Yamamoto Geoestatistica Aplicada PDF

Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
SUMÁRIO
1 INTRODUÇÃO ________________________________________________________ 1
2 CONCEITOS BÁSICOS _________________________________________________ 1
3 PREPARAÇÃO DE DADOS______________________________________________ 4
3.1 Composição de amostras de furos de sonda _____________________________ 4
3.1.1 Composição por bancadas _________________________________________ 5
4 ANÁLISE ESTATÍSTICA _______________________________________________ 9

4.1 Conceitos de variáveis aleatórias e probabilidade________________________ 10
4.2 Representações gráficas de variáveis aleatórias _________________________ 12
4.3 Estatísticas descritivas de variáveis aleatórias __________________________ 15
4.3.1 Medidas de tendência central ______________________________________ 15
4.3.2 Medidas de dispersão ____________________________________________ 17
4.3.3 Medidas de forma _______________________________________________ 19
4.4 Modelos probabilísticos contínuos ____________________________________ 20
4.4.1 Distribuição normal _____________________________________________ 20
4.4.2 Distribuição lognormal ___________________________________________ 22
4.5 Teorema do Limite Central _________________________________________ 23
4.6 Intervalo de confiança da média _____________________________________ 25
4.7 Correlação e regressão _____________________________________________ 27
5 ANÁLISE GEOESTATÍSTICA __________________________________________ 29

5.1 Por quê variáveis regionalizadas ?____________________________________ 29
5.2 Variáveis regionalizadas ____________________________________________ 31
5.3 O variograma _____________________________________________________ 33
5.4 Relação entre semivariograma e a função covariância ___________________ 35
5.5 Propriedades do variograma ________________________________________ 37
5.6 Anisotropias ______________________________________________________ 38
5.7 Comportamento próximo à origem ___________________________________ 39
5.8 Domínio do variograma ____________________________________________ 40
5.9 Cálculo de variogramas experimentais ________________________________ 41
5.10 Modelos teóricos de variogramas____________________________________ 42
6 ESTIMATIVAS POR KRIGAGEM ORDINÁRIA ___________________________ 44

6.1 Definição da fronteira convexa_______________________________________ 44
6.2 Definição da vizinhança local ________________________________________ 45
i
6.3 Definição da malha regular _________________________________________ 49

6.4 Krigagem ordinária________________________________________________ 51
6.5 Validação cruzada _________________________________________________ 64
6.6 Classificação de recursos/reservas minerais ____________________________ 67
7 ESTIMATIVAS POR COKRIGAGEM ORDINÁRIA _________________________ 71

7.1 Definições Básicas de Isotopia e Heterotopia ____________________________ 71
7.2 O variograma cruzado ______________________________________________ 71
7.3 O Modelo Linear de Corregionalização ________________________________ 73
7.4 Cokrigagem ordinária ______________________________________________ 73
REFERÊNCIAS BIBLIOGRÁFICAS _______________________________________ 76
ANEXO 1: DISTRIBUIÇÃO NORMAL PARA X ENTRE 0 E 3,49 E AS INTEGRAIS

Q(X) CORRESPONDENTES. _____________________________________________ 81
ANEXO 2: VALORES CRÍTICOS DE T PARA ALGUNS NÍVEIS DE

SIGNIFICÂNCIA ( IN KOCH & LINK, 1971 PÁG. 346)________________________ 82
ii
1 INTRODUÇÃO
A geoestatística que foi definida inicialmente, por Matheron (1971, pág. 5),
como a aplicação da Teoria das Variáveis Regionalizadas para a estimativa de
depósitos minerais, tem hoje sua aplicação nas mais diversas áreas do
conhecimento como: petróleo, hidrogeologia, meio ambiente, geotecnia,
agronomia de precisão, oceanografia e reflorestamento. Como a geoestatística foi
introduzida muito recentemente na grade curricular em cursos de graduação e de
pós-graduação, há necessidade de promover cursos de extensão para
disseminação da técnica, bem como para proporcionar uma reciclagem aos
profissionais atuantes na área. Nesse sentido, surgiu a idéia de oferecer este
curso, no qual introduziremos as técnicas e conceitos da geoestatística aplicada
na análise e interpretação de dados, com o objetivo de fazer o melhor uso da
informação disponível. Além disso, o planejamento deste curso, levou em
consideração também à disponibilidade de um software totalmente nacional para
que o aluno pudesse contar com uma licença acadêmica para que continuar seus
estudos após o término do curso. Trata-se do sistema GeoVisual que foi
desenvolvido para suportar o ensino de geoestatística em disciplinas de
graduação e de pós-graduação ministradas regularmente no Instituto de
Geociências – USP.
2 CONCEITOS BÁSICOS
A seguir vamos definir alguns conceitos básicos, cujo entendimento será de

importância fundamental para interpretação dos resultados de uma análise
geoestatística. Temos um problema a resolver, por exemplo, seja uma das
seguintes questões:
a) Qual é o teor médio de uma ocorrência mineral?
b) Qual é o grau de contaminação por mercúrio no solo?
c) Qual é a característica do solo para implantação de uma obra civil?
A resposta para qualquer uma dessas questões está baseada na

estimativa do atributo de interesse, através da amostragem.
Amostragem
Amostragem é o ato ou seleção de amostras como representativas do todo que

se deseja estudar, tendo em vista sempre a limitação econômica do programa de
amostragem. Normalmente, segundo Cochran (1963), as razões para a seleção
de uma amostra são de ordem econômica - redução de custos - e apresentam
como vantagens principais: maior rapidez, amplitude, flexibilidade e exatidão das
1
informações, em face da impossibilidade de se registrarem integralmente as

especificações do mineral que se propõe conhecer.
Base teórica
A teoria da amostragem é construída em torno do conceito que, se um número

significativo de unidades representativas de uma população é selecionado sem
enviesamento, o valor médio destas unidades irá aproximar-se da média da
população (Barnes, 1980).
Métodos de amostragem
Existem basicamente três métodos de amostragem que poderiam ser

considerados:
a) aleatória simples;
b) aleatória estratificada;
c) sistemática.
A amostragem sistemática, sempre que possível, é indicada para o cálculo de

estimativas.
Condição necessária
Estimativas de volumes, massas e teores devem ser baseadas em observações

sistemáticas (amostragem sistemática) e interpretações da geologia (litologia e
estrutura) e da mineralização (mineralogia, controles, distribuição e
continuidades), segundo Vallée & Côte (1992).
Fontes de erros
Os erros envolvidos na estimativa através da amostragem são devidos aos erros

de amostragem e à variabilidade natural do fenômeno em estudo.
Erros de amostragem
“Qualquer amostragem - até mesmo a mais simples - comporta uma série de

erros possíveis, alguns dos quais relacionados com a estrutura do minério, com
sua distribuição e textura, outros decorrentes das técnicas usadas na
amostragem, ou do modo como as técnicas são aplicadas, ou dos instrumentos
de amostragem”, in Gy (1968). Este problema, infelizmente, não termina com a
retirada da amostra, mas continua através da preparação, subdivisão e estágios
de análise em laboratório, cada um dos quais é passível de erro, que podem
2
afetar a precisão ou influenciar sua exatidão. O erro de amostragem representa a

diferença composicional entre a amostra de rocha e a parte do corpo rochoso com
que se espera representá-la (Miesch, 1967). Segundo Koch & Link (1971), os
erros de amostragem podem ser subdivididos, conforme a sua fonte de variação,
em:
a) erros de preparação: a preparação visa à redução do tamanho da

amostra geológica, geralmente muito grande para fins de análise. Ela
compreende uma série de operações não seletivas, tais como: redução da
granulometria, mistura, homogeneização e subdivisão, cada uma das quais
sujeita a erros;
b) erros analíticos: são decorrentes da diferença entre o resultado da

análise e a concentração na amostra original. Segundo Waeny (1979), os
erros analíticos podem ser sistemáticos ou aleatórios. Os erros
sistemáticos são aqueles que afetam as análises de maneira uniforme e
decorrem da imperfeição dos instrumentos, da incorreção da técnica
analítica, da impureza dos reagentes e de outros pequenos problemas,
todos passíveis de controle ou atenuação (Waeny 1979). Os erros
aleatórios, segundo o mesmo autor, são os de causa desconhecida, mas
que podem ser localizados quando da análise periódica de um grupo de
amostras. Independentemente do tipo de erro e do método analítico
utilizado, existem limites de sensibilidade, além dos quais a determinação
dos valores de concentração não é efetiva;
c) erro total de amostragem: representa a soma dos erros decorrentes das

etapas de amostragem e da preparação da amostra primária.
Variabilidade natural
A variabilidade do fenômeno em estudo, que pode ser medida através do

coeficiente de variação (razão da média pelo desvio padrão do conjunto de
observações), pode representar a maior fonte de erro. O padrão de variação pode
ser regular ou aleatório.
Resultado
Os resultados da amostragem podem ser representados através de medidas

diretas ou indiretas. As medidas diretas podem ser obtidas ‘in situ’ e/ou sobre a
amostra e as medidas indiretas são obtidas através de sensores remotos
(métodos geofísicos, sensoriamento remoto).
3
Natureza dos dados
Quanto à natureza os dados obtidos da amostragem podem ser classificados em

qualitativos (cor, textura, etc.) e em quantitativos (composição química, teor,
densidade, etc.).
Inferência
A partir dos dados obtidos, os quais estão sujeitos a erros, devemos inferir as
propriedades do todo amostrado ou do fenômeno em estudo. Se não houver
variabilidade, poucas amostras serão suficientes para inferir o todo. Porém, na
presença de variabilidade, a amostragem deve ser rigorosamente planejada para
que, dentro da limitação econômica, seus resultados possam ser estendidos para
o todo com um mínimo de erro. Aqui começa o problema para a geoestatística,
pois a variabilidade entre as amostras deve ser reconhecida, mensurada e
utilizada para posterior estimativa de porções não amostradas. Entretanto, antes
de introduzir a geoestatística é necessário passar pela fase de preparação e
analise estatística dos dados.
3 PREPARAÇÃO DE DADOS
As amostras podem ser coletadas de diversas formas (amostras de mão,

fragmentos, canal, furos de sonda, etc.), nas quais deve-se garantir que
apresentem o mesmo tamanho e massa. Por exemplo, amostras de mão de 2 kg,
amostras de canal coletadas a cada 20 cm, testemunhos de sondagem a cada 2
m e, assim por diante. Porém, pelos motivos expostos a seguir, as amostras de
furos de sonda necessitam de preparação para regularizar o intervalo de
amostragem.
3.1 Composição de amostras de furos de sonda
Geralmente o intervalo de amostragem nos furos de sonda não

corresponde ao intervalo de trabalho na fase de avaliação de reservas, embora
tenha sido necessário analisar as amostras segundo o intervalo de amostragem,
sempre menor que o intervalo de trabalho. Justifica-se isto frente à necessidade
de reconhecer e delimitar possíveis zonas ricas dentro da jazida. Além disso, as
amostras individuais dos furos de sonda podem variar bastante em tamanho,
comprimento e peso. Assim, a composição de amostras pelo agrupamento delas
para o intervalo de trabalho, definido segundo a característica que se quer
analisar, produzirá dados mais homogêneos e, portanto, com maior facilidade de
interpretação. É importante especificar a unidade de amostragem utilizada na
avaliação de reservas, pois, segundo Kim (1990), muitos problemas surgem pela
não especificação da unidade de amostragem. Por exemplo, se uma jazida é
avaliada com base na população de amostras de furos de sonda rotativa a
4
diamante, a produção da mina provavelmente não corresponderá às estimativas

feitas, simplesmente porque a jazida não é lavrada com furos de sonda rotativa a
diamante (Kim 1990). Segundo Barnes (1980), o objetivo de se fazer
composições de amostras é obter amostras representativas de uma unidade
mineralógica particular ou unidade de mineração. Segundo o mesmo autor, a
unidade de amostragem é especificada no planejamento da amostragem e inclui o
tamanho e modo de retirada física da amostra, assim como o intervalo de valores
a ser analisado. O resultado da composição de amostras de furos de sonda é
expresso como média ponderada do teor pelas espessuras selecionadas para o
intervalo de trabalho, como mostra a equação a seguir:
n
∑ ti ei
i =1
tc = n
(1)
∑ ei
i =1
onde: n é o número de trechos para compor o intervalo de trabalho; ti é o teor do

i-ésimo trecho; ei é a espessura do i-ésimo trecho.
Existem muitos tipos de depósitos minerais, cada um dos quais irá requerer
um tratamento especial dos dados amostrados para a obtenção dos melhores
intervalos de composição para avaliação de depósito (Barnes, 1980).
Basicamente, os tipos de composições possíveis em amostras de furos de sonda
para o intervalo de trabalho são:
- bancadas;
- zona mineralizada.
Entretanto, vamos considerar apenas a composição por bancadas que é o

caso mais comum de regularização de dados e não depende de interpretação
prévia dos dados.
3.1.1 Composição por bancadas
O procedimento da composição por bancadas, é indicado para se fazer a

avaliação de reservas em depósitos cuja lavra se dará a céu aberto. A
composição por bancadas é feita aplicando-se a equação (1), onde as espessuras
reais ou aparentes foram determinadas a partir de diferenças entre profundidades,
dentro dos limites de cada bancada. No caso de furos inclinados, as espessuras
são aparentes e o comprimento composto (CC) será maior que a altura da
bancada, sendo tanto maior quanto menor a inclinação do furo, conforme
ilustração na Figura 1.
O comprimento composto (CC) pode ser calculado como:
5
altura da bancada
CC =
sen θ
Deve-se, em casos de furos inclinados, limitar a inclinação mínima que

pode ser aceita para composições por bancadas, pois, por exemplo, para furos
com inclinações de 30o, o comprimento composto será de 2 vezes a altura da
bancada, como mostra a Tabela 1. Como recomendação, deve-se considerar
esse ângulo mínimo igual a 20o, pois este valor já dá um comprimento composto
de aproximadamente três vezes a altura da bancada. A Figura 2 apresenta os
fatores de multiplicação para inclinações variáveis entre 15 e 75o.
Figura 1: Desenho esquemático mostrando o cálculo do comprimento composto

em furos inclinados para cálculo de composições por bancada.
Tabela 1: Fator de multiplicação da altura da bancada para cálculo do

comprimento composto em furos inclinados.
Inclinação do furo (o) fator de multiplicação

15 3,864
20 2,924
30 2,000
45 1,414
60 1,547
75 1,035
Figura 2: Desenho ilustrando o problema da inclinação mínima de furos de sonda

para a composição de amostras por bancadas.
6
Um outro problema relacionado à composição de furos inclinados está no

cálculo das posições das novas amostras, ou seja, dos intervalos compostos.
Deve-se estabelecer inicialmente se a posição é tomada no topo, meio ou pé da
bancada. Recomenda-se utilizar sempre o meio da bancada como referência para
localização das amostras compostas. Para o cálculo das posições das novas
amostras deve-se determinar inicialmente o deslocamento horizontal (DH) das
amostras (Figura 2-3), como a projeção do comprimento composto (CC), como
segue:
DH = CC cos(θ )
onde: θ é inclinação do furo de sonda em relação à horizontal.

As posições das novas amostras nas bancadas podem ser calculadas
recursivamente usando:
X 1 = X 0 + DH sen (φ )
Y1 = Y0 + DH cos(φ )
onde: X1 e Y1 são as coordenadas da posição da nova amostra; X0 e Y0 são as

coordenadas da posição da amostra anterior e φ é o azimute do furo de sonda.
A Figura 3 ilustra o procedimento do cálculo das posições das amostras
compostas para a altura das bancadas.
Figura 3: Procedimento para cálculo das posições de amostras compostas para a

altura das bancadas: representação do furo em seção (A) e projeção das
coordenadas em planta (B).
A Tabela 2 reproduz o log de um furo de sonda, com o qual pretende-se

ilustrar o cálculo de composição por bancadas para o teor de Fe (%).
7
Tabela 2: Log do furo CP-23.
Profundidade Descrição Fe (%)

em metros
De Até
0.00 8.35 Aterro da Estrada do Bota Fora 0.000
8.35 16.25 WH vermelho 59.77
0
16.25 28.00 WH amarelo com Goethita 61.74
0
28.00 32.43 HA pulverulenta 62.81
0
32.43 37.00 Rocha intrusiva 5.000
37.00 43.00 Filito amarelo 0.000
43.00 51.01 Filito cinza 0.000
A Figura 4 apresenta esquematicamente o cálculo dos teores compostos

de Fe para as bancadas 1410 e 1420 m.
Figura 4: Exemplo de composição de amostras por bancada para o furo CP-23

(vertical).
Com o objetivo de exemplificar o cálculo de teores compostos por bancada

para furos inclinados, considere-se o log de um furo de sonda, conforme os dados
da Tabela 3.
Tomando por base estes dados, o cálculo do teor composto de ferro para
bancadas de 10 metros de altura será como exemplificado na Figura 5.
8
Tabela 3: Log do furo CP-62.
Profundidade Descrição Fe (%)

em metros
de Até
0.00 4.20Aterro 0.000
4.20 16.40 WH vermelho amarronzado 62.000
16.40 26.40 Hematita cinza escuro friável 60.000
26.40 28.70 Rocha intrusiva -
28.70 29.72 Hematita cinza escuro 60.000
29.72 33.04 Rocha intrusiva com Itabirito cinza 35.000
escuro
33.04 93.43 Itabirito cinza escuro, friável. 55.000
Figura 5: Exemplo de composição de amostras por bancada para o furo CP-62

(inclinado).
4 ANÁLISE ESTATÍSTICA
A análise estatística é uma etapa importante e deve preceder a análise

geoestatística e a estimativa por krigagem ordinária. Esta análise permite
sumariar os dados obtidos, conferir a base de dados e, inclusive, reconhecer
valores anômalos. Trata-se em conhecer melhor os dados que serão utilizados
para estimativas e inferências e, portanto, eles devem estar isentos de erros de
digitação. Antes de introduzir os conceitos estatísticos, seria interessante rever
brevemente alguns conceitos de variáveis aleatórias e probabilidade.
9
4.1 Conceitos de variáveis aleatórias e probabilidade
Vamos introduzir e rever alguns conceitos importantes sobre variáveis

aleatórias e probabilidade, antes de passar à análise estatística propriamente dita.
Variáveis aleatórias
Uma variável cujo valor é determinado pela realização de um experimento é

denominada variável aleatória. As variáveis aleatórias podem ser subdivididas em
duas classes: discretas e contínuas.
Variáveis aleatórias discretas
Uma variável aleatória discreta é aquela que tem um número contável de

realizações possíveis. Exemplo: cor do solo, segundo uma escala padrão de
cores.
Variáveis aleatórias contínuas
Uma variável aleatória contínua é aquela que pode assumir qualquer valor num
segmento contínuo da linha dos números reais. Exemplo: teores, massas,
volumes são geralmente medidos em uma escala contínua.
Notação
Letras maiúsculas serão usadas para referir as variáveis aleatórias. Exemplo: X,

representando o teor de sílica em minério de ferro. Letras minúsculas referem-se
a um valor específico da variável aleatória. Exemplo: x=3.23 %, é o teor de sílica
em uma amostra específica.
Probabilidade de realizações igualmente possíveis
Se A e B são eventos do espaço amostral S, então a probabilidade do evento A,

