Avaliação - Geoestatística Multivariada (2015)

2015
Universidade Federal do Rio

Grande do Sul
Relatório de geoestatística multivariada –
Revisão e exercícios
Documento de avaliação para a conclusão da disciplina - Geoestatística
Multivarida MMD00158 - ministrada no departamento de engenharia de minas da
universidade federal do Rio Grande do Sul.
David Alvarenga Drumond

-----------------------------------
8/16/2015
2
Sumário
1. INTRODUÇÃO ................................................................................................................. 8
2. USO EXAUSTIVO DA INFORMAÇÃO SECUNDÁRIA .......................................................... 13

2.1 Krigagem simples com médias locais .........................................................................................................13
2.2 Krigagem com tendência externa ..............................................................................................................15
3. COKRIGAGEM ............................................................................................................... 17
3.1 Modelos de covariância direto e cruzados.................................................................................................21
3.2 Vantagem teórica do modelo de cokrigagem ............................................................................................24
3.3 Influência dos dados secundários .............................................................................................................25
3.4 Condições tradicionais e não tradicionais da cokrigagem .........................................................................26
3.5 Modelo intrínseco de corregionalização ....................................................................................................27
4. COKRIGAGEM COLOCADA ............................................................................................. 29
5. MODELOS DE MARKOV................................................................................................. 31
6. KRIGAGEM DOS RESÍDUOS ........................................................................................... 33
7. ANÁLISE DOS COMPONENTES PRINCIPAIS ..................................................................... 35

7.1 Máxima autocorrelação de fatores ............................................................................................................38
8. EXERCÍCIOS................................................................................................................... 40
8.1 Exercício 1 – Krigagem simples com médias locais ....................................................................................40
8.2 Exercício 2 – Cokrigagem ordinária estandarizada ....................................................................................53
8.3 Exercício 3 – Cokrigagem ordinária utilizando os modelos de Markov MM1 E MM2 ...............................67
8.4 Exercício 4 – Utilização de MAF para krigagem de valores independentes ...............................................79
9. CONCLUSÃO ............................................................................................................... 112

BIBLIOGRAFIA ............................................................................................................................................................................................. 113
3
ÍNDICE DE FIGURAS, TABELAS E EQUAÇÕES
FIGURA 1 - OBJETIVOS PRINCIPAIS DA GEOESTATÍSTICA ......................................................................................................... 8

FIGURA 2 - LANÇAMENTO DA BOLA DE CANHÃO ........................................................................................................................... 9
FIGURA 3 - INFLUÊNCIA DA PROBABILIDADE CONDICIONAL NA ESTIPULAÇÃO DO MODELO ............................. 10
FIGURA 4 - OBJETIVOS DA GEOESTATÍSTICA MULTIVARIADA .............................................................................................. 11
FIGURA 5 - PADRÕES DE DISPOSIÇÃO ESPACIAL DA INFORMAÇÃO ................................................................................... 11
FIGURA 6 - METODOLOGIAS DE ANÁLISE GEOESTATÍSTICA MULTIVARIADA ............................................................... 12
EQUAÇÃO 1: KRIGAGEM SIMPLES ........................................................................................................................................................ 13
EQUAÇÃO 2: KRIGAGEM SIMPLES COM MÉDIAS LOCAIS .......................................................................................................... 13
EQUAÇÃO 3: INCORPORAÇÃO DA INFORMAÇÃO SECUNDÁRIA POR VARIÁVEL CATEGÓRICA .............................. 14
EQUAÇÃO 4: MÉDIA LOCAL COMO UMA FUNÇÃO DA VARIÁVEL SECUNDÁRIA............................................................. 14
FIGURA 7- MODELO DO VALOR MÉDIO DA VARIÁVEL PRIMÁRIA PELA UTILIZAÇÃO DA VARIÁVEL
SECUNDÁRIA ...................................................................................................................................................................................................15
EQUAÇÃO 5: VALORES DA MÉDIA DA VARIÁVEL PRIMÁRIA COMO UMA FUNÇÃO DA SECUNDÁRIA ................. 15
EQUAÇÃO 6: DEMONSTRAÇÃO DA CONDIÇÃO DE CONTORNO DOS PONDERADORES............................................... 16
EQUAÇÃO 7: DEMONSTRAÇÃO DA CONDIÇÃO DE ESTACIONARIDADE ............................................................................. 16
EQUAÇÃO 8: VALOR ESTIMADO DA VARIÁVEL I0 NA COKRIGAGEM .................................................................................. 18
EQUAÇÃO 9: SOMA DOS PONDERADORES NA COKRIGAGEM .................................................................................................. 18
EQUAÇÃO 10: ERRO DE ESTIMATIVA DA COKRIGAGEM ........................................................................................................... 18
EQUAÇÃO 11: VARIÂNCIA DO ERRO DE ESTIMATIVA DA COKRIGAGEM .......................................................................... 19
EQUAÇÃO 12: RESTRIÇÕES ADICIONADAS NA VARIÂNCIA DE EXTENSÃO PELO USO DO LAGRANGIANO ...... 19
EQUAÇÃO 13: VARIÂNCIA DE COKRIGAGEM ................................................................................................................................... 20
EQUAÇÃO 14: CRESCIMENTO DO SISTEMA DE KRIGAGEM PELO AUMENTO DO NÚMERO DE VARIÁVEIS ...... 20
FIGURA 8 - MATRIZ DE COKRIGAGEM PARA DUAS VARIÁVEIS ............................................................................................. 21
EQUAÇÃO 15: FUNÇÃO COVARIOGRAMA DIRETO ........................................................................................................................ 21
EQUAÇÃO 16: FUNÇÃO COVARIOGRAMA CRUZADO.................................................................................................................... 22
FIGURA 9 - FUNÇÃO DE COVARIOGRAMA DIRETO E CRUZADO ............................................................................................. 23
EQUAÇÃO 17: DECOMPOSIÇÃO DA FUNÇÃO COVARIOGRAMA .............................................................................................. 23
EQUAÇÃO 18: RELAÇÃO ENTRE O VARIOGRAMA CRUZADO E O COVARIOGRAMA CRUZADO ............................... 23
EQUAÇÃO 19: DEFINIÇÃO DO VARIOGRAMA CRUZADO ............................................................................................................ 24
EQUAÇÃO 20: PSEUDO-VARIOGRAMA CRUZADO.......................................................................................................................... 24
EQUAÇÃO 21: INFLUÊNCIA DA INFORMAÇÃO SECUNDÁRIA .................................................................................................. 25
FIGURE 10 - INFLUÊNCIA DA VARIÁVEL SECUNDÁRIA COM O COEFICIENTE DE CORRELAÇÃO E EFEITO
PEPITA RELATIVO (GOOVAERTS, 1995)............................................................................................................................................ 26
FIGURA 11 –NORMALIZAÇÃO DA INFORMAÇÃO ........................................................................................................................... 27
EQUAÇÃO 22: CONDIÇÃO NÃO TRADICIONAL DA COKRIGAGEM .......................................................................................... 27
EQUAÇÃO 23: MODELO INTRÍNSECO DE CORREGIONALIZAÇÃO.......................................................................................... 28
EQUAÇÃO 24: COEFICIENTE DE CODISPERSÃO ............................................................................................................................. 28
FIGURA 12 - DETERMINANTE POSITIVO DO MODELO DE CORREGIONALIZAÇÃO ....................................................... 29
FIGURA 13 - INFLUÊNCIA DA INFORMAÇÃO SECUNDÁRIA COMO UMA FUNÇÃO DO VETOR DE DISTÂNCIA . 30
EQUAÇÃO 25: SISTEMA DE COKRIGAGEM COLOCADA ............................................................................................................... 30
EQUAÇÃO 26: PROPRIEDADE DE PERDA DE MEMÓRIA NOS MODELOS MARKOVIANOS APLICADO À
VARIÁVEL ESPACIAL ................................................................................................................................................................................... 31
EQUAÇÃO 27: MODELO DE CORRELOGRAMA CRUZADO NAS CADEIAS DE MARKOV (MM1).................................. 32
4
EQUAÇÃO 30 : DECOMPOSIÇÃO DA VARIÁVEL ALEATÓRIA POR UM VALOR MÉDIO E RESIDUAL. ...................... 33
EQUAÇÃO 31: ORTOGONALIDADE ENTRE AS MEDIDAS DE TREND E RESÍDUO ........................................................... 33
EQUAÇÃO 32: CONDIÇÃO DE NÃO VIÉS DA KRIGAGEM DE RESÍDUOS ............................................................................... 34
EQUAÇÃO 33: VALOR DA MÉDIA DA VARIÁVEL PRIMÁRIA COMO VALOR DE REGRESSÃO DA SECUNDÁRIA
NA KRIGAGEM DE RESÍDUOS .................................................................................................................................................................. 34
EQUAÇÃO 34: DEFINIÇÃO DA MATRIZ DE COVARIÂNCIAS DOS DADOS ............................................................................ 35
EQUAÇÃO 35: DEFINIÇÃO DA MATRIZ DE VARIÂNCIAS DOS FATORES ............................................................................. 35
EQUAÇÃO 36: TRANSFORMAÇÃO LINEAR DOS DADOS EM FATORES ................................................................................ 36
EQUAÇÃO 37: AUTOVALORES E AUTOVETORES DA MATRIZ DE COVARIÂNCIAS ....................................................... 36
EQUAÇÃO 38: FUNÇÃO DE MINIMIZAÇÃO DA VARIÂNCIA DOS FATORES ........................................................................ 37
EQUAÇÃO 39: COMPATIBILIDADE DAS VARIAÇÕES ENTRE AS VARIÁVEIS E SUA TRANSFORMAÇÃO LINEAR
EM AUTOVETORES E AUTOVALORES ................................................................................................................................................. 37
EQUAÇÃO 40: PROPORÇÃO DA ASSIMILAÇÃO DA VARIÂNCIA PELO FATOR .................................................................. 38
EQUAÇÃO 41: RELAÇÃO ENTRE AS MATRIZES DE DISPERSÃO E COVARIÂNCIA DESLOCADAS ........................... 38
EQUAÇÃO 42: COMBINAÇÃO LINEAR DAS COVARIÂNCIAS DESLOCADAS DOS DADOS ............................................ 38
EQUAÇÃO 43: CORRELAÇÃO DOS DADOS OBTIDA PELA COVARIÂNCIA DOS MESMOS ............................................ 39
EQUAÇÃO 44: COEFICIENTE DE RAYLEIGHT .................................................................................................................................. 39
TABELA 1 - ESTATÍSTICA DESCRITIVA DAS AMOSTRAS PRIMÁRIAS ................................................................................. 40
FIGURA 14 - MAPA DE LOCALIZAÇÃO DAS AMOSTRAS PRIMÁRIAS .................................................................................... 42
FIGURA 15- HISTOGRAMA DA VARIÁVEL PRIMÁRIA .................................................................................................................. 43
FIGURA 16 - MÉDIAS DECLUSTERIZADAS POR CÉLULAS MÓVEIS ....................................................................................... 43
TABELA 2- VALORES DE ESTATÍSTICAS DECLUSTERIZADAS ................................................................................................. 44
FIGURA 17 - HISTOGRAMA DECLUSTERIZADO DOS DADOS .................................................................................................... 44
FIGURA 18 - REGRESSÃO LINEAR ENTRE A VARIÁVEL PRIMÁRIA E SECUNDÁRIA ..................................................... 44
TABELA 3 - ESTATÍSTICAS DO TREND E DO RESÍDUO ............................................................................................................... 45
TABELA 4- VALORES OUTLIERS RETIRADOS DO PROBLEMA................................................................................................. 45
FIGURA 19 - MODELO DE REGRESSÃO APÓS RETIRADA DE OUTLIERS ............................................................................. 45
TABELA 5 - ESTATÍSTICAS DO TREND E DO RESÍDUO DA VARIÁVEL PRIMÁRIA APÓS RETIRADA DE
OUTLIERS ......................................................................................................................................................................................................... 46
EQUAÇÃO 45: MODELO DE REGRESSÃO LINEAR ENTRE AS VARIÁVEIS ........................................................................... 46
FIGURA 20- MAPA DE CLASSES DA VARIÁVEL SECUNDÁRIA.................................................................................................. 47
FIGURA 21 - MAPA DOS VALORES RESIDUAIS DA VARIÁVEL PRIMÁRIA .......................................................................... 48
FIGURA 22 - HISTOGRAMA DOS RESÍDUOS DA VARIÁVEL PRIMÁRIA ................................................................................ 49
FIGURA 23 - VARIOGRAMA DOS RESÍDUOS ..................................................................................................................................... 49
EQUAÇÃO 46: VARIOGRAMA DOS RESÍDUOS .................................................................................................................................. 49
TABELA 6 - VALORES UTILIZADOS NA ESTRATÉGIA DE BUSCA DA KRIGAGEM DOS RESÍDUOS ........................... 50
FIGURA 24 - MAPA DOS VALORES KRIGADOS DO RESÍDUO .................................................................................................... 50
FIGURA 25 – VALORES DA VARIÂNCIA DE KRIGAGEM DOS DADOS .................................................................................... 51
FIGURA 26 - KRIGAGEM SIMPLES COM MÉDIAS LOCAIS ........................................................................................................... 51
FIGURA 27- HISTOGRAMA DOS VALORES KRIGADOS ................................................................................................................. 52
TABELA 7 - ANÁLISE DE DERIVA GLOBAL DA KRIGAGEM........................................................................................................ 52
FIGURA 28 - MAPA DE LOCALIZAÇÃO DAS VARIÁVEIS PRIMÁRIAS..................................................................................... 53
FIGURA 29 - MAPA DE LOCALIZAÇÃO DAS VARIÁVEIS SECUNDÁRIAS .............................................................................. 53
FIGURA 30- ESTATÍSTICAS DA VARIÁVEL PRIMÁRIA ................................................................................................................. 54
FIGURA 31- ESTATÍSTICAS DAS VARIÁVEIS SECUNDÁRIAS .................................................................................................... 54
FIGURA 32 - ESTATÍSTICA BIVARIADA DAS INFORMAÇÕES SECUNDÁRIAS ................................................................... 55
FIGURA 33 - ESTATÍSTICA BIVARIADA DA VARIÁVEL PRIMÁRIA E DA INFORMAÇÃO COM VIÉS DE +25%.... 55
FIGURA 34 - ESTATÍSTICA BIVARIADA DA VARIÁVEL PRIMÁRIA E DA INFORMAÇÃO COM VIÉS DE -25% ..... 55
5
TABELA 8 – COEFICIENTES DE CORRELAÇÃO ENTRE AS VARIÁVEIS PRIMÁRIA E SECUNDÁRIAS ..................... 56
TABELA 9 - VARIÂNCIA À PRIORI DOS DADOS ............................................................................................................................... 56
TABELA 10 - MODELO DE CORREGIONALIZAÇÃO DAS VARIÁVEIS PRIMÁRIA E SECUNDÁRIAS........................... 56
FIGURA 35 - VARIOGRAMA PRIMÁRIA ............................................................................................................................................... 57
FIGURA 36 - VARIOGRAMA SECUNDÁRIA VIÉS +25% ................................................................................................................ 58
FIGURA 37 - VARIOGRAMA SECUNDÁRIA COM VIÉS -25% ...................................................................................................... 58
FIGURA 38 - VARIOGRAMA CRUZADO +20 -25 ............................................................................................................................... 59
FIGURA 39 - VARIOGRAMA CRUZADO 20 +25 ................................................................................................................................ 59
FIGURA 40 - VARIOGRAMA CRUZADO +25 -25 ............................................................................................................................... 60
FIGURA 41- HISTOGRAMA DAS VARIÁVEIS PADRONIZADAS.................................................................................................. 61
TABELA 11 - PARÂMETROS UTILIZADOS PARA A COKRIGAGEM DOS DADOS DE INFORMAÇÃO SECUNDÁRIA
COM VIÉS +25% ............................................................................................................................................................................................. 61
FIGURA 42 –MAPA DA COKRIGAGEM UTILIZANDO OS DADOS DE VIÉS +25% ............................................................... 62
FIGURA 43 - HISTOGRAMA DA COKRIGAGEM UTILIZANDO OS DADOS DE VIÉS +25%.............................................. 63
EQUAÇÃO 47: RETROTRANSFORMAÇÃO DOS DADOS DA VARIÁVEL PRIMÁRIA .......................................................... 63
FIGURA 44 - COMPARAÇÃO ENTRE A COKRIGAGEM COM VIÉS +25% E OS DADOS INICIAIS ................................. 63
TABELA 12 - PARÂMETROS UTILIZADOS PARA A COKRIGAGEM DOS DADOS DE INFORMAÇÃO SECUNDÁRIA
COM VIÉS -25% .............................................................................................................................................................................................. 64
FIGURA 45 - MAPA DA COKRIGAGEM UTILIZANDO OS DADOS DE VIÉS -25% ............................................................... 65
FIGURA 46 - HISTOGRAMA DA COKRIGAGEM UTILIZANDO OS DADOS DE VIÉS -25% ............................................... 66
FIGURA 47 - COMPARAÇÃO ENTRE A COKRIGAGEM COM VIÉS -25% E OS DADOS INICIAIS .................................. 66
FIGURA 48 - MAPA DE LOCALIZAÇÃO DA VARIÁVEL URÂNIO (PPM) ................................................................................. 67
FIGURA 49 - REDUÇÃO DA MÉDIA PELO TAMANHO DE CÉLULAS NA DECLUSTERIZAÇÃO ..................................... 68
FIGURA 50 - HISTOGRAMA DECLUSTERIZADO DO URÂNIO .................................................................................................... 68
FIGURA 51 - MAPA DE LOCALIZAÇÃO DA VARIÁVEL VANÁDIO............................................................................................. 69
FIGURA 52 - ESTATÍSTICAS DA VARIÁVEL VANÁDIO ................................................................................................................. 69
FIGURA 53 - CORRELAÇÃO ENTRE A VARIÁVEL PRIMÁRIA E SECUNDÁRIA ................................................................... 70
TABELA 12- PARÂMETROS UTILIZADOS PARA O VARIOGRAMA EXPERIMENTAL DO URÂNIO ............................ 70
FIGURA 54- VARIOGRAMA DA VARIÁVEL PRIMÁRIA URÂNIO ............................................................................................... 71
EQUAÇÃO 48: VARIOGRAMA MODELADO DA VARIÁVEL URÂNIO ....................................................................................... 71
FIGURA 55 - PARÂMETROS UTILIZADOS PARA A COKRIGAGEM COM MODELO DE MARKOV 1 ............................ 72
FIGURA 56- COKRIGAGEM UTILIZANDO MODELO DE MARKOV 1 ........................................................................................ 73
FIGURA 57 - ESTATÍSTICAS DA VARIÁVEL COKRIGADA PELO MODELO DE MARKOV................................................ 74
TABELA 13 - DIFERENÇAS DA ESTATÍSTICAS DECLUSTERIZADAS E DA COKRIGAGEM POR MODELO DE
MARKOV 1 ........................................................................................................................................................................................................ 74
FIGURA 15 - HISTOGRAMA DOS RESÍDUOS DA VARIÁVEL PRIMÁRIA ................................................................................ 75
FIGURA 59 - VARIOGRAMA DOS RESÍDUOS DA VARIÁVEL PRIMÁRIA .............................................................................. 75
EQUAÇÃO 44: VARIOGRAMA OMNIDIRECIONAL DO RESÍDUO DA VARIÁVEL PRIMÁRIA ......................................... 75
FIGURE 60 - VARIOGRAMAS DAS VARIÁVEIS SECUNDÁRIAS .................................................................................................. 76
EQUAÇÃO 45: VARIOGRAMA DA VARIÁVEL SECUNDÁRIA ....................................................................................................... 76
EQUAÇÃO 46: COMBINAÇÃO LINEAR PARA DETERMINAÇÃO DO VARIOGRAMA CRUZADO ................................... 76
TABELA 14 - VARIOGRAMA CRUZADO ............................................................................................................................................... 76
FIGURA 61 - INPUT DE DADOS MODELO MARKOVIANO 2........................................................................................................ 77
FIGURE 62 – RESULTADO COKRIGAGEM MM2 ............................................................................................................................... 78
FIGURA 63 - MAPA DE LOCALIZAÇÃO DAS VARIÁVEL CD........................................................................................................ 80
FIGURE 64 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL CO .......................................................................................................... 81
FIGURA 65 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL CR .......................................................................................................... 82
FIGURA 66 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL CU .......................................................................................................... 83
6
FIGURA 67 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL LAND USE .......................................................................................... 84
FIGURA 68 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL NI ........................................................................................................... 85
FIGURA 69 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL PB .......................................................................................................... 86
FIGURA 70 – MAPA DA LOCALIZAÇÃO DA VARIÁVEL AMOSTRA ROCK ............................................................................. 87
FIGURA 71 – MAPA DE LOCALIZAÇÃO DA VARIÁVEL ZN .......................................................................................................... 88
TABELA 15- CORRELAÇÕES ENTRE AS VARIÁVEIS DO PROBLEMA .................................................................................... 89
FIGURA 72-VARIGORAMA CRUZADO MAF1-MAF2 ....................................................................................................................... 90
FIGURA 73 - VARIOGRAMA CRUZADO MAF1-MAF6..................................................................................................................... 90
FIGURA 74- VAIROGRAMA CRUZADO MAF2-MAF3 ...................................................................................................................... 91
FIGURA 75-VARIOGRAMA CRUZADO MAF7-MAF9 ....................................................................................................................... 91
TABELA 16 – PARÂMETROS UTILIZADOS PARA O CÁLCULO DO VARIOGRAMA EXPERIMENTAL ........................ 92
TABELA 17 - PARÂMETROS DO MODELO DE VARIOGRAMA DAS VARIÁVEIS MAF ...................................................... 92
FIGURA 76 - VARIOGRAMA MAF1 ......................................................................................................................................................... 93
FIGURA 77- VARIOGRAMA MAF2 .......................................................................................................................................................... 93
FIGURA 78- VAROGRAMA MAF3............................................................................................................................................................ 94
FIGURA 83 - VARIOGRAMA MAF8 ......................................................................................................................................................... 96
TABELA 18- GRID REALIZADO PARA AS KRIGAGENS DOS FATORES .................................................................................. 97
TABELA 19 -ESTRATÉGIA DE KRIGAGEM UTILIZADA ................................................................................................................ 97
FIGURA 85 – MAF 1 – INVERSA – VARIÁVEL CD ............................................................................................................................ 98
FIGURA 86 - MAF 2 -INVERSA - VARIÁVEL CO ............................................................................................................................... 99
FIGURA 87 - MAF 3- INVERSA - VARIÁVEL CR ............................................................................................................................. 100
FIGURA 88- MAF 4 - INVERSA- VARIÁVEL CU ............................................................................................................................. 101
FIGURA 89 MAF 5 - INVERSA - VARIÁVEL LANDUSE ............................................................................................................... 102
FIGURA 90- MAF 6 - INVERSA - VARIÁVEL NI ............................................................................................................................. 103
FIGURA 91 - MAF 7 - INVERSA – VARIÁVEL PB ........................................................................................................................... 104
FIGURA 92 - MAF 8 - INVERSA - VARIÁVEL ROCK ..................................................................................................................... 105
FIGURA 93 - MAF 9 -INVERSA - VARIÁVEL ZN ............................................................................................................................. 106
FIGURA 94- TAMANHO DE CÉLULA ESCOLHIDO PARA A DECLUSTERIZAÇÃO............................................................ 107
FIGURA 95- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL CD)........................................................................ 107
FIGURA 96- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL CO) ........................................................................ 108
FIGURA 97- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL CR) ........................................................................ 108
FIGURA 98 -COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL CU) ........................................................................ 108
FIGURA 99 - COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL LANDUSE) ........................................................ 109
FIGURA 100- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL NI) ...................................................................... 109
FIGURA 101- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL PB) ..................................................................... 109
FIGURA 102- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL ROCK) ............................................................... 110
FIGURA 103- COMPARAÇÃO MAF E DECLUSTERIZAÇÃO (VARIÁVEL ZN) ..................................................................... 110
TABELA 20- DIFERENÇAS ENTRE AS ESTATÍSTICAS DAS VARIÁVEIS DECLUSTERIZADAS E DA KRIGAGEM
MAF .................................................................................................................................................................................................................. 110
7
1. INTRODUÇÃO
A geoestatística é a disciplina que cria modelos matemáticos sobre fenômenos

