Escolar Documentos
Profissional Documentos
Cultura Documentos
SUMÁRIO
1 INTRODUÇÃO ________________________________________________________ 1
3 PREPARAÇÃO DE DADOS______________________________________________ 4
3.1 Composição de amostras de furos de sonda _____________________________ 4
3.1.1 Composição por bancadas _________________________________________ 5
ii
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
Amostragem
1
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Base teórica
Métodos de amostragem
a) aleatória simples;
b) aleatória estratificada;
c) sistemática.
Condição necessária
Fontes de erros
Erros de amostragem
Variabilidade natural
Resultado
3
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
n
∑ ti ei
i =1
tc = n
(1)
∑ ei
i =1
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.
5
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
altura da bancada
CC =
sen θ
DH = CC cos(θ )
X 1 = X 0 + DH sen (φ )
Y1 = Y0 + DH cos(φ )
7
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
8
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
4 ANÁLISE ESTATÍSTICA
Variáveis aleatórias
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
fA
P ( A) =
n
10
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
e, similarmente:
fB
P (B ) =
n
Então:
1) 0 ≤ P( A) ≤ 1 e 0 ≤ P(B ) ≤ 1
2) P(S ) = 1
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
b
P(a ≤ x ≤ b ) = ∫ f ( x')dx'
a
x
P( x' ≤ x ) = F ( x ) = ∫ f ( x')dx'
−∞
11
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Histograma
25
%
20
15
10
0
0.5 1.0 1.5 2.0
Valores dos dados
Curva acumulativa
X
P( X ) = ∫ f ( x )dx
−∞
13
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
14
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Média
E [ X ] = ∑ x i p ( xi )
n
i =1
E [ X ] = X = ∑ xi
n 1 1 n
= ∑ xi
i =1 n n i =1
Propriedades da média
15
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
E [K ] = K
E [KX ] = K .E [X ]
E [X ± Y ] = E [ X ] ± E [Y ]
E [X ± K ] = E [X ] ± K
[
E X − X =0]
Mediana
Moda
16
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Var [X ] = ∑ ( xi − X ) 2 p ( xi )
n
i =1
Var [ X ] = S 2 = ∑ ( xi − X ) 2 ( )
n 1 1 n 2
= ∑ xi − X
i =1 n n i =1
[ ]
S 2 = E X 2 − E[X ]
2
Propriedades da variância
Var [K ] = 0
17
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Var [ X ± K ] = Var [X ]
Coeficiente de variação
S
CV =
X
Teorema de Chebyshev
18
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
K 1
≥ 1−
K2
2 0.75
3 0.89
4 0.94
Assimetria
n
CA=∑ ( xi − X ) 3 / S 3
i =1
Curtose
n
CC =∑ ( xi − X ) 4 / S 4
i =1
19
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
e −1 / 2[( x − µ ) / σ ]
1 2
f ( x )= (2)
σ 2π
20
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
21
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
e −1 / 2[(log x −α ) / β ]
1 2
f ( x )= (3)
xβ 2π
e −1 / 2[(log( x +C )−α ) / β ]
1 2
f ( x )=
( x + C ) β 2π
M 2 − p1 p 2
C=
p1+ p 2−2M
22
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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).
( X 1 + X 2 + ... + X n )
X =
n
[ ]
EX =
1
n
(E[X 1 ] + E[X 2 ]+ .... + E[X n ])
ou
23
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
[ ]
EX =
1
n
(n.µ ) = µ
[ ]
Var X = Var [( X 1 + X 2 + .... + X n ) / n ]
[ ]
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 ⎠
24
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
s s
X − t 5% < µ < X + t 5%
n n
Covariância
Cov( X , Y ) = E [ XY ] − E [X ]E [Y ]
Coeficiente de correlação
Cov( X , Y )
Corr ( X , Y ) = ,
Var ( X )Var (Y )
27
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Reta de regressão
( )
n 2
S = ∑ y i − y i∗ ,
i =1
n
S = ∑ ( y i − a − bxi )
2
i =1
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
n n
∑ y i − b ∑ xi
i =1 i =1
a=
n
Cov( X , Y )
b=
Var [ X ]
28
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
5 ANÁLISE GEOESTATÍSTICA
Série A: 1 7 3 6 2 9 4 8 5
Série B: 1 3 5 7 9 8 6 4 2
[
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
[
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.
30
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
32
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Localização
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
Anisotropias
5.3 O variograma
{
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
.∑ [Z ( x + h) − Z ( x)]
1 n
γ (h ) = 2
2n i =1
d i = xi − yi cos 45 o
d i2 =
1
(xi − yi )2
2
1 n 2
γ xy = .∑ d i ,
n i =1
34
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
ou
1 n 1 1 n
γ xy = .∑ ( xi − yi ) = .∑ (xi − yi )
2 2
n i =1 2 2n i =1
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)
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 )
γ (h ) =
1
2
{[ ] [ ]}
E Z 2 ( x + h ) − 2 E [Z ( x + h ).Z ( x )] + E Z 2 ( x ) (5)
35
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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)
[ ] [
E Z 2 (x ) = E Z 2 (x + h ) ] (7)
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)
36
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Amplitude
37
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Patamar
Efeito pepita
Variância espacial
É dada pela diferença entre a variância a priori e o efeito pepita (Figura 17);
Zona de influência
5.6 Anisotropias
38
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Num depósito eólico a permeabilidade deve ter uma amplitude maior na direção
do vento em relação à amplitude na direção perpendicular.
Parabólico
Linear
Efeito pepita
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).
41
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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).
