatria importante
E > 0.30 Componente aleatria muito importante
De outra forma, se a razo co/(co + c), for maior que 0.8, a estatstica e a
estatstica e a geoestatstica no se difererenciam. (Garcia, 1988).

- 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.

3.5 MTODO GEOESTATSTICO DE ESTIMAO

Um objetivo sempre presente em Geologia a estimao de variveis ou

parmetros em locais onde no se fez uma amostragem.

21

E praticamente impossvel possuir um controle matemtico de todos os fatores de

um fenmeno natural que influenciaram no comportamento de uma varivel. Muitos
esforos so feitos nesse sentido, com o desenvolvimento de vrios mtodos de
estimao popularizados nos ltimos tempos, atravs de softwares utilizados em
microcomputadores.
Estes mtodos permitem o estabelecimento de uma malha de valores estimados,
que comumente se constitui base das cartas de isovalores usadas para os mais diversos
fins. Um enfoque dos principais mtodos de estimao, pode ser visto em Yamamoto
(1986).
Neste trabalho foi utilizada a tcnica geoestatstica da krigagem 2 para a estimao,
visto que este mtodo possibilita o uso com mais propriedade das caractersticas
geolgicas na construo do modelo que governar a estimao. Embora este aspecto
introduza uma subjetividade no mtodo que possibilita interpretaes diferentes conforme
a pessoa, importantes particularidades geolgicas inerentes s variveis devem ser
consideradas.

3.5.1 VARINCIA DE ESTIMAO

Aps um modelo variogrfico que caracterize a continuidade das variveis em

funo das distncias, pode-se calcular o erro cometido na estimao para um certo
domnio (bloco, ponto), a partir de amostras situadas numa vizinhana reconhecida como
estacionria.
Qualquer que seja a forma de estimao de um valor num ponto qualquer x, haver
um erro r(x) associado assim expresso:
r x z x z * x

onde: z(x) o valor real no ponto x

z* (x) o valor estimado no ponto x
A anlise da funo de distribuio dos erros fornece boas informaes para
avaliar a qualidade do processo de estimao.
Os parmetros bsicos da provvel distribuio de erros, so:

o valor mdio esperado: mE Er x

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

a disperso dos erros, medida pela varincia:

E2

var r x

Se a estimao for bem processada e de boa qualidade, esses parmetros devem

possuir os seguintes aspectos:

m E 0 erro mdio igual ou prximo de zero. Este aspecto implica numa no

tendenciosidade (vis) dos valores, na vizinhana do ponto x.

E2

baixa disperso dos erros. A concentrao dos erros deve situar-se

ao redor da mdia m E

Nas observaes prticas da funo de distribuio dos erros, constatou-se uma

curva do tipo normal para os mesmos, principalmente na geologia mineira (Journel e
Huijbregts, 1978). Se a distribuio dos erros for normal, o intervalo de confiana do valor
estimado pode ser calculado conforme a estatstica clssica. Dessa forma, o valor no
ponto x, para 95% de confiabilidade, dever possuir intervalo de confiana igual a 1,96 E ,
segundo uma distribuio normal com valor mdio esperado igual a zero (padronizada).
A relao da varincia de estimao com o semivariograma estabelecida com o
desdobramento da equao da varincia dos erros, conforme Journel e Huijbregts (1978).
Considere o valor mdio de um determinado domnio V, fornecido pela expresso:
zv

1 v
z xv
v i 1

onde: z xv so valores desconhecidos, com v=1 at v

Deseja-se estimar este domnio pela mdia aritmtica de n amostras situadas na
vizinhana.
A mdia usada na estimao dada por:
1 n
z z xi
ni i 1
*
v

onde: x i so os valores experimentais, com i=1 at n

Sob a hiptese de estacionariedade de segunda ordem e no tendenciosidade

(vis), tem-se:

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

Segundo as hipteses j assumidas e aps deduo matemtica, cada termo da

equao pode ser assim expresso:

E z v2

1
c xv x m 2
2
v
v
v
v

onde: c xv x a covarincia entre todos os pontos dentro do domnio a ser estimado

v

E z v*

1
cxv x j m 2

n i j

onde: cxv x j a covarincia entre todas as amostras.

1
E z v z v* cxv xi m 2
v v i

onde: c xv xi a covarincia entre os pontos do domnio e as amostras

Elimina-se a constante m2 e a expresso original torna-se:

E2

1
v2

cx
v

xv

1
n2

cx
i

x j

2
cxv xi
vn v i

Em termos de covarincia mdia tem-se:

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 este termo representa o semivariograma mdio entre os elementos

do conjunto de amostras estimadoras com suporte v e o domnio v a
ser estimado. Assim considerada a posio das amostras em
relao unidade a ser avaliada.

v, v

constitui-se no valor mdio do semivariograma entre todas as

amostras estimadoras de suporte v, situadas na vizinhana de
estimao. Este termo considera a influncia relativa das posies
das amostras.