georeferenciados. Segundo (Hans, 1995), a geoestatística possui alguns objetivos principais que podem
ser traduzidos pela Figura 1:
Descrição dos Interpretação Estimativa

dados •Interpretação das •Determinar com
•Demonstração relações entre as melhor garantia
espacial das variáveis variáveis nos modelo, possível valores que
de interesse em tal como suas são desconhecidos
mapas ou correlações, entre pontos de
visualizações gráficas motivação segundo referência
como característica do gênese e controle amostrados.
fenômeno geológico.
Figura 1 - Objetivos principais da geoestatística
A geoestatística multivariada, tal como a geoestatística convencional, tem os mesmos objetivos

principais, mas que, no entanto, se caracterizam pela utilização de múltiplas entradas do modelo. A
descrição, interpretação e estimativa são realizadas de forma muito mais complexa e interdependente.
Como todo modelo, naturalmente ela não envolverá toda a gama possível de variações e
situações encontradas, pois é de fato uma simplificação da realidade. Ao adotarmos a geoestatística
convencional, colocamos sob julgamento uma variável objetivo independente de qualquer outro fator,
que caracterizará por todo o processo de decisão. A krigagem ordinária, por exemplo, tem como
variável independente as amostras situadas em cada local, e como resposta o valor médio desta variável
em um ponto considerado. Mas nada indica que esta variável dependente é apenas condicionada a uma
única variável. Tomemos como exemplo um problema físico, demonstrado na Figura 2, em que o
objetivo é determinar o ponto de parada de uma bola de canhão. Se desconsiderarmos o efeito da
resistência do ar, a posição da bola será apenas dependente da velocidade inicial. O modelo inicial é
mais simples, mas não garantirá boa precisão, mas se incorporarmos uma variável correlata tal como a
resistência do ar, o modelo se tornará mais fiel e semelhante com a realidade. De fato nunca haverá
modelo que consiga se acercar de todas as possibilidades de variação, mas cada modelo mais robusto
caracterizará melhor as incertezas do problema.
8
Figura 2 - Lançamento da bola de canhão
No âmbito da mineração, em que o interesse geralmente está no conteúdo metálico e nos

fatores que interferirão nos processos metalúrgicos, a utilização de modelos independentes para cada
variável de interesse não significa que existirá correspondência global das variáveis. Eventualmente se
houverem correlações entre os elementos, a probabilidade da ocorrência de cada uma está
condicionada à ocorrência das demais. Se tomarmos como exemplo depósitos de hematita de origem
sedimentar tal como Lago Superior, o conteúdo de ferro está condicionado estritamente com o
conteúdo de sílica disponível, pois os eventos sucessivos de deposição são característicos de um
controle sedimentar específico, tal como a ocorrência de certos minerais é condicionada à ocorrência de
outros por questões termodinâmicas nas formações magmáticas. A Figura 3 demonstra como a
deposição de sílica em um depósito sedimentar pode estar associada à formação da hematita.
9
Figura 3 - Influência da probabilidade condicional na estipulação do modelo
Se os elementos krigados forem estimados separadamente, então há grande chances de que

não ocorra o fechamento em cada ponto considerado. Os percentuais dos conteúdos metálicos terão
soma maior ou menor que 100%.
Outra questão a ser levantada é que nem sempre as informações obtidas possuem o mesmo
caráter de confiabilidade ou suporte considerado. Informações obtidas através de testemunhos de
sondagem são altamente confiáveis em contrapartida com outros métodos tais como, ship sample,
canaletas e demais formas de análise. O ganho de confiabilidade, no entanto, é acompanhado de um
custo adicional à exploração. Uma análise multivariada permite incorporar as informações secundárias
necessárias para um melhor modelo estimado, além de também auxiliar na rejeição daquelas variáveis
que não auxiliam para o ganho de informação. Em (Donald, 1999), questiona-se o fato de que o risco
geológico pode ser reduzido por três formas características:
1. Aumentar o número de amostras consideradas

2. Encontrar depósitos que possuem maior probabilidade da ocorrência de um dado conteúdo
metálico.
3. Reduzir o risco pela utilização de probabilidades condicionadas pelo teorema de Bayes, nos
diversos estágios possíveis da exploração mineral.
Segundo o autor, depósitos porfiríticos de cobre possuem alta correlação entre seus componentes
minerais sulfetados. Comenta-se o fato do custo aumentar pelo aumento do número de amostras de
alta confiabilidade, o que pode ser desfavorável se comparado ao custo do aumento de informação
secundária de menor confiabilidade, mas utilizada extensivamente. A redução do risco pela utilização
de uma sondagem pode ser equiparável à utilização extensiva de uma variável secundária tal como
10
uma medida geofísica. A Figura 4 é uma representação de alguns dos objetivos permissíveis para a
utilização de geoestatística multivariada.
• Aumentar a confiabilidade de uma estimativa pela utilização de

objetivo variáveis correlatas
• Reduzir os custos de exploração pela utillização de informação

objetivo secundária mais barata.
• Utilizar informações de diferentes tipos de confiabilidade e suporte.

objetivo
• Criar modelos com fechamento de variáveis múltiplas

objetivo
• Identificar influências das variáveis e o comportamento destas nas

objetivo demais.
Figura 4 - Objetivos da geoestatística multivariada
Tal como na geoestatística convencional, a disponibilidade da informação é um quesito de

importância para o processo de estimativa. Na geoestatística multivariada o problema se torna muito
mais crítico, à medida que as informações podem estar localizadas em locais distintos ou amostradas
nos mesmos locais. Neste caso os padrões de informação podem ser desmontrados na Figura 5:
Figura 5 - Padrões de disposição espacial da informação
11
Em relação às metodologias da geoestatística multivariada, podemos classificá-las segundo o
uso da informação secundária. A Figura 6 é um exemplo das metodologias cabíveis:
Modelos
markovianos
Krigagem simples
Informação
com médias
extensiva
locais
Krigagem simples
Variáveis
com tendência
dependentes
externa
Informação
Multivariado Co-krigagem
localizada
Variáveis
PCA/MAF
independentes
Figura 6 - Metodologias de análise geoestatística multivariada
12
2. USO EXAUSTIVO DA INFORMAÇÃO SECUNDÁRIA
Algumas metodologias de geoestatística multivariada envolvem a utilização de informação