P(A) é igual à freqüência do evento A (realizações simples igualmente possíveis)
sobre n o tamanho da amostra:
fA
P ( A) =
n
10
e, similarmente:
fB
P (B ) =
n
Então:
1) 0 ≤ P( A) ≤ 1 e 0 ≤ P(B ) ≤ 1
2) P(S ) = 1
3) Se A e B são eventos mutuamente exclusivos, ou seja, não podem ocorrer

simultaneamente (A∩B=0), então P( A ∪ B ) = P( A) + P(B ) .
Distribuição de probabilidade
As probabilidades p(x1), p(x2), ... ,p(xn) associadas aos valores possíveis x1, x2, ...
,xn de uma variável aleatória X constituem a distribuição de probabilidade de X.
Função de probabilidade
Ao conjunto de pares ordenados (xi, p(xi)) denomina-se função de probabilidade

de X.
Função densidade de probabilidade
Determina as probabilidades teóricas associadas às variáveis aleatórias

contínuas. A função densidade de probabilidade permite calcular a probabilidade
da variável aleatória estar no intervalo finito [a,b] como segue:
b
P(a ≤ x ≤ b ) = ∫ f ( x')dx'
a
Função de distribuição acumulada
Dá a probabilidade para a variável aleatória x’ ser menor ou igual a x:
x
P( x' ≤ x ) = F ( x ) = ∫ f ( x')dx'
−∞
11
4.2 Representações gráficas de variáveis aleatórias
As observações amostradas de uma variável aleatória podem ser

representadas graficamente com o objetivo de estudar a sua distribuição dentro
do intervalo amostrado. As representações gráficas mais utilizadas são o
histograma e a curva acumulativa.
Histograma
A análise estatística começa pelo estudo da distribuição de freqüências, a

qual descreve como as unidades de uma população estão distribuídas sobre o
intervalo amostrado. A distribuição de freqüências pode ser do tipo simples ou
acumulada.
A distribuição de freqüências do tipo simples é construída tabulando-se os
dados de alguma característica medida do depósito (teor, espessura, etc.) em
intervalos constantes; os dados assim agrupados podem ser representados
graficamente na forma de histograma, lançando-se os intervalos de medida em
abscissa e as freqüências em ordenada. A Figura 6 apresenta um histograma
para uma variável aleatória tipicamente encontrada na análise de dados
geológicos. O histograma proporciona uma representação gráfica que permite
visualizar a distribuição dos dados.
25
%
20
15
10
0
0.5 1.0 1.5 2.0
Valores dos dados
Figura 6: Histograma para uma variável aleatória típica de dados geológicos.
Curva acumulativa
O procedimento para obtenção de freqüências acumuladas é o mesmo que

o do tipo anterior, porém as freqüências dos dados agrupados nos intervalos são
agora acumuladas. A curva acumulativa é a representação gráfica obtida do
lançamento das freqüências acumuladas em ordenada e os intervalos de medida
12
em abscissa. A simples união dos pontos sobre a curva acumulativa, com

segmentos de reta, gera o polígono de freqüências acumuladas. Entretanto, este
tipo de representação não tem sido utilizado, pois não permite determinar com
precisão o valor da variável de interesse para um determinado percentil, ou vice-
versa. Assim, mais recentemente as curvas acumulativas têm sido construídas a
partir das freqüências acumuladas de todos os dados do conjunto amostrado.
Nesse caso, as freqüências simples são calculadas para todos os valores
observados individualmente, atribuindo-se uma freqüência igual a 1/n. As
freqüências simples assim obtidas podem então ser acumuladas gerando as
freqüências acumuladas.
As freqüências acumuladas são geralmente lançadas em escala de
probabilidade aritmética, que tem a propriedade de identificar graficamente se a
distribuição em estudo segue uma distribuição normal (os pontos deverão estar
alinhados sobre uma reta). A escala de probabilidade aritmética é utilizada
freqüentemente para a representação gráfica de distribuições de freqüências
acumuladas, pois permite determinar rapidamente se a distribuição em estudo é
normal ou lognormal. Esta escala é obtida da integração da função densidade de
probabilidade da distribuição normal de -∞ a X:
X
P( X ) = ∫ f ( x )dx
−∞
P(X) é a probabilidade acumulada de -∞ a X, ou a uma porcentagem em relação à

área total da curva, e corresponde à porcentagem acumulada na escala de
probabilidade aritmética, como ilustrado na Figura 7.
Se a distribuição de freqüências acumuladas for do tipo normal ou
aproximar-se dele, os pontos deverão alinhar-se numa reta, quando lançados em
gráfico de probabilidade aritmética (abscissa em escala aritmética). Contudo, se
os pontos desenharem um “S”, significa que a distribuição não é normal e deve
ser testada a hipótese de lognormalidade, lançando-se os pontos em gráfico de
logprobabilidade aritmética (abscissa em escala logarítmica). Se os pontos
alinharem-se em torno de uma reta significa que a distribuição é lognormal.
Assim, é possível verificar graficamente se a distribuição é normal ou
lognormal, representando a distribuição de freqüências acumuladas em gráficos
de probabilidade ou logprobabilidade aritmética, respectivamente.
13
Figura 7: A escala de probabilidade aritmética resultando da integração da função

densidade de probabilidade da distribuição normal.
A Figura 8 apresenta uma curva acumulativa para a mesma variável

aleatória representada no histograma da Figura 6.
99.99
% ACUMULADA
99.95
99.90
99.50
99.00
95.00
90.00
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
5.00
1.00
0.50
0.10
0.05
0.01
0.5 1.0 1.5 2.0
Valores dos dados
Figura 8: Curva acumulativa para os valores da variável aleatória típica

representada no histograma da Figura 6.
14
4.3 Estatísticas descritivas de variáveis aleatórias
As distribuições de freqüência apresentam características intrínsecas ao

fenômeno em estudo, por exemplo, com menor ou maior variabilidade. As
estatísticas descritivas são utilizadas para caracterizar numericamente as
distribuições de freqüência. Estas estatísticas podem ser obtidas através de:
medidas de tendência central, medidas de dispersão e medidas de forma da
curva.
4.3.1 Medidas de tendência central
Ao se estudar uma distribuição de freqüências, o objetivo é determinar o

valor mais provável dessa distribuição, que pode ser encontrado a partir de
medidas de tendência central: média, mediana e moda.
Média
A média ou esperança matemática de uma variável aleatória X é definida

como:
E [ X ] = ∑ x i p ( xi )
n
i =1
onde: p( xi ) é a probabilidade associada à ocorrência de xi .
Se os valores x1 , x 2 ,L, x n representam os valores possíveis e estes são

igualmente possíveis ( p( x1 ) = p( x 2 ) = L = p( x n )) , então a média torna-se:
E [ X ] = X = ∑ xi
n 1 1 n
= ∑ xi
i =1 n n i =1
Propriedades da média
Tem-se a seguir algumas propriedades associadas à média (Fonseca &

Martins, 1982, págs. 40-41):
a) a média de uma constante é a própria constante;
15
E [K ] = K
b) a média de uma variável aleatória X, multiplicada por uma constante, é

igual a constante multiplicada pela média de X;
E [KX ] = K .E [X ]
c) a média da soma ou diferença de duas variáveis aleatórias é a soma ou

diferença das médias;
E [X ± Y ] = E [ X ] ± E [Y ]
d) a média de uma variável aleatória somada ou subtraída de uma

constante é igual à média dessa variável somada ou subtraída da mesma
constante;
E [X ± K ] = E [X ] ± K
Observação: esta propriedade é particularmente importante para transformação

de variáveis visando ajustar a sua média sem, contudo, alterar a variância.
e) a média de uma variável aleatória subtraída de sua própria média é zero;
[
E X − X =0]
Mediana
A mediana corresponde ao valor da variável aleatória a 50% da distribuição

acumulada de freqüências. No exemplo da Figura 7, o valor da variável aleatória
correspondente a 50% é igual a 1,204.
Moda
A moda corresponde à classe mais freqüente verificada no histograma.

Para o exemplo da Figura 6, a moda corresponde à classe 1,2 – 1,3. Quando
duas modas são verificadas, com as mesmas freqüências, então a distribuição é
bimodal.
16
4.3.2 Medidas de dispersão
Da mesma forma que existem várias maneiras para medir a tendência

central dos dados, há também várias maneiras para medir a dispersão em torno
da média: variância e desvio padrão, coeficiente de variação e Teorema de
Chebyshev.
Variância e desvio padrão
A dispersão dos valores em torno da média é medida pela variância, que é

determinada como:
Var [X ] = ∑ ( xi − X ) 2 p ( xi )
n
i =1
Novamente, assumindo as probabilidades de ocorrência dos n valores

possíveis iguais entre si, ou seja, iguais a 1/n, tem-se:
Var [ X ] = S 2 = ∑ ( xi − X ) 2 ( )
n 1 1 n 2
= ∑ xi − X
i =1 n n i =1
que é a equação usual da variância, ou desenvolvendo-a, tem-se:
[ ]
S 2 = E X 2 − E[X ]
2
O desvio padrão é simplesmente a raiz quadrada da variância e é expresso

na mesma unidade dos valores originais.
Propriedades da variância
As propriedades associadas à variância, segundo Fonseca & Martins

(1982) são:
a) a variância de uma constante é zero;
Var [K ] = 0
17
b) a variância de uma variável aleatória multiplicada por uma constante é

igual a variância da variável aleatória multiplicada pelo quadrado dessa constante;
Var [KX ] = K 2Var [ X ]
c) a variância de uma variável aleatória somada ou subtraída de uma

constante é igual à variância da variável aleatória;
Var [ X ± K ] = Var [X ]
d) a variância da soma ou diferença entre duas variáveis aleatórias

independentes é a soma das respectivas variâncias.
Var [X ± Y ] = Var [ X ] + Var [Y ]
Coeficiente de variação
O coeficiente de variação, que é uma outra medida de dispersão, é obtido

pela divisão do desvio padrão pela média:
S
CV =
X
Como o coeficiente de variação é adimensional, ele é freqüentemente

utilizado para comparar a dispersão relativa de valores em torno da média entre
diferentes distribuições, como, por exemplo, para comparação e classificação de
depósitos minerais segundo a variabilidade natural, medida por meio desta
estatística.
Teorema de Chebyshev
De acordo com o Teorema de Chebyshev, para qualquer função densidade

de probabilidade, a proporção da variável aleatória dentro de ± K desvios padrão
1
em torno da média é sempre no mínimo 1 − 2 , onde K é qualquer número
K
positivo maior que 1. A Tabela 4 mostra a proporção de Chebyshev para alguns
valores de K.
18
Tabela 4: Proporção de Chebyshev da variável aleatória estar dentro de ± K

desvios padrão em torno da média.
K 1
≥ 1−
K2
2 0.75
3 0.89
4 0.94
4.3.3 Medidas de forma
As distribuições de freqüências podem ser caracterizadas também quanto

à forma, através das medidas de assimetria e curtose.
Assimetria
Assimetria é a medida do grau de simetria de uma distribuição de

freqüências em torno da média, a qual pode apresentar uma assimetria positiva
se a cauda da distribuição estiver à direita da média e negativa se estiver à
esquerda. A assimetria positiva é observada na maioria das distribuições de
freqüências de variáveis de depósitos minerais com alta variabilidade natural
(metais raros, ouro, urânio, etc.). O coeficiente de assimetria pode ser calculado a
partir do terceiro momento centrado na média:
n
CA=∑ ( xi − X ) 3 / S 3
i =1
Curtose
A curtose é a medida do grau de achatamento de uma distribuição em

relação à distribuição normal (Spiegel, 1967), que reflete a dispersão dos valores
em torno da média. O coeficiente de curtose é calculado a partir do quarto
momento em torno da média:
n
CC =∑ ( xi − X ) 4 / S 4
i =1
19
4.4 Modelos probabilísticos contínuos
Serão apresentados neste item os principais modelos probabilísticos

utilizados para descrever o comportamento de variáveis aleatórias contínuas
encontradas na análise de dados geológicos. Tais modelos são representados
pela distribuição normal e lognormal.
4.4.1 Distribuição normal
A distribuição normal ou gaussiana é a mais comumente utilizada em

estatística, pois sob esta forma de distribuição de freqüências encontra-se um
grande número de variáveis aleatórias em muitos campos de aplicação.
A função densidade de probabilidade, que descreve matematicamente esta
distribuição, é dada por:
e −1 / 2[( x − µ ) / σ ]
1 2
f ( x )= (2)
σ 2π
onde: f ( x ) é a função densidade de probabilidade; x é uma observação; µ e σ

são respectivamente a média e o desvio padrão que definem a forma da curva.
A Figura 9 apresenta os gráficos da função densidade de probabilidade,

nos quais encontram-se delimitadas as áreas correspondentes a 68, 95 e 99,7%
da distribuição, ou seja, equivalentes aos intervalos µ±σ, µ±2σ e µ±3σ,
respectivamente.
Figura 9: Gráficos da função densidade de probabilidade da distribuição normal

para áreas correspondentes a 68% (A); 95% (B) e 99,7%(C) de distribuição.
A Tabela 5 compara as proporções de Chebyshev para qualquer variável

aleatória com a variável aleatória normal.
20
Tabela 5: Valores de probabilidade que x está no intervalo ± K desvios padrão em

torno da média (Exell, 1998).
K Qualquer Variável
variável aleatória
aleatória normal
1 n.d. 0.68
2 ≥ 0.75 0.95
3 ≥ 0.8889 0.997
4 ≥ 0.9375 0.99994
Desta tabela pode-se concluir que de todas as variáveis aleatórias

possíveis com a mesma variância, a variável aleatória contínua é a que está mais
concentrada em torno da média (Exell, 1998), daí a sua grande utilidade na
prática.
As áreas sob a distribuição normal podem ser facilmente calculadas
integrando-se a função densidade de probabilidade [equação (2)], por exemplo,
da posição X até +∞, resultando na área Q(X), como ilustrado na Figura 10.
Assim, pode-se calcular as áreas sob a distribuição normal entre 0 e 3,49
resultando numa forma de tabela da distribuição normal (Anexo 1).
A distribuição normal é, sem dúvida, a distribuição teórica mais utilizada na
prática, pois é matematicamente conveniente de se trabalhar com ela, uma vez
que suas propriedades são bastante conhecidas. Em geral, a grande maioria das
variáveis aleatórias segue uma distribuição normal ou, no mínimo
aproximadamente normal. Mesmo para observações que não apresentam uma
distribuição normal, esta pode ser aplicada se o problema puder ser resolvido
considerando o comportamento de uma variável formada pelo cálculo da
estatística de um conjunto de observações, ao invés das observações originais
(vide Teorema do Limite Central).
Figura 10: Gráfico da distribuição normal mostrando a área correspondente a

integral da função densidade de probabilidade de X à +∞.
21
4.4.2 Distribuição lognormal
A distribuição lognormal é um tipo encontrado em muitos problemas de

avaliação de reservas (principalmente em casos de metais raros), caracterizando-
se por uma distribuição com assimetria positiva, onde ocorre uma grande
quantidade de valores baixos e uns poucos valores altos. Formalmente, a
distribuição lognormal é definida como uma distribuição contínua caracterizada
pela propriedade dos logaritmos das observações seguirem uma distribuição
normal (Koch & Link, 1971).
A função densidade de probabilidade da distribuição lognormal é dada por:
e −1 / 2[(log x −α ) / β ]
1 2
f ( x )= (3)
xβ 2π
onde: α é a média dos logaritmos de x; ß é o desvio padrão dos logaritmos de x

em relação a α.
Os dois parâmetros α e ß2 definem a forma da curva de distribuição de

probabilidades. A distribuição lognormal é sempre assimétrica para a direita
(assimetria positiva), sendo que o grau de assimetria depende somente do valor
de ß2, que corresponde à variância dos logaritmos das observações (Koch & Link,
1971). O objetivo básico da transformação não linear (logarítmica) observada na
equação (3) é, segundo Koch & Link (1971), a mudança da forma da distribuição
para uma distribuição normal ou aproximadamente normal. Entretanto, algumas
distribuições de freqüências apresentam-se após a transformação logarítmica
com certa assimetria negativa (assimétrica para a esquerda), que pode ser
corrigida pela adição de uma constante - o terceiro parâmetro - às observações
originais, antes da transformação logarítmica (Krige, 1978).
A função densidade de probabilidade da distribuição lognormal a três
parâmetros é descrita por:
e −1 / 2[(log( x +C )−α ) / β ]
1 2
f ( x )=
( x + C ) β 2π
A constante C - terceiro parâmetro da distribuição lognormal - pode ser

estimada, segundo Landim (1985), como:
M 2 − p1 p 2
C=
p1+ p 2−2M
22
onde: M é a mediana, ou seja, o valor de teor correspondente a 50% da

distribuição; p1 é o valor de teor correspondente a um percentil entre 5 e 20%; p2
é o valor de teor correspondente a um percentil entre 100-p1.
Na Figura 11, tem-se as curvas de distribuição lognormal com α e C iguais
a zero e para três valores de ß2 (2, 0,5 e 0,1).
Figura 11: Curvas de distribuição lognormal com α e C iguais a zero e três valores
de β2, segundo Aitchison & Brown (1957, apud Koch & Link, 1971).
4.5 Teorema do Limite Central
Segundo Barnes (1980), o Teorema do Limite Central é um dos mais

importantes teoremas da estatística matemática relacionada a distribuições de
freqüências de amostragem e pode ser enunciado como: "Se amostras aleatórias
de tamanho fixo são retiradas de uma população cuja distribuição teórica é de
forma arbitrária, mas com média e variância finitas, a distribuição das amostras
tende mais e mais a uma distribuição normal com média µ e variância σ2/n tanto
quanto o tamanho das amostras aumenta”.
Se X1, X2, ..., Xn são valores de uma variável aleatória, a média X é:
( X 1 + X 2 + ... + X n )
X =
n
O valor esperado de X , usando as propriedades (b) e (c) da média, é:
[ ]
EX =
1
n
(E[X 1 ] + E[X 2 ]+ .... + E[X n ])
ou
23
[ ]
EX =
1
n
(n.µ ) = µ
onde µ é a média populacional

A variância de X é calculada como:
[ ]
Var X = Var [( X 1 + X 2 + .... + X n ) / n ]
aplicando-se as propriedades (b) e (d) da variância tem-se:
[ ]
2
⎛1⎞
Var X = ⎜ ⎟ (Var[X 1 ] + Var [X 2 ] + ....Var[ X n ])
⎝n⎠
ou
[ ] ⎛ 1
Var X = ⎜ 2
⎞ 2
⎟nσ = σ / n
2
⎝n ⎠
A distribuição de X tem média µ e variância σ2/n que se aproxima da

distribuição normal tanto quanto aumenta o tamanho da amostra. Na maioria dos
casos a aproximação é boa a partir de 40 amostras.
A Figura 12 ilustra muito bem o que enuncia o Teorema do Limite Central.
Amostras aleatórias de tamanho fixo são retiradas de distribuições arbitrárias
(Figura 12A), a partir das quais tem-se: as distribuições das médias para 2
amostras (Figura 12B), para 4 amostras (Figura 12C) e para 25 amostras (Figura
12D). Observe-se que a média das amostras tende a µ e variância σ2/n, tanto
quanto aumenta o tamanho das amostras. As médias praticamente permanecem,
enquanto as variâncias diminuem na proporção da raiz quadrada do número de
amostras.
As n amostras da variável aleatória X são, na verdade, em problemas de
avaliação de reservas, os teores de n blocos de cubagem que compõem o
depósito mineral em avaliação. O teor médio no bloco de cubagem é determinado
como a média ponderada dos teores de amostras de furos vizinhos. O ponderador
variará de acordo com o método escolhido na avaliação de reservas, seja ele
convencional ou computacional. Portanto, o teor médio do depósito será igual à
média dos teores calculados nos blocos de cubagem, como está assegurado pelo
Teorema do Limite Central. Por isso, o teor médio do depósito, desde que as
informações coletadas estejam bem representadas no mesmo, pode ser
determinado com precisão, pois mesmo com a alteração da dimensão do bloco, o
teor médio deverá se manter na mesma faixa de valores, enquanto a variância
diminuirá com o tamanho do bloco de cubagem.
24
4.6 Intervalo de confiança da média
Calculado o valor médio da variável de interesse, pode-se determinar o

intervalo de confiança associado ao mesmo, a um determinado nível de
confiança.
O intervalo de confiança pode ser calculado a partir da estatística t:
X −µ
t=
S
n
(A)
(B)
(C)
(D)
Figura 12: Populações arbitrárias (A), das quais são selecionadas aleatoriamente
amostras de tamanho fixo: n=2 (B); n=4 (C) e n=25 (D), segundo Lapin (1982,
apud Davis, 1986).
25
que tem uma nova distribuição de amostragem.

