Escolar Documentos
Profissional Documentos
Cultura Documentos
2
1 - INTRODUO
1
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
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
1
e x / 2 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%
3
Os estimadores dos parmetros bsicos de uma distribuio normal constituem-se
nas
1 n
estatsticas: mdia aritmtica x : estimador de xi
n i 1
varincia s
2 1 n
n 1 i 1
xi x 2
Desvio padro (estimador de ) s
Mp xi x / n
p
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,
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 s2 y / 2
mG e y
E os limites de confiana deste valor mdio, so estimados da seguinte forma:
Prob G e y e y 68%
Prob G e zy
G zy 95%
O coeficiente de variao obtido segundo a expresso (Grossi Sad, 1986).
2y
CV e s 1
5
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.
6
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).
7
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
8
Figura 3 Representao de duas dimenses e em perspectiva das superfcies de
tendncia de graus 1, 2 e 3. (Davis, 1985).
9
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:
2 2
% ajuste 100 z z / N / z i z i / N
2 2
onde: z = valor ajustado
z1 = valor observado
10
3.1 ANLISE GEOESTATSTICA
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).
1
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
2
Covarinci a ch :
ch Ez x h z x m 2
Semivariograma h ;
h E z x h z x 2 co ch
1
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).
13
1 N h
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
h z xi z xi h 2 / 2n
n
Se valor,mdio esperado estacionrio no espao, a relao a seguir vlida:
z x z x h
zx zx h / n 0
i i
ento i i
n n
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).
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):
- MODELO ESFRICO
Constitui-se no ajuste mais comum da Geoestatstca, principalmente no estudo dos
depsitos minerais (David, 1977). Matematicamente sua frmula :
3h h
3
h c 3 para h a
2a 2a
h c para h a
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
17
MODELOS LINEARES GENERALIZADOS (Figura 7)
A expresso matemtica geral para essas semivariogramas :
h
onde: varia de 0 a 2
a inclinao na origem
- 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
- 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
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.
2
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: var r x
E2
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:
1 v
zv z xv
v i 1
onde: z xv so valores desconhecidos, com v=1 at v
23
Ez v Ezxv m
1
v v
E z v* Ez xi m
1
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
v 2
v v
v
c xv x m 2
onde: c xv x a covarincia entre todos os pontos dentro do domnio a ser estimado
v
2
E z v*
1
n i j
cxv x j m 2
onde: cxv x j a covarincia entre todas as amostras.
E z v z v* cxv xi m 2
1
v v i
onde: c xv xi a covarincia entre os pontos do domnio e as amostras
cx xv cx x j cxv xi
1 1 2
E2 v i
v2 v v n2 i j 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.
combinao linear n valores situados numa vizinhana homognea. O estimador pode ser
assim expresso:
n
z * i z x i
i 1
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:
i 1
25
visto que,
E z * m i Ez xo
E2 2 i si ,V i j si , s j V , V
n n n
i 1 i 1 j 1
26
s1 , s1 s1 , s 2 .... s1 , s n
s , s s , s .... s , s
2 1 2 2 2 n
A
s n , s1 s n , s 2 .... s n , s n
1
s1 , v
s , v 2
2
B C
n
sn1 , v 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
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
Estimativa no - linear
Prtica:
Acesse o site : http://tian.hwr.arizona.edu/yeh/HWR535/GEOEAS_HWR535.pdf
4 - BIBLIOGRAFIA RECOMENDADA
28
CLARK, I. (1979) - Pratical geostatistics. London: Applied Science Publishers, 129p.
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 # 600/8-
91/008. U.S. Environmental Protection Agency (EPA ).
HAMILTON, D.E. & JONES, T.A.,EDS (1992) Computer Modeling of Geologic Surfaces
and Volumes: AAPG, Computer Applications in Geology no. 1, 297 pp.
JIAN, X; OLEA, R.A. & YU, Y.S. (1996) - Semivariogram Modeling by Weighed Least
Squares: Computers & Geociences, 22:387-397.
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. & 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
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.
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: Springer-
Verlag.
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.
SIEGEL, S. (1956) - Nonparametric Statistics for the Behavioral Sciences: Mcgraw - Hill
Book Co.
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
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.
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.
32