exaustiva. Considera-se como uma variável exaustiva aquela que se apresenta em todos os locais onde
se encontra a informação primária, tal como todos os locais onde ocorrerá estimativa. Alguns tipos de
informação secundária obtidas exaustivamente podem ser, por exemplo, uma variável categorizada com
referência ao tipo de rocha considerado, ou uma superfície topográfica. Alguns depósitos de gênese
supergênica, como bauxita, tem extrema correlação entre a superfície topográfica e a capa do depósito.
2.1 Krigagem simples com médias locais
Em (Goovaerts, 1998), a krigagem simples pode ser demonstrada pela Equação1:
Equação 1: Krigagem simples
𝑛
∗
𝑍𝑠𝑘 (𝑢) − 𝑚 = ∑ 𝛿𝛼𝑠𝑘 [𝑍(𝑢𝛼 ) − 𝑚]
𝛼=1
∗ (𝑢)
𝑍𝑠𝑘 = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
𝑍(𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢𝛼
𝑚 = 𝑉𝑎𝑙𝑜𝑟 𝑑𝑎 𝑚é𝑑𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢 𝑒 𝑖𝑑ê𝑛𝑡𝑖𝑐𝑜 𝑒𝑚 𝑡𝑜𝑑𝑎 𝑎 𝑟𝑒𝑔𝑖ã𝑜
Sob a hipótese de estacionaridade a média local é idêntica à média global. Logo a utilização de
krigagem simples envolve a hipótese forte do conhecimento da média. A krigagem simples com médias
locais é então uma alternativa para o uso da krigagem simples, em que o valor médio constante ao
longo do domínio é substituído por valores em cada ponto considerado. Logo para a utilização de
krigagem simples com médias locais é necessário haver valores extensivos da variável secundária, que
constituirá em um modelo para o valor médio da variável primária no ponto considerado. A equação da
krigagem simples com médias locais pode ser então substituída pela Equação 2:
Equação 2: Krigagem simples com médias locais
𝑛
∗
𝑍𝑠𝑘 (𝑢) − 𝑚𝑠𝑘 (𝑢) = ∑ 𝛿𝛼𝑠𝑘 [𝑍(𝑢𝛼 ) − 𝑚𝑠𝑘 (𝑢𝛼 )]
∗
𝛼=1
∗ (𝑢)
𝑍𝑠𝑘 = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
𝑍(𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢𝛼
𝑚𝑠𝑘 (𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟 𝑑𝑎 𝑚é𝑑𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
13
Em (Goovaerts, 1988) relata-se as diferentes formas de obtenção da média local a partir da
informação secundária.
1. A informação secundária pode ser incorporada como um ponderador da informação primária pela
utilização de uma variável categórica. Essa variável pode ser representada como a ocorrência de
um dado elemento que tenha correspondência com a variável primária, como demonstrado na
Equação 3:
Equação 3: Incorporação da informação secundária por variável categórica
𝑛
1
𝑚𝑠𝑘 (𝑢𝛼 ) = ∑ 𝑖(𝑢𝛼 ; 𝑠𝑘 ) . 𝑧(𝑢𝛼 )
𝑛𝑘
𝛼=1
𝑚𝑠𝑘 (𝑢𝛼 ) = 𝑚é𝑑𝑖𝑎 𝑙𝑜𝑐𝑎𝑙 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
𝑖(𝑢𝛼 ; 𝑠𝑘 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑐𝑎𝑡𝑒𝑔ó𝑟𝑖𝑐𝑎 𝑑𝑒 𝑢𝑚𝑎 𝑑𝑎𝑑𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑠𝑘
𝑛𝑘 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑜𝑛𝑡𝑜𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑝𝑎𝑟𝑎 𝑜 𝑐á𝑙𝑐𝑢𝑙𝑜 𝑑𝑎 𝑚é𝑑𝑖𝑎
𝑧(𝑢𝛼 ) = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
2. No segundo caso a média da variável primária pode ser incorporada pela utilização de uma
função da variável secundária, tal como demonstrado na Equação 4:
Equação 4: Média local como uma função da variável secundária
𝑚𝑠𝑘 (𝑢𝛼 ) = 𝑓(𝑦(𝑢))
𝑚𝑠𝑘 (𝑢𝛼 ) = 𝑚é𝑑𝑖𝑎 𝑙𝑜𝑐𝑎𝑙 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
𝑦(𝑢)) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
A utilização da informação secundária será de utilidade para encontrar as médias locais da

variável primária. A Figura 7 demonstra o modelo mais simples de obtenção dos valores médios da
variável primária.
14
Modelo do valor médio da variável primária
20.00
pela utilização da variável secundária
18.00
16.00
Variável primária (Y)
14.00
12.00
10.00
8.00
6.00
4.00
2.00
0.00
0.00 5.00 10.00 15.00 20.00 25.00
Variável Secundária (X) Y = A.X+B
Figura 7- Modelo do valor médio da variável primária pela utilização da variável secundária
2.2 Krigagem com tendência externa
A krigagem com tendência externa é outra variação da krigagem simples em que são estimados
os resíduos locais. No entanto, à medida que a krigagem com médias locais incorpora um grid em que
são colocados os valores da média em cada ponto estimado, independentemente de qualquer função
utilizada para a incorporação da mesma, a krigagem com tendência externa assume um modelo de
regressão linear. Os valores de trend considerados podem então ser escritos como uma função linear,
tal como demonstrado na Equação 5:
Equação 5: Valores da média da variável primária como uma função da secundária
𝑚𝑘𝑒𝑑 (𝑢) = 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑦(𝑢) = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑖𝑠

𝑛
∗ (𝑢)
𝑚𝑘𝑒𝑑 = 𝑎0 (𝑢) + 𝑎1 (𝑢) ∑ 𝛿𝛼𝑘𝑒𝑑 𝑦(𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑠
𝛼=1
𝑚(𝑢) = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
𝑎0 (𝑢) = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑙𝑖𝑛𝑒𝑎𝑟
𝑎1 (𝑢) = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑎𝑛𝑔𝑢𝑙𝑎𝑟
𝑦(𝑢) = 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
15
𝑛
∑ 𝛿𝛼𝑘𝑒𝑑 𝑦(𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑦 𝑛𝑜 𝑙𝑜𝑐𝑎𝑙 𝑢

𝛼=1
𝛿𝛼𝑘𝑒𝑑 = 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑎 𝑘𝑟𝑖𝑔𝑎𝑔𝑒𝑚
Assim como na krigagem simples, a krigagem com tendência externa possui as mesmas
condições de não enviesamento e correspondência entre os resíduos estimados e reais. A Equação 6
demonstra a condição de não viés da krigagem com tendência externa:
Equação 6: Demonstração da condição de contorno dos ponderadores
𝐸𝑟𝑟𝑜(𝑢) = 𝑍𝑘𝑒𝑑 (𝑢) − 𝑚𝑘𝑒𝑑 (𝑢) − ∑ 𝛿𝛼𝑘𝑒𝑑 [𝑍(𝑢𝛼 ) − 𝑚𝑘𝑒𝑑 (𝑢𝛼 )]

𝛼=1
𝐸𝑟𝑟𝑜(𝑢) = 𝐸𝑟𝑟𝑜 𝑑𝑎 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑖𝑣𝑎
𝑍(𝑢𝛼 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑎 𝑛𝑜𝑠 𝑝𝑜𝑛𝑡𝑜𝑠 𝛼
𝑚𝑘𝑒𝑑 (𝑢𝛼 ) = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑒𝑙𝑎 𝑢𝑡𝑖𝑙𝑧𝑎çã𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎

= 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑦(𝑢)
.:
𝑛
𝐸𝑟𝑟𝑜(𝑢) = 𝑍𝑘𝑒𝑑 (𝑢) − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑦(𝑢) − ∑ 𝛿𝛼𝑠𝑘 [𝑍(𝑢𝛼 ) − 𝑎0 (𝑢𝛼 ) + 𝑎1 (𝑢𝛼 )𝑦(𝑢𝛼 )]
𝛼=1
𝐸(𝐸𝑟𝑟𝑜(𝑢)) = 𝑚 − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑚𝑦 − ∑ 𝛿𝛼𝑠𝑘 [𝑚 − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑚𝑦 ]

𝛼=1
𝑚 − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑚𝑦 = ∑ 𝛿𝛼𝑠𝑘 [𝑚 − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑚𝑦 ]

𝛼=1
∑ 𝛿𝛼𝑠𝑘 = 1
𝛼=1
Além da condição de contorno característica da krigagem simples, mais uma condição deve ser
imposta no problema, tal que a média dos valores estimados seja igual à media real do ponto. Pela
Equação 7, temos que:
Equação 7: Demonstração da condição de estacionaridade
𝑚𝑘𝑒𝑑 (𝑢) = 𝑚𝑘𝑒𝑑 ∗ (𝑢)
16
𝑛
𝑎0 (𝑢) + 𝑎1 (𝑢)𝑦(𝑢) = 𝑎0 (𝑢) + 𝑎1 (𝑢) ∑ 𝛿𝛼𝑠𝑘 𝑦(𝑢𝛼 )

𝛼=1
𝑦(𝑢) = ∑ 𝛿𝛼𝑠𝑘 𝑦(𝑢𝛼 )

𝛼=1
𝑎0 (𝑢) = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑙𝑖𝑛𝑒𝑎𝑟
𝑎1 (𝑢) = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑎𝑛𝑔𝑢𝑙𝑎𝑟
𝑚(𝑢) = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
Em (Govaerts,1988) demonstra algumas peculiaridades da escolha da variável secundária e do

modelo utilizado para estimar os valores médios da variável primária:
 Aconselha-se a escolha da variável secundária como informação da média local da primária que
exista correspondência não apenas matemática, mas também física. Por exemplo, ao assumir o
tempo de reflexão da sísmica com a profundidade da camada considerada, cria-se um modelo
não apenas matematicamente possível como também racional. Além do conhecimento da
correlação entre variáveis é importante conhecer os motivos da sua existência
 A relação entre o trend da variável primária e secundária deve ser linear, no entanto, existe a
possibilidade da transformação da variável secundária para a garantia de correlação linear entre
as médias.
 A variável secundária deve variar pouco no espaço. A erraticidade pode causar instabilidade no
modelo de krigagem com tendência externa. Trends locais muito variáveis como mineralizações
controladas em falhas podem não ser uma boa escolha para a variável secundária.
 Variáveis secundárias muito erráticas produzirão um modelo de continuidade espacial dos
resíduos também afetado, o que prejudicará nas etapas de krigagem.
3. COKRIGAGEM
A utilização do prefixo “co”, da mesma forma que nas demais palavras do português, adiciona o
sentido de cooperação ou união. A cokrigagem é, portanto, uma extensão do problema de krigagem, em
que existe cooperação entre as diversas variáveis para o auxílio da máxima correlação e informação da
variável preditora. Segundo (Hans, 1995), a grande vantagem da utilização da cokrigagem é que sua
utilização não implica necessidade de dados isotópicos. A média da variável preditora anteriormente
calculada pela utilização de amostras da mesma variável é agora considerada como uma combinação
linear de uma variável primária e várias secundárias. A cokrigagem deve ser considerada um modelo
matemático, mas não necessariamente físico. Na verdade, qualquer variável secundária que possuir
17
correlação com a primária pode ser incorporada no modelo sem haver necessidade de correspondência
física. Como garantia de que os valores da variável secundária não alimentem a média da primária, a
soma de seus ponderadores é sempre igual à zero. Na verdade, a variável secundária é apenas um
suporte modificador dos pesos da variável primária. A Equação 8 demonstra a função utilizada como
estimativa da cokrigagem:
Equação 8: Valor estimado da variável i0 na cokrigagem
𝑁 𝑛
∗
𝑍𝑖0 (𝑢) = ∑ ∑ 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )
𝑖=1 𝛼=1
𝛼 = í𝑛𝑑𝑖𝑐𝑒 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠
𝑖 = í𝑛𝑑𝑖𝑐𝑒 𝑑𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠
𝑍𝑖0 ∗ (𝑢) = = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖0 𝑎 𝑠𝑒𝑟 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑎
𝛿𝛼𝑖 = 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖 𝑒 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 𝛼
𝑍𝑖 (𝑢𝛼 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢𝛼
Por uma condição de não viés amostral, sabemos que a soma dos ponderadores deve
corresponder às seguintes condições de contorno, demonstrados pela Equação 9:
Equação 9: Soma dos ponderadores na cokrigagem
𝑛
1 , 𝑠𝑒 𝑖 = 𝑖0
∑ 𝛿𝛼𝑖 = {
0, 𝑠𝑒 𝑖 ≠ 𝑖0
𝛼=1
O erro de estimativa da cokrigagem pode então ser representado pela Equação 10:
Equação 10: Erro de estimativa da cokrigagem
𝑁 𝑛
𝐸𝑟𝑟𝑜(𝑢) = 𝑍𝑖𝑜 (𝑢) − ∑ ∑ 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )

𝑖=1 𝛼=1
𝛿𝛼𝑖 = 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠
𝑍𝑖𝑜 (𝑢) = 𝑉𝑎𝑙𝑜𝑟 𝑟𝑒𝑎𝑙 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑒𝑠𝑐𝑜𝑙ℎ𝑖𝑑𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
𝑍𝑖 (𝑢𝛼 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢𝛼
Podemos demonstrar que a variância do erro é numericamente igual à Equação 11. O termo
dependente das variáveis e das amostras foi dividido em duas partes, uma em que as variáveis i e j são
18
iguais e uma que as variáveis j e i são diferentes. Isso gerará as covariâncias cruzadas que serão
definidas posteriormente:
Equação 11: Variância do erro de estimativa da cokrigagem
𝑁 𝑛 2
𝑉𝑎𝑟(𝐸𝑟𝑟𝑜(𝑢)) = 𝐸 [𝑍𝑖𝑜 (𝑢) − ∑ ∑ 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )]

𝑖=1 𝛼=1
𝑁 𝑛 𝑁 𝑁 𝑛 𝑛
𝑗
𝑉𝑎𝑟(𝐸𝑟𝑟𝑜(𝑢)) = 𝐸 [𝑍𝑖𝑜 (𝑢)2 − 2 𝑍𝑖𝑜 (𝑢) ∑ ∑ 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 ) + ∑ ∑ ∑ ∑ 𝛿𝛽 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 )]
𝑖=1 𝛼=1 𝑗=1 𝑖=1 𝛽=1 𝛼=1
𝑁 𝑛
𝐸 [𝑍𝑖𝑜 (𝑢)2 − 2 𝑍𝑖𝑜 (𝑢) ∑ ∑ 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )

𝑖=1 𝛼=1
𝑁 𝑛 𝑛 𝑁 𝑛 𝑛
𝑗 𝑗
+∑∑ ∑ 𝛿𝛽 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 ) + ∑ ∑ ∑ 𝛿𝛽 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 )]
𝑗=𝑖 𝛽=1 𝛼=1 𝑗≠𝑖 𝛽=1 𝛼=1
O operador Lagrangiano é então adicionado ao conjunto de equações para a garantia das

condições de contorno dos ponderadores na Equação 12:
Equação 12: Restrições adicionadas na variância de extensão pelo uso do Lagrangiano
𝑁 𝑛
𝐸 [𝑍𝑖𝑜 (𝑢)2 − 2 𝑍𝑖𝑜 (𝑢) ∑ ∑ 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )

𝑖=1 𝛼=1
𝑁 𝑛 𝑛 𝑁 𝑛 𝑛
𝑗 𝑗
+∑∑ ∑ 𝛿𝛽 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 ) + ∑ ∑ ∑ 𝛿𝛽 𝛿𝛼𝑖 𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 )]
𝑗=𝑖 𝛽=1 𝛼=1 𝑗≠𝑖 𝛽=1 𝛼=1
𝑛
+ 𝜇𝑖 (∑ 𝛿𝛼𝑖 − 1)
𝛼=1
𝜇𝑖 = 𝐿𝑎𝑔𝑟𝑎𝑛𝑔𝑖𝑎𝑛𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖
𝑛
∑ 𝛿𝛼𝑖 − 1 = 0 = 𝑐𝑜𝑛𝑑𝑖çã𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑜𝑟𝑛𝑜 𝑑𝑜𝑠 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠

𝛼=1
A variância de cokrigagem é então obtida como o mínimo da variância de extensão,

demonstrado na Equação 13:
19
Equação 13: Variância de cokrigagem
𝜕
𝑉𝑎𝑟(𝐸𝑟𝑟𝑜(𝑢))
𝜕𝛿𝛼𝑖
𝑁 𝑛 𝑁 𝑛 𝑛
= −2 ∑ ∑ 𝐸(𝑍𝑖 (𝑢𝛼 ) 𝑍𝑖𝑜 (𝑢)) + 2 ∑ ∑ ∑ 𝛿𝛼𝑖 𝐸(𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 ))

𝑖=1 𝛼=1 𝑗=𝑖 𝛽=1 𝛼=1
𝑁 𝑛 𝑛
+ 2 ∑ ∑ ∑ 𝛿𝛼𝑖 𝐸(𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 )) + 𝜇𝑖 = 0

𝑗≠𝑖 𝛽=1 𝛼=1
𝜕
𝑉𝑎𝑟(𝐸𝑟𝑟𝑜(𝑢))
𝜕𝛿𝛼𝑖
𝑁 𝑛 𝑁 𝑛 𝑛
= −2 ∑ ∑ 𝐶𝑜𝑣(𝑍𝑖 (𝑢𝛼 ), 𝑍𝑖𝑜 (𝑢)) + 2 ∑ ∑ ∑ 𝛿𝛼𝑖 𝐶𝑜𝑣(𝑍𝑖 (𝑢𝛼 ), 𝑍𝑗 (𝑢𝛽 ))