A expressão para o intervalo de confiança da média populacional ao nível
de confiança de 90% é:
s s
X − t 5% < µ < X + t 5%
n n
A distribuição t é simétrica e depende somente do número de graus de

liberdade, que no caso, da estimativa da média, é igual a n-1 (n=número de
amostras). O Anexo 2 apresenta os valores críticos de t para alguns níveis de
significância.
Quando o número de graus de liberdade tende ao infinito, a distribuição t
tende à distribuição normal, como está ilustrado na Figura 13. Observe-se que o
valor crítico de t com graus de liberdade tendendo ao infinito, a um nível de
significância de 10%, corresponde à variável aleatória padronizada da distribuição
normal para uma área equivalente a 10% (Anexo 1).
Figura 13: Distribuição t de Student para vários graus de liberdade.

26
4.7 Correlação e regressão
Muitas vezes é necessário estudar a relação mútua entre duas variáveis

aleatórias (X e Y) com o objetivo de verificar se elas encontram-se
correlacionadas ou não, por exemplo, para o cálculo de co-estimativas. Para isso
necessita-se das estatísticas que correlacionem duas variáveis aleatórias.
Covariância
A variância mede a dispersão de uma variável aleatória X em torno da sua

média X , enquanto a covariância mede a dispersão ou como encontram-se
correlacionadas duas variáveis aleatórias simultaneamente:
Cov( X , Y ) = E [(X − X )(Y − Y )] ,
que pode ser desenvolvida como:
Cov( X , Y ) = E [ XY ] − E [X ]E [Y ]
Observe-se que ao contrário da variância que é sempre positiva, a

covariância pode ser positiva ou negativa, dependendo da relação existente entre
as variáveis aleatórias.
Coeficiente de correlação
O resultado da covariância nem sempre é de fácil interpretação, pois

depende dos valores associados às variáveis aleatórias X e Y. Assim, comumente
utiliza-se de outra medida derivada da covariância denominado coeficiente de
correlação, conforme a seguinte expressão:
Cov( X , Y )
Corr ( X , Y ) = ,
Var ( X )Var (Y )
que tem a vantagem de estar normalizado no intervalo –1 a +1. Um valor próximo

de zero indica a falta de correlação entre as duas variáveis.
27
Reta de regressão
Dado um conjunto de pares ordenados {xi, yi, i=1,n}, pode-se determinar a

relação funcional y = f ( x ) , através do método dos mínimos quadrados. Vamos
exemplificar neste item a obtenção da reta dos mínimos quadrados: y ∗ = a + bx .
Segundo este método, a diferença elevada ao quadrado entre os valores
observados (y) e calculados (y*) deve ser a mínima possível. Assim, devemos
minimizar:
( )
n 2
S = ∑ y i − y i∗ ,
i =1
onde y i∗ = a + bxi e, portanto:
n
S = ∑ ( y i − a − bxi )
2
i =1
Para encontrarmos o mínimo de S com relação aos coeficientes (a, b),

calculamos as derivadas parciais e igualamos a zero:
dS n
= ∑ 2( y i − a − bxi )(− 1) = 0
da i =1
dS n
= ∑ 2( y i − a − bxi )(− xi ) = 0
db i =1
desenvolvendo, tem-se:
n n n
a ∑ 1 + b ∑ xi = ∑ y i
i =1 i =1 i =1
n n n
a ∑ xi + b∑ xi2 = ∑ xi yi
i =1 i =1 i =1
Por fim, os coeficientes procurados são:
n n
∑ y i − b ∑ xi
i =1 i =1
a=
n
Cov( X , Y )
b=
Var [ X ]
28
5 ANÁLISE GEOESTATÍSTICA
Na estatística trabalhamos com realizações de variáveis aleatórias; na

geoestatística trabalhamos com as funções aleatórias onde as amostras são
vistas como realizações de uma variável aleatória que, por sua vez, é função das
coordenadas espaciais. A geoestatística envolve a análise e predição de
fenômenos espaciais ou temporais, tais como: teores de minério, porosidades,
concentração de poluentes, preço do petróleo no tempo, etc. À etapa de estudo e
modelagem da correlação espacial denomina-se análise geoestatística. É desta
análise que se obtém a ferramenta básica da estimativa por meio da krigagem
ordinária, que é o variograma. Após a análise geoestatística, pode-se fazer
predições ou simulações estocásticas em pontos não amostrados para melhor
compreensão do fenômeno espacial em estudo.
Com o modelo de variograma reconhecem-se anisotropias (feição
particular dos métodos geoestatísticos), bem como uma idéia da variabilidade a
pequenas distâncias dada pelo comportamento próximo à origem.
Cabe salientar que a krigagem, como método de estimativa da variável de
interesse, só deve ser utilizada quando o variograma experimental for estruturado,
ou seja, se a variabilidade não for totalmente aleatória (efeito pepita puro).
5.1 Por quê variáveis regionalizadas?
As variáveis regionalizadas, que representam os valores de variáveis

referenciadas geograficamente, foram introduzidas para descrever
quantitativamente variações espaciais em corpos de minério.
Este item, baseado no trabalho de Royle (1979), justifica porque as
variáveis regionalizadas são dependentes de suas posições espaciais relativas e
também mostra como se pode medir as variações espaciais.
Para o desenvolvimento deste item, serão consideradas as seguintes
séries de números:
Série A: 1 7 3 6 2 9 4 8 5
Série B: 1 3 5 7 9 8 6 4 2
As características estatísticas dessas duas séries de números, medidas

através da média e variância (Tabela 6), são idênticas, pois apresentam os
mesmos valores. Entretanto, essas duas séries são bem diferentes, pois resultam
de dois tipos distintos de mineralização.
Tabela 6: Estatísticas medidas para as duas séries de números.
Série Média Variância

A 5 6,67
B 5 6,67
29
Assim, as estatísticas, obtidas por métodos clássicos, não conseguem

reconhecer a diferença existente entre as duas séries em estudo, pois consideram
as amostras independentes entre si. Por outro lado, se fosse considerada a
posição espacial relativa de cada amostra, poder-se-ia distinguir as duas séries
de números. Uma possibilidade seria medir a diferença entre os valores de
amostras separadas por uma determinada distância. Como a simples soma das
diferenças tenderia a anular-se, optou-se pela soma do quadrado das diferenças,
que dividido pelo número de pares dá sentido a uma medida de variância, com
significado espacial, pois é dependente da distância utilizada. A variância espacial
pode ser calculada para várias distâncias, ou para vários intervalos de
amostragem, como segue:
variância espacial para um intervalo de amostragem:
[
A : (1 − 7 ) + (7 − 3) + (3 − 6 ) + (6 − 2 ) + (2 − 9 ) + (9 − 4 ) + (4 − 8) + (8 − 5) / 8 = 22
2 2 2 2 2 2 2 2
]
B : [(1 − 3) + (3 − 5) + (5 − 7 ) + (7 − 9 ) + (9 − 8) + (8 − 6 ) + (6 − 4 ) + (4 − 2 ) ]/ 8 = 3,63
2 2 2 2 2 2 2 2
variância espacial para dois intervalos de amostragem:
[
A : (1 − 3) + (3 − 2 ) + (2 − 4 ) + (4 − 5) + (7 − 6 ) + (6 − 9 ) + (9 − 8) / 7 = 3
2 2 2 2 2 2 2
]
B : [(1 − 5) + (5 − 9 ) + (9 − 6 ) + (6 − 2 ) + (3 − 7 ) + (7 − 8) + (8 − 4 ) ]/ 7 = 12,86
2 2 2 2 2 2 2
e, assim sucessivamente.
Calculando-se a variância espacial até quatro intervalos de amostragem
tem-se os resultados mostrados na Tabela 7.
Tabela 7: Variâncias espaciais para as séries A e B, determinadas até quatro

intervalos de amostragem.
intervalo de var. esp. A var. esp. B

amostragem
1 22,00 3,63
2 3,00 12,86
3 23,67 23,83
4 3,80 29,60
Os dados da Tabela 7, podem ser representados sob forma gráfica,

lançando-se as variâncias espaciais em função dos intervalos de amostragem,
como está mostrado na Figura 14.
30
Figura 14: Variância espacial em função dos intervalos de amostragem para as

séries A e B.
Observando-se o gráfico da Figura 14, verifica-se que a série A é muito

errática, enquanto a série B é mais uniforme. Na série B, as variâncias espaciais
aumentam conforme o intervalo de amostragem, pois a correlação entre os
valores diminui com a distância. Esse comportamento seria desejado em todos os
corpos de minério, dentro de alguma escala de amostragem. Uma maneira prática
para verificar se há correlação espacial nos dados, segundo Bon (1979), é
calcular a variância espacial para um intervalo de amostragem e comparar com a
variância amostral; se a variância espacial for menor, então há correlação, caso
contrário não há. Veja, por exemplo, que na série B, a variância espacial para um
intervalo de amostragem é igual a 3,63 para uma variância amostral de 6,67,
portanto, com boa correlação espacial, enquanto para a série A, a mesma
variância é igual a 22,00, ou seja, não apresenta correlação espacial.
5.2 Variáveis regionalizadas
Uma variável regionalizada é qualquer função numérica com uma

distribuição espacial, que varia de um lugar a outro com continuidade aparente,
mas cujas variações não podem ser representadas por uma função determinística
(Blais & Carlier, 1968 apud Olea, 1975). O termo variável regionalizada foi
escolhido por Matheron (1965, apud Huijbregts, 1975) para enfatizar as feições
particulares dessas variáveis.
Em geologia, todas as observações quantitativas feitas em duas ou três
dimensões (área ou volume, respectivamente), sejam elas geoquímicas,
geofísicas, sedimentológicas, etc., podem ser consideradas como exemplos de
variáveis regionalizadas.
A definição de uma variável regionalizada como uma variável distribuída no
espaço é puramente descritiva e não envolve qualquer interpretação
probabilística. Uma variável aleatória é aquela que recebe um certo número de
valores, de acordo com uma certa distribuição de probabilidades (Journel &
Huijbregts, 1978). O teor de um elemento num ponto x1 do depósito pode ser
considerado como uma realização particular de uma variável aleatória Z(x1)
31
definida no ponto x1. Segundo Journel & Huijbregts (1978), denomina-se função
aleatória Z(x) o conjunto de teores Z(x) para todos os pontos x dentro do depósito
[i.e. variável regionalizada Z(x)]. A interpretação probabilística de uma variável
regionalizada, como uma realização particular de uma certa função aleatória Z(x),
tem um significado operacional quando for possível inferir toda ou parte da lei de
probabilidades que define essa função aleatória na sua totalidade (Journel &
Huijbregts, 1978).
A maioria das variáveis regionalizadas apresenta um aspecto aleatório,
consistindo de variações altamente irregulares e imprevisíveis, e um aspecto
estruturado, refletindo as características estruturais do fenômeno regionalizado
(Kim, 1990). Uma formulação apropriada para solução de problemas de
estimativa deve levar em consideração essas duas características aparentemente
contraditórias, por meio de uma representação simples da variabilidade espacial
(Journel & Huijbregts 1978).
A Teoria das Variáveis Regionalizadas tem por objetivos o estudo e
representação das propriedades estruturais das variáveis regionalizadas para
resolução de problemas de estimativa.
Hipótese intrínseca
"Um conceito básico na Teoria das Variáveis Regionalizadas é a chamada

hipótese intrínseca, a qual implica que uma função (a função intrínseca) descreve
o comportamento espacial da variável regionalizada dentro do espaço e que essa
função é uma característica intrínseca da regionalização. A função intrínseca é na
verdade o chamado semivariograma. Em outras palavras, a geoestatística
assume que a distribuição das diferenças entre dois pontos amostrais (estatística
de dois pontos) é a mesma para todo o depósito e que ela depende apenas da
distância e orientação entre os pontos. Essa é a conceituação geoestatística da
hipótese intrínseca, algumas vezes referenciada como hipótese de quase-
estacionaridade. A variação espacial é estacionária se ela puder ser reconhecida
em todas as partes do espaço, ou seja, o variograma é o mesmo onde quer que
se amostre. A estacionaridade usada na Teoria das Variáveis Regionalizadas é a
estacionaridade de segunda ordem das diferenças entre a variável Z(x) e a
variável Z(x+h) nos pontos (x) e (x+h), onde (Z(x); x ∈ D) é um processo
estocástico a valores reais, definido sobre um domínio D em R, R2 ou R3", in IPT
(1989).
Características qualitativas das variáveis regionalizadas
Segundo Bubenicek & Haas (1969), as características qualitativas de

variáveis regionalizadas, que os métodos estatísticos convencionais não
conseguem reconhecer, são:
32
Localização
Os valores de uma variável regionalizada são dependentes de suas funções

espaciais relativas dentro do campo geométrico (depósito). Além disso, estes
valores são dependentes do tamanho da amostra, forma e orientação (suporte
amostral);
Suporte
Por vezes a variável regionalizada Z(x) não está definida num ponto, mas sobre
uma área ou volume centrado em x. A unidade amostral básica sobre a qual a
variável é medida chama-se suporte (IPT, 1989);
Continuidade
A variação espacial de uma variável regionalizada pode ser, dependendo do

fenômeno, grande ou pequena, mas deve existir uma certa continuidade ponto a
ponto;
Anisotropias
A regionalização pode apresentar anisotropias quando apresenta variações

graduais numa direção e rápida ou irregular em outra;
5.3 O variograma
O variograma é a ferramenta básica que permite descrever

quantitativamente a variação no espaço de um fenômeno regionalizado
(Huijbregts, 1975).
A natureza estrutural de um conjunto de dados (assumido pela variável
regionalizada) é definida a partir da comparação de valores tomados
simultaneamente em dois pontos, segundo uma determinada direção.
A função variograma 2γ(h) é definida como sendo a esperança matemática
do quadrado da diferença entre os valores de pontos no espaço, separados por
uma distância h, conforme a seguinte expressão:
{
2γ (h ) = E [Z ( x + h ) − Z ( x )]
2
}
ou em termos computacionais:
.∑ [Z ( x + h) − Z ( x)]
1 n
2γ (h ) =
2
n i =1
33
onde: 2γ(h) é a função variograma; n é o número de pares de pontos separados

por uma distância h; Z(x) é o valor da variável regionalizada no ponto x; Z(x+h) é o
valor da variável regionalizada no ponto (x+h). Comumente utiliza-se da função
semivariograma, que é simplesmente a metade da função variograma:
.∑ [Z ( x + h) − Z ( x)]
1 n
γ (h ) = 2
2n i =1
Imaginava-se a expressão da função semivariograma como empírica,

conforme proposta por Matheron (1971), mas Journel (1989) mostrou que ela não
é nada mais que o momento de inércia medido num diagrama de dispersão entre
os valores de Z(x+h) versus Z(x), como apresenta-se a seguir.
Para o desenvolvimento da relação de dependência entre valores (xi,yi),
separados por uma distância h, considere-se o diagrama de dispersão da Figura
15, apresentado por Journel (1989).
A distância di entre o i-ésimo ponto (xi,yi) e a reta ideal é:
d i = xi − yi cos 45 o
elevando a distância ao quadrado tem-se:
d i2 =
1
(xi − yi )2
2
Figura 15: Representação do par de pontos (xi,yi) no diagrama de dispersão

(Journel, 1989).
Havendo n pares de pontos, pode-se calcular o momento de inércia em

torno da reta de 45o, como:
1 n 2
γ xy = .∑ d i ,
n i =1
34
ou
1 n 1 1 n
γ xy = .∑ ( xi − yi ) = .∑ (xi − yi )
2 2
n i =1 2 2n i =1
Quanto maior a dispersão, maior o momento de inércia e menor a

correlação. Se não houver dispersão - todos os pares de pontos caem sobre a
reta 45o - o momento de inércia é zero e o coeficiente de correlação é igual a 1
(máxima correlação).
Como pode ser visto, tem-se uma medida eficiente da dependência
espacial por meio do momento de inércia do conjunto de pontos separados por
uma certa distância em relação à reta 45o.
5.4 Relação entre semivariograma e a função covariância
Como na Estatística Clássica, pode-se definir a média e a variância de uma

variável regionalizada, de acordo com as seguintes relações:
m = E [Z ( x )]
{
Var [Z (x )] = E [Z ( x ) − m]
2
}
A variância é conhecida em notação geoestatística como C(0), ou seja, a
covariância para distância de separação nula.
Da mesma forma, pode-se definir a covariância C(h), entre pontos
separados por uma distância h:
C (h ) = E [Z ( x + h ).Z ( x )] − m 2 (4)
A função variograma 2γ(h) pode também ser expressa em termos de

variância C(0) e da covariância C(h), de acordo com o seguinte desenvolvimento:
2γ (h ) = E [Z ( x + h ) − Z ( x )]
2
γ (h ) =
1
2
[ ]
E Z 2 ( x + h ) − 2 Z (x + h ).Z ( x ) + Z 2 (x )
aplicando-se as propriedades (b) e (c) da média (item 4.3.1) obtém-se:
γ (h ) =
1
2
{[ ] [ ]}
E Z 2 ( x + h ) − 2 E [Z ( x + h ).Z ( x )] + E Z 2 ( x ) (5)
desenvolvendo-se a expressão da variância tem-se:
35
C (0 ) = E [Z ( x ) − m]
2
[
C (0 ) = E Z 2 ( x ) − 2 Z ( x ).m + m 2 ]
aplicando-se novamente as propriedades (b) e (c) da média (item 4.3.1):
[ ]
C (0) = E Z 2 (x ) − 2mE [Z ( x )] + m 2
como E [Z ( x )] = m , tem-se:
[ ] [
C (0) = E Z 2 ( x ) − 2mm + m 2 = E Z 2 ( x ) − m 2]
ou
[ ]
E Z 2 ( x ) = C (0) + m 2 (6)
admitindo-se a estacionaridade, ou seja, que a média do quadrado da variável

regionalizada no ponto (x) é igual àquela no ponto (x+h):
[ ] [
E Z 2 (x ) = E Z 2 (x + h ) ] (7)
Substituindo-se (4), (6) e (7) em (5), a função γ(h) fica:
γ (h ) =
1
2
{ [ ]
C (0) + m 2 − 2 C (h ) + m 2 + C (0) + m 2 }
γ (h) =
1
[2C (0) − 2C (h )]
2
portanto:
γ (h ) = C (0) − C (h ) (8)
Como a função variograma é uma medida da variância das diferenças nos

valores da variável regionalizada entre pontos separados por uma distância h,
pontos mais próximos, por estarem correlacionados terão essa variância
pequena, aumentando à medida que os pontos se distanciam. Ao contrário da
função covariância, que é grande para distâncias pequenas diminuindo à medida
que a distância aumenta, pois esta função mede a correlação entre pontos
separados por uma distância h. A função variograma é usualmente representada
sob a forma gráfica denominada variograma e a da função covariância é
36
denominada covariograma. A Figura 16 mostra a relação entre a função

variograma e a função covariograma.
Figura 16: Relação entre as funções variograma e covariograma.
O variograma é determinado segundo uma direção predefinida, portanto a

função γ(h) é vetorial. Na prática faz-se variogramas segundo várias direções da
jazida, justamente para se conhecer a estrutura da mineralização. Este
procedimento é denominado "análise estrutural" na literatura (e.g. Huijbregts,
1975; Olea, 1994).
5.5 Propriedades do variograma
A interpretação do variograma permite obter parâmetros que descrevem o

comportamento espacial das variáveis regionalizadas. As principais propriedades
do variograma, que podem ser vistas na Figura 17, são:
Figura 17: Desenho mostrando um variograma típico e suas propriedades.
Amplitude
É a distância a partir da qual as amostras passam a ser independentes (Figura