V ,V

representa o valor mdio do semivariograma entre todos os

possveis

pontos

dentro

da

unidade

V.

Desta

forma

so

consideradas as feies geomtricas da unidade a ser estimada.

3.5.2 - ESTIMAO LINEAR KRIGAGEM

A krigagem constitui-se num mtodo de estimao linear e local, efetuado dentro

de vizinhanas estacionrias, que procura minimizar, sem vis, o erro de estimao. A
teoria da krigagem demonstrada a seguir, conforme Journel e Huijbregts (1978) e Clark
(1979).
Suponha a estimao do valor mdio de z xo pelo estimador z*, obtido de uma
combinao linear n valores situados numa vizinhana homognea. O estimador pode ser
assim expresso:
n

z * i z x i
i 1

onde: i so os pesos associados a informaes z xi

Existe uma infinidade de pesos que podem ser atribudos aos valores de z xi ,
entretanto h interesse somente por uma combinao que fornea o melhor estimador
no enviezado.
As condies bsicas para que esta situao se consuma so:

No tenha vis

Esta condio requer que o erro de estimao seja em mdia a zero:

E z xo z * 0
Para isso necessrio estabelecer a construo:

25

visto que,

E z * m i Ez xo

onde: * varincia mnima de estimao

A equao geral da varincia de estimao, que usa um conjunto de amostra s i
pode ser assim expressa:

E2 2 i si ,V i j si , s j V , V
n

i 1

i 1 j 1

onde: i so os pesos para cada amostra s i

Para minimizar esta equao, sujeita condies de no enviezamento

1,

em relao aos ponderadores i , faz-se o uso da tcnica Lagrangiana, com o

desenvolvimento

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

si , V o semivariograma mdio entre as amostras e o domnio v

i so os ponderadores das amostras s i , cuja soma igual a 1
o multiplicador de Lagrange, indroduzido para balancear o sistema.
Em notao matricial:

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

O vetor dos pesos mais o multiplicador de Lagrange so obtidos pela resoluo do

sistema matricial:

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

Os valor de si , v e v, v so obtidos a partir de funes auxiliares, que

normalmente se encontram tabeladas para uma determinada geometria do domnio v e
dos parmetros do semivariograma modelado.
Neste trabalho, o domnio v foi sempre um ponto. Desta forma, o mtodo de
krigagem utilizado denominado de pontual. As principais mudanas esto relacionadas
com os termos da equao da varincia de estimao, quais sejam:

O semivariograma mdio v, v nulo.

O semivariograma mdio si , v passa para resposta direta do

semivariograma pontual, si , s o , onde so o ponto a ser estimado.

Assim, a expresso geral da varincia de estimao, torna-se:

E2 2 i si , so i j si , s j
27

E a varincia de estimao aps a soluo do sistema de krigagem fica:

E2 2 i si , s o
ou,

E2 B T C
onde: B a tranposta da matriz B
T

Outro aspecto, no considerado neste trabalho, foi a eventual presena de um

componente determinstico (drift) no resultado da varivel, que requer uma krigagem
mais abrangente da usual, denominada de Krigagem Universal.
Est tcnica, para ser usada adequadamente, deve resolver duas dificuldades
prticas, de acordo com Rendu (1978):

A determinao da forma da funo matemtica que representa a tendncia

local presente.

A estimao da funo semivariograma dos resduos.

Superados a contento estes requisitos, pode-se usar a expresso do drift

incorporado no sistema de krigagem ordinria que prover uma estimao robusta,
conforme Olea (1975) e Davis (1986).

Estimativa no - linear
Prtica:
Acesse o site : http://tian.hwr.arizona.edu/yeh/HWR535/GEOEAS_HWR535.pdf

4 - BIBLIOGRAFIA RECOMENDADA

CHAPMAN, R.P. (1975) - Limitations of Correlation and Regression Analysis in

Geochemical Exploration. Inst. Min. Metall. Trans. Sect B, 85,p 279-283.
CHAYES, F. (1960) - On Correlation between Variables of Constant Sum: Jour. Geophys.
Res., 65:4185-4193.
CHAYES, F. (1971) - Ratio Correlation: A Manual for Students of Petrology and
Geochemistry: University of Chicago Press.
CHAYES. F. & KRUSKAL, W. (1966) - An Approximate Statistical Test for Correlation
between Proportions: Jour. Geology, 74: 692-702.

28

CLARK, I. (1979) - Pratical geostatistics. London: Applied Science Publishers, 129p.