𝑖=1 𝛼=1 𝑗=𝑖 𝛽=1 𝛼=1
𝑁 𝑛 𝑛
+ 2 ∑ ∑ ∑ 𝛿𝛼𝑖 𝐶𝑜𝑣(𝑍𝑖 (𝑢𝛼 )𝑍𝑗 (𝑢𝛽 )) + 𝜇𝑖 = 0

𝑗≠𝑖 𝛽=1 𝛼=1
A cokrigagem então se modifica do sistema de krigagem convencional pela adição de não

apenas as covariâncias diretas, mas também com as variâncias cruzadas das respectivas variáveis. Isso
significa que o sistema de krigagem cresce exponencialmente para o número de variáveis consideradas,
tal como demonstrado na Equação 14:
Equação 14: Crescimento do sistema de krigagem pelo aumento do número de variáveis
𝑁 = 𝑛𝑖
𝑁 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑞𝑢𝑎çõ𝑒𝑠
𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠
𝑖 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑎𝑠
A Figura 8 demonstra a matriz de cokrigagem para duas variáveis. A exigência de resolução de

uma matriz positiva definida exige que as variâncias cruzadas de 1 para 2 sejam iguais de 2 para 1. Essa
hipótese nem sempre pode ser aceita, pois a covariância cruzada não é uma função necessariamente
bijetora, diferentemente da covariância direta das variáveis consideradas. Como tentativa de
recuperação da parte par da função de covariância, o modelo geralmente utilizado é a média entre os
modelos de covariância de 1,2 e de 2,1. Além disso, outra necessidade que se exige de uma matriz
20
positiva definida é que as covariâncias cruzadas e diretas possam ser representadas como uma
combinação linear das mesmas.
Figura 8 - Matriz de cokrigagem para duas variáveis
3.1 Modelos de covariância direto e cruzados
O modelo geoestatístico define variáveis aleatórias regionalizadas como aquelas que se são
naturalmente diferentes em qualquer região considerada do espaço, mas que possuem correlação
segundo um modelo espacial. A função covariograma é então a relação de dependência linear entre
variáveis diferentes, que caracterizam o mesmo fenômeno, mas separadas por um vetor h, ou –h. Em
outros termos a variável 𝑍(𝑢) ≠ 𝑍(𝑢 + ℎ), mas que possui momentos estatísticos semelhantes. No
caso multivariado, as diferenças vão além da diferença espacial, mas também das diferenças entre as
variáveis consideradas.
Sob a singularidade de uma única variável primária, o covariograma pode ser explicitado como
demonstrado na Equação 15:
Equação 15: Função covariograma direto
𝐶(ℎ) = ∑(𝑍1 (𝑢𝛼 + ℎ) − 𝑚1 (𝑢𝛼 + ℎ)) (𝑍1 (𝑢𝛼 ) − 𝑚1 (𝑢𝛼 ))

𝛼=1
𝑍1 (𝑢) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑎𝑙𝑒𝑎𝑡ó𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢 𝑝𝑎𝑟𝑎 𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
ℎ = 𝑉𝑒𝑡𝑜𝑟 𝑑𝑒 𝑠𝑒𝑝𝑎𝑟𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠
𝑚1 (𝑢 + ℎ) = 𝑚1 (𝑢) = 𝑚é𝑑𝑖𝑎 𝑑𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑠𝑜𝑏 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑒 𝑑𝑒 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑑𝑎𝑑𝑒
𝛼 = 𝑝𝑜𝑛𝑡𝑜 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜
21
A função covariograma direta é uma função par, tal que os seus valores não se alteram
submetidos à translação. O mesmo, no entanto, não pode ser definido para a função de covariância
cruzada como demonstrado na Equação 16. A covariância cruzada exige o conhecimento das médias das
variáveis consideradas e é uma função mais restritiva que a covariância direta, a medida que a última
pode ser calculada sem as médias se for considerado uma hipótese de estacionaridade da mesma:
Equação 16: Função covariograma cruzado
𝐶(ℎ) = ∑(𝑍2 (𝑢𝛼 + ℎ) − 𝑚2 (𝑢𝛼 + ℎ)) (𝑍1 (𝑢𝛼 ) − 𝑚1 (𝑢))

𝛼=1
𝑍1 (𝑢) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
𝑍2 (𝑢 + ℎ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢 + ℎ
ℎ = 𝑉𝑒𝑡𝑜𝑟 𝑑𝑒 𝑠𝑒𝑝𝑎𝑟𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠
𝑚1 (𝑢) = 𝑚é𝑑𝑖𝑎 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
𝑚2 (𝑢 + ℎ) = 𝑚é𝑑𝑖𝑎 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢 + ℎ
A variância cruzada não é necessariamente bijetora, o que torna a sua utilização prejudicada no
sistema de cokrigagem. Essa propriedade que a torna assimétrica é também chamada de lag effect.
Essa descorrelação segundo a origem, mas verificada em alguma distância do fenômeno pode ter causas
diversas, tais como as diferenças entre as mobilidades geoquímicas de elementos formadores do
depósito, por exemplo. A Figura 9 demonstra as diferenças entre as covariâncias diretas e cruzadas.
22
Figura 9 - Função de covariograma direto e cruzado
Toda função matemática pode ser escrita, no entanto, como uma soma de uma função par e
uma função ímpar. A decomposição da função covariograma pode ser escrita na Equação 17:
Equação 17: Decomposição da função covariograma
Outra forma de utilizar somente a componente par da função de covariância é modelar o

fenômeno pelo variograma cruzado. A relação entre o variograma cruzado e o covariograma cruzado
pode ser demonstrado na Equação 18:
Equação 18: Relação entre o variograma cruzado e o covariograma cruzado
𝐶𝑖𝑗 (ℎ) + 𝐶𝑖𝑗 (−ℎ)

𝐶𝑖𝑗 (ℎ) = 𝐶𝑖𝑗 (0) −
2
𝐶𝑖𝑗 (0) = 𝐶𝑜𝑟𝑟𝑒𝑙𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑖 𝑒 𝑗
𝐶𝑖𝑗 (ℎ) = 𝐶𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑖 𝑒 𝑗 𝑝𝑎𝑟𝑎 𝑢𝑚 𝑙𝑎𝑔 ℎ
23
A definição do variograma cruzado pode ser expressa pela Equação 19:
Equação 19: Definição do variograma cruzado
𝛾𝑖𝑗 (ℎ) = ∑(𝑍𝑖 (𝑢𝛼 + ℎ) − 𝑍𝑖 (𝑢𝛼 )) (𝑍𝑗 (𝑢𝛼 + ℎ) − 𝑍𝑗 (𝑢𝛼 ))

𝛼=1
𝑖, 𝑗 = 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑎𝑠
𝑍𝑖 (𝑢𝛼 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑎𝑙𝑒𝑎𝑡ó𝑟𝑖𝑎 𝑖 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢𝛼
Os variogramas cruzados são modelos que não incorporam a componente ímpar da covariância,
e portanto são menos restritivos.
O pseudo-variograma cruzado é uma ferramenta de análise criada para incorporar no

variograma a componente ímpar da covariância, mas que não possui uso prático significativo. A Equação
20 corresponde à definição do pseudo-variograma cruzado.
Equação 20: Pseudo-variograma cruzado
𝑛
2
𝛾 𝑝𝑠𝑑 𝑖𝑗 (ℎ) = ∑ (𝑍𝑖 (𝑢𝛼 + ℎ) − 𝑍𝑗 (𝑢𝛼 ))
𝛼=1
𝑖, 𝑗 = 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑎𝑠
𝑍𝑖 (𝑢𝛼 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑎𝑙𝑒𝑎𝑡ó𝑟𝑖𝑎 𝑖 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢𝛼
3.2 Vantagem teórica do modelo de cokrigagem
A vantagem teórica da utilização da cokrigagem é o menor erro associado à estimativa garantido

pela utilização da informação secundária. Em outras palavras a variância de cokrigagem é menor ou
2 2
igual à variância de krigagem (𝜎𝐶𝑜𝑘 ≤ 𝜎𝑘𝑟𝑖𝑔 ) . Segundo (Goovaerts, 1995) os sitemas de krigagem são
equivalentes quando:
 As variáveis primárias e secundárias são descorrelacionadas para qualquer lag e direção

considerado. Deve-se lembrar que na condição de lag effect muitas vezes a variável pode não
ser correlacionada para uma distância zero, mas correlacionada para uma dada distância.
𝐶1𝑖 (ℎ) = 𝐶𝑖1 (ℎ) = 0 ∀ ℎ ∈ 𝐷
24
𝐶1𝑖 (ℎ) = 𝑐𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎𝑠 𝑐𝑟𝑢𝑧𝑎𝑑𝑎𝑠 𝑒𝑛𝑡𝑟𝑒 𝑎 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑒 𝑎 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
 As variáveis primárias e secundárias são isotópicas e as covariâncias cruzadas são proporcionais

à autocovariância da primária.
𝐶1𝑖 (ℎ) = 𝜑1𝑖 𝐶11 (ℎ)
𝐶11 (ℎ) = 𝐴𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎çã𝑜 𝑑𝑎 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
𝜑1𝑖 = 𝐶𝑜𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑𝑒
𝐶1𝑖 (ℎ) = 𝐶𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑐𝑟𝑢𝑧𝑎𝑑𝑎
Em outros termos a cokrigagem tende a ser similar à krigagem simples quando os dados são
pouco correlacionados ou quando ocorre isotopia e os modelos de continuidade espacial são
semelhantes.
3.3 Influência dos dados secundários
Segundo (Goovaerts, 1995) a influência dos dados secundários na estimativa da variável

primária depende dos seguintes fatores:
 A correlação entre a variável primária e a secundária.

 A forma da continuidade espacial dos atributos
 A configuração espacial entre as variáveis primárias e secundárias
 A densidade amostral de cada variável
Segundo (Goovaerts, 1995) a influência da variável secundária na primária é determinado pela

razão das somas dos valores absolutos dos pesos de cokrigagem da secundária e da primária,
multiplicados pela variância de cada uma destas. A Equação 21 demonstra a função de impacto da
informação secundária no local determinado.
Equação 21: Influência da informação secundária
𝑆𝐶𝑘
∑𝑛𝛼2=1 |𝜆𝛼2 (𝑢)| 𝜎2
𝛹(𝑢) =
∑𝑛𝛼1=1 |𝜆𝛼1
𝑆𝐶𝑘
(𝑢)| 𝜎1
𝑆𝐶𝑘 (𝑢)
𝜆𝛼2 = 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑎 𝑖𝑛𝑓𝑜𝑟𝑚𝑎çã𝑜 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
𝑆𝐶𝑘 (𝑢)
𝜆𝛼1 = 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑎 𝑖𝑛𝑓𝑜𝑟𝑚𝑎çã𝑜 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
𝜎2 = 𝐷𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝑑𝑎 𝑖𝑛𝑓𝑜𝑟𝑚𝑎çã𝑜 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
𝜎1 = 𝐷𝑒𝑠𝑣𝑖𝑜 𝑝𝑎𝑑𝑟ã𝑜 𝑑𝑎 𝑖𝑛𝑓𝑜𝑟𝑚𝑎çã𝑜 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
Nota-se que se os valores dos pesos da secundária forem todos positivos, logo pela definição do
𝑆𝐶𝑘 𝑆𝐶𝑘
sistema de krigagem o valor da soma dos valores absolutos é igual ∑𝑛𝛼2=1 |𝜆𝛼2 (𝑢)| = ∑𝑛𝛼2=1 𝜆𝛼2 (𝑢) =
25
0, e portanto não há como todos os pesos da variável secundária serem positivos. Naturalmente é
necessário haver ponderadores negativos para a variável secundária.
Figure 10 - Influência da variável secundária com o coeficiente de correlação e efeito pepita relativo (Goovaerts, 1995)
A Figura 10, retirada de (Goovaerts, 1995), demonstra a relação da função de influência da

variável secundária com o coeficiente de correlação e o efeito pepita relativo. Nota-se que quanto maior
for a correlação entre a variável secundária e a primária, maior será a influência da variável secundária.
Além disso, quanto mais acurada for a informação de suporte em relação às informações primárias, mais
haverá ganho no uso da cokrigagem.
3.4 Condições tradicionais e não tradicionais da cokrigagem
Sob a condição tradicional de não enviesamento, espera-se que o sistema de resolução das
equações incorpore duas condições de contorno tal que a soma dos pesos de cokrigagem da primária
seja igual a 1 e das secundárias seja igual a zero, o que pode ser exemplificado na Equação 9. Quando,
no entanto, normaliza-se variáveis diferentes, tornando-as adimensionais, as condições tradicionais
podem ser traduzidas em uma única condição formada pela combinação linear das mesmas. A Figura 11
demonstra como a informação secundária pode se tornar estatisticamente similar à informação
secundária pela normalização dos dados.
26
Figura 11 –Normalização da informação
Tornar a informação secundária com a mesma importância estatística que a variável primária é
um artifício que reduz a hierarquia das informações e submete o sistema de krigagem à apenas uma
condição como demonstrado na Equação 22:
Equação 22: Condição não tradicional da cokrigagem
𝑛 𝑁 𝑛
∑∑ 𝜆𝛽𝐶𝑂𝐾 (𝑢𝛼 ) + ∑ 𝜆1𝐶𝑂𝐾 (𝑢𝛼 ) = 1

𝛼=1 𝛽=2 𝛼=1
𝜆𝛽𝐶𝑂𝐾 (𝑢𝛼 ) = 𝑝𝑒𝑠𝑜𝑠 𝑑𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎𝑠
𝜆1𝐶𝑂𝐾 = 𝑝𝑒𝑠𝑜𝑠 𝑑𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎𝑠
Ao utilizar da condição não tradicional dos pesos, a importância das informações mesmo que
equivalentes demonstram o aparecimento de muitos pesos negativos na variável primária. Ao
incorporar uma variável secundária muito mais extensiva e com mesma importância da primária seu
efeito se torna muito mais preponderante do que deveria em alguns casos.
3.5 Modelo intrínseco de corregionalização
Para a utilização do sistema de cokrigagem, os modelos de continuidade das variáveis primárias

e secundárias devem constituir em uma combinação linear dos mesmos. Quando dito que o modelo de
corregionalização é intrínsico, em outras palavras significa dizer que os modelos para as n variáveis não
dependem da componente espacial. Isso significa que todos devem derivados de uma mesma estrutura
básica e diretamente proporcionais uns aos outros, o que torna a definição do modelo mais complexa
do que apenas a definição dos modelos de continuidade diretos, utilizados geoestatística convencional.
Segundo (Hans, 1995) o sistema de corregionalização intrínseco pode ser demonstrado pela
Equação 23:
27
Equação 23: Modelo intrínseco de corregionalização
𝐶𝑖𝑗 (ℎ) = 𝑏𝑖𝑗 𝛿(ℎ)
𝐶𝑖𝑗 (ℎ) = 𝐶𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑖 𝑒 𝑗
𝑏𝑖𝑗 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎𝑠 𝑒𝑛𝑡𝑟𝑒 𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑖 𝑒 𝑗
𝛿(ℎ) = 𝐶𝑜𝑣𝑎𝑟𝑖𝑜𝑔𝑟𝑎𝑚𝑎 𝑢𝑛í𝑣𝑜𝑐𝑜 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎𝑠 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠
Naturalmente como a matriz de covariâncias entre os elementos i e j é positiva definida, o

modelo de covariância intrínseco é valido para uso da krigagem.
Uma das formas de se verificar se o modelo de corregionalização é intrínseco consiste em

calcular os coeficientes de codispersão para os modelos diretos e cruzados. Segundo (Hans, 1995) a
Equação 24 o ceoficiente de codispersão pode ser calculado como:
Equação 24: Coeficiente de codispersão
𝐶𝑖𝑗 (ℎ) 𝑏𝑖𝑗 𝛿(ℎ) 𝑏𝑖𝑗