17). Em outras palavras, a amplitude reflete o grau de homogeneização entre as
amostras, ou seja, quanto maior for a amplitude maior será a homogeneidade
37
entre as amostras. Nesse sentido, conforme Matheron (1971), o variograma dá

um significado preciso da noção tradicional de zona de influência. A amplitude (a)
é a distância que separa o campo estruturado (amostras correlacionadas) do
campo aleatório (amostras independentes);
Patamar
É o valor de variância no qual o variograma estabiliza-se (no campo aleatório);
Efeito pepita
É o valor da função variograma na origem (h=0). Teoricamente esse valor deveria

ser zero, pois duas amostras tomadas no mesmo ponto (h=0) deveriam ter os
mesmos valores; entretanto, quando não é assim, atribui-se, esta diferença,
geralmente, a erros de amostragem e/ou análise. Como os erros analíticos são
desprezíveis, com os equipamentos disponíveis atualmente, o efeito pepita é
atribuído a erros de amostragem e/ou à variabilidade natural do depósito. O efeito
pepita também é chamado de variância aleatória (Figura 17).;
Variância espacial
É dada pela diferença entre a variância a priori e o efeito pepita (Figura 17);
Zona de influência
Uma feição resultante da análise dos parâmetros do variograma

experimental é a determinação da zona de influência, que é um fenômeno de
transição caracterizado exclusivamente por modelos de variograma que possuem
patamar e amplitude definidos. Portanto, qualquer valor de Z(x) estará
correlacionado com outros valores Z(x+h) que estiverem dentro de um raio “a” de
x. Esta correlação, ou a influência de um valor em outro, decresce conforme
Z(x+h) aproxima-se de “a”.
5.6 Anisotropias
Os variogramas determinados ao longo de diferentes direções da jazida

podem mostrar variações distintas, como exemplificados pela Figura 18. A
anisotropia pode ser geométrica (Figura 18A), quando a amplitude varia conforme
as direções, mas sob um patamar constante; zonal (Figura 18B) quando a
amplitude permanece constante e o patamar varia de acordo com a direção; e,
por fim, a anisotropia mista (Figura 18C) onde variam tanto a amplitude quanto o
patamar, ou seja, quando as várias direções resultam em diferentes variogramas.
38
Figura 18: Anisotropias: geométrica (A), zonal (B) e mista (C).
A anisotropia pode ser identificada facilmente através da confecção e

análise de variogramas direcionais. Após ajuste dos modelos, anota-se os valores
de amplitude e patamar, com os quais constrói-se uma rosácea, à qual ajusta-se
uma elipse visando a definição precisa da direção de anisotropia, bem como a
quantificação dos eixos de maior e menor elongação.
Exemplo de anisotropia geométrica
Num depósito eólico a permeabilidade deve ter uma amplitude maior na direção
do vento em relação à amplitude na direção perpendicular.
Exemplo de anisotropia zonal
O variograma de um furo de sonda vertical mostra uma patamar maior que na

direção horizontal.
5.7 Comportamento próximo à origem
O grau de continuidade da mineralização é dado pelo comportamento do

variograma próximo à origem. Assim, quanto a este comportamento podem ser
descritos quatro tipos básicos, a saber:
Parabólico
O variograma descreve uma curva parabólica próximo à origem (Figura 19A) e

representa um alto grau de continuidade das amostras selecionadas. Este tipo
pode ser exemplificado por um variograma construído a partir de dados de
espessura de uma camada;
Linear
Caracterizado por um comportamento linear na origem, ou seja, por uma tangente

oblíqua à origem (Figura 19B), representando uma continuidade média das
amostras. Entenda-se por continuidade média das amostras como sendo uma
grande homogeneidade destas a pequenas distâncias e uma progressiva perda
39
de homogeneidade com o aumento da distância. Este comportamento é típico de

muitos depósitos minerais metálicos;
Efeito pepita
Este tipo apresenta uma descontinuidade na origem, (Figura 19C). Esta

descontinuidade pode ser reflexo de dois fatores não mutuamente exclusivos -
erros de medida na amostragem e micro variabilidades;
Efeito pepita puro
É um tipo extremo de comportamento do variograma próximo à origem (Figura

19D) e reflete a variação espacial de um fenômeno de transição, onde para um
dado valor de patamar a amplitude terá um valor infinitesimalmente menor que as
distâncias de observação (Journel & Huijbregts, 1978). O efeito pepita puro é um
fenômeno de difícil ocorrência em mineralizações, porém ressalta-se que neste
caso não se deve utilizar o método geoestatístico de interpolação. Burguess &
Webster (1980) citam que o termo efeito pepita teve origem na mineração de
ouro, onde a inclusão de uma pepita de ouro em uma pequena amostra de um
testemunho de sondagem é um evento aleatório.
Figura 19: Graus de continuidade da mineralização expressos pelo comportamento do

variograma na origem: alto grau de continuidade (A); média continuidade (B): efeito
pepita (C) e efeito pepita puro (D), segundo Bubenicek & Haas, 1969).
5.8 Domínio do variograma
O domínio de definição do variograma é chamado campo geométrico, o

qual implica que o variograma é válido dentro desse domínio e, portanto, se este
for alterado, o variograma deve ser recalculado.
40
O campo geométrico, considerado geologicamente homogêneo, deveria

ser até certo ponto intrínseco ou independente da posição nas características
representando a variabilidade da variável regionalizada (Bubenicek & Haas,
1969). Quando esta hipótese é verificada, reconhece-se uma lei de dispersão
única no campo mineralizado denominada "lei intrínseca", de acordo com aqueles
autores. Entretanto, esta característica intrínseca não se mantém quando se
move o campo para a zona de borda. Nesta parte a mineralização não existe e,
por isso, o valor da variável regionalizada pode ser zero e o conceito de valor
médio nesse campo de um dado tamanho tornar-se-ia insignificante, como está
ilustrado na Figura 20.
5.9 Cálculo de variogramas experimentais
A obtenção de variogramas representativos depende fundamentalmente do

número de pares de pontos, para diferentes distâncias, encontrado numa
determinada direção. Portanto, as direções devem ser especificadas para
colherem o máximo de informações. Basicamente pode-se obter variogramas
horizontais e verticais, sendo que para os primeiros deve-se ainda especificar
direções e aberturas para pesquisa de pontos para fins de cálculo da função
variograma. Os variogramas assim obtidos servem para identificar e determinar
possíveis anisotropias.
Figura 20: Domínios de definição do variograma, segundo Bubenicek & Haas (1969). O campo
geométrico coincide com o depósito e, neste caso, um variograma intrínseco pode ser obtido (A); o
campo geométrico engloba parte do depósito e uma zona não mineralizada, fazendo com que o
variograma seja dependente da posição e tamanho do campo, além de apresentar variabilidade
maior que aquela verificada no variograma intrínseco (B); o campo geométrico é muito maior que o
depósito e o variograma tende a zero quando o tamanho do campo aumenta. Contudo, é possível
definir um variograma transitivo que é independente do campo que engloba o depósito (C).
No caso de variogramas horizontais para uma malha de amostragem

quadrada, com direção da linha base E-W, especifica-se quatro direções iniciais
de pesquisa: E-W, N45oE, N-S, e N45oW. Geralmente os variogramas horizontais
são especificados segundo a orientação da linha base e daí a 45o, 90o e 135o, no
sentido anti-horário.
41
A consistência dos pontos do variograma experimental irá depender

exclusivamente do número de pares de amostras. Para fins práticos Journel &
Huijbregts (1978) recomendam utilizar, no mínimo, 30-50 pares de amostras para
cada ponto do variograma experimental.
Acrescenta-se ainda que se deve sempre observar o número de pares de
pontos usado para o cálculo de γ(h) próximo à origem do variograma. Neste
sentido, deve-se cuidar que no momento do ajuste do modelo de variograma os
pontos que definirão o efeito pepita, se houver, deverão conter o maior número de
pares de pontos possíveis e deve-se descartar aqueles com um número muito
inferior àquele locado imediatamente após.
A comparação entre valores de amostras separadas por uma distância h é
direta se os pontos de dados estiverem distribuídos segundo uma malha regular.
Entretanto, quando os pontos de dados estiverem dispersos, deve-se fazer a
pesquisa de amostras situadas a uma distância h, dentro de uma janela de
pesquisa. Esta janela é definida, ao longo da direção do variograma, por um
ângulo e por uma distância de tolerância, conforme pode ser observado na Figura
21. O ângulo de tolerância pode ser limitado levando-se em consideração a
distância “percorrida” ao longo da direção, ou seja, quando a tolerância angular é
estabelecida forma-se um triângulo (2D) ou um cone (3D) em torno da direção
preferencial. O problema é que se não houver uma limitação, a área do triângulo
ou o volume do cone tendem a crescer indefinidamente, englobando maior
número de pontos. Para evitar isso, define-se a largura máxima, isto é,
estabelece-se uma distância a partir da qual o triângulo ou cone ficam limitados a
essa faixa.
N
im a
áx u r
cia
a
Passo 4
M a rg
ân so
er as
L
l
To o P
d
o
Passo 3
ss
Pa
Passo 2
Passo 1 Tolerância
Angular
Passo 0
Direção
E
Figura 21: Desenho mostrando a direção do variograma, os passos, a tolerância
angular, a largura máxima e a tolerância do passo (modificado de Pannatier, 1994).
5.10 Modelos teóricos de variogramas
O variograma como ferramenta básica será utilizado para calcular os

valores da função variograma, para uma dada distância, os quais são necessários
para a organização do sistema de equações de krigagem. O variograma de
42
pontos, dito experimental, não serve para esse fim, porque há necessidade de
interpolação e, invariavelmente, os pontos apresentar-se-ão com uma certa
dispersão, principalmente para distâncias grandes, quando o número de pares de
amostras vai diminuindo. Assim, surge a necessidade de ajustar uma função
matemática que descreva continuamente a variabilidade ou correlação espacial
existente nos dados. O ajuste de uma função matemática ao variograma
experimental é denominado modelagem de variogramas. Esta modelagem é feita
de maneira interativa, onde a partir dos parâmetros do variograma (modelo, efeito
pepita, amplitude e patamar), o variograma teórico é desenhado juntamente com
os pontos do variograma experimental, e se o ajuste não for satisfatório, novos
parâmetros são fornecidos sucessivamente, até que o ajuste seja considerado
satisfatório.
Os modelos de variogramas mais comuns na natureza estão ilustrados na
Figura 22, conforme as equações apresentadas a seguir.
Exponencial ⎡ ⎛ ⎛ h ⎞ ⎞⎤
γ (h) = C o + C⎢1 − exp⎜⎜ − ⎜ ⎟ ⎟⎟⎥
⎣ ⎝ ⎝ a ⎠ ⎠⎦
Gauss ⎡ ⎛ ⎛ h ⎞ 2 ⎞⎤
γ (h) = C o + C 1 − exp⎜ − ⎜ ⎟ ⎟⎥
⎢
⎢⎣ ⎜ ⎝ a ⎠ ⎟⎥
⎝ ⎠⎦
Esférico ⎡3 ⎛ h ⎞ 1 ⎛ h ⎞3 ⎤
( )
γ h = C o + C⎢ ⎜ ⎟ − ⎜ ⎟ ⎥ para h < a
⎣⎢ 2 ⎝ a ⎠ 2 ⎝ a ⎠ ⎦⎥
γ (h) = C o + C para h ≥ a
Foram apresentados os três modelos mais comuns na natureza e que

podem resolver a maioria dos problemas na modelagem da correlação espacial
de fenômenos geológicos. Obviamente existem outros modelos, mas não se
justifica introduzi-los num texto introdutório de geoestatística.
Cabe ressaltar que em qualquer modelo teórico que apresente efeito
pepita, bem como no efeito pepita puro, o valor de γ(h)=0 para h=0, pois o
variograma é descontínuo na origem.
Figura 22: Modelos teóricos de variogramas mais comuns no estudo de

fenômenos espaciais geológicos.
43
6 ESTIMATIVAS POR KRIGAGEM ORDINÁRIA
Após a análise geoestatística, na qual os variogramas experimentais foram

calculados e os modelos teóricos foram ajustados, passa-se ao cálculo de
estimativas pela técnica da krigagem ordinária. A krigagem ordinária tem como
característica principal a precisão local das estimativas, mas com perda da
precisão global devido ao efeito de suavização (suavização da variância e do
variograma). Por outro lado, a técnica da simulação estocástica tem sido preferida
para estudo da variabilidade, pois a variância de krigagem não proporciona uma
medida precisa da incerteza associada à estimativa. A simulação estocástica
reproduz tanto o histograma como o variograma, mas com significativa perda de
precisão local. Infelizmente, de acordo com Olea (1999), as realizações
estocásticas não estão livres de erros na representação da realidade e os erros,
para qualquer realização, são maiores que aqueles da estimativa de krigagem.
Esta é uma característica menos atrativa da simulação estocástica (Olea, 1999).
Portanto, não há uma solução pronta para obtenção de uma única imagem
representativa que compartilhe tanto a precisão global e local. Assim, ambas
aproximações necessitam de uma correção para representar apropriadamente o
fenômeno espacial através de uma única imagem representativa. Muitos autores
têm preferido tentar corrigir o efeito de suavização da krigagem ordinária, ao invés
das simulações estocásticas. Cabe lembrar, contudo, que a precisão local é muito
mais importante que a precisão global, quando o problema for a estimativa de
recursos naturais, a partir de dados de amostragem.
Na realidade, todo o esforço na procura de alternativas para determinação
da variabilidade foi justificado pela falta de uma medida da variância do erro.
Assim, este autor (Yamamoto, 2000) propôs recentemente uma alternativa ao
cálculo da variância do erro através da variância de interpolação que será visto
adiante.
Antes de passar a estimativa propriamente dita, a krigagem como qualquer
outro método de interpolação requer a definição de certas condições de controle
visando estimativas de qualidade. Tais condições são: definição da fronteira
convexa e da vizinhança local.
6.1 Definição da fronteira convexa
As estimativas só podem ser feitas dentro do domínio dos pontos de dados,

que pode ser aproximado através da sua fronteira convexa. A fronteira convexa
pode ser definida como o polígono convexo de área mínima que engloba os
pontos de dados. Cabe notar que a maioria dos programas de geoestatística não
permite a definição da fronteira e, conseqüentemente, estimando pontos fora do
domínio dos pontos amostrados, sem nenhum significado prático ou real. O uso
de limites para interpolação de dados evita a interpretação de dados espúrios
criados por extrapolação matemática (Yamamoto, 1997). Detalhes de algoritmos
para determinação de fronteira podem ser encontrados em Yamamoto (1997).
A título de ilustração a Figura 23 apresenta um conjunto de pontos de
dados e a sua fronteira convexa. Observe-se que apenas os nós da malha regular
que estão dentro da fronteira convexa podem ser estimados.
44
A) B)
100 100
80 80
60 60
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Figura 23: Conjunto de pontos de dados (A) e sua fronteira convexa com o
desenho dos nós da malha regular pertencentes à mesma (B).
6.2 Definição da vizinhança local
A krigagem ordinária faz uso da correlação espacial existente entre

amostras, modelada pela função variograma. Isto significa que somente as
amostras dentro de um raio de influência (igual à amplitude) poderão ser
utilizadas para a estimativa do valor da variável de interesse em um ponto não
amostrado. Assim, a krigagem ordinária é uma técnica essencialmente local, ao
contrário da superfície de tendência que é global (todas as amostras são
consideradas para o ajuste de uma superfície em toda a área de estudo). Sendo a
krigagem uma técnica local de estimativa, deve-se estabelecer estratégias para
localização e pesquisa das amostras vizinhas mais próximas do ponto a ser
estimado.
A localização e busca de n amostras de furos vizinhos para definição do
subconjunto de amostras a ser utilizado na estimativa local é um passo importante
da krigagem ordinária. Pois, dependendo do modo de pesquisa, diferentes
subconjuntos de amostras poderão ser definidos e, portanto, resultados distintos
poderão ser obtidos. A escolha das n amostras de furos vizinhos deve ser feita de
tal modo que garanta uma boa amostragem espacial, o que implica em evitar
subconjuntos com agrupamentos de pontos. Agrupamentos de pontos ocorrem
preferencialmente em arranjos aleatórios e semi-regulares. Assim, torna-se
necessário estabelecer critérios de seleção de amostras que garantam uma boa
amostragem espacial e, conseqüentemente, evitem os agrupamentos de pontos.
Existem basicamente três critérios que podem ser aplicados para a definição da
vizinhança local: n pontos mais próximos, n/4 pontos mais próximos por
quadrante e n/8 pontos mais próximos por octante.
45
Pontos mais próximos
Considere-se, por exemplo, que o subconjunto de pontos seja definido

pelos oito pontos mais próximos, em relação ao ponto a ser interpolado, para os
arranjos aleatório e semi-regular, como ilustrado na Figura 24A e 24B,
respectivamente.
Na Figura 24A, pode-se observar que a pesquisa dos vizinhos próximos,
sem nenhuma restrição quanto à localização dos mesmos, resulta no
agrupamento de pontos no quadrante nordeste, em detrimento dos demais,
enquanto o quadrante sudoeste nem sequer foi amostrado. No arranjo semi-
regular da Figura 24B, verifica-se que somente os pontos situados ao longo de
uma linha de pesquisa serão amostrados, se nenhuma restrição for imposta,
caracterizando também um agrupamento de pontos. Em nenhum caso a
amostragem espacial foi representativa em termos da reprodução do gradiente
dos dados.
A) B)
Figura 24: Localização dos oito pontos mais próximos para o arranjo aleatório (A),
localização dos oito pontos mais próximos para o arranjo semi-regular (B),
modificado de Harbaugh et al. (1977).
Assim, para se evitar agrupamentos de pontos foram estabelecidos

critérios de seleção de amostras baseados na subdivisão da região do ponto a ser
estimado em quatro ou oito setores, denominados respectivamente quadrante e
octante.
Quadrante
Pelo critério dos quadrantes, a região do ponto a ser estimado é

subdividida em quatro setores e os n/4 pontos mais próximos por quadrante são
selecionados. Observe-se na Figura 25 que o critério dos quadrantes proporciona
uma melhor amostragem espacial. Como se pode observar na Figura 6-3B, a
aplicação do critério dos quadrantes provocou a amostragem de pontos em duas
linhas adjacentes de pesquisa.
46
A) B)
Figura 25: Seleção de duas amostras por quadrante, para o arranjo aleatório (A) e para o arranjo
semi-regular (B), adaptado de Harbaugh et al. (1977).
Octante
Utilizando o critério dos octantes, a região do ponto a ser estimado é

subdividida em oito setores, nos quais são escolhidos os n/8 pontos mais
próximos por octante são selecionados. A Figura 26 apresenta os resultados da
seleção pelo critério dos octantes mostrando uma melhor distribuição espacial dos
pontos amostrados.
A) B)
Figura 26: Seleção de uma amostra por octante, para o arranjo aleatório (A) e
para o arranjo semi-regular (B), adaptado de Harbaugh et al. (1977).
Embora a seleção de amostras pelo critério dos octantes resulte numa