42
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
43
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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).
45
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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).
Quadrante
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
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).
47
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Quadrante sólido
Figura 28: Seleção de uma amostra de furo de sonda mais próxima por setor
(octante tridimensional), em relação ao centro do bloco.
48
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
100
80
60
40
20
0
0 20 40 60 80 100
50
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Equações de krigagem
n
Z ∗ (x o ) = ∑ λ i .Z(x i ) (9)
i=1
[
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
∑λ
i=1
i =1 (10)
{
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)
⎧⎡ ⎫
{ } ⎤
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 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
52
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
- minimizar a função:
- 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 ⎠
= −2C(x o − x i ) + 2∑ λ j C(x i − x j ) − 2µ = 0
dL
para i=1,n
dλ i j
dL
= ∑λj −1= 0
dµ j
53
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
⎡ 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 ⎥⎦
⎧∑ λ j γ (x i − x j ) + µ = γ (x o − x i ) para i = 1, n
⎪ j
⎨ (13)
⎪∑ λ j = 1
⎩ j
⎡ 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
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
∑ λ C(x
j
j i − x j ) − µ = C(x o − x i ) para i=1,n
54
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
∑ ∑ 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
σ KO
2
= C(0 ) − ∑ λ i C(x o − x i ) + µ (14)
i
σ KO
2
= ∑ λ i γ (x o − x i ) + µ (15)
i
Variância de interpolação
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
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.
λ i+ c
τi =
∑ (λ j + c )
n
j =1
56
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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:
α
F(x o , z α ) = ∑λ i ,
i =1
Tipos de krigagem
- krigagem pontual;
- krigagem de bloco.
Krigagem pontual
57
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
4
3
Figura 32: Configuração dos pontos de amostragem (+) para krigagem pontual na
localização do ponto marcado com círculo.
⎡ h ⎛h⎞ ⎤
3
γ (h ) = 5 + 15⎢1.5 − 0.5⎜ ⎟ ⎥ para h < 800
⎣⎢ a ⎝ a ⎠ ⎦⎥
γ (h ) = 20 para h ≥ 800
⎡ ⎛ 201.56 ⎞
3⎤
γ ( x1 − x2 ) = 5 + 15⎢1.5
201.56
− 0.5⎜ ⎟ ⎥ = 10.55 ;
⎢⎣ 800 ⎝ 800 ⎠ ⎥⎦
Krigagem de bloco
dimensão do número de
domínio pontos
1 10
2 6x6
3 4x4x4
4
3
60
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
1 1
A B
2 2
4 4
3 3
1 1
C D
2 2
4 4
3 3
⎡ 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 ⎠ ⎥⎦
62
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
A B
64
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
15
VALIDAÇÃO CRUZADA
Número de dados = 224
Coeficiente de correlação = 0.725
Correlação rankeada = 0.698
10
0
0 5 10 15
VALOR REAL
Efeito de suavização
{
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
{
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
{
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
A) B)
15 25
%
%
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
67
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
σE
ERRO = t gl ,ns
Z ∗ (xo )
1 IC (%)
NC σ E .t gl ,ns
ERRO = 2 ∗ = ∗ 100(%) (17)
Z (xo ) Z ( xo ). n
68
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
σ E .t gl ,ns
ERRO = 100(%) (18)
Z ∗ (xo ). nsb
70
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
(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
γ ij (h ) =
1
2
[
E {[Z i ( x + h ) − Z i ( x )]* Z j ( x + h ) − Z j ( x ) } ]
71
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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:
γ ij (h ) = C ij (0) −
1
2
[ ] [ ]
C ij (h ) + C ij (− h ) + C ij (h ) − C ij (− h )
1
2
γ ii (h )γ jj (h ) ≥ γ ij (h )
2
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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 ) .
n n
C (h ) = ∑ Bk Ck (h ) ou Γ(h ) = ∑ Bk γ k (h )
1 1
⎡ ⎛ 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.
N np
Z *p0 ( x 0 ) = ∑∑ λip Z p ( xi )
p =1 i =1
⎧1 se p = p0
np
∑λ
i =1
p
i = δ pp0 = ⎨
⎩0 se p ≠ p 0
74
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
⎡ 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
⎡⎛ 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 ⎠ ⎥⎦
⎡⎛ ⎛ ⎞ ⎞ ⎤
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
np np nq
⎧ 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
N np
σ 2
CKO = ∑∑ λip γ pp0 ( xi − x0 ) + µ p0 − γ p0 p0 ( x0 − x0 )
p =1 i =1
REFERÊNCIAS BIBLIOGRÁFICAS
76
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Barnes, M.P. 1980. Computer assited mineral appraisal and feasibility. New York,
Soc. Min. Eng. 167p.
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.
Chilès, J-P & Delfiner, P. 1999, Geostatistics: Modeling Spatial Uncertainty: John
Wiley & Sons, Inc. New York, 1st. Ed., 695p.
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.
77
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
Exell, R.H.B. 1998. Practical mathematics, random variables. World Wide Web,
http://www.crosswinds.net/~exell//.
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.
Journel, A.G. 1986. Geostatistics: models and tools for the Earth Sciences. Math.
Geol., 18(1):119-140.
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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.
Koch Jr., G.S. & Link, R.F. 1971. Statistical analysis of geological data. New York,
Dover Publishing. Vol. I. 375p.
Olea, R., 1999, Geostatistics for engineers and earth scientists: Kluwer Academic
Publishers, Boston, 303p.
79
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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.
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. & 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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
Curso de Geoestatística Aplicada Jorge Kazuo Yamamoto
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
82