𝑐𝑐(ℎ) = = =
√𝐶𝑖𝑖 (ℎ)𝐶𝑗𝑗 (ℎ) √𝑏𝑖𝑖 𝛿(ℎ)𝑏𝑗𝑗 𝛿(ℎ) √𝑏𝑖𝑖 𝑏𝑗𝑗
𝐶𝑖𝑗 (ℎ) = 𝐶𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑖 𝑒 𝑗
𝑏𝑖𝑗 = 𝐶𝑜𝑛𝑡𝑟𝑖𝑏𝑢𝑖çõ𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑖 𝑒 𝑗
𝛿(ℎ) = 𝐶𝑜𝑣𝑎𝑟𝑖𝑜𝑔𝑟𝑎𝑚𝑎 𝑢𝑛í𝑣𝑜𝑐𝑜 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎𝑠 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠
A matriz de covariâncias deve ser positiva definida, pois deve ser diagonalmente dominante. O
traço deve assumir valor maior que qualquer soma de linha ou coluna da matriz. Em outras palavras,
não há como as covariâncias diretas serem menores que as cruzadas, e desta forma o determinante da
matriz é sempre positivo. A Figura 12 demonstra a propriedade do determinante do modelo de
corregionalização.
28
Figura 12 - Determinante positivo do modelo de corregionalização
4. COKRIGAGEM COLOCADA
A cokrigagem colocada é uma simplificação da cokrigagem convencional, ao qual utiliza dados

densamente amostrados para o cálculo dos valores estimados. Na krigagem colocada apenas alguns
valores da variável secundária são utilizados, geralmente somente aquele no local onde será estimado o
valor da variável aleatória. A lógica da utilização da cokrigagem colocada é que influência da variável
secundária é proporcional à distância do ponto estimado. Logo a amostra que garante a maior
quantidade de informação é aquela colocada no local da estimativa. A Figura 13 é uma representação
esquemática da influência da informação secundária na estimativa.
29
Figura 13 - Influência da informação secundária como uma função do vetor de distância
A cokrigagem colocada pode se dividir em duas categorias:
 Cokrigagem colocada estrita: Os valores da variável secundária se situam no mesmo

local que será realizada a estimativa
 Cokrigagem multicolocada: Os valores da variável secundária se situam no mesmo local
que será realizada a estimativa e no local das amostras primárias onde haverá
ponderação.
Segundo (Hans, 1995) , o sistema de cokrigagem colocada pode ser reduzido pela Equação 25:
Equação 25: Sistema de cokrigagem colocada
𝐶𝑧𝑧 𝑐𝑧𝑠 𝑊𝑠 𝑐𝑧0

( 𝑇 ) ( ) = (𝜎 )
𝑐𝑧𝑠 𝜎𝑠𝑠 𝑤𝑠 𝑠𝑍
𝐶𝑧𝑧 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎𝑠 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎𝑠
𝑐𝑧𝑠 = 𝑣𝑒𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎𝑠 𝑒 𝑎 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜
𝜎𝑠𝑠 = 𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎𝑠
30
𝑊𝑠 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑝𝑒𝑠𝑜𝑠 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎𝑠
𝑤𝑠 = 𝑝𝑒𝑠𝑜 𝑑𝑎 𝑎𝑚𝑜𝑠𝑡𝑟𝑎 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
𝑐𝑧0 = 𝑉𝑒𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎𝑠 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎𝑠 𝑒 𝑜 𝑝𝑜𝑛𝑡𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜
𝜎𝑠𝑍 = 𝐶𝑜𝑟𝑟𝑒𝑙𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎𝑠 𝑒 𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎𝑠
5. MODELOS DE MARKOV
Os modelos markovianos são representativos do conjunto de modelos estocásticos que tem como
premissa a falta de memória das distribuições estatísticas. A propriedade da falta de memória significa
dizer que a probabilidade de um passo aleatório em um problema é independente das realizações
anteriores. A distribuição de Poisson é um dos modelos que possui esta característica, de tal forma que
muitos fenômenos físicos são modelados segundo esta característica. Em teoria das filas, por exemplo,
estipula-se que a taxa de chegada de pessoas para um atendimento é uma variável fixa e independente
do momento em que ocorre. Sob uma perspectiva da variável tempo, a percepção dos modelos
markovianos é bem mais sensível. No entanto, para a característica espacial, a definição do modelo
Markoviano pode ser representado em (Xialin, 1999) pela Equação 26:
Equação 26: Propriedade de perda de memória nos modelos markovianos aplicado à variável espacial
𝐸(𝑌(𝑢)|𝑍1 (𝑢) = 𝑧1 , 𝑍1 (𝑢 + ℎ) = 𝑧11 ) = 𝐸(𝑌(𝑢)|𝑍1 (𝑢) = 𝑧1 )
𝑌(𝑢) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑓𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
𝑍1 (𝑢) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
𝑍1 (𝑢 + ℎ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢 + ℎ
𝑧11 = 𝑅𝑒𝑎𝑙𝑖𝑧𝑎çã𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢 + ℎ
𝑧1 = 𝑅𝑒𝑎𝑙𝑖𝑧𝑎çã𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢
Em outras palavras, a probabilidade da variável secundária no local de estimação assumir um

dado valor apenas se correlaciona com a variável primária naquele ponto. A correlação espacial da
variável primária não afeta a probabilidade da secundária por efeito de translação. Neste caso as
correlações cruzadas podem então ser expressas como uma proporção da correlação direta da primária
tal como na Equação 27:
31
Equação 27: Modelo de correlograma cruzado nas cadeias de Markov (MM1)
𝜌12 (ℎ) = 𝜌12 (0)𝜌11 (ℎ)
𝜌12 (ℎ) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑎 𝑐𝑟𝑢𝑧𝑎𝑑𝑜
𝜌12 (0) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 1 𝑒 2
𝜌11 (ℎ) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑎 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
Nos modelos Markovianos não há necessidade de verificação da condição da matriz positiva

definida, tal como não há necessidade de uma modelagem completa do MLC. O problema limitante da
utilização do modelo é sua hipótese constitutiva, pois requer que a variável secundária e primária seja
descorrelacionada para um dado valor de distância.
Na verdade, como a variável secundária é mais extensiva que a primária, o modelo de

continuidade espacial desta é muito mais promissor. O interessante seria, no modelo Markoviano,
calcular a covariância cruzada como uma relação com a covariância da secundária. Neste sentido nasceu
o modelo MM2. A Equação 28 demonstra a premissa do modelo MM2.
𝜌12 (ℎ) = 𝜌12 (0)𝜌22 (ℎ)
𝜌12 (ℎ) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑎 𝑐𝑟𝑢𝑧𝑎𝑑𝑜
𝜌12 (0) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑎çã𝑜 𝑒𝑛𝑡𝑟𝑒 𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 1 𝑒 2
𝜌22 (ℎ) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑎 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
Como no modelo MM2 exige-se também a modelagem do variograma da secundária, é

proposto que se utilize a seguinte relação da Equação 29 proposta por (Xialin, 1999).
2 (0)𝜌 (ℎ) 2 (0)]𝜌

𝜌1 (ℎ) = 𝜌12 2 + [1 − 𝜌12 𝑅 (ℎ)
𝜌1 (ℎ) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑎 𝑑𝑎 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
𝜌2 (ℎ) = 𝐶𝑜𝑟𝑟𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑎 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
𝜌12 (0) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑎çã𝑜 𝑑𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 1 𝑒 2
𝜌𝑅 (ℎ) = 𝑐𝑜𝑟𝑟𝑒𝑙𝑜𝑔𝑟𝑎𝑚𝑎 𝑑𝑜𝑠 𝑟𝑒𝑠í𝑑𝑢𝑜𝑠 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
32
6. KRIGAGEM DOS RESÍDUOS
A krigagem dos resíduos é uma alternativa para a incorporação da informação secundária em

que o valor da média da variável primária é estipulado por regressão linear. No entanto, no caso da
krigagem simples com médias locais onde o sistema de krigagem consiste na maior correlação possível
entre os resíduos locais e regionais, na krigagem dos resíduos pretende-se a maior descorrelação entre
os resíduos regionais e a média local. A Equação 30 demonstra a decomposição da variável em um
ponto por um trend e um resíduo.
Equação 30 : Decomposição da variável aleatória por um valor médio e residual.
𝑍1 (𝑢𝛼 ) = 𝑚1 (𝑢𝛼 ) + 𝑅1 (𝑢𝛼 )
𝑚1 (𝑢𝛼 ) = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑟𝑒𝑛𝑑 𝑙𝑜𝑐𝑎𝑙
𝑅1 (𝑢𝛼 ) = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑜 𝑟𝑒𝑠í𝑑𝑢𝑜 𝑙𝑜𝑐𝑎𝑙
O valor de trend e do resíduo são medidas ortogonais, tal como demonstrado na Equação 31.
Isso significa que diferentemente da krigagem convencional onde se pretende a máxima correlação
entre as variáveis, na krigagem dos resíduos pretende-se a mínima correlação entre a média da variável
primária e seu resíduo:
Equação 31: Ortogonalidade entre as medidas de trend e resíduo
𝐸(𝑚1 (𝑢𝛼 ). 𝑅1 (𝑢𝛼 )) = 𝐸 (𝑚1 (𝑢𝛼 ). (𝑚1 (𝑢𝛼 ) − 𝑍1 (𝑢𝛼 )))
𝐸 (𝑚1 (𝑢𝛼 ). (𝑚1 (𝑢𝛼 ) − 𝑍1 (𝑢𝛼 ))) = 𝐸(𝑚1 (𝑢𝛼 )2 − 𝑚1 (𝑢𝛼 )𝑍1 (𝑢𝛼 ))
𝐸(𝑚1 (𝑢𝛼 )2 − 𝑚1 (𝑢𝛼 )𝑍1 (𝑢𝛼 )) = 𝑚1 (𝑢𝛼 )2 − 𝑚1 (𝑢𝛼 )𝐸(𝑍1 (𝑢𝛼 ))
𝑚1 (𝑢𝛼 )2 − 𝑚1 (𝑢𝛼 )𝑚1 (𝑢𝛼 ) = 0
𝑚1 (𝑢𝛼 ) = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑡𝑟𝑒𝑛𝑑 𝑙𝑜𝑐𝑎𝑙
𝑅1 (𝑢𝛼 ) = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑜 𝑟𝑒𝑠í𝑑𝑢𝑜 𝑙𝑜𝑐𝑎𝑙
Isso implica que a condição de não viés dos ponderadores é diferente da krigagem convencional,
onde a soma dos pesos é igual a 1. Na krigagem dos resíduos necessita-se que a soma dos pesos seja
igual a zero. A Equação 32 demonstra a condição de não viés da krigagem de resíduos:
33
Equação 32: Condição de não viés da krigagem de resíduos
𝐸(𝑅1 ∗ − 𝑅1 ) = 0
𝑛
𝐸 (∑ 𝜆1𝛼 𝑍1 (𝑢𝛼 ) − 𝑅1 ) = 0
𝛼=1
∑ 𝜆1𝛼 𝐸 (𝑍1 (𝑢𝛼 )) = 𝐸(𝑅1 ) = 0

𝛼=1
∑ 𝜆1𝛼 = 0
𝛼=1
𝑅1 ∗ = 𝑅𝑒𝑠í𝑑𝑢𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜
𝑅1 = 𝑅𝑒𝑠í𝑑𝑢𝑜 𝑟𝑒𝑎𝑙
𝜆1𝛼 = 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
Se os valores de trend puderem ser escritos como uma função linear das variáveis secundárias ,
então o resíduo estimado é igual à média local da primária que se equivale à função de Segundo (Hans,
1995) , o resíduo estimado pode ser demonstrado pela Equação 33:
Equação 33: Valor da média da variável primária como valor de regressão da secundária na krigagem de resíduos
𝑅1 ∗ = 𝑚1 (𝑢𝛼 ) = 𝑎𝑍2 (𝑢𝛼 ) + 𝑏
𝑎 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑎𝑛𝑔𝑢𝑙𝑎𝑟
𝑏 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑎𝑛𝑔𝑢𝑙𝑎𝑟
𝑍2 (𝑢𝛼 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
𝑚1 (𝑢𝛼 ) = 𝑚é𝑑𝑖𝑎 𝑑𝑎 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
34
7. ANÁLISE DOS COMPONENTES PRINCIPAIS
Segundo (Hans, 1995) a utilização de análise principal de componentes é uma das técnicas de
análise multivariada mais comumente utilizadas pela sua simplicidade algébrica e fácil interpretação,
que basicamente consiste na transformação linear das correlações entre as variáveis, de forma a extrair
o máximo de variância possível em cada componente, e assim determinar fatores independentes.
Ao se definir um conjunto de fatores independentes cada elemento pode ser analisado

distintamente à partir de uma krigagem convencional e os valores serem retrotransformados para a
condição inicial dos dados. A utilização da krigagem dos fatores é possível devido à linearidade da
transformação das variáveis obtidas através do método de componentes principais. A análise de
componentes principais é uma ferramenta simples, mas que apenas garante a independência das
variáveis para valores colocados. A fatorização é uma técnica estatística adaptada para a condição de
dados espaciais. Da mesma forma que ocorre pelo efeito de lag, valores que são descorrelacionados na
origem podem ser correlacionados em alguma distância. A verificação da condição de independência
espacial entre os fatores pode ser verificada pela utilização de variogramas cruzados dos mesmos.
Definido um conjunto de variáveis determinada por uma matriz Z escalonados, então podemos
definir a matriz de covariâncias pelo seu produto matricial como determinado na Equação 34:
Equação 34: Definição da matriz de covariâncias dos dados
1 𝑡
𝑉 = [𝜎𝑖𝑗 ] = 𝑍 𝑍
𝑛
V = Matriz de covariâncias dos dados
Z = matriz correspondente aos elementos das variáveis subtraídos pela média de cada variável
n= número de elementos contidos na matriz Z
Se pretendermos obter uma série de fatores linearmente independentes, aqui definidos como Y,
sabemos que a matriz covariância destes fatores deve ser diagonal, constituinte unicamente da
variância incorporada de cada fator. Logo pela Equação 35, temos:
Equação 35: Definição da matriz de variâncias dos fatores
1 𝑡 𝑑11 0 0
𝐷= 𝑌 𝑌=( 0 ⋱ 0 )
𝑛 0 0 𝑑𝑁𝑁
35
Y = Fatores linearmente independentes
d = variâncias associadas à cada fator
Por uma transformação linear, desejamos transformar a matriz de dados nos fatores pela
multiplicação de uma matriz A ortogonal, tal como demonstrado na Equação 36:
Equação 36: Transformação linear dos dados em fatores
𝑌 = 𝑍𝐴 , 𝐴𝑡 𝐴 = 𝐼
𝑌 = 𝑍𝐴
1 𝑡 1
𝑌 𝑌 = 𝑌 𝑡 𝑍𝐴
𝑛 𝑛
O termo ao lado esquerdo da igualdade é numericamente igual a covariância dos fatores. O

segundo termo da igualdade pode ser transformado em:
1 𝑡 1 1
𝑌 𝑍𝐴 = (𝑍𝐴)𝑡 𝑍𝐴 = 𝐴𝑡 𝑍 𝑡 𝑍𝐴 = 𝐴𝑡 𝑉𝐴
𝑛 𝑛 𝑛
Obtemos então a seguinte relação:
𝐷 = 𝐴𝑡 𝑉𝐴
Como a matriz A é ortogonal, então a sua transposta é equivalente à sua inversa. Então
podemos assumir que:
𝐴𝐷 = 𝑉𝐴
O problema de determinação da matriz A consiste na transformação de uma matriz de

covariâncias dos dados D em uma matriz de variâncias dos fatores diagonal V. Em suma o problema é a
determinação dos autovetores e autovalores de uma matriz de covariâncias dos dados, em que cada
autovetor consiste na transformação linear dos dados de uma matriz Z para um fator Y. O problema
pode ser demonstrado na Equação 37:
Equação 37: Autovalores e autovetores da matriz de covariâncias
𝐴𝐷 = 𝑉𝐴 ~ 𝑉𝑄 = 𝑄𝜆
𝜆 = 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑉, 𝑜𝑢 𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑑𝑜 𝑓𝑎𝑡𝑜𝑟 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜
𝑄 = 𝑎𝑢𝑡𝑜𝑣𝑒𝑡𝑜𝑟 𝑑𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑉, 𝑜𝑢 𝑣𝑒𝑡𝑜𝑟 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎çã𝑜 𝑑𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑌 = 𝑍𝑄
𝑉 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎𝑠 𝑑𝑜𝑠 𝑑𝑎𝑑𝑜𝑠
Cada fator pode ser obtido pela multiplicação dos autovetores com o conjunto de dados, sendo
que o autovalor do sistema resolvido é responsável pela variância do fator.
36
Uma das características favoráveis da utilização da análise de componentes principais é que esta
define uma sequência de fatores ortogonais que sucessivamente absorvem o máximo de variância dos
dados. Se o fator yi consiste na transformação de dados Z à partir de um vetor ai, como determinado
anteriormente, então sabemos que:
𝑦𝑖 = 𝑍𝑎𝑖 , 𝑎𝑖 𝑎𝑖𝑡 = 1 ∀𝑖 ≤ 𝑛
A variância dos fatores pode ser descrito como:
1 𝑡 1
𝑉𝑎𝑟(𝑦𝑖 ) = 𝑦𝑖 𝑦𝑖 = 𝑎𝑖𝑇 𝑍 𝑡 𝑍𝑎𝑖 = 𝑎𝑖𝑇 𝑍 𝑡 𝑍𝑎𝑖 = 𝑎𝑖𝑇 𝑉𝑎𝑖
𝑛 𝑛
A maximização da variância dos fatores deve ter incorporada a condição de ortonormalidade