melhor distribuição espacial, há, por outro lado, o inconveniente de amostras mais
distantes serem selecionadas para a estimativa do ponto. Sem dúvida, deve
47
existir um compromisso entre a representatividade da amostragem e a distância

máxima das amostras selecionadas.
Quadrante sólido
Arranjos semi-regulares ocorrem também com informações de furos de

sonda, onde a densidade de amostragem ao longo dos furos é sempre maior que
entre os furos. A Figura 27 ilustra o caso da seleção de amostras de furos de
sonda para interpolação de ponto ou bloco na jazida, sem impor nenhuma
restrição. A Figura 28 mostra a mesma situação anterior, porém com restrição de
localização por "quadrantes", ou seja, o equivalente para o caso tridimensional em
o
que cada quadrante representa um setor com ângulo sólido de 90 .
Observe-se na Figura 27 que, no caso de avaliação de jazidas, o critério de
seleção por setor é importante para evitar a superamostragem de um determinado
furo, em relação aos demais. Na Figura 28, aplicando-se o critério de seleção por
setor, pode-se verificar que os quatro furos de sonda foram amostrados,
melhorando a representatividade da amostragem, principalmente quando se
estiver avaliando um bloco de cubagem.
Figura 27: Localização de oito amostras de furos de sonda mais próximas ao

centro do bloco.
Figura 28: Seleção de uma amostra de furo de sonda mais próxima por setor
(octante tridimensional), em relação ao centro do bloco.
48
A pesquisa de amostras de furos vizinhos para interpolação de pontos ou

centros de blocos para fins de avaliação de recursos, deve ser feita sempre com
aplicação do critério de seleção em setores para garantir uma boa amostragem
espacial. Caso contrário, há riscos de se estar avaliando blocos com base na
média de amostras do furo mais próximo.
Número de amostras de furos vizinhos
Escolhido o critério para a seleção de amostras de furos vizinhos, deve-se

definir o número de amostras a ser utilizado para estimativa do valor de interesse
em um ponto não amostrado. O número de amostras não deve ser
excessivamente pequeno, com o risco da interpolação resultar em valor
semelhante ou muito correlacionado ao do ponto mais próximo, e nem
excessivamente grande, com o risco da interpolação resultar num valor bastante
suavizado, perdendo a característica de interpolação local.
Assim, pode-se definir 8 amostras, que se ajustam perfeitamente aos
critérios de quadrante (2 amostras por quadrante) ou octante (1 amostra por
octante) no plano, ou então ao critério de octante tridimensional. Entretanto, nem
sempre a condição inicial de 8 amostras de furos vizinhos será satisfeita,
principalmente na borda do corpo de minério. Nesses casos, deve-se relaxar a
condição inicial para um mínimo de 3 ou 4 amostras, dependendo se a estimativa
estiver sendo feita em 2D ou 3D, respectivamente.
6.3 Definição da malha regular
O último passo antes do cálculo de estimativas pela krigagem ordinária

consiste na definição da malha regular em 2D ou 3D.
Mas, por quê definir uma malha regular? Porque a malha regular
proporciona áreas ou volumes de mesmo tamanho permitindo assim fazer uma
comparação de resultados, bem como uma maior facilidade computacional para
representação gráfica em mapas ou projeção em perspectiva. A malha regular
pode ser definida em 2D ou 3D, dependendo dimensionalidade dos dados.
A Figura 29 apresenta uma malha regular 2D, cujos nós pertencentes à
fronteira convexa serão estimados pela técnica da krigagem ordinária.
No caso da malha 2D, pode-se tanto estimar o nó, como uma área em
torno do nó da malha regular. Daí a diferença entre krigagem pontual e de bloco
como se verá adiante.
Como os dados em 3D são geralmente ligados a resultados da pesquisa
mineral, a malha regular em 3D é definida em termos de blocos de cubagem (não
mais pontos). Os blocos de cubagem têm a forma geral de paralelepípedos e
suas dimensões devem ser compatíveis com a densidade média de amostragem
nas três direções. Ao conjunto de blocos de cubagem que compõem o depósito
denomina-se modelo tridimensional de blocos (Figura 30).
49
100
80
60
40
20
0
0 20 40 60 80 100
Figura 29: Malha regular 2D com a representação dos nós pertencentes à

fronteira convexa.
Figura 30: Modelo tridimensional de blocos de um depósito hipotético.
A abertura ideal da malha regular, baseada na prática de avaliação de

recursos, seria igual à metade do espaçamento médio entre os furos de sonda.
Segundo Vallée & Côte (1992), a krigagem de blocos com dimensão muito menor
que a metade da malha de amostragem deveria ser evitada, pois tais estimativas
exibem extrema variabilidade. Cabe ressaltar que no caso da malha regular 3D, a
fronteira convexa é definida também para todos os níveis do modelo
tridimensional de blocos.
50
6.4 Krigagem ordinária
Segundo Brooker (1979), as técnicas geoestatísticas de estimativa,

baseadas no estudo da variabilidade espacial do corpo de minério, são superiores
porque permitem o cálculo do erro associado às estimativas, chamado variância
de krigagem. Ainda conforme o mesmo autor, a krigagem é o procedimento que
permite calcular os ponderadores para uma dada configuração (bloco X
disposição das amostras no espaço), com mínima variância de krigagem.
A krigagem é feita após a conclusão dos estudos geoestatísticos, os quais
poderão inclusive indicar a não aplicação deste método se o comportamento da
variável regionalizada for totalmente aleatório. Os estudos geoestatísticos levam a
definição de um modelo de variograma, que servirá para inferir os valores da
função variograma ou covariograma que serão utilizados pelos métodos
geoestatísticos de interpolação.
Equações de krigagem
A krigagem é um método que permite estimar o valor desconhecido Z ∗ (x o )

associado a um ponto, área ou volume, a partir de um conjunto de n dados {Z(xi),
i=1,n} disponíveis.
O estimador Z ∗ (x o ) poderá ser obtido como uma combinação linear dos
dados disponíveis, conforme:
n
Z ∗ (x o ) = ∑ λ i .Z(x i ) (9)
i=1
Os ponderadores (λi, i=1, n) são obtidos da resolução de um sistema linear

de equações, denominado sistema de equações de krigagem, conforme o
desenvolvimento matemático.
Para que o estimador Z ∗ (x o ) não seja enviesado, segundo Journel &
Huijbregts (1978), basta garantir que:
[
E Z(x o ) − Z ∗ (x o ) = 0 ]
fazendo E[Z(x o )] = m e tendo que:
[ ] ⎡n ⎤ n
E Z ∗ (x o ) = E ⎢∑ λ i Z(x i )⎥ = ∑ λ iE[Z(x i )]
⎣ i=1 ⎦ i=1
[ ]
n
E Z ∗ (x o ) = m∑ λ i
i=1
51
assim, a condição de não enviesamento para Z ∗ (x o ) fica:
∑λ
i=1
i =1 (10)
Como toda técnica de estimativa, a krigagem procura fazê-la com mínima

variância.
A variância do erro da krigagem é dada pela equação a seguir:
{
σ E2 = Var Z(x o ) − Z ∗ (x o ) }
Expandindo a variância do erro, de acordo com Isaaks & Srivastava (1989),
tem-se:
{ } {
σ E2 = Cov{Z(x o )Z(x o )} − 2Cov Z ∗ (x o )Z(x o ) + Cov Z ∗ (x o )Z ∗ (x o ) } (11)
Desenvolvendo cada termo do lado direito de (11), conforme Isaaks &

Srivastava (1989), tem-se:
Cov{Z(x o )Z(x o )} = Var{Z(x o )}

= C(0 )
⎧⎡ ⎫
{ } ⎤
2Cov Z ∗ (x o )Z(x o ) = 2Cov ⎨⎢∑ λ i Z(x i )⎥ Z(x o )⎬
⎩⎣ i ⎦ ⎭
⎧ ⎫ ⎧ ⎫
= 2E⎨∑ λ i Z(x i )Z(x o )⎬ − 2E⎨∑ λ i Z(x i )⎬E{Z(x o )}
⎩ i ⎭ ⎩ i ⎭
= 2∑ λ iE{Z(x i )Z(x o )} − 2∑ λ iE{Z(x i )}E{Z(x o )}
i i
= 2∑ λ i [E{Z(x i )Z(x o )} − E{Z(x i )}E{Z(x o )}]

i
= 2∑ λ i C(x o − x i )
i
{ } {
Cov Z ∗ (x o )Z ∗ (x o ) = Var Z ∗ (x o ) }
⎧ ⎫
= Var ⎨∑ λ i Z(x i )⎬
⎩ i ⎭
= ∑∑ λ i λ j C(x i − x j )
i j
Assim, a expressão (11) torna-se:
σ E2 = C(0 ) − 2∑ λ i C(x o − x i ) + ∑∑ λ i λ j C(x i − x j )

i i j
52
O objetivo da krigagem é buscar o melhor conjunto de ponderadores, de tal

modo que a variância do erro seja a mínima possível. Trata-se, portanto, de
encontrar o mínimo da função variância do erro. Entretanto, como tal função tem n
variáveis, o ponto de mínimo poderá ser determinado após aplicação da técnica
dos multiplicadores de Lagrange (Converse, 1970), conforme colocação do
problema a seguir:
- minimizar a função:
σ E2 = C(0 ) − 2∑ λ i C(x o − x i ) + ∑∑ λ i λ j C(x i − x j )

i i j
- restrito a:
∑λ
j
j = 1 ou ∑λ
j
j −1= 0
Forma-se o lagrangiano:
⎛ ⎞
L(λ 1, λ 2 ,K, λ n , µ ) = C(0 ) − 2∑ λ i C(x o − x i ) + ∑∑ λ i λ j C(x i − x j ) − 2µ⎜⎜ ∑ λ j − 1⎟⎟
i i j ⎝ j ⎠
onde: L(λ 1, λ 2 ,K, λ n , µ ) é o lagrangiano; µ é o multiplicador de Lagrange.
Para minimizar o lagrangiano, faz-se cada uma das derivadas parciais

dL/dλi iguais a zero:
= −2C(x o − x i ) + 2∑ λ j C(x i − x j ) − 2µ = 0
dL
para i=1,n
dλ i j
e fazendo dL/dµ igual a zero:
dL
= ∑λj −1= 0
dµ j
Assim, a minimização da variância do erro, sujeita à condição de não

enviesamento, resulta nas de equações de krigagem ou sistema de krigagem:
⎧∑ λ j C(x i − x j ) − µ = C(x o − x i ) para i = 1, n

⎪ j
⎨ (12)
⎪∑ λ j = 1
⎩ j
53
Em termos matriciais, as equações de krigagem são representadas como

segue:
⎡ C ( x1 − x1 ) C ( x1 − x 2 ) L C ( x1 − x n ) 1⎤ ⎡ λ1 ⎤ ⎡ C ( xo − x1 )⎤
⎢C ( x − x ) C ( x − x ) L C (x2 − xn ) 1⎥⎥ ⎢⎢ λ 2 ⎥⎥ ⎢⎢C ( xo − x 2 )⎥⎥
⎢ 2 1 2 2
⎢ M M L M M⎥ ⋅ ⎢ M ⎥ = ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢C ( x n − x1 ) C ( x n − x 2 ) L C (xn − xn ) 1⎥ ⎢ λ n ⎥ ⎢C ( xo − x n )⎥
⎢⎣ 1 1 L 1 0⎥⎦ ⎢⎣− µ ⎥⎦ ⎢⎣ 1 ⎥⎦
O sistema de equações de krigagem também pode ser escrito em termos

da função semivariograma, visto que esta e a função covariância estão
relacionadas conforme a equação (8):
⎧∑ λ j γ (x i − x j ) + µ = γ (x o − x i ) para i = 1, n
⎪ j
⎨ (13)
⎪∑ λ j = 1
⎩ j
Em notação matricial, o sistema de equações de krigagem escrito em

termos da função semivariograma torna-se:
⎡ γ ( x1 − x1 ) γ ( x1 − x 2 ) L γ ( x1 − x n ) 1⎤ ⎡ λ1 ⎤ ⎡γ ( xo − x1 )⎤
⎢γ ( x − x ) γ ( x − x ) L γ (x2 − xn ) 1⎥⎥ ⎢⎢λ 2 ⎥⎥ ⎢⎢γ ( xo − x 2 )⎥⎥
⎢ 2 1 2 2
⎢ M M L M M⎥ ⋅ ⎢ M ⎥ = ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢γ ( x n − x1 ) γ ( x n − x 2 ) L γ (xn − xn ) 1⎥ ⎢λ n ⎥ ⎢γ ( xo − x n )⎥
⎢⎣ 1 1 L 1 0⎥⎦ ⎢⎣ µ ⎥⎦ ⎢⎣ 1 ⎥⎦
Variância de krigagem
A minimização da variância do erro resulta na variância de estimativa ou de

krigagem ordinária, conforme segue:
σ KO
2
= C(0 ) − 2∑ λ i C(x o − x i ) + ∑∑ λ i λ j C(x i − x j )
i i j
o termo ∑∑ λ λ C(x
i j
i j i − x j ) pode ser derivado do primeiro conjunto de equações
(12), conforme Isaaks & Srivastava (1989):
∑ λ C(x
j
j i − x j ) − µ = C(x o − x i ) para i=1,n
escrevendo as n equações para i=1,n e somando:
54
∑ ∑ λ λ C(x
i j
i j i − x j ) − µ∑ λ i = ∑ λ i C(x o − x i )
i i
e lembrando que ∑λ
i
i = 1, tem-se:
∑ ∑ λ λ C(x
i j
i j i − x j ) = ∑ λ i C(x o − x i ) + µ
i
substituindo este resultado na expressão da variância de krigagem ordinária, tem-

se:
σ KO
2
= C(0 ) − ∑ λ i C(x o − x i ) + µ (14)
i
A variância de krigagem em termos da função semivariograma torna-se:
σ KO
2
= ∑ λ i γ (x o − x i ) + µ (15)
i
Variância de interpolação
A variância de krigagem é homoscedástica, ou seja, ela é independente

dos valores dos pontos de dados usando para obter o estimador Z ∗ ( xo ) (Olea,
1991). A Figura 31 ilustra porque a variância de krigagem não é uma medida
completa da incerteza.
Figura 31: Estimativa de blocos a partir da mesma configuração de dados

(segundo Armstrong, 1994). Observe-se que em (A) a variância do erro deveria
ser menor que em (B) por causa de dados mais consistentes.
Como os arranjos de dados são idênticos em ambos os casos, as

variâncias de krigagem são idênticas e também as estimativas de krigagem se
não há anisotropia (Armstrong, 1994). A variância de interpolação fará uso tanto
55
do conjunto de pesos {λi, i=1,n} e dos valores dos dados z(xi), medindo a maior
variabilidade existente no bloco B.
Journel & Rossi (1989) já haviam concluído que a variância de krigagem
mede apenas a configuração espacial dos dados; como a variância de krigagem
depende apenas do variograma que é global, ela independente dos valores locais
dos pontos de dados. Assim, Yamamoto (2000) propôs uma expressão para o
cálculo da variância de krigagem, que é determinada como a média ponderada
das diferenças ao quadrado entre os valores dos pontos de dados e a estimativa
Z ∗ ( xo ) , como segue:
n
[ ]
S o2 = ∑ λ i Z ( xi ) − Z ∗ ( xo )
2
(16)
i =1
Segundo Yamamoto (2000), a variância de interpolação apresenta as

seguintes propriedades:
o Corresponde à propriedade de exatidão da krigagem ordinária, isto é, se o

ponto a ser estimado coincide com um ponto de dado, então o peso deste
ponto é igual a um com todos os outros pesos iguais a zero, portanto S o2 = 0 ;
o É proporcional à dispersão dos pontos de dados;
o Usa indiretamente a distância estrutural do variograma através do peso da
krigagem ordinária λ i . Quanto mais influente o ponto de dado maior o seu
peso.
Essa expressão foi introduzida por Yamamoto (1989) para definir uma
variância de interpolação associada a teores estimados através das equações
multiquádricas em depósitos minerais. Yamamoto (1991) estendeu a definição
para calcular a variância de interpolação usando os pesos da krigagem ordinária.
Correção de pesos negativos
A expressão (16) pode resultar em variância negativa quando alguns pesos

da krigagem ordinária forem negativos, devido à existência de agrupamentos de
pontos de dados associada a uma distribuição estatística com forte assimetria
positiva (distribuições lognormais). Da mesma forma que teores negativos devem
ser evitados, pesos negativos também devem ser evitados. Assim, surgiram na
literatura várias propostas para eliminação de pesos negativos da krigagem
ordinária. Entre as propostas existentes, o autor tem adotado aquela proposta por
Journel & Rao (1996), que consiste em adicionar o módulo do maior peso
negativo (c) a todos os pesos:
λ i+ c
τi =
∑ (λ j + c )
n
j =1
56
Os pesos corrigidos podem ser agora substituídos nas equações (9) e (16)
para cálculo do valor estimado e da variância de interpolação, respectivamente.
Distribuição de probabilidade
Como os pesos da krigagem ordinária são todos positivos e têm uma soma
igual a um, eles podem ser interpretados como probabilidades condicionais
associadas aos n pontos de dados locais (Journel & Rao, 1996). Em qualquer
localização dada xo, classifique os n pontos de dados vizinhos em ordem
crescente:
z(x 1 ) ≤ z(x 2 ) ≤ L ≤ z(x n )
Os pesos da krigagem ordinária associados aos valores z(x1), z(x2), ... ,

z(xn) da variável aleatória Z constituem a distribuição de probabilidade de Z. Os
pares ordenados (z(xi), λi) constituem a função de probabilidade de Z.
A função de distribuição acumulada condicional é então modelada como:
α
F(x o , z α ) = ∑λ i ,
i =1
ou seja, pode-se determinar a probabilidade da variável aleatória z ser menor ou

igual a zα no ponto xo, condicional aos n pontos de dados mais próximos de xo.
Tipos de krigagem
As equações de krigagem permitem determinar o conjunto de

ponderadores {λi, i=1,n} associados ao conjunto de dados disponíveis
{Z(xi),i=1,n}, que combinados conforme a equação (9), resulta na estimativa do
valor desconhecido Z ∗ (x o ) .
Conforme o domínio que se estima, tem-se:
- krigagem pontual;
- krigagem de bloco.
Krigagem pontual
A krigagem pontual tem por objetivo estimar uma localização não

amostrada. Vamos considerar situação apresentada na Figura 32, para ilustrar a
krigagem pontual.
57
4
3
Figura 32: Configuração dos pontos de amostragem (+) para krigagem pontual na
localização do ponto marcado com círculo.
Os dados dos pontos de amostragem, selecionados pelo critério dos

quadrantes, encontram-se na Tabela 8.
Tabela 8: Coordenadas dos pontos de amostragem.
Ponto Coord. X Coord. Y Variável

0* 250 200 ¿
1 300 350 56
2 125 250 46
3 200 125 37
4 400 150 42
* Ponto a ser estimado pela krigagem ordinária.
Seja considerado válido para os dados em estudo, o seguinte modelo de

variograma:
⎡ h ⎛h⎞ ⎤
3
γ (h ) = 5 + 15⎢1.5 − 0.5⎜ ⎟ ⎥ para h < 800
⎣⎢ a ⎝ a ⎠ ⎦⎥
γ (h ) = 20 para h ≥ 800
Para estimativa no ponto 0, precisamos dos ponderadores da krigagem

ordinária que aplicados na expressão (9) resultará no valor estimado. Assim, para
determinar os ponderadores precisamos resolver o sistema de equações de
krigagem. Nessa demonstração vamos utilizar o sistema de equações escrito em
termos da função semivariograma (13). A organização do sistema de equações
( )
(13) começa com o cálculo da matriz dos termos γ xi − x j , conforme segue:
Para o cálculo da função semivariograma, por exemplo, entre as amostras