CRESSIE, N. (1990) The origins of kriging: Math. Geology, 22:239-252
CRESSIE, N. (1985) Fitting variogram model by weighted least squares: Mathematical
Geology, 17:563-586.
DAVIS, J.C. (1986) - Statistics and Data Analysis in Geology (2nd. ed.): John Wiley and
Sons.
DEUTSCH, C.V. & JOURNEL, A.G. (1998) - GSLIB: Geostatistical Software Library and
Users Guide(2nd.edition): Oxford University Press.
ENGLUND, E.; SPARKS, A. (1991) Geo-EAS 1.2.1. Users guide. EPA Report # 600/891/008. U.S. Environmental Protection Agency (EPA ).
GARCIA, P.A.G. (1988) - Geoestatstica operacional. Braslia: Ministrio de Minas e
Energia, Departamento Nacional da Produo Mineral, 145p.
HAMILTON, D.E. & JONES, T.A.,EDS (1992) Computer Modeling of Geologic Surfaces
and Volumes: AAPG, Computer Applications in Geology no. 1, 297 pp.
HOWARTH, R.J. (1983) - Statistics and data analysis in geochemical prospection.
Amsterdam: Elsevier, 437p.
HUIJBREGTS, C.J. (1975) - Regionalized variables and quantitative analysis of spatial
data. In: DAVIS, J.C. & MC CULLAGH, M. J. (ed.) Display and analysis of spatial data.
John Wiley, p.38 - 53.
ISAAKS, E. H. & SRIVASTAVA, R. M. (1989) An Introduction to Applied Geostatistics:
Oxford University Press, 561 p.
IWASHITA, F. & LANDIM, P.M.B. (2003) - GEOMATLAB: anlise geoestatstica usando
MATLAB. Lab. Geomatemtica, DGA,IGCE,UNESP/Rio Claro, Texto Didtico 12, 16 p.
Disponvel em <http://www.rc.unesp.br/igce/aplicada/textodi.html

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.

JOURNEL, A. G. & HUIJBREGTS, J.C.H. (1978) - Mining geostatistics. Academic Press,

600p.

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

MATHERON, G. (1970) - La thorie des variables regionalises, et ses applications. Les

Cahiers du Centre de Morphologie Mathmatique de Fontainebleau. cole Nationale
Suprieure des Minas de Paris, Fascicule 5. 212p.
MILLER, R.L. & KAHN, J.S. (1962) Statistical Analysis in the Geological Sciences. John
Wiley & Sons.
OLEA, R.A. (1984) - Systematic Sampling of Spatial Functions: Kansas Geol. Survey.,
Series on Spatial Analysis n. 7
OLEA, R.A. Systematic sampling of spatiall function. Kansas: Kansas Geological Survey,
1984. 57p. (Series on Spatial Analysis, 7).
PANNATIER, Y. (1996) - VARIOWIN. Software for Spatial Data Analysis in 2D: SpringerVerlag.
PARDO-IGSQUIZA, E. (1999) VARFIT: a fortran-77 program for fitting variogram
models by weighted least squares: Computers & Geosciences, 25:251-261
PEARSON, E.S. ; HARTLEY, H.O. (1976) - Biometrika Tables for Statisticians: Cambridge
University Press.
PRESTON, D.D. (1970) - FORTRAN IV Program for Sample Normality Tests: Kansas
Geol. Survey, Computer Contrib., n. 41.
RENDU, J. M. (1978) - An introduction to geostatistical methods of mineral evaluation.
Johannesburg: Institute of Mining and Metallurgy, 83p.
SIEGEL, S. (1956) - Nonparametric Statistics for the Behavioral Sciences: Mcgraw - Hill
Book Co.
SPEARMAN, C. (1904) - The Proof and Measurement of Association Between Two
Things: American Jour. Psycology, 15:72-101.
SRIVASTAVA, R. M. (1987) - A non-ergodic framework for variograms and covariance
functions. Dissertation (Master's in Geostatistics) - Stanford University., 113 p.
STURARO, J.R. (1994) Mapeamento geoestatstico de propriedades geolgicogeotcnicas obtidas em sondagens de simples reconhecimento. Tese de Doutorado em
Geotecnia, Escola de Engenharia de So Carlos - USP, So Carlos, 183 p.
STURARO, J.R. & LANDIM, P.M.B. (1966) Mapeamento geoestatistico de ensaios de
penetrao patronizada (SPT): Solos e Rochas, vol. 19(1):03-14
STURARO, J.R.; LANDIM. P.M.B. & RIEDEL, P.S. (2000) O emprego da tcnica
Geoestatstica da krigagem indicativa em Geotecnia ambiental: Solos e Rochas, vol.
23(3):157-164
TERZAGHI, K. 6 PECK, R.B. (1967) Soil Mechanics in Engineering Practice, 2nd.
Edition, John Wiley & Sons, 729 p.

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