dos autovetores, logo 𝑎𝑖𝑇 𝑎𝑖 = 1 ∀ 𝑖, então determinamos a função a ser minimizada pela Equação 38:
Equação 38: Função de minimização da variância dos fatores
∅𝑖 = 𝑎𝑖𝑇 𝑉𝑎𝑖 − 𝜆𝑖 (𝑎𝑖𝑇 𝑎𝑖 − 1)
Maximizando a função segundo os respectivos autovetores temos que:
𝜕∅𝑖
= 2𝑉𝑎𝑖 − 2𝜆𝑖 𝑎𝑖 = 0
𝜕𝑎𝑖
A equação demonstra que a máxima incorporação da variância em cada fator é resolvido pela
transformação linear de autovetores e autovalores da matriz covariância.
𝑉𝑎𝑖 = 𝜆𝑖 𝑎𝑖
𝑉 = 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑑𝑜𝑠 𝑑𝑎𝑑𝑜𝑠
𝑎𝑖 = 𝐴𝑢𝑡𝑜𝑣𝑒𝑡𝑜𝑟 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 à 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖
𝜆𝑖 = 𝐴𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑎𝑠𝑠𝑜𝑐𝑖𝑎𝑑𝑜 à 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖
Uma propriedade considerada na matriz de covariância dos dados é que seu traço representa o
máximo de variância admissível pelo conjunto de dados, considerando as variáveis independentes. Pela
propriedade de ortonormalidade da transformação linear aplicada na matriz, sabemos pela Equação 39
que:
Equação 39: Compatibilidade das variações entre as variáveis e sua transformação linear em autovetores e autovalores
𝑁 𝑁
𝑡𝑟(𝑉) = ∑ 𝜎𝑖𝑖 = ∑ 𝜆𝑖
𝑖=1 𝑖=1
𝜎𝑖𝑖 = 𝑉𝑎𝑟𝑖â𝑛𝑐𝑖𝑎𝑠 𝑑𝑖𝑟𝑒𝑡𝑎𝑠 𝑑𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠
37
𝜆𝑖 = 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎çã𝑜
Os autovalores são portando uma indicação do máximo de incorporação da variância em cada

fator. A razão demonstrada na equação 6 relata a proporção de variância associada à cada fator. A
Equação 40 demonstra a assimilação da variância pelo fator :
Equação 40: Proporção da assimilação da variância pelo fator
𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑑𝑜 𝑓𝑎𝑡𝑜𝑟 𝜆𝑖
=
𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎 𝑡𝑜𝑡𝑎𝑙 𝑡𝑟(𝑉)
𝜆𝑖 = 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑖
𝑡𝑟(𝑉) = 𝑡𝑟𝑎ç𝑜 𝑑𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑣𝑎𝑟𝑖â𝑛𝑐𝑖𝑎𝑠
7.1 Máxima autocorrelação de fatores
Como uma alternativa para garantir a correlação espacial dos dados além das posições colocadas,
a técnica MAF (Maximum autocorrelation factors) permite a obtenção de fatores relacionados a um
dado deslocamento das amostras.
Segundo (Larsen, 2002), considerando um conjunto de variáveis estocásticas Zk , tal que k

corresponde à posição espacial compreendida pela variável, e Δ é o lag entre as posições amostrais, a
matriz de dispersão dos dados será composta pela componente de autocorrelação dos dados e pelas
componentes pares e ímpares das covariâncias deslocadas. Denota-se a seguinte relação estabelecida
pela Equação 41:
Equação 41: Relação entre as matrizes de dispersão e covariância deslocadas
𝛴Δ = 2 𝛴 − 𝛤(Δ) − 𝛤(−Δ)
𝛤(Δ) = Cov{Zk , Zk+Δ } = Matriz de covariância dos dados deslocados
𝛴Δ = D{Zk − Zk+Δ } = Matriz de variância entre as variáveis deslocadas
𝛴 = Matriz de autocorrelação dos dados
Estipula-se então que a covariância deslocada dos dados pode ser determinada por uma
combinação linear dos dados, tal que denota-se a Equação 42.
Equação 42: Combinação linear das covariâncias deslocadas dos dados
Cov{wi Zk , wi Zk+Δ } = wi t 𝛤(Δ)wi
38
𝛤(Δ) = Cov{Zk , Zk+Δ } = Matriz de covariância dos dados deslocados
wi = Vetores associados à combinação linear da matriz de covariâncias
𝛴 = Matriz de autocorrelação dos dados
𝛴Δ = D{Zk − Zk+Δ } = Matriz de variância entre as variáveis deslocadas
Desta forma obtêm-se a correlação à partir de uma normalização da covariância dos dados, tal
como determinado na Equação 43.
Equação 43: Correlação dos dados obtida pela covariância dos mesmos
Cov{wi Zk , wi Zk+Δ } = wi t 𝛤(Δ)wi
1 t
Cov{wi Zk , wi Zk+Δ } = wi (𝛤(Δ) + 𝛤(−Δ))wi
2
1
Cov{wi Zk , wi Zk+Δ } = wi t (𝛴 − 𝛴Δ ) wi
2
1
wi t (𝛴 − 𝛴Δ ) wi 1 wi t 𝛴Δ wi
Corr{wi Zk , wi Zk+Δ } = 2 = 1 −
wi t 𝛴wi 2 wi t 𝛴wi
A mínima correlação entre os dados é então obtida pela maximização do coeficiente de Rayleight
determinado na Equação 44:
Equação 44: Coeficiente de Rayleight
1 wi t 𝛴Δ wi
R(w) =
2 wi t 𝛴wi
A técnica MAF condicionará a obtenção dos autovalores da resolução do problema não mais
apenas pela descorrelação dos valores colocados, mas também pelo deslocamento dos dados. A
resolução dos fatores se concretizará pela minimização do coeficiente de Rayleight submetido à
condição dos dados colocados.
39
8. EXERCÍCIOS
8.1 Exercício 1 – Krigagem simples com médias locais
Estatística Inicial dos dados
O exercício considerado propõe a utilização de informação secundária na krigagem simples com

médias locais. Foram utilizadas 29 amostras primárias para o problema, com valor mínimo de 0.09 e
máximo de 22.75. O conjunto de dados primários é pequeno para as dimensões do grid considerado, em
que o espaçamento amostral pode variar abruptamente. A Tabela 1 demonstra a estatística descritiva
das amostras primárias.
Tabela 1 - Estatística descritiva das amostras primárias
ESTATÍSTICA DESCRITIVA DAS AMOSTRAS

PRIMÁRIAS
NÚMERO DE AMOSTRAS 29.00

MÉDIA 3.38
MEDIANA 1.66
DESVIO PADRÃO 5.17
MÍNIMO 0.09
MÁXIMO 22.75
A Figura 13 demonstra o gráfico de boxplot das variáveis primárias. Nota-se a presença de uma
quantidade grande de valores altos e anômalos, se comparado à grande quantidade de valores
residuais. A Figura 14 demonstra que os valores outliers se situam concentrados no flanco nordeste, e
que a orientação espacial das amostras facilitou uma busca enviesada de valores reigonalizados.
40
BoxPlot - Valores outliers das variáveis
primárias
25
22.75
20
17.19
15
10
9.08
8.03
0 0
Variável primária
A Figura 13 demonstra o mapa de localização das amostras primárias.
41
Figura 14 - Mapa de Localização das amostras primárias
42
A Figura 15 demonstra um histograma da proporção de dados da variável primária. Em torno de
80% dos valores estão situados apenas no valor médio de 2.36, 10% dos valores em torno de 6.89 e
demais valores com proporções baixas. A grande assimetria característica dos dados pode, no entanto,
não ser representativa se não for considerado o caráter espacial.
Histograma da variável primária

90.00%
80.00%
70.00%
Proporção da variável
60.00%
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
2.36 6.89 11.42 15.95 20.48
n proporção 79.31% 13.79% 0.00% 3.45% 3.45%
Teores da variável primária
Figura 15- Histograma da variável primária
Foi realizada a estatística declusterizada dos dados colocados por médias móveis. Calculou-se
células com variação de 1 até 25 metros sem considerar anisotropia. A Figura 16 demonstra a variação
das médias pela utilização do procedimento.
Médias desclusterizadas por células

móveis
3.6
Valores médios da variável primária
3.5
3.4
3.3
declusterizada
3.2
3.1
3
2.9
2.8
2.7
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Tamanho das células utilizada
Valores médios primária Valores médios secundária
Figura 16 - Médias declusterizadas por células móveis
As estatísticas declusterizadas podem ser demonstradas na Tabela 2.
43
Tabela 2- Valores de estatísticas declusterizadas
Declusterização
Primária colocada Primária Secundária
média 3.55 2.79 3.10
variância 14.96 15.04 4.48
desvio padrão 3.87 3.88 2.12
Histograma declusterizado da variável

primária
80.00%
70.00%
60.00%
Proporção da variável
50.00%
40.00%
30.00%
20.00%
10.00%
0.00%
2.36 6.89 11.42 15.95 20.48
n proporção 74.79% 14.37% 0.00% 5.42% 5.42%
Teores da variável primária
Figura 17 - Histograma declusterizado dos dados
A Figura 17 demonstra o histograma dos dados declusterizados. Nota-se que a diferença entre
as proporções dos valores demonstra que a declusterização não afetou significativamente os valores
médios.
Regressão linear entre a variável primária e

25.00
secundária
20.00 y = 0.6582x + 1.0379

R² = 0.2426
Variável primária (Y)
15.00
10.00
5.00
0.00
0.00 5.00 10.00 15.00 20.00
Variável Secundária (X)
Figura 18 - Regressão linear entre a variável primária e secundária
44
A Figura 18 demonstra o modelo de regressão linear entre a variável primária e secundária
colocada. Nota-se que para um intervalo de segurança de 90%, existe a presença de dois pontos
outliers. Sob a hipótese de aceitação do modelo de regressão, os valores de trend e resíduo produzirão
provavelmente valores negativos de estimativa, como demonstrado na Tabela 3. Nota-se que os valores
centrados são muito menores que o valor de suas variâncias.
Tabela 3 - Estatísticas do trend e do resíduo
MÉDIA RESÍDUO
MÉDIA 3.66 -0.25
VARIÂNCIA 17.16 13.54
A Tabela 4 demonstra os valores outliers retirados do banco de dados para a realização das
estatísticas. Desconsiderando estes pontos da estatística, o modelo de regressão das variáveis pode ser
demonstrado pela Figura 19.
Tabela 4- Valores outliers retirados do problema
OUTLIERS RETIRADOS DA ESTATÍSTICA

x y Variável secundária Variável primária
36.5 32.5 5.26 12.4
2.5 10.5 2.55 15.91
Figura 19 - Modelo de regressão após retirada de outliers
45
O modelo de regressão linear pode ser considerado pela Equação 45: Segundo a Tabela 5
podemos notar que os valores são mais coerentes para a utilização na geoestatítica.
Tabela 5 - Estatísticas do trend e do resíduo da variável primária após retirada de outliers
MÉDIA RESÍDUO
MÉDIA 2.77 0.00
VARIÂNCIA 3.73 2.86
Equação 45: Modelo de regressão linear entre as variáveis
𝑌(𝑥) = 0.361. 𝑋 + 1.5643
𝑋 = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎
𝑌 = 𝑀é𝑑𝑖𝑎 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎
A informação secundária extensiva pode ser demonstrada pela Figura 20. Nota-se que existe
variação abrupta dos dados para a classe situada de valores iguais a 3.49-22.47. A utilização de
informação altamente errática da variável secundária não auxilia na resolução do problema.
46
Figura 20- Mapa de classes da variável secundária
47
Figura 21 - Mapa dos valores residuais da variável primária
48
A Figura 21 representa o mapa de resíduos da variável primária. O histograma dos resíduos
aparenta característica simétrica e típica de uma distribuição de erros similarmente gaussiana. A Figura
22 demonstra o histograma dos resíduos.
Figura 22 - Histograma dos resíduos da variável primária
O modelo de variograma dos resíduos pode ser representado pela Equação 42:
Figura 23 - Variograma dos resíduos
Equação 46: Variograma dos resíduos
γ(h)omni = 1.3 + 1.56 sph(30)
Os valores utilizados na estimativa estão demonstrados na Tabela 6:
49
Tabela 6 - Valores utilizados na estratégia de busca da krigagem dos resíduos
Estratégia de busca
Eixos do elipsóide
Maior 30
Menor 30
Rotação 0
Número de dados utilizados
Mínimo 2
Máximo 4
Máximo por octante NÃO
Os valores krigados dos resíduos estão demonstrados no mapa da Figura 24
Figura 24 - Mapa dos valores krigados do resíduo
50
Figura 25 – Valores da variância de krigagem dos dados
Nota-se pela Figura 25 que os valores da variância de krigagem demonstram que a disposição
amostral parece não ser razoável para a estimativa local, apresentando uma gama de regiões onde o
resíduo obtido pela variável secundária não auxilia prontamente. A Figura 26 demonstra o mapa obtido
por krigagem simples com médias locais.
Figura 26 - Krigagem simples com médias locais
51
Figura 27- Histograma dos valores krigados
A Figura 27 demonstra o histograma dos valore krigados. O comportamento assimétrico dos

dados parece ter sido reproduzido pela krigagem. A Tabela 7 demonstra as diferenças entre as
estatísticas globais e obtidas pela krigagem dos dados. Nota-se que houve viés em relação a estatística
declusterizada ao qual contém todas as amostras. A melhor alternativa no caso é aumentar o número de
amostras para uma garantia melhor da estimação.
Tabela 7 - Análise de deriva global da krigagem
Estatística declusterizada Estatística da krigagem Diferença percentual

Média 2.79 2.42 13%
Variância 15.04 2.05 86%
CONCLUSÃO: A krigagem simples com médias locais é uma alternativa que garante a utilização da
informação secundária para a melhor estimativa da primária, no entanto, é amplamente condicionada
aos dados colocados para a krigagem dos resíduos, e se por ventura, os valores colocados não forem
espacialmente favoráveis para uma boa estimação, a krigagem simples com médias locais se torna uma
ferramenta tão prejudicada quanto a krigagem simples.
52
8.2 Exercício 2 – Cokrigagem ordinária estandarizada
O Exercício 2 constitui na análise de dados heterotópicos pelo uso de cokrigagem ordinária das
variáveis padronizadas. A análise consiste na verificação das estatísticas dos dados pelo uso de
informação secundária de qualidade inferior. Os dados foram modificados pela mudança de sua
acuracidade. Os mapas de localização da variável primária está demonstrado na Figura 28:
Figura 28 - Mapa de localização das variáveis primárias
Os mapas de localização das variáveis secundárias inacuradas está demonstrado na Figura 29:
Figura 29 - Mapa de localização das variáveis secundárias
As estatísticas da variável primária podem ser demonstradas na Figura 30. A distribuição da

variável é assimétrica positiva e apresenta uma grande quantidade de valores esterelizados. A diferença
relativa entre a variância e a média indicam que a distribuição possui uma gama de variação grande se
comparado com a ordem de grandeza de suas medidas:
53
Figura 30- Estatísticas da variável primária
A Figura 31 demonstra as estatísticas das variáveis secundárias utilizadas como informação para
primária.
Figura 31- Estatísticas das variáveis secundárias
As estatísitcas bivariadas da primária e das secundárias é demonstrado nas Figuras 32, 33 e 34.
Nota-se que as variáveis secundárias se modificam apenas pela mudança de algumas de suas
propriedades elas apresentam alta correlação. No entanto, em relação à variável primária as
informações são mais pobres, apresentando coeficiente de correlação de 0.59 e 0.61.
54
Figura 32 - Estatística bivariada das informações secundárias
Figura 33 - Estatística bivariada da variável primária e da informação com viés de +25%
Figura 34 - Estatística bivariada da variável primária e da informação com viés de -25%
55
A Tabela 8 demonstra os coeficientes de correlação entre as variávei primária e secundárias.
Tabela 8 – Coeficientes de correlação entre as variáveis primária e secundárias
Variável primária Variável secundária +25% Variável secundária -25%