1 e 2, determina-se inicialmente a distância entre as mesmas:
58
d (x1 , x 2 ) = (300 − 125)2 + (350 − 250)2 = 201,56
A distância encontrada é convertida em função semivariograma:
⎡ ⎛ 201.56 ⎞
3⎤
γ ( x1 − x2 ) = 5 + 15⎢1.5
201.56
− 0.5⎜ ⎟ ⎥ = 10.55 ;
⎢⎣ 800 ⎝ 800 ⎠ ⎥⎦
Para os elementos da diagonal principal, observe-se que as distâncias são

iguais a zero e, portanto, γ ( xi − xi ) = 0 ;
Repete-se o procedimento para todos os pares de amostras, obtendo-se a

(
matriz dos termos γ xi − x j : )
⎡ 0 10.55 11.71 11.13 1⎤ ⎡ λ1 ⎤ ⎡9.39⎤
⎢10.55 0 9.05 12.86 1⎥⎥ ⎢⎢λ 2 ⎥⎥ ⎢⎢8.75⎥⎥
⎢
⎢11.71 9.05 0 10.55 1⎥ ∗ ⎢λ3 ⎥ = ⎢7.52⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢11.13 12.86 10.55 0 1⎥ ⎢λ 4 ⎥ ⎢9.39⎥
⎢⎣ 1 1 1 1 0⎥⎦ ⎢⎣ µ ⎥⎦ ⎢⎣ 1 ⎥⎦
Resolvendo-se o sistema obtêm-se os ponderadores da krigagem

ordinária:
[λ1 = 0.21 λ 2 = 0.231 λ3 = 0.33 λ 4 = 0.23 µ = 0.58]
O valor da variável no ponto 0 é estimado como:
Z ∗ ( xo ) = 0.21 * 56 + 0.23 * 46 + 0.33 * 37 + 0.23 * 42 = 44.21
O valor da variável de interesse no ponto 0 (não amostrado) é igual a

44.21, cujo resultado é bastante razoável em relação às amostras fornecidas.
Krigagem de bloco
A krigagem de bloco é uma técnica de estimativa do teor médio em painéis

ou blocos de cubagem, tratando-se, portanto de uma técnica desenvolvida
exclusivamente para mineração.
A estimativa de painéis ou blocos é muito diferente da estimativa pontual, à
medida que áreas ou volumes maiores devem ser representados pelos pontos de
amostragem. Assim, é certo que apenas a estimativa de um único ponto no centro
daquelas unidades não será suficiente para representá-las, devendo haver uma
diferença composicional entre o ponto estimado e a unidade lavrada. À essa
59
diferença composicional denomina-se erro de estimativa que depende

fundamentalmente da amostragem, e esta por sua vez é função da variabilidade
natural do depósito que está se avaliando. Certamente o erro de estimativa
associado a krigagem de bloco será menor que aquele associado a krigagem
pontual (ponto calculado no centro do bloco para representá-lo).
O princípio da krigagem de bloco é baseado na subdivisão do bloco de
cubagem em sub-blocos, os quais são avaliados individualmente e compostos
para o bloco original, conforme o Teorema da Combinação das Estimativas de
Krigagem (Journel & Huijbregts, 1978). Este teorema prova que tanto as
estimativas como os ponderadores dos sub-blocos individuais podem ser
combinados para dar origem à estimativa ou ponderadores médios do bloco de
cubagem. Da mesma forma os vetores dos valores da função semivariograma,
entre as amostras e os centros dos sub-blocos, podem ser combinados para dar
origem ao vetor médio, dos valores da função semivariograma entre amostras e o
bloco.
A subdivisão do bloco de cubagem deve ser feita dentro dos limites
máximos recomendados por Journel & Huijbregts (1978), conforme se reproduz
na Tabela 9.
Tabela 9: Limites máximos recomendados para a subdivisão do bloco a ser

estimado (Journel & Huijbregts, 1978).
dimensão do número de
domínio pontos
1 10
2 6x6
3 4x4x4
Estabelecendo um bloco de 100 x 100 e adotando uma subdivisão mínima

do bloco (2 x 2), tem-se a configuração apresentada na Figura 33.
4
3
Figura 33: Configuração do bloco e centros de sub-blocos para avaliação pela

krigagem ordinária de bloco.
As coordenadas dos centros dos sub-blocos encontram-se na Tabela 10.
60
Para o cálculo dos ponderadores da krigagem ordinária vamos resolver o

mesmo sistema de equações de krigagem (13) utilizado para a krigagem pontual,
porém com a diferença do vetor do lado direito do sistema que levará em
consideração a subdivisão em sub-blocos. Na verdade, a matriz dos termos
( )
γ xi − x j é a mesma para a krigagem pontual, pois as amostras são exatamente
as mesmas. Assim, precisamos calcular o vetor da função semivariograma entre
as amostras e os sub-blocos como mostra a Figura 34.
Tabela 10: Coordenadas dos centros dos sub-blocos.
Sub- Leste Norte

bloco (m) (m)
sb1 275 225
sb2 225 225
sb3 225 175
sb4 275 175
1 1
A B
2 2
4 4
3 3
1 1
C D
2 2
4 4
3 3
Figura 34: Esquema mostrando o cálculo da função semivariograma entre a

amostra 1 e todos os sub-blocos (A); para a amostra 2 (B); para a amostra 3 (C) e
para a amostra 4 (D).
61
A seguir tem-se as etapas para cálculo do vetor médio da função

semivariograma entre as amostras e os sub-blocos:
Para ilustrar o procedimento, considere-se a amostra 1 (Figura 34A) em

relação aos sub-blocos {sbi, i=1,4}, cujas distâncias são assim calculadas:
d (x sb1 − x1 ) = (300 − 275)2 + (350 − 225)2 = 79.06
d (x sb 2 − x1 ) = (300 − 225)2 + (350 − 225)2 = 145.77
d (x sb3 − x1 ) = (300 − 225)2 + (350 − 175)2 = 190.39
d (x sb 4 − x1 ) = (300 − 275)2 + (350 − 175)2 = 176.78
As distâncias encontradas são convertidas em valores da função

semivariograma:
⎡ 79.06 ⎛ 79.06 ⎞ ⎤
3
γ ( x sb1 − x1 ) = 5 + 15⎢1.5 − 0.5⎜ ⎟ ⎥ = 7.22
⎢⎣ 800 ⎝ 800 ⎠ ⎥⎦
⎡ 145.77 ⎛ 145.77 ⎞ ⎤
3
γ ( x sb 2 − x1 ) = 5 + 15⎢1.5 − 0.5⎜ ⎟ ⎥ = 9.05
⎢⎣ 800 ⎝ 800 ⎠ ⎥⎦
⎡ 190.39 ⎛ 190.39 ⎞ ⎤
3
γ ( x sb3 − x1 ) = 5 + 15⎢1.5 − 0.5⎜ ⎟ ⎥ = 10.25
⎢⎣ 800 ⎝ 800 ⎠ ⎥⎦
⎡ 176.78 ⎛ 176.78 ⎞ ⎤
3
γ ( x sb 4 − x1 ) = 5 + 15⎢1.5 − 0.5⎜ ⎟ ⎥ = 9.89
⎢⎣ 800 ⎝ 800 ⎠ ⎥⎦
O valor médio da função semivariograma entre a amostra 1 e o bloco, pode

ser calculado:
7.22 + 9.05 + 10.25 + 9.89

γ ( xo − x1 ) = = 9.1025
4
Dessa forma são calculados os demais valores médios:
62
9.23 + 7.88 + 8.49 + 9.65

γ ( xo − x 2 ) = = 8.8125
4
8.49 + 7.88 + 6.57 + 7.52

γ ( x o − x3 ) = = 7.6150
4
9.05 + 10.25 + 9.89 + 8.56

γ ( xo − x 4 ) = = 9.4375
4
O sistema de equações de krigagem de bloco torna-se:
⎡ 0 10.55 11.71 11.13 1⎤ ⎡ λ1 ⎤ ⎡9.1025⎤

⎢10.55 0 9.05 12.86 1⎥⎥ ⎢⎢λ 2 ⎥⎥ ⎢⎢8.8125⎥⎥
⎢
⎢11.71 9.05 0 10.55 1⎥ ∗ ⎢λ3 ⎥ = ⎢7.6150⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢11.13 12.86 10.55 0 1⎥ ⎢λ 4 ⎥ ⎢9.4375⎥
⎢⎣ 1 1 1 1 0⎥⎦ ⎢⎣ µ ⎥⎦ ⎢⎣ 1 ⎥⎦
Resolvendo-se o sistema obtém-se os ponderadores da krigagem de bloco:
[λ1 = 0.24 λ 2 = 0.22 λ3 = 0.32 λ 4 = 0.22 µ = 0.55]
O valor da variável no ponto 0 é estimado como:
Z ∗ ( xo ) = 0.24 * 56 + 0.22 * 46 + 0.32 * 37 + 0.22 * 42 = 44.64
O valor médio do bloco foi ligeiramente superior ao valor do ponto, devido à

pequena variabilidade dos dados, bem como à dimensão do bloco.
A fim de mostrar na prática os limites máximos de subdivisão de blocos,
reproduz-se na Tabela 11, as estimativas obtidas para vários níveis de
subdivisão, segundo Isaaks & Srivastava (1989).
Tabela 11: Exemplos de estimativa do valor médio de V (parâmetro de interesse)

dentro de blocos de 10 x 10 m2 usando a krigagem ordinária de bloco e várias
malhas de discretização dentro do bloco (segundo Isaaks & Srivastava, 1989).
Centro do bloco malhas de subdivisão

E N 1x1 2x2 4x4 6x6 10 x 10
80 80 584,67 576,41 574,30 573,98 573,81
100 80 408,53 418,29 419,19 419,38 419,47
80 90 538,36 519,89 520,58 520,53 520,47
100 90 460,13 479,73 480,35 480,52 480,61
80 100 497,66 547,87 549,40 550,13 550,51
100 100 530,37 513,32 513,56 513,47 513,42
80 110 781,17 737,04 732,29 731,06 730,41
100 110 591,13 580,73 578,75 578,74 578,72
63
6.5 Validação cruzada
A validação cruzada consiste em estimar a localização de um ponto de

dado eliminando-se o valor do mesmo do conjunto de pontos de dados.
Repetindo-se este procedimento um número de vezes igual ao número de pontos
do conjunto, tem-se ao final o valor estimado e o valor verdadeiro, além das
variâncias de krigagem e de interpolação. Trata-se da técnica do jackknife
herdada da estatística clássica para predição do erro de estimativa. Uma
alternativa à validação cruzada seria a simulação, porém tem a grande
desvantagem de produzir realizações baseadas em populações hipotéticas e não
na população amostrada como faz a validação cruzada.
A Figura 35A apresenta um conjunto de pontos de dados que será
submetido à validação cruzada. Na Figura 35B tem-se a indicação de um ponto
de dado sendo estimado a partir dos 8 vizinhos mais próximos escolhidos pelo
critério dos quadrantes. Como a estimativa é feita pela krigagem ordinária pontual,
os resultados da validação cruzada podem ser usados para aferir a modelagem
de semivariograma.
O resultado típico da validação cruzada é apresentado na forma de uma
diagrama de dispersão dos valores da validação cruzada em função dos valores
reais, como ilustra a Figura 36. O resultado ideal de uma validação cruzada seria
a reta de regressão estar mais próxima da bissetriz e que a dispersão em torno
desta reta fosse mínima. Observe-se que a validação cruzada pode ser utilizada
para aferir a modelagem do semivariograma. Pode-se assim testar aproximações
diferentes, mas se após procedimentos de tentativa e erro, os pontos da validação
cruzada não apresentarem um bom ajuste em torno da bissetriz, significa que há
um enviesamento condicional, causado pelo efeito de suavização das estimativas
por krigagem ordinária.
A B
Figura 35: Conjunto de pontos de dados (A) e validação cruzada de um ponto do

conjunto, o qual será estimado a partir dos 8 pontos vizinhos mais próximos
selecionados pelo critério dos quadrantes (B).
64
15
VALIDAÇÃO CRUZADA
Número de dados = 224
Coeficiente de correlação = 0.725
Correlação rankeada = 0.698
10
0
0 5 10 15
VALOR REAL
Figura 36: Resultado típico de uma validação cruzada
Pode-se observar na Figura 36 que os maiores valores estão em geral

subestimados, enquanto os menores valores estão superestimados. Há, portanto,
nos resultados da validação cruzada o efeito de suavização da krigagem
ordinária. A reta de regressão confirma essa observação.
Efeito de suavização
Estimativas baseadas na fórmula da média ponderada, tal como a

krigagem ordinária (9), apresentam uma variabilidade reduzida, que é referida na
literatura como efeito de suavização, de acordo com Isaaks & Srivastava (1989,
p.420). Além disso, conforme esses autores, a utilização de um maior número de
amostras tende geralmente a aumentar a suavidade das estimativas. Como uma
conseqüência do efeito de suavização, pequenos valores são geralmente
superestimados enquanto valores altos são subestimados, caracterizando um
enviesamento condicional do estimador resultante (Goovaerts, 1997, p. 370). O
enviesamento condicional dado que o valor estimado z ∗ ( x ) é maior que um valor
de referência z c é, segundo Journel et al. (2000):
{
E Z ∗ (x ) − Z (x ) Z ∗ (x ) > z c ≠ 0 }
O efeito de suavização surge como um sério problema na detecção de
padrões de valores extremos do atributo, tais como zonas de alta permeabilidade
ou zonas ricas em metal (Goovaerts, 1997, p.370). Além disso, o efeito de
suavização é desigual no espaço, sendo zero nos pontos de dados e aumentando
à medida que a localização x distancia-se dos pontos de dados (Journel et al.,
2000, p. 791).
65
O efeito de suavização é devido a um déficit na variância do estimador da

krigagem e para a krigagem simples (KS) é precisamente igual à variância de
krigagem como mostrado por Journel et al. (2000, p. 791):
{
Var{Z ( x )}− Var Z KS
∗
}
(x ) = σ KS
2
(x )
Similarmente, o déficit de variância para a krigagem ordinária (KO) pode
ser derivado da seguinte expressão (Yamamoto, 2000, p. 507):
{
Var{Z ( x )}− Var Z KO
∗
}
(x ) = σ KO
2
(x ) + 2µ ≥ 0
onde µ é o multiplicador de Lagrange. Yamamoto (2000, p. 493) também mostrou

que o déficit de variância poder ser expresso em termos da variância de
interpolação como:
{
Var{Z ( x )}− Var Z KO
∗
} { }
(x ) = E S o2 ≥ 0
que pode ser interpretado como a suavização da variância de interpolação do
estimador da krigagem ordinária Z KO∗
(x ) . Esta expressão faz sentido como uma
medida do déficit de variância porque quão maior é a variância de interpolação
S o2 , tomada em média sobre todos os valores de dados possíveis, maior a
suavização da variância de interpolação do estimador da krigagem (Yamamoto,
2000, p. 493).
Como conseqüência do efeito de suavização, as estimativas pela krigagem
ordinária não reproduzem o histograma e o variograma. A Figura 37 mostra
comparativamente o histograma original dos pontos de dados (Fig. 37A) e o
histograma dos valores estimados (Fig. 37B). O efeito de suavização pode ser
observado nos coeficientes de variação que passa de 0,746 dos valores originais
para 0,513 para os valores estimados. A distribuição dos valores estimados
apresenta, conseqüentemente, menor assimetria em relação à distribuição
original. Na Figura 38 tem-se os variogramas da imagem de referência (a partir da
qual foram amostrados os pontos de dados originais) e da imagem estimada pela
krigagem ordinária. É notável o patamar menor da imagem krigada, dado pelo
efeito de suavização (menor variância).
66
A) B)
15 25
%
%
Número de dados = 224 Número de dados = 2015

Média = 3.137 Média = 3.147
Desvio padrão = 2.339 Desvio padrão = 1.615
Coeficiente de variação = 0.746 20 Coeficiente de variação = 0.513
Máximo = 14.577 Máximo = 14.577
Quartil superior = 4.191 Quartil superior = 3.828
10 Mediana = 2.735 Mediana = 2.914
Quartil inferior = 1.469 15 Quartil inferior = 2.092
Mínimo = 0.290 Mínimo = 0.290
10
5
5
0 0
0 5 10 15 0 5 10 15
VARIÁVEL ESTIMATIVA (KO)
Figura 37: Histograma da distribuição dos dados originais (A) e dos dados
estimados pela krigagem ordinária (B).
10
SEMIVARIOGRAM
0
0 200 400 600 800 1000
DISTANCE
Figura 38: Semivariogramas para a imagem de referência (símbolos cheios) e

para a imagem estimada pela krigagem ordinária (símbolos vazios). Legenda:
quadrado = N135o e círculo = N45o.
6.6 Classificação de recursos/reservas minerais
A variância de estimativa ou variância de krigagem foi proposta como uma

medida da incerteza associada à estimativa feita por meio da krigagem ordinária.
Contudo, como demonstrado por diversos autores (Journel, 1986, Olea, 1991,
entre outros), a variância de krigagem mede apenas a configuração espacial dos
pontos de dados e, por isso, não reconhece a dispersão local dos mesmos. A
dispersão local é de importância vital para fins de classificação de reservas, pois
discrimina regiões de alta e baixa variabilidade, as quais podem ter atribuídas
classes de baixa e alta confiabilidade, respectivamente. A variância de krigagem,
ao utilizar a dispersão média do depósito medida por meio do variograma, não
consegue discriminar regiões de alta e baixa variabilidade. Por outro lado, a
67
variância de interpolação é uma alternativa que mede a dispersão local, bem

como reconhece o efeito proporcional quando existente (distribuições lognormais).
Diversos autores (Froidevaux, 1982, Isaacks & Srivastava, 1989, Vallée &
Côte, 1992 e Wober & Morgan, 1993) têm proposto calcular o erro com base no
intervalo clássico em torno da estimativa, usando a distribuição normal e o desvio
padrão da krigagem. Nestas aproximações, a distribuição normal não é
adequada, pois o tamanho das amostras em problemas de avaliação de reservas
é sempre inferior a 40-60 amostras/bloco avaliado.
Diehl & David (1982) e Wellmer (1983) propuseram, também com base no
desvio padrão da krigagem, utilizar o Teorema do Limite Central para calcular o
erro em torno de uma estimativa. De fato, o Teorema do Limite Central
proporciona uma boa aproximação para uma distribuição normal. Contudo, estes
autores não consideraram o intervalo de confiança para determinação do erro,
mas simplesmente o coeficiente de variação multiplicado pelo valor crítico de t,
como segue:
σE
ERRO = t gl ,ns
Z ∗ (xo )
onde σE é o desvio padrão de estimativa no sentido genérico podendo ser

substituído pelo desvio padrão de krigagem ou de interpolação, e tgl,ns é o valor
crítico da distribuição t de Student para gl graus de liberdade e nível de
significância ns.
Yamamoto & Rocha (1996) propuseram a seguinte expressão para o
cálculo do erro de estimativa ou tolerância permitida, para fins de classificação de
reservas minerais:
1 IC (%)
NC σ E .t gl ,ns
ERRO = 2 ∗ = ∗ 100(%) (17)
Z (xo ) Z ( xo ). n
onde 1 IC NC (%) é a metade do intervalo de confiança a um nível de confiança

2
(NC), σE é o desvio padrão da estimativa, tgl,ns é o valor crítico de t para gl graus
de liberdade e um nível de significância ns, Z ∗ (xo ) é o valor estimado e n o
número de amostras utilizadas para a estimativa. A Figura 39 mostra a curva da
distribuição t centrada na estimativa X e o seu intervalo de confiança a um
determinado nível de confiança. A distribuição t só depende do número de graus
de liberdade. Quando o número de graus de liberdade tende ao ∞, a distribuição t
passa para uma normal. Contudo, a partir de 40-60 amostras, a distribuição t
passa praticamente para uma normal. Como dificilmente utiliza-se 40-60 amostras
para avaliação de um bloco de cubagem, o erro de uma estimativa deve ser
determinado segundo o Teorema do Limite Central (expressão 17) e, portanto,
considerando a distribuição.
68
Figura 39: Curva da distribuição t de Student, utilizada para o cálculo do intervalo

de confiança da estimativa X a um determinado nível de confiança NC.
A expressão (17) tem sentido para cálculo do erro associado a estimativas

pontuais, pois tem n em seu denominador, sendo n o número de amostras.
Contudo, em estimativas de bloco, onde o bloco é subdividido em nsb sub-blocos,
a n deveria ser substituída pela nsb , pois, na verdade, são utilizados nsb sub-
blocos para a estimativa de teor e da variância de interpolação. Assim, a
expressão para cálculo do erro associado à estimativa de bloco fica:
σ E .t gl ,ns
ERRO = 100(%) (18)
Z ∗ (xo ). nsb
O modelo para classificação de recursos/reservas minerais, proposto para

adoção pelo DNPM (1992), foi baseado no modelo australiano atualizado em
1996 pela AIMM-Australasian Institute of Mining and Metallurgy (AIMM, 1996).
Neste modelo, os recursos minerais são classificados, de acordo com nível
crescente de conhecimento do depósito, em: inferido, indicado e medido. A partir
da consideração de fatores econômicos, de mineração, metalúrgicos,
mercadológicos, legais, ambientais, sociais e políticos, os recursos indicado e
medido poderão vir a transformar-se em reservas provável e provada,
respectivamente (AIMM, 1996).
Os recursos minerais que apresentam indicação de economicidade,
segundo DNPM (1992), deveriam ser classificados na fase de pesquisa mineral,
para suportar os estudos de viabilidade técnico-econômica que seguem. A
classificação de recursos minerais, conforme a proposta do DNPM (1992), foi
baseada no modelo da ONU (apud Valente, 1980). Tais modelos classificam os
recursos minerais, com uma confiabilidade de 95%, em medido, quando os erros
são menores que 20%, indicado quando os erros estão entre 20 e 50% e inferido
quando os erros são superiores a 50%. Yamamoto & Rocha (1996) consideraram
que o nível de confiança igual a 95%, para fins de classificação de recursos
minerais não é adequado, pois seria aplicável somente em depósitos minerais
extremamente homogêneos. Um nível de confiança igual a 90% foi considerado
razoável por Yamamoto & Rocha (1996), contudo, consideraram também que
poderiam ser aplicados somente a alguns depósitos com baixa a média
69
variabilidade. Segundo Koch & Link (1971), em aplicações envolvendo avaliação

e outros assuntos de economia mineral, o uso de um nível de confiança de 90% é
consistente com os altos riscos associados à indústria mineral, riscos estes que
se tornam claros com as altas taxas de retorno da mineração em relação às
indústrias de transformação.
Assim, Yamamoto & Conde (1999) propuseram a adoção dos níveis de
erro propostos pela ONU (apud Valente, 1980) e DNPM (1992), sob um nível de
confiança igual a 90%, para fins de classificação de recursos minerais. Este
modelo, em comparação com aqueles propostos por Diehl & David (1982),
Wellmer (1983) e DNPM (1992), encontra-se na Tabela 12. Os erros adotados no
modelo proposto são calculados pela expressão (23), com a substituição do
desvio padrão de estimativa pelo desvio padrão de interpolação. Pelos motivos
expostos anteriormente, o desvio padrão de interpolação apresenta maior
precisão e confiabilidade para fins de classificação de reservas, como se
procurará demonstrar neste artigo.
Como se sabe, a variabilidade dos depósitos minerais é fortemente afetada
por uma componente denominada variabilidade natural. A variabilidade natural
resulta da interação dos processos geológicos, os quais afetam a distribuição
espacial dos teores e a morfologia do depósito. Assim, dependendo da
variabilidade natural do depósito em estudo, as classes de erros propostas na
Tabela 12 podem não estar adequadas e, portanto, não permitirão classificar os
recursos em medido, indicado e inferido, conforme esperado. Muitas vezes,
dependendo do nível de detalhe da pesquisa mineral, os recursos ainda não
podem ser classificados como medidos, devido à tolerância máxima de 20%, e
sim como indicados. Nestas situações, a certeza geológica, expressa pela
confiabilidade dos dados e pela continuidade da mineralização, deveria prevalecer
sobre os erros de tolerância.
Tabela 12: Modelo para classificação de recursos minerais, em comparação com

as propostas de Diehl & David (1982), Wellmer (1983) e DNPM (1992).
Recursos⇒ Medido Indicado Inferido

Reservas⇒ Provada Provável Possível Inferida
Diehl & David Erro: ±10% Erro: ±20% Erro: ±40% Erro: ±60%
(1982) N.C.: > 80% N.C.:60-80% N.C.:40-60% N.C.:20-40%
Wellmer (1983) Erro: ±10% Erro: ±20% Erro: ±30% Erro: ±50%
N.C.: 90% N.C.: 90% N.C.: 90% N.C.: 90%
ONU e Erro: ±0-20% Erro: ±20-50% Erro: >±50%
DNPM (1992) N.C.: 95% N.C.: 95% N.C.: 95%
Yamamoto & Erro: 0-20% Erro: 20-50% Erro: > 50%
Conde (1999) N.C.: 90% N.C.: 90% N.C.: 90%
N.C. = é o nível de confiança conforme a Figura 4.
70
7 ESTIMATIVAS POR COKRIGAGEM ORDINÁRIA
7.1 Definições Básicas de Isotopia e Heterotopia
Segundo Wackernagel (1998), medidas de diferentes variáveis em um

dado domínio podem localizar-se tanto em um mesmo ponto de amostragem
como em pontos diferentes. Assim, dependendo da coincidência ser total ou
parcial, define-se os termos isotopia e heterotopia. A heterotopia pode ser parcial
quando em alguns pontos de amostragem foram medidas as variáveis em estudo,
enquanto nos demais pontos de amostragem uma ou outra variável.
A Figura 40 ilustra em (A) o caso de isotopia, onde as duas variáveis de

interesse foram analisadas em todos os pontos de amostragem, em (B) a
heterotopia é parcial, pois como pode ser observado, em apenas alguns pontos
de amostragem as duas variáveis de interesse foram analisadas e, por fim, em
(C) exemplifica-se a heterotopia total onde não existem pontos de amostragem
comuns às duas variáveis.
(A) Au Ag
(B) Au Ag
(C ) Ag
Au Ag Au Au
80
80
80
Au Ag Ag Au
Au Ag Au Ag Ag
60
60
60
Au Ag Au Ag Ag
40
40
40
Au Ag Ag Au
Au Ag Au Ag Ag Au Ag Au
20
20
20
Au Ag Au Ag
Au Ag Au Ag Au
0
0 20 40 60 80 0 20 40 60 80 0 20 40 60 80
Figura 40: (A) exemplifica um caso onde a amostragem é isotópica, ou seja, as

duas variáveis de interesse encontram-se analisadas em todos os pontos de
amostragem. (B) apresenta um caso de heterotopia parcial onde as variáveis de
interesse possuem apenas alguns pontos de amostragem onde a analise foi
realizada em ambas e (C) representa o caso de heterotopia total onde não há
pontos de amostragem comuns para ambas variáveis.
7.2 O variograma cruzado
O variograma cruzado foi definido por Matheron em 1965 como a

generalização natural do variograma e pode ser escrito como:
γ ij (h ) =
1
2
[
E {[Z i ( x + h ) − Z i ( x )]* Z j ( x + h ) − Z j ( x ) } ]
71
para funções aleatórias intrínsecas multivariadas (de ordem zero) deve satisfazer
(Chilès & Delfiner 1999):
⎧ E [Z i ( x + h ) − Z i ( x )] = 0 para i = 1, L , p
⎩Cov[Z i ( x + h ) − Z i ( x ), Z j ( x + h ) − Z j ( x )] = 2γ ij (h )
⎨
existe e depende apenas de h
Ainda segundo Chilès & Delfiner (1999), o variograma cruzado possui duas
vantagens sobre o covariograma cruzado, a saber:
1. não assume variâncias finitas e;

2. a estimativa do variograma cruzado não é contaminada pela estimativa das
médias. Quando existe, a relação entre o variograma cruzado e a
covariância cruzada é:
γ ij (h ) = C ij (0) −
1
2
[ ] [ ]
C ij (h ) + C ij (− h ) + C ij (h ) − C ij (− h )
1
2
Wackernagel (1998) descreve a o variograma cruzado como uma função

obviamente ímpar que satisfaz a desigualdade:
γ ii (h )γ jj (h ) ≥ γ ij (h )
2
pois o quadrado da covariância dos incrementos de duas variáveis é limitado ao

produto das variâncias do incremento correspondente. Em outras palavras, a
covariância obtida no variograma cruzado não pode ser maior que o produto das
variâncias dos variogramas diretos.
Assim como o variograma experimental, o variograma cruzado, é uma
função direcional e diferencia-se daquele por considerar duas variáveis diferentes
no cálculo da variância. Os outros procedimentos seguem exatamente aqueles
para o cálculo de variogramas experimentais.
Observando-se a equação do variograma cruzado pode-se ver que é a
expansão da equação do variograma:
2γ (h ) = E [Z ( x + h ) − Z ( x )] = E [Z ( x + h ) − Z ( x ) * Z ( x + h ) − Z ( x )] ,
2
da qual diferencia-se por ser o segundo termo do segundo membro uma variável
diferente daquela analisada no primeiro termo.
Algumas questões práticas devem ser mencionadas para o variograma
cruzado.
a. uma dada estrutura (por exemplo: efeito pepita) não pode estar presente
no variograma cruzado ( γ 12 ) se não estiver presente nos variogramas
diretos ( γ 1 ou γ 2 ) ;
72
b. uma dada estrutura (por exemplo: efeito pepita) pode estar presente nos
variogramas diretos ( γ 1 ou γ 2 ) e não estar presente no variograma cruzado
( γ 12 ) .
7.3 O Modelo Linear de Corregionalização
Segundo Wackernagel (1998), a regionalização multivariada de um

conjunto de funções aleatórias pode ser representado por um modelo linear
espacial multivariado. O modelo linear de corregionalização é a soma de modelos
de covariâncias proporcionais. Em notação matricial C (h ) = [Cij (h )] é a matriz
covariância com dimensões pxp e similarmente Γ(h ) = [γ ij (h )] é a matriz variância,
esse modelo assume a forma (Chilès & Delfiner 1999):
n n
C (h ) = ∑ Bk Ck (h ) ou Γ(h ) = ∑ Bk γ k (h )
1 1
Do modelo linear de corregionalização resulta que as variâncias espaciais

das estruturas que compõem os modelos de variograma cruzados são
dependentes das variâncias espaciais dos modelos de variograma diretos.
Destaca-se que, para o modelo linear de corregionalização ser honrado, o
quadrado da variância espacial do variograma cruzado deve ser menor ou igual
que o produto das variâncias espaciais dos variogramas diretos, por exemplo:
Tomem-se os seguintes modelos de variograma ajustados aos variogramas

experimentais:
⎡ ⎛ h⎞ ⎛ h ⎞⎤ ⎡ ⎛ h ⎞⎤
γ 1 = 3 + ⎢5sph⎜ ⎟ + 12sph⎜ ⎟⎥ e γ 2 = 5 + ⎢9sph⎜ ⎟ onde γ 1 é o variograma da
⎣ ⎝ 50 ⎠ ⎝ 135 ⎠⎦ ⎣ ⎝ 135 ⎠⎥⎦
variável primária e γ 2 é o variograma da variável secundaria.
O modelo teórico do variograma cruzado será admissível se possuir efeito
pepita máximo e variância espacial máxima iguais a:
⎡ ⎛ h ⎞⎤
γ 12 = 3,873 + ⎢10,392 sph⎜ ⎟ observa-se ainda que o variograma cruzado não
⎣ ⎝ 135 ⎠⎥⎦
apresenta a estrutura com amplitude igual a 50m, pois o variograma direto da
variável secundária não a apresenta.
7.4 Cokrigagem ordinária
A cokrigagem é a extensão natural da krigagem quando dados

multivariados e variogramas multivariados ou modelos de covariância podem ser
calculados (Wackernagel, 1998). O procedimento da cokrigagem consiste em
73
estimar uma variável de interesse em um ponto específico com base nas

informações vizinhas da própria variável e nas informações disponíveis para
variáveis auxiliares ou secundárias.
Segundo Olea (1999), a cokrigagem pode ser descrita como um
procedimento de estimativa verdadeiramente multivariado, pois o modelo lida com
dois ou mais atributos (variáveis) em um mesmo domínio. Em geoestatística
quando duas ou mais variáveis regionalizadas são definidas em um campo
aleatório são chamadas de corregionalização. No caso da cokrigagem, quando
existe ausência de análise de uma variável em um determinado ponto de
amostragem, esta ausência não interfere, ou enviesa, os resultados. Pelo
contrário, a cokrigagem apresenta sua melhor performance quando se verifica
esta situação.
Assim como na krigagem, existem vários algoritmos de cokrigagem, dentre
os quais se destacam a cokrigagem ordinária, a cokrigagem simples e
cokrigagem co-localizada. Tratar-se-á, aqui, apenas da cokrigagem ordinária, uma
vez que este é o algoritmo mais utilizado por não requerer que a média
populacional seja conhecida como no caso da cokrigagem simples. A cokrigagem
co-localizada necessita que em todos os pontos de amostragem, ou na maioria
deles, a variável secundária seja conhecida, com informação apenas parcial da
variável primária.
Equações de cokrigagem ordinária
A estimativa da cokrigagem ordinária é feita através de uma combinação

linear de pesos λip , a partir de dados de diferentes variáveis localizados em
pontos de amostragem na vizinhança de um ponto x0 (Wackernagel, 1998). Ainda
segundo este autor, cada variável é definida em um conjunto de amostras de
tamanho n p e o estimador é definido como:
N np
Z *p0 ( x 0 ) = ∑∑ λip Z p ( xi )
p =1 i =1
onde o índice p0 refere-se a uma variável específica de um conjunto de N

variáveis. O número de amostras n p depende do índice p das variáveis.
Segundo Wackernagel (1998), no arcabouço da hipótese intrínseca
conjunta deseja-se estimar uma variável específica em um conjunto de N
variáveis com base em um erro de estimativa, o qual deve ser nulo em média.
Esta condição, segundo o mesmo autor, é satisfeita determinando-se pesos cuja
soma seja um para a variável de interesse (primária) e seja zero para a variável
auxiliar (secundária), conforme:
⎧1 se p = p0
np
∑λ
i =1
p
i = δ pp0 = ⎨
⎩0 se p ≠ p 0
74
Expandindo-se a expressão do erro médio de estimativa, conforme

desenvolvimento de Wackernagel (1998), tem-se:
⎡ n ⎤
⎢ ⎥
E [Z *p0 ( x 0 ) − Z p0 ( x0 )] = E ⎢∑∑ λip Z p ( xi ) − ∑ λip0 Z p0 ( x 0 ) − ∑∑ λip Z p ( x 0 )⎥ =
N p np N np
⎢ p =1 i =1 i =1
1 23 p = 0 i =1
p ≠ p0 1 23 ⎥
⎣ 1 0 ⎦
np
= ∑∑ λip E [Z p ( xi ) − Z p ( x0 )] = 0
N
p =1 i =1 14442444 3
0
Continuando, a variância do erro de estimativa fica:
⎡⎛ N n p ⎞ ⎤
2
σ = E ⎢⎜⎜ ∑∑ λi Z p ( xi ) − Z p0 ( x0 )⎟⎟ ⎥
2
E
p
⎢⎣⎝ p =1 i =1 ⎠ ⎥⎦
⎧− 1 se p = p 0
Introduzindo-se os pesos λ0p = −δ pp0 = ⎨ que estão incluídos nos
⎩ 0 se p ≠ p 0
somatórios, pode-se reduzir a expressão da variância de estimativa para:
⎡⎛ N n p ⎞ ⎤
2
σ = E ⎢⎜⎜ ∑∑ λi Z p ( xi )⎟⎟ ⎥
2
E
p
⎢⎣⎝ p =1 i =0 ⎠ ⎥⎦
Inserindo-se variáveis aleatórias fictícias Z p (0 ) arbitrariamente

posicionadas na origem, pode-se formar incrementos:
⎡⎛ ⎛ ⎞ ⎞ ⎤
2
⎢⎜ N ⎜ n p np ⎟⎟ ⎥
σ E2 = E ⎢⎜ ∑ ⎜ ∑ λip Z p ( xi ) − Z p (0)∑ λip ⎟ ⎟ ⎥
⎢⎜⎜ p =1 ⎜⎜ i =0 23 ⎟⎟ ⎟⎟ ⎥
i =1
1
⎢⎣⎝ ⎝ 0 ⎠ ⎠ ⎥⎦
⎡⎛ N n p ⎞ ⎤
2
= E ⎢⎜ ∑∑ λip (Z p ( xi ) − Z p (0))⎟ ⎥
⎢⎜ p =1 i =0 1442443 ⎟ ⎥
⎣⎢⎝ incrementos ⎠ ⎦⎥
P
Definido-se a covariância cruzada dos incrementos C pq (xi , x j ), que não é
invariante à translação, tem-se:
np nq
(x i , x j )
N N
σ E2 = ∑∑∑∑ λip λqj C pq
P
p =1 q =1 i = 0 j = 0
75
Para converter as covariâncias dos incrementos para variogramas, deve-se

assumir que as covariâncias cruzadas dos incrementos são simétricas. Com esta
hipótese obtém-se o valor da translação invariante, como:
np np nq
σ = 2∑∑ λ γ pp ( xi − x0 ) − γ p p ( x0 − x0 ) − ∑∑∑∑ λip λqj γ pq (xi − x j )