Variável primária 1 0.61 0.59
Variável secundária +25% 0.61 1 0.97
Variável secundária -25% 0.59 0.97 1
Admite-se que as variáveis são correlacionadas o suficiente para seu uso na cokrigagem
ordinária. A Tabela 9 demonstra a variância à priori das variáveis diretas e cruzadas.
Tabela 9 - Variância à priori dos dados
Variável primária Secundária +25% Secundária -25%

Variável primária 5.92 4.63 2.73
Variável secundária +25% 4.63 9.73 5.75
Variável secundária -25% 2.73 5.75 3.61
Determinou-se um modelo de corregionalização linear tal como demonstrado pela Tabela 10.
Tabela 10 - Modelo de corregionalização das variáveis primária e secundárias
Modelo Esférico
range máx 60
range min 40
Anisotropia 0°
Efeito pepita
Variável Secundária +25% Secundária -25%
primária SOMA
Variável primária 1 0 0 1
Secundária +25% 0 1 1 2
Secundária -25% 0 1 1 2
SOMA 1 2 2 3
Contribuição
Variável primária Secundária +25% Secundária -25% SOMA
Variável primária 4.92 4.63 2.73 12.28
Secundária +25% 4.63 8.73 4.75 18.11
Secundária -25% 2.73 4.75 3.61 11.09
SOMA 12.28 18.11 11.09 17.26
56
MATRIZ DOS COEFICIENTES DE CODISPERSÃO
Variável primária Secundária +25% Secundária -25%
Variável primária ------------ 0.610047592 0.460630431
Secundária +25% 0.610047592 ------------ 0.801463205
Secundária -25%
0.460630431 0.801463205 ------------
DETERMINANTE CONTRIBUIÇÃO 21.6758
DETERMINANTE EFEITO PEPITA 0
Os modelos de variograma podem ser representados pelas Figuras 35 à 40.
Figura 35 - Variograma Primária
57
Figura 36 - Variograma secundária viés +25%
Figura 37 - Variograma secundária com viés -25%
58
Figura 38 - Variograma cruzado +20 -25
Figura 39 - Variograma cruzado 20 +25
59
Figura 40 - Variograma cruzado +25 -25
As variáveis foram standarizadas para seu uso na cokrigagem. Os histogramas demonstrados

pela Figura 41 representam a transformação dos dados.
60
Figura 41- Histograma das variáveis padronizadas
Os parâmetros de entrada demonstrados na Tabela 11 foram utilizados para a cokrigagem dos

dados com a variável secundária sistemática de viés +25%.
Tabela 11 - Parâmetros utilizados para a cokrigagem dos dados de informação secundária com viés +25%
Parâmetros Valores
Discretização dos blocos 5x5
Origem do grid (0.5,0.5,1)
Número de blocos (52,60,1)
Estratégia de busca Rang: 60, Rang: 40, Aniso: 0°
Dados condicionantes da primária Mín: 2, Máx: 10
Dados condicionantes da secundária Mín: 2, Máx: 8
Variograma primária 0.16+0.83 Sph(60/0°N, 40/90°N)
Variograma secundária +25% 0.10+0.90 Sph(60/0°N, 40/90°N)
Variograma cruzado 0.00+1.00 Sph(60/0°N, 40/90°N)
O mapa da cokrigagem realizada, bem como o histograma dos valores obtidos com o viés está
demonstrado nas Figuras 42 e 43.
61
Figura 42 –Mapa da cokrigagem utilizando os dados de viés +25%
62
Figura 43 - Histograma da cokrigagem utilizando os dados de viés +25%
Os dados cokrigados foram retrotransformados segundo as estatísticas iniciais da variável

primária segundo a Equação 47.
Equação 47: Retrotransformação dos dados da variável primária
𝑡𝑟𝑎𝑛𝑠𝑓
𝑍𝑝𝑟𝑖𝑚 = (𝑍𝑝𝑟𝑖𝑚 . 5.92) + 2.73
A comparação entre os dados iniciais da variável primária e da cokrigagem realizada com o viés
amostral de +25% pode ser demonstrado no gráfico da Figura 44.
Figura 44 - Comparação entre a cokrigagem com viés +25% e os dados iniciais
63
Nota-se que apesar da forte correlação entre a cokrigagem retrotransformada e os dados
iniciais observou-se que os dados não apresentam acertividade ao apresentarem um coeficiente angular
de 1.88 e um intercepto de -2.44. Verifica-se que a utilização de informação secundária enviesada é
prejudicial para o processo de krigagem, superestimando os valores calculados.
A Tabela 12 representa os parâmetros utilizados para a cokrigagem dos dados com um viés de
-25%.
Tabela 12 - Parâmetros utilizados para a cokrigagem dos dados de informação secundária com viés -25%
Parâmetros Valores
Discretização dos blocos 5x5
Origem do grid (0.5,0.5,1)
Número de blocos (52,60,1)
Estratégia de busca Rang: 60, Rang: 40, Aniso: 0°
Dados condicionantes da primária Mín: 2, Máx: 10
Dados condicionantes da secundária Mín: 2, Máx: 8
Variograma primária 0.16+0.83 Sph(60/0°N, 40/90°N)
Variograma secundária -25% 0.21+0.78 Sph(60/0°N, 40/90°N)
Variograma cruzado 0.00+1.00 Sph(60/0°N, 40/90°N)
64
Figura 45 - Mapa da cokrigagem utilizando os dados de viés -25%
A Figura 45 demonstra o mapa da cokrigagem utilizando os dados de viés -25% enquanto a Figura 46
demonstra a estatística dos dados.
65
Figura 46 - Histograma da cokrigagem utilizando os dados de viés -25%
A Figura 47 demonstra a comparação entre a cokrigagem e os dados com viés de -25%. A

utilização de dados com menor variabilidade e mais imprecisos prejudicou mais a correlação dos dados,
apresentando um valor de 0.73, enquanto os valores forem subestimados.
Figura 47 - Comparação entre a cokrigagem com viés -25% e os dados iniciais
CONCLUSÃO: A cokrigagem apesar de ser uma ferramenta que auxilia na utilização de dados imprecisos
se torna uma ferramenta inadequada para dados inacurados. A utilização de informação com viés é
prejudicia demonstrando incorrespondência entre as estatísticas iniciais e finais. A conjugação de
informação inacurada e com baixa variabilidade se torna ainda um cenário pior, ao não proporcionar
correspondência maior dos dados.
66
8.3 Exercício 3 – Cokrigagem ordinária utilizando os modelos de Markov MM1 E MM2
O exercício proposto utiliza o banco de informações do depósito de Walker Lake de Nevada.

Pretende-se utilizar como variável primária o urânio medido em ppm e como informação secundária o
vanádio medido de forma extensiva pelo depósito. O banco de dados da variável urânio contém 470
amostras localizadas de forma heterogênea pelo domínio. A Figura 48 demonstra o mapa de localização
das amostras obtidas principalmente nos corpos determinados pelo alongamento norte sul do flanco
oeste e pelas pequenas estruturas circulares demonstradas pelos corpos do flanco lesteee.
Figura 48 - Mapa de localização da variável urânio (ppm)
Para a obtenção de estatísticas confiáveis dos dados foi utilizado um método de declusterização em
células móveis para obter os ponderadores relativos à cada amostra. A Figura 49 demonstra o gráfico de
redução dos valores médios pelo tamanho de célula escolhida para a declusterização. O tamanho de
célula ideal alcançado pelo método interativo foi de 23x23.
67
Declusterização em células móveis da variável Urânio
(ppm)
700
600
500
Média (ppm)
400
300
200
100
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Dimensão da célula
Figura 49 - Redução da média pelo tamanho de células na declusterização
A Figura 50 demonstra o histograma do Urânio declusterizado utilizando as células móveis de

tamanho considerado.
Figura 50 - Histograma declusterizado do Urânio
A variável de Vanádio exaustiva pode ser demonstrada pelo mapa de localização determinado
pela Figura 51.
68
Figura 51 - Mapa de localização da variável Vanádio
As estatísticas da variável Vanádio podem ser resumidas na Figura 52
Figura 52 - Estatísticas da variável Vanádio
A variável primária e secundária apresentam correlação positiva como demonstrado na Figura

53. O coeficiente de correlação é relativamente baixo, em torno de 0,51. As estatísticas podem ser
melhoradas caso sejam desconsiderados outliers de alto valor da variável primária. Optou-se por manter
fiél os valores iniciais mesmo que apresentando um correlação baixa.
69
Figura 53 - Correlação entre a variável primária e secundária
Os parâmetros utilizados para o cálculo do variograma experimental da variável primária podem

ser demonstrados na Tabela 12.
Tabela 12- Parâmetros utilizados para o variograma experimental do Urânio
Parâmetros do variograma experimental do Urânio

número de lags 10
Separação do lag 10
tolerância do lag 5
número de direções 8
Variação angular 22.5
Tolerância angular 11.25
Banda 5
Dip 0
O variograma da variável primária pode ser demonstrado na Figura 54
70
Figura 54- Variograma da variável primária Urânio
O modelo de continuidade espacial pode ser demonstrado pela Equação 48:
Equação 48: Variograma modelado da variável Urânio
35 10
𝛾(ℎ) = 200000 + 388911 𝑆𝑝ℎ ( °
+ )
0 𝑁 90°𝑁
Os parâmetros utilizados para a cokrigagem com modelo markoviano está demonstrado na Figura 55.
71
Figura 55 - Parâmetros utilizados para a cokrigagem com modelo de Markov 1
O resultado da cokrigagem pode ser demonstrado pelo mapa da Figura 56:
72
Figura 56- Cokrigagem utilizando modelo de Markov 1
As estatísticas realizadas após a cokrigagem utilizando o modelo estão representadas na Figura

57.
73
Figura 57 - Estatísticas da variável Cokrigada pelo modelo de Markov
As diferenças entre as estatísticas da cokrigagem e dos dados declusterizados mostram que o

modelo de markov não apresentou desvio da média significativo e uma suavização considerável, em
torno de 50%, como demonstrado na Tabela 14.
Tabela 13 - Diferenças da estatísticas declusterizadas e da cokrigagem por modelo de Markov 1
Estatísiticas da cokrigagem Estatísticas declusterizadas Diferença relativa

média 514.57 497.77 3.26%
desvio padrão 456.24 682.7 -49.64%
Para a cokrigagem realizando o Modelo Markoviano 2 primeiramente foi calculado os resíduos

da variável primária à partir da regressão com a variável secundária. O histograma dos resíduos
apresenta média zero e variância à priori igual a 409804 como demonstrado na Figura 58:
74
Figura 14 - Histograma dos resíduos da variável primária
O variograma omnidirecional da variável primária foi calculado e modelado como demonstrado

na Figura 59.
Figura 59 - Variograma dos resíduos da variável primária
A Equação 44 demonstra o modelo do variograma omnidirecional da variável primária:
Equação 44: Variograma omnidirecional do resíduo da variável primária
44 22 80 60
𝛾(ℎ) = 200000 + 200000 𝑆𝑝ℎ ( , ) + 9804 𝑆𝑝ℎ ( , )
𝑁 157.5 𝑁 67.5 𝑁 157.5 𝑁 67.5
O variograma da variável secundária pode ser demonstrado pela Figura 60 como demonstrado
abaixo:
75
Figure 60 - Variogramas das variáveis secundárias
A Equação 45 demonstra o modelo do variograma da variável secundária:
Equação 45: Variograma da variável secundária
90 30
𝛾22 (ℎ) = 10000 + 42023 𝑆𝑝ℎ ( , )
157,5𝑁 97,5𝑁
O variograma secundário pode ser determinado segundo a Equação 46:
Equação 46: Combinação linear para determinação do variograma cruzado
𝜎11 (0)
𝛾12 (ℎ) = ∗ 𝜌 (0) ∗ 𝛾12 (ℎ)
𝜎22 (0) 12
O variograma cruzado foi calculado como uma combinação linear do primário tal como demonstrado na
Tabela 13.
Tabela 14 - Variograma cruzado
Desvio padrão primária 682.7

Desvio padrão secundária 249.01
Correlação primária e secundária 0.5149
Fator de multiplicação 0.187806
Variograma primária
Efeito pepita 200000
Contribuição 388911
Variograma cruzado
76
Efeito pepita 37561.23
Contribuição 73039.87
Os parâmetros utilizados para a cokrigagem com modelo markoviano 2 está demonstrado na Figura 61.
Figura 61 - Input de dados modelo Markoviano 2
O resultado da krigagem pode ser demonstrado na Figura 62
77
Figure 62 – Resultado cokrigagem MM2
CONCLUSÃO: A utilização do modelo markoviano MM1 parece ter sido prejudicial no estudo de caso,
considerando que o número de pontos da variável primária é muito pequena, e que além disso, a
caracterização do variograma é ruim, considerando apenas poucos pares de pontos. O modelo MM2 já
consegue reproduzir melhor o padrão de disposição espacial do problema porque em si o método
desconsidera grande importância para a variável primária.
78
8.4 Exercício 4 – Utilização de MAF para krigagem de valores independentes
O exercício proposto consiste no tratamento dos dados obtidos no depósito sedimentar da região
de Jura, que se situa entre os Alpes e o platô suiço, de origem Quaternária, e que constitui em uma
forma crescente e convexa na direção NW, representante de um delta. O depósito apresenta
característica sedimentar glacial com sedimentos de tamanho variável, desde siltes à clastos de maior
tamanho, e que possui até hoje variações segundo as mudanças climáticas locais. A região é de
interesse principalmente no quesito geomorfológico sendo pesquisada em seus limites em meados da
década de 80, em que o intemperismo é representado por movimentações de lentes glaciais ao longo
do vale. Pesquisadores demonstraram como relatado em (Gerard Aalbersberg, 2003) que a máxima
extensão do depósito de Jura é relacionado ao lago pós glacial que possui em torno de 520 a 525 m de
profundidade, ao qual é fortemente laminado por material argiloso e silte.
As Figura 63 a 71 demonstram os mapas de localização das variáveis consideradas que

correspondem aos valores de teores polimetálicos do depósito, a utilização da terra e os tipos de
sedimentos analisados. Nota-se que as variáveis estão todas colocadas e que todos os dados foram
analisados. O banco de dados constitui 259 amostras espaçadas segundo a orientação do delta de
direção NW. Existe aparente correspondência entre os valores segundo as lentes de formação glaciais,
sendo a direção de aparente continuidade perpendicular à direção de fluxo do delta.
79
Figura 63 - Mapa de localização das variável Cd
80
Figure 64 – Mapa de localização da variável Co
81
Figura 65 – Mapa de localização da variável Cr
82
Figura 66 – Mapa de localização da variável Cu
83
Figura 67 – Mapa de localização da variável Land Use
84
Figura 68 – Mapa de localização da variável Ni
85
Figura 69 – Mapa de localização da variável Pb
86
Figura 70 – Mapa da localização da variável Amostra Rock
87
Figura 71 – Mapa de localização da variável Zn
As correlações entre as diversas variáveis podem ser representadas pela Tabela 15:
88
Tabela 15- Correlações entre as variáveis do problema
Landuse Rock Cd Co Cr Cu Ni Pb Zn
Landuse 1
Rock 0.192444 1
Cd -0.27147 -0.00071126 1
Co 0.086503 0.2331062 0.253353 1
Cr -0.13215 0.16788946 0.609417 0.453436 1
Cu 0.193553 0.19280598 0.119854 0.216681 0.21007 1
Ni -0.09767 0.10337504 0.487375 0.750737 0.692683 0.229378 1
Pb -0.0402 0.08770731 0.222378 0.188737 0.295083 0.778353 0.308144 1
Zn 0.003059 0.16582507 0.669204 0.474293 0.673406 0.570052 0.634668 0.591533 1
Nota-se que existe uma variação grande entre a correlação das variáveis, apresentando valores
quase que independentes tal como o litotipo apresentado e a variável Cd, e correlações extensas tal
como apresentado pela variável Chumbo e cobre. Infere-se que sob origem genética, a variável de Cd
não possui correlação com os litotipos analisados, mas ainda assim apresenta origem de minerais
sulfetados correspondentes aos metais calcófilos tais como Zn, Pb, Cu. É possível ainda distinguir outro
grupo distinto de elementos siderófilos tal como o Cr, Ni, o que aparentemente demonstra uma gênese
conjugada de minerais de origem sedimentar oxidados e elementos de origem vulcanogênica que se
apresentam pela genética de morenas.
Foi realizada a transformação MAF dos dados segundo uma distância mínima de 1km e máxima
de 4 km segundo as dimensões apresentadas pela disposição amostral. A Tabela 16 demonstra os
parâmetros utilizados para o cálculo do variograma experimental dos fatores descorrelacionados. As
Figuras 72-75 demonstram alguns variogramas cruzados entre os fatores MAF, relatando que a
metodologia parece ter realmente descorrelacionado as amostras em quesito espacial.
89
Figura 72-Varigorama cruzado MAF1-MAF2
Figura 73 - Variograma cruzado MAF1-MAF6
90
Figura 74- Vairograma cruzado MAF2-MAF3
Figura 75-Variograma cruzado MAF7-MAF9
91
Foi realizado os variogramas experimentais diretos dos fatores com os parâmetros demonstrados pela
Tabela 16.
Tabela 16 – Parâmetros utilizados para o cálculo do variograma experimental
Variável Número de lags Separação do lag Tolerância do lag Orientação