N N N
2 p
E i 0 0 0
p =1 i =1 p =1 q =1 i =1 j =1
Após a minimização, na qual as restrições dos pesos geraram N

multiplicadores de Lagrange µ p , ter-se-á o sistema de cokrigagem ordinária:
⎧ N nq q
⎪∑∑ λ j γ pq (xi − x j ) + µ p = γ pp0 ( xi − x 0 ) para p =1,L, N ; i = 1,L, n p
⎪ q =1 j =1
⎨ np
⎪ λp = δ
⎪⎩ ∑ j pp0 para p = 1,L, N
j =1
em termos matriciais será escrito, em sua forma reduzida e para uma variável
primária e uma secundária, como:
⎡ 1 0⎤ ⎡ λ11 ⎤ ⎡ ⎤
⎢ ⎥
⎢ C C12 1 0⎥ ⎢ λ12 ⎥ ⎢C 01 ⎥
⎢ 11 ⎥ ⎢ ⎥
⎢ 1 0⎥ ⎢ λ13 ⎥ ⎢ ⎥
⎢ 0 1⎥ ⎢ λ12 ⎥ ⎢ ⎥
⎢ ⎥ ⋅ ⎢ ⎥ = ⎢ ⎥ onde C pq é uma matriz covariância 3x3
⎢ C 21 C 22 0 1⎥ ⎢ λ22 ⎥ ⎢C 02 ⎥
⎢ 0 1⎥ ⎢⎢ λ32 ⎥⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢1 1 1 0 0 0 0 0 ⎥ ⎢ µ1 ⎥ ⎢ 1 ⎥
⎢⎣0 0 0 1 1 1 0 0⎥⎦ ⎢⎣ µ ⎥⎦ ⎢⎣ 0 ⎥⎦
2
e a variância de cokrigagem será:
N np
σ 2
CKO = ∑∑ λip γ pp0 ( xi − x0 ) + µ p0 − γ p0 p0 ( x0 − x0 )
p =1 i =1
Observa-se que o sistema de equações de cokrigagem pode ser escrito em

termos de variogramas e, para tal, deve-se apenas inverter o sinal dos
multiplicadores de Lagrange.
REFERÊNCIAS BIBLIOGRÁFICAS
Aitchison, J. & Brown, J. A. C. 1957. The lognormal distribution, with special

reference to its uses in economics. Apud Koch & Link (1971).
76
Armstrong, M., 1994, Is research in mining geostats as dead as a dodo ? in:

Dimitrakopoulos, R., ed., Geostatistics for the next century: Kluwer
Academic Publishers, Dordrecht, p. 303-312.
Australasian Institute of Mining and Metallurgy-AIMM. 1996. Australasian code for

reporting of identified mineral resources and ore reserves. The AusIMM
Bulletin (4):1-19.
Barnes, M.P. 1980. Computer assited mineral appraisal and feasibility. New York,
Soc. Min. Eng. 167p.
Blais, R. A. & Carlier, P. A. 1968. Applications of geostatistics in ore valuation.

apud Olea, R.A. 1975. Optimum mapping techniques using regionalized
variable theory. Kansas, Kansas Geol. Survey. 137p. (Series on Spatial
analysis, 2).
Bon, E. H. 1979. Exploration techniques employed in The Pulau Tujuh tin

discovery. Trans. Inst. Min. Metall., 88(A13-A22).
Brooker, P.I. 1979. Kriging. Eng. & Min. J., 180(9):148-153.
Bubeniceck, L. & Haas, A. 1969. Method of calculation of the iron ore reserves in
the Lorraine deposit. In: The decade of digital computing in the mineral
industry. The American Institute of Mining, Metallurgical and Petroleum
Engineers, Inc. New York. p.179-210.
Burguess, T. M. & Webster, R. 1980. Optimal interpolation and isarithmic mapping

of soil properties, I: the semivariogram and punctual kriging. J. Soil Sci.,
31:333-341.
Chilès, J-P & Delfiner, P. 1999, Geostatistics: Modeling Spatial Uncertainty: John
Wiley & Sons, Inc. New York, 1st. Ed., 695p.
Cochran, W.G. 1963. Técnicas de amostragem. Rio de Janeiro, Fundo de Cultura.

555p.
Converse, A.O. 1970. Otimização. Trad. de A. Rios Neto. São Paulo, EDART/
EDUSP. 262p.
Davis, J. C. 1986. Statistics and data analysis in geology. New York, John Wiley.
550p.
Departamento Nacional da Produção Mineral-DNPM, 1992. Bases técnicas de um

sistema de quantificação do patrimônio mineral brasileiro. Brasília, DNPM.
28p. (Relatório do Grupo de Trabalho, Portaria no 03 de 24/10/90, da
Secretaria Nacional de Minas e Metalurgia).
77
Diehl, P. & David, M. 1982. Classification of ore reserves/resources based on

geostatistical methods. CIM Bull., 75(838):127-136.
Exell, R.H.B. 1998. Practical mathematics, random variables. World Wide Web,
http://www.crosswinds.net/~exell//.
Fonseca, J. S. & Martins, G. A. 1982. Curso de estatística. São Paulo, Editora

Atlas. 286p.
Froidevaux, R. 1982. Geostatistics and ore reserve classification. CIM Bull.

75(843):77-83.
Goovaerts, P., 1997, Geostatistics for natural resources evaluation: Oxford

University Press, New York, 483p.
Gy, P. 1968. Theory and practice of sampling broken ores. Montreal, Can. Inst.
Min. Metall., Special Vol. 9, p.5-10.
Harbaugh, J.W.; Doveton, J.H.; Davis, J.C. 1977. Probability methods in oil
exploration. New York, John Wiley. 269p.
Huijbregts, C. J. 1975. Regionalized variables and quantitative analysis of spatial

data. In: Davis, J.C. & McCullagh, M.J. (ed) Display and anaysis of spatial
data. New York, John Wiley. p.38-53.
Instituto de Pesquisas Tecnológicas do Est. de São Paulo - IPT. 1989. Estudo e

implementação de novas técnicas e desenvolvimento de programas em
geoestatística: aplicações em geologia. São Paulo, IPT. 98p. (IPT Relatório
27.799).
Isaaks, E.H. & Srivastava, R.M. 1989. An introduction to applied geostatistics.

New York, Oxford University Press. 561p.
Journel, A.G. 1986. Geostatistics: models and tools for the Earth Sciences. Math.
Geol., 18(1):119-140.
Journel, A. G. 1989. Fundamentals of geostatistics in five lessons. Washington,

American Geophysical Union. 40p.
Journel, A. G. & Huijbregts, C.J. 1978. Mining geostatistics. London, Academic

Press. 600p.
Journel, A.G., and Rao, S.E., 1996, Deriving conditional distributions from ordinary
kriging: Stanford Center for Reservoir Forecasting, Stanford, 25p. (Report
#9)
Journel, A.G., and Rossi, M.E., 1989, When do we need a trend model in kriging
?: Math. Geology, v. 21, no. 7, p. 715-739.
78
Journel, A., Kyriakidis, P.C., and Mao, S., 2000, Correcting the smoothing effect of
estimators: a spectral postprocessor: Math. Geology, v. 32, no. 7, p. 787-813.
Kim, Y. C. 1990. Introductory geostatistics and mine planning. Tucson, The

University of Arizona. 139p.
Koch Jr., G.S. & Link, R.F. 1971. Statistical analysis of geological data. New York,
Dover Publishing. Vol. I. 375p.
Krige, D. G. 1978. Lognormal-De Wijsian geostatistics for ore evaluation.

Johannesburg, South Afr. Inst. Min. Metall. 50p.
Landim, P. M. B. - 1985. Introdução a Geoestatística. Laboratório de

Geomatemática. Publicação Didática n.º 3. Instituto de Geociências e
Ciências Exatas, Campus de Rio Claro. UNESP. 69p.
Lapin, L. L. 1982. Statistics for modern business decisions. Apud Davis, J. C.

(1986).
Matheron, G. 1965. Les variables régionalisées et leur estimation. Apud

Huijbregts, C.J. 1975. Regionalized variables and quantitative analysis of
spatial data.
Matheron, G. 1971. The theory of regionalized variables and its applications.

Fontainebleau, École Nationale Supérieux das Mines de Paris. 211p. (Les
Cahiers de Centre de Morphologie Mathématique de Fontainebleau, 5).
Miesch, A.T. 1967. Theory of errors in geochemical data. Washington, USGS.

(USGS Prof. Paper, 574-A). 17p.
Olea, R.A., 1991, Geostatistical glossary and multilingual dictionary: Oxford

University Press, New York, 175p.
Olea, R. 1994. Fundamentals of semivariograms estimation, modeling and usage.

In: Yarus, J.M. & Chambers, R.L. (eds) Stochastic modeling and geostatistics
– principles, methods and case studies. Tulsa, AAPG (AAPG Computer
Application in Geology no 3). P.27-36.
Olea, R., 1999, Geostatistics for engineers and earth scientists: Kluwer Academic
Publishers, Boston, 303p.
Pannatier, Y. - 1994. MS-WINDOWS Programs for Exploratory Variography and

Variogram Modeling in 2D. In “Statistics of Spatial Processes: Theory and
Applications. Bary. Italy.
Royle, A. G. 1979. Why geostatistics ? Eng. & Min. J., 180(5):92-101.
79
Spiegel, M. R. - 1967. Estatística. São Paulo, McGraw Hill. 580p.
Valente, J. 1980. Avaliação geoestatística com parametrização da jazida fosfática

de Anitápolis. In: CONGR. BRAS. GEOL., 31, Camboriú, 1980.
Anais...Camboriú, SBG, v.2, p.1243-1257.
Vallée, M. & Côte, D. 1992. The guide to the evaluation of gold deposits:
integrating deposit evaluation and reserve inventory practices. CIM Bull.,
85(957):50-61.
Wackernagel, H. 1998. Multivariate Geostatistics: Springer-Verlag, Berlin, 2nd.

Ed.,291p.
Waeny, J.C. de C. 1979. Recomendações para nomenclatura de confiabilidade

metrológica. São Paulo, IPT. (Publicação Interna, 2). 23p.
Wellmer, F.W. 1983. Classification of ore reserves by geoestatistical methods.

ERZMETALL, 36(7/8):315-321.
Wober, H.H., and Morgan, P.J., 1993, Classification of ore reserves based on
geostatistical and economic parameters. CIM Bulletin, v. 86, no. 966, p. 73-
76.
Yamamoto, J.K. 1997. Convex_Hull – A Pascal program for determining the

convex hull for planar sets. Computers & Geosciences, v. 23, no. 7, p. 725-
738.
Yamamoto, J.K., 2000, An alternative measure of the reliability of ordinary kriging

estimates: Math. Geology, v. 32, no. 4, p. 489-509.
Yamamoto, J.K. & Rocha, M.M. 1996. Revisão e recomendações para o cálculo e
classificação de reservas minerais. Rev. Bras. Geoc., 26(4):243-254.
Yamamoto, J.K. & Conde, R.P. 1999, Classificação de reservas minerais usando
a variância de interpolação: Rev. Bras. Geoc., 29(3):465-474.
80
ANEXO 1: DISTRIBUIÇÃO NORMAL PARA X ENTRE 0 E 3,49 E AS

INTEGRAIS Q(X) CORRESPONDENTES.
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 5000 4960 4920 4880 4840 4801 4761 4721 4681 4641
0.1 4602 4562 4522 4483 4443 4404 4364 4325 4286 4247
0.2 4207 4168 4129 4090 4052 4013 3974 3936 3897 3859
0.3 3821 3783 3745 3707 3669 3632 3594 3557 3520 3483
0.4 3446 3409 3372 3336 3300 3264 3228 3192 3156 3121
0.5 3085 3050 3015 2981 2946 2912 2877 2843 2810 2776
0.6 2743 2709 2676 2643 2611 2578 2546 2514 2483 2451
0.7 2420 2389 2358 2327 2296 2266 2236 2206 2177 2148
0.8 2119 2090 2061 2033 2005 1977 1949 1922 1894 1867
0.9 1841 1814 1788 1762 1736 1711 1685 1660 1635 1611
1.0 1587 1562 1539 1515 1492 1469 1446 1423 1401 1379
1.1 1357 1335 1314 1292 1271 1251 1230 1210 1190 1170
1.2 1151 1131 1112 1093 1075 1056 1038 1020 1003 0985
1.3 0968 0951 0934 0918 0901 0885 0869 0853 0838 0823
1.4 0808 0793 0778 0764 0749 0735 0721 0708 0694 0681
1.5 0668 0655 0643 0630 0618 0606 0594 0582 0571 0559
1.6 0548 0537 0526 0516 0505 0495 0485 0475 0465 0455
1.7 0446 0436 0427 0418 0409 0401 0392 0384 0375 0367
1.8 0359 0351 0344 0336 0329 0322 0314 0307 0301 0294
1.9 0287 0281 0274 0268 0262 0256 0250 0244 0239 0233
2.0 0228 0222 0217 0212 0207 0202 0197 0192 0188 0183
2.1 0179 0174 0170 0166 0162 0158 0154 0150 0146 0143
2.2 0139 0136 0132 0129 0125 0122 0119 0116 0113 0110
2.3 0107 0104 0102 0099 0096 0094 0091 0089 0087 0084
2.4 0082 0080 0078 0075 0073 0071 0069 0068 0066 0064
2.5 0062 0060 0059 0057 0055 0054 0052 0051 0049 0048
2.6 0047 0045 0044 0043 0041 0040 0039 0038 0037 0036
2.7 0035 0034 0033 0032 0031 0030 0029 0028 0027 0026
2.8 0026 0025 0024 0023 0023 0022 0021 0021 0020 0019
2.9 0019 0018 0018 0017 0016 0016 0015 0015 0014 0014
3.0 0013 0013 0013 0012 0012 0011 0011 0011 0010 0010
3.1 0010 0009 0009 0009 0008 0008 0008 0008 0007 0007
3.2 0007 0007 0006 0006 0006 0006 0006 0005 0005 0005
3.3 0005 0005 0005 0004 0004 0004 0004 0004 0004 0003
3.4 0003 0003 0003 0003 0003 0003 0003 0003 0003 0002
81
ANEXO 2: VALORES CRÍTICOS DE T PARA ALGUNS NÍVEIS DE

SIGNIFICÂNCIA ( IN KOCH & LINK, 1971 PÁG. 346)
Nível de significância
g.l. 10 5 2.5 1 0.5 0.1
1 3.078 6.314 12.706 31.821 63.657 318.310
2 1.886 2.920 4.303 6.965 9.925 22.327
3 1.638 2.353 3.182 4.541 5.841 10.215
4 1.533 2.132 2.776 3.747 4.604 7.173
5 1.476 2.015 2.571 3.365 4.032 5.893
6 1.440 1.943 2.447 3.143 3.707 5.208

7 1.415 1.895 2.365 2.998 3.499 4.785
8 1.397 1.860 2.306 2.896 3.355 4.501
9 1.383 1.833 2.262 2.821 3.250 4.297
10 1.372 1.812 2.228 2.764 3.169 4.144
11 1.363 1.796 2.201 2.718 3.106 4.025

12 1.356 1.782 2.179 2.681 3.055 3.930
13 1.350 1.771 2.160 2.650 3.012 3.852
14 1.345 1.761 2.145 2.624 2.977 3.787
15 1.341 1.753 2.131 2.602 2.947 3.733
16 1.337 1.746 2.120 2.583 2.921 3.686

17 1.333 1.740 2.110 2.567 2.898 3.646
18 1.330 1.734 2.101 2.552 2.878 3.610
19 1.328 1.729 2.093 2.539 2.861 3.579
20 1.325 1.725 2.086 2.528 2.845 3.552
21 1.323 1.721 2.080 2.518 2.831 3.527

22 1.321 1.717 2.074 2.508 2.819 3.505
23 1.319 1.714 2.069 2.500 2.807 3.485
24 1.318 1.711 2.064 2.492 2.797 3.467
25 1.316 1.708 2.060 2.485 2.787 3.450
26 1.315 1.706 2.056 2.479 2.779 3.435

27 1.314 1.703 2.052 2.473 2.771 3.421
28 1.313 1.701 2.048 2.467 2.763 3.408
29 1.311 1.699 2.045 2.462 2.756 3.396
30 1.310 1.697 2.042 2.457 2.750 3.385
40 1.303 1.684 2.021 2.423 2.704 3.307

60 1.296 1.671 2.000 2.390 2.660 3.232
120 1.289 1.658 1.980 2.358 2.617 3.160
inf 1.282 1.645 1.960 2.326 2.576 3.090
82

Yamamoto Geoestatistica Aplicada PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Yamamoto Geoestatistica Aplicada PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto

2 CONCEITOS BÁSICOS _________________________________________________ 1

4 ANÁLISE ESTATÍSTICA _______________________________________________ 9

5 ANÁLISE GEOESTATÍSTICA __________________________________________ 29

6 ESTIMATIVAS POR KRIGAGEM ORDINÁRIA ___________________________ 44

6.3 Definição da malha regular _________________________________________ 49

7 ESTIMATIVAS POR COKRIGAGEM ORDINÁRIA _________________________ 71

REFERÊNCIAS BIBLIOGRÁFICAS _______________________________________ 76

ANEXO 1: DISTRIBUIÇÃO NORMAL PARA X ENTRE 0 E 3,49 E AS INTEGRAIS

ANEXO 2: VALORES CRÍTICOS DE T PARA ALGUNS NÍVEIS DE

A seguir vamos definir alguns conceitos básicos, cujo entendimento será de

a) Qual é o teor médio de uma ocorrência mineral?

b) Qual é o grau de contaminação por mercúrio no solo?

c) Qual é a característica do solo para implantação de uma obra civil?

A resposta para qualquer uma dessas questões está baseada na

Amostragem é o ato ou seleção de amostras como representativas do todo que

informações, em face da impossibilidade de se registrarem integralmente as

A teoria da amostragem é construída em torno do conceito que, se um número

Existem basicamente três métodos de amostragem que poderiam ser

A amostragem sistemática, sempre que possível, é indicada para o cálculo de

Estimativas de volumes, massas e teores devem ser baseadas em observações

Os erros envolvidos na estimativa através da amostragem são devidos aos erros

“Qualquer amostragem - até mesmo a mais simples - comporta uma série de

afetar a precisão ou influenciar sua exatidão. O erro de amostragem representa a

a) erros de preparação: a preparação visa à redução do tamanho da

b) erros analíticos: são decorrentes da diferença entre o resultado da

c) erro total de amostragem: representa a soma dos erros decorrentes das

A variabilidade do fenômeno em estudo, que pode ser medida através do

Os resultados da amostragem podem ser representados através de medidas

Natureza dos dados

Quanto à natureza os dados obtidos da amostragem podem ser classificados em

As amostras podem ser coletadas de diversas formas (amostras de mão,

3.1 Composição de amostras de furos de sonda

Geralmente o intervalo de amostragem nos furos de sonda não

diamante, a produção da mina provavelmente não corresponderá às estimativas

onde: n é o número de trechos para compor o intervalo de trabalho; ti é o teor do

Entretanto, vamos considerar apenas a composição por bancadas que é o

3.1.1 Composição por bancadas

O procedimento da composição por bancadas, é indicado para se fazer a

Deve-se, em casos de furos inclinados, limitar a inclinação mínima que

Figura 1: Desenho esquemático mostrando o cálculo do comprimento composto

Tabela 1: Fator de multiplicação da altura da bancada para cálculo do

Inclinação do furo (o) fator de multiplicação

Figura 2: Desenho ilustrando o problema da inclinação mínima de furos de sonda

Um outro problema relacionado à composição de furos inclinados está no

onde: θ é inclinação do furo de sonda em relação à horizontal.

onde: X1 e Y1 são as coordenadas da posição da nova amostra; X0 e Y0 são as

Figura 3: Procedimento para cálculo das posições de amostras compostas para a

A Tabela 2 reproduz o log de um furo de sonda, com o qual pretende-se

Tabela 2: Log do furo CP-23.

Profundidade Descrição Fe (%)

A Figura 4 apresenta esquematicamente o cálculo dos teores compostos

Figura 4: Exemplo de composição de amostras por bancada para o furo CP-23

Com o objetivo de exemplificar o cálculo de teores compostos por bancada

Tabela 3: Log do furo CP-62.

Profundidade Descrição Fe (%)

Figura 5: Exemplo de composição de amostras por bancada para o furo CP-62

A análise estatística é uma etapa importante e deve preceder a análise

4.1 Conceitos de variáveis aleatórias e probabilidade

Vamos introduzir e rever alguns conceitos importantes sobre variáveis

Uma variável cujo valor é determinado pela realização de um experimento é

Variáveis aleatórias discretas

Uma variável aleatória discreta é aquela que tem um número contável de