MAF 1 10 0.20 0.100 Omnidirecional
Os modelos ajustados podem ser representdos pela Tabela 17:
Tabela 17 - Parâmetros do modelo de variograma das variáveis MAF
Variável Modelo Efeito pepita Contribuição Range

MAF 1 Esférico 0.20 0.80 0.55
MAF 2 Esférico 0.20 0.80 0.20
MAF 3 Esférico 0.40 0.60 1.50
MAF 4 Esférico 0.55 0.45 1.00
MAF 5 Esférico 0.40 0.60 1.20
MAF 6 Esférico 0.45 0.55 0.85
MAF 7 Esférico 0.00 1.00 0.25
MAF 8 Esférico 0.35 0.65 0.80
MAF 9 Esférico 0.00 1.00 0.30
92
Figura 76 - Variograma MAF1
Figura 77- Variograma MAF2
93
Figura 78- Varograma MAF3
94
95
Figura 83 - Variograma MAF8
96
As Figuras 76 a 84 demonstram os modelos de variograma direto dos fatores. A Tabela 18

demonstra os valores de entrada do grid da krigagem dos fatores.
Tabela 18- Grid realizado para as krigagens dos fatores
Grid Utilizado Valores

Número de células (X,Y,Z) (46,63,1)
Tamanho de células (X,Y,Z) (0.1,0.1,1.0)
Origem (-0.6,2.0,0.0)
Rotação do grid N45°
A estratégia de krigagem pode ser representada pela Tabela 19. Para todos os fatores a
krigagem utilizou a mesma estratégia de busca e o mesmo grid de dados.
Tabela 19 -Estratégia de krigagem utilizada
Estratégia em octantes
Máximo de Mínimo de Range da
Mínimo de
amostras amostra procura de Mínimo por Máximo por
octantes
utilizadas utilizadas dados octante octante
utilizados
6 3 0.50 – Omni 3 1 2
97
Figura 85 – MAF 1 – INVERSA – VARIÁVEL Cd
98
Figura 86 - MAF 2 -INVERSA - VARIÁVEL Co
99
Figura 87 - MAF 3- INVERSA - VARIÁVEL Cr
100
Figura 88- MAF 4 - INVERSA- VARIÁVEL Cu
101
Figura 89 MAF 5 - INVERSA - VARIÁVEL LANDUSE
102
Figura 90- MAF 6 - INVERSA - VARIÁVEL Ni
103
Figura 91 - MAF 7 - INVERSA – VARIÁVEL Pb
104
Figura 92 - MAF 8 - INVERSA - VARIÁVEL ROCK
105
Figura 93 - MAF 9 -INVERSA - VARIÁVEL Zn
Os histogramas declusterizados foram calculados pela utilização de médias móveis. A Figura 94

demonstra o tamanho de célula escolhido igual a 1,1.
106
Média declusterizada das variáveis
2.56
2.54
Média dos valores 2.52
2.5
2.48
2.46
2.44
2.42
2.4
0 0.5 1 1.5 2 2.5 3 3.5
Tamanho da célula
Figura 94- Tamanho de célula escolhido para a declusterização
Figura 95- Comparação MAF e declusterização (Variável Cd)
107
Figura 96- Comparação MAF e declusterização (Variável Co)
Figura 97- Comparação MAF e declusterização (Variável Cr)
Figura 98 -Comparação MAF e declusterização (Variável Cu)
108
Figura 99 - Comparação MAF e declusterização (Variável Landuse)
Figura 100- Comparação MAF e declusterização (Variável Ni)
Figura 101- Comparação MAF e declusterização (Variável Pb)
109
Figura 102- Comparação MAF e declusterização (Variável Rock)
Figura 103- Comparação MAF e declusterização (Variável Zn)
A Tabela 20 demonstra as diferenças estatísticas entre as variáveis declusterizadas e da

krigagem pela utilização da metodologia MAF. As estimativas com maior viés apresentadas foram da
variável Cobre e da variável Pb com valores de até 5,00%.
Tabela 20- Diferenças entre as estatísticas das variáveis declusterizadas e da krigagem MAF
VARIÁVEL
VARIÁVEL MAF
DECLSUTERIZADA
SUAVIZAÇÃO
MÉDIA VARIÂNCIA MÉDIA VARIÂNCIA VIÉS
RELATIVA
Cd 1.32 0.7744 1.35 0.28 2.22% 63.84%
Co 9.54 12.1104 9.44 6.5 1.05% 46.33%
Cr 35.8 121 35.52 46.42 0.78% 61.64%
Cu 22.69 420.25 23.8 128.87 4.66% 69.33%
Landuse 2.42 0.6889 2.49 0.2 2.81% 70.97%
Ni 20.4 60.9961 20.59 35.47 0.92% 41.85%
Pb 52.83 891.0225 55.29 311 4.45% 65.10%
Rock 2.52 1.6641 2.583 0.62 2.44% 62.74%
110
Zn 76.12 856.7329 76.37 386.31 0.33% 54.91%
CONCLUSÃO: A utilização da técnica MAF prioriza a independência de fatores sob o quesito espacial
como demonstrado pelos variogramas cruzados calculados no problema. A utilização da técnica permite
a análise de múltiplas variáveis colocadas, mas que exige correlação adequada entre as diversas
variáveis para que se obtenham boas estimativas individuais.
111
9. CONCLUSÃO
A utilização de técnicas multivariadas na geoestatística possui uma gama diversificada de usos

em mineração, considerando que existe a facilidade de obtenção de informações de origens
distintas. Podemos citar entre tipos de informações diferentes tais como a topografia , pó de
perfuratriz, medidas hidrogeológicas, medidas geofísicas, geoquímicas, observação de tipos
litológicos e entre outras variáveis que não necessariamente constam como métodos diretos de
pesquisa como a sondagem diamantada. Ao obter um modelo matemático de correlações não
necessariamente prezamos pela necessidade de aderência física entre os elementos considerados,
mas podemos utilizar informação pobre como um auxílio para a variável primária de interesse.
Assim conseguimos reduzir custos envolvidos na pesquisa mineral e aproveitar os recursos
disponíveis dentro do banco de dados. Considerando que informação precisa e de boa qualidade é
dispendiosa, a utilização das técnicas multivariadas em geoestatística combina a informação de
menor acuracidade envolvendo a sua possibilidade de agregar uma grande quantidade de amostras.
A melhoria da estimação é então conseguida pelo uso de outras informações mais extensivas. As
amostras secundárias poderão inclusive não possuírem o mesmo suporte amostral que as amostras
primárias.
Não somente devemos considerar o quesito do uso da informação, mas além disso a capacidade
dos modelos multivariados permitirem a compatibilidade do balanço de massas entre os diversos
elementos. Eventualmente estimações que não considerarem a correlação entre as variáveis
produzirá valores distorcidos globalmente, ou em outros termos, se houverem n variáveis
somáticas, a estimativa individual de cada uma não produzirá as mesmas características da soma
das n variáveis. O erro de fechamento é muitas vezes natural até mesmo dentro do banco de dados,
logo mesmo que as técnicas multivariadas permitam a redução máxima deste erro, não existe
estimativa que se possa fazer ao qual se corrijam os erros amostrais.
A utilização de geoestatística multivariada ainda permite a resolução de um modelo mais fiel à

realidade, pois permite que não somente os valores estimados sejam compatíveis com as
estatísticas univariadas iniciais, mas que também reproduzam a correlação entre os elementos
considerados. A título de exemplo, depósitos vulcanogênicos maciço sulfetados, aos quais são
presentes minerais sulforosos tais como pirita, galena, esfalerita ou cuprita, geralmente possuem
alta correlação entre os elementos calcófilos tais como cobre, ferro e zinco. As estimativas
individuais dos teores destes elementos não significará a correlação positiva dos teores de cobre,
ferro e zinco.
112
10. Bibliografia
Gerard Aalbersberg, C. K. (2003). A Pleniglacial Fluvial Deposit From the Combe D'Ain (Jura, France).,
(pp. 97-103).
Goovaerts, P. (1997). Geostatistics for natural resources evaluation. Nova Iorque: Oxford.
Larsen, R. (2002). Decomposition using Maximum Autocorrelation Factors. Journal of Chemometrics ,

427-435.
Wackernagel, H. (1995). Multivariate Geostatistics. Fontainebleu: Springer.
113

Avaliação - Geoestatística Multivariada (2015)

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

Avaliação - Geoestatística Multivariada (2015)

Enviado por

Direitos autorais:

Formatos disponíveis

2015

Universidade Federal do Rio

David Alvarenga Drumond

2. USO EXAUSTIVO DA INFORMAÇÃO SECUNDÁRIA .......................................................... 13

4. COKRIGAGEM COLOCADA ............................................................................................. 29

6. KRIGAGEM DOS RESÍDUOS ........................................................................................... 33

7. ANÁLISE DOS COMPONENTES PRINCIPAIS ..................................................................... 35

9. CONCLUSÃO ............................................................................................................... 112

FIGURA 1 - OBJETIVOS PRINCIPAIS DA GEOESTATÍSTICA ......................................................................................................... 8

A geoestatística é a disciplina que cria modelos matemáticos sobre fenômenos

Descrição dos Interpretação Estimativa

Figura 1 - Objetivos principais da geoestatística

A geoestatística multivariada, tal como a geoestatística convencional, tem os mesmos objetivos

No âmbito da mineração, em que o interesse geralmente está no conteúdo metálico e nos

Se os elementos krigados forem estimados separadamente, então há grande chances de que

1. Aumentar o número de amostras consideradas

• Aumentar a confiabilidade de uma estimativa pela utilização de

• Reduzir os custos de exploração pela utillização de informação

• Utilizar informações de diferentes tipos de confiabilidade e suporte.

• Criar modelos com fechamento de variáveis múltiplas

• Identificar influências das variáveis e o comportamento destas nas

Figura 4 - Objetivos da geoestatística multivariada

Tal como na geoestatística convencional, a disponibilidade da informação é um quesito de

Figura 5 - Padrões de disposição espacial da informação

Figura 6 - Metodologias de análise geoestatística multivariada

Algumas metodologias de geoestatística multivariada envolvem a utilização de informação

2.1 Krigagem simples com médias locais

Em (Goovaerts, 1998), a krigagem simples pode ser demonstrada pela Equação1:

Equação 1: Krigagem simples

𝑍(𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢𝛼

𝑚 = 𝑉𝑎𝑙𝑜𝑟 𝑑𝑎 𝑚é𝑑𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢 𝑒 𝑖𝑑ê𝑛𝑡𝑖𝑐𝑜 𝑒𝑚 𝑡𝑜𝑑𝑎 𝑎 𝑟𝑒𝑔𝑖ã𝑜

Equação 2: Krigagem simples com médias locais

𝑍(𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢𝛼

𝑚𝑠𝑘 (𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟 𝑑𝑎 𝑚é𝑑𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢

Equação 3: Incorporação da informação secundária por variável categórica

𝑚𝑠𝑘 (𝑢𝛼 ) = 𝑚é𝑑𝑖𝑎 𝑙𝑜𝑐𝑎𝑙 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎

𝑖(𝑢𝛼 ; 𝑠𝑘 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑐𝑎𝑡𝑒𝑔ó𝑟𝑖𝑐𝑎 𝑑𝑒 𝑢𝑚𝑎 𝑑𝑎𝑑𝑎 𝑐𝑙𝑎𝑠𝑠𝑒 𝑠𝑘

𝑛𝑘 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑜𝑛𝑡𝑜𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑠 𝑝𝑎𝑟𝑎 𝑜 𝑐á𝑙𝑐𝑢𝑙𝑜 𝑑𝑎 𝑚é𝑑𝑖𝑎

𝑧(𝑢𝛼 ) = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑎𝑠 𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎

Equação 4: Média local como uma função da variável secundária

𝑚𝑠𝑘 (𝑢𝛼 ) = 𝑓(𝑦(𝑢))

𝑚𝑠𝑘 (𝑢𝛼 ) = 𝑚é𝑑𝑖𝑎 𝑙𝑜𝑐𝑎𝑙 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎

𝑦(𝑢)) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎

A utilização da informação secundária será de utilidade para encontrar as médias locais da

2.2 Krigagem com tendência externa

Equação 5: Valores da média da variável primária como uma função da secundária

𝑚𝑘𝑒𝑑 (𝑢) = 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑦(𝑢) = 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑖𝑠

𝑚(𝑢) = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑟𝑖𝑚á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢

𝑎0 (𝑢) = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑙𝑖𝑛𝑒𝑎𝑟

𝑎1 (𝑢) = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑎𝑛𝑔𝑢𝑙𝑎𝑟

𝑦(𝑢) = 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎 𝑛𝑜 𝑝𝑜𝑛𝑡𝑜 𝑢

∑ 𝛿𝛼𝑘𝑒𝑑 𝑦(𝑢𝛼 ) = 𝑉𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑦 𝑛𝑜 𝑙𝑜𝑐𝑎𝑙 𝑢

𝛿𝛼𝑘𝑒𝑑 = 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑎 𝑘𝑟𝑖𝑔𝑎𝑔𝑒𝑚

Equação 6: Demonstração da condição de contorno dos ponderadores

𝐸𝑟𝑟𝑜(𝑢) = 𝑍𝑘𝑒𝑑 (𝑢) − 𝑚𝑘𝑒𝑑 (𝑢) − ∑ 𝛿𝛼𝑘𝑒𝑑 [𝑍(𝑢𝛼 ) − 𝑚𝑘𝑒𝑑 (𝑢𝛼 )]

𝐸𝑟𝑟𝑜(𝑢) = 𝐸𝑟𝑟𝑜 𝑑𝑎 𝑒𝑠𝑡𝑖𝑚𝑎𝑡𝑖𝑣𝑎

𝑍(𝑢𝛼 ) = 𝑉𝑎𝑟𝑖á𝑣𝑒𝑙 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑎 𝑛𝑜𝑠 𝑝𝑜𝑛𝑡𝑜𝑠 𝛼

𝑚𝑘𝑒𝑑 (𝑢𝛼 ) = 𝑣𝑎𝑙𝑜𝑟 𝑚é𝑑𝑖𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑝𝑒𝑙𝑎 𝑢𝑡𝑖𝑙𝑧𝑎çã𝑜 𝑑𝑎 𝑣𝑎𝑟𝑖á𝑣𝑒𝑙 𝑠𝑒𝑐𝑢𝑛𝑑á𝑟𝑖𝑎

𝛿𝛼𝑘𝑒𝑑 = 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑑𝑜𝑟𝑒𝑠 𝑑𝑎 𝑘𝑟𝑖𝑔𝑎𝑔𝑒𝑚

𝐸(𝐸𝑟𝑟𝑜(𝑢)) = 𝑚 − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑚𝑦 − ∑ 𝛿𝛼𝑠𝑘 [𝑚 − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑚𝑦 ]

𝑚 − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑚𝑦 = ∑ 𝛿𝛼𝑠𝑘 [𝑚 − 𝑎0 (𝑢) + 𝑎1 (𝑢)𝑚𝑦 ]

Equação 7: Demonstração da condição de estacionaridade

𝑚𝑘𝑒𝑑 (𝑢) = 𝑚𝑘𝑒𝑑 ∗ (𝑢)