Variabilidade Espacial do RQD no Depósito Animas

José Enrique Gutiérrez Ramírez
Variabilidade Espacial do Parâmetro Geomecânico RQD no

PUC-Rio - Certificação Digital Nº 0711194/CA
Depósito Mineral Animas-Peru
Dissertação de Mestrado
Dissertação apresentada como requisito parcial para

obtenção do título de Mestre pelo Programa de Pós-
Graduação em Engenharia Civil da PUC-Rio.
Orientador: Prof. Celso Romanel
Rio de Janeiro
Março de 2009
Variabilidade Espacial do Parâmetro Geomecânico RQD no

Depósito Mineral Animas-Peru
Dissertação apresentada como requisito parcial para

obtenção do grau de Mestre pelo Programa de Pós-

Graduação em Engenharia Civil da PUC-Rio. Aprovada
pela Comissão Examinadora abaixo assinada.
Prof. Celso Romanel

Orientador
Departamento de Engenharia Civil - PUC-Rio
Prof. Sergio Augusto Barreto da Fontoura

Prof. Franklin dos Santos Antunes

Prof. Fernando Saboya Albuquerque Jr

Laboratório de Engenharia Civil - UENF
Prof. José Eugênio Leal

Coordenador Setorial do Centro
Técnico Científico da PUC-Rio
Rio de Janeiro, 27 de Março de 2009.

Todos os direitos reservados. É proibida a reprodução total
ou parcial do trabalho sem autorização da universidade, do
autor e do orientador.

Graduou-se em engenharia na Universidade Nacional de
Engenharia (UNI), em Lima - Peru, no curso de Engenharia
Geológica. Trabalhou em empresas de mineração na área de
modelagem geológica e avaliação de jazidas, com aplicação
de métodos geoestatísticos.
Ficha Catalográfica
Gutiérrez Ramírez, José Enrique
Variabilidade espacial do parâmetro geomêcanico RQD no

depósito Animas - Peru / José Enrique Gutiérrez Ramírez;
orientador: Celso Romanel - Rio de Janeiro: PUC,
Departamento de Engenharia Civil, 2009.
v.,167 f. : il. ; 29.7 cm.
Dissertação (Mestrado em Engenharia Civil)–Pontifícia

Universidade Católica do Rio de Janeiro, Rio de Janeiro,
2009.
Inclui referências bibliográficas.
1. Engenharia civil – Tese. 2. Krigagem ordinária. 3.

Modelagem 3D. 4. Simulação seqüencial Gaussiana. 5.
Modelo de blocos. I. Romanel, Celso. II. Pontifícia
Universidade Católica do Rio de Janeiro. Departamento de
Engenharia Civil. III. Título.
CDD: 624
Agradecimentos
Ao professor Celso Romanel, pela orientação e amizade conquistada.
À minha noiva, Yajaira, agradecido pelo carinho, amor e companheirismo, em

cada dia desses dois longos anos.
Aos meus pais, agradeço por todo o carinho e o incentivo que sempre me
proporcionaram, incondicionalmente.
À minha avó Rosa, a quem sempre tive no meu coração.
Ao Departamento de Engenharia Civil da PUC-RIO pela infraestrutura e

ensinamentos.
À FAPERJ e à PUC-Rio, pelo apoio financeiro.
À mineradora BATEAS SAC pela cessão dos dados utilizados nesse estudo, em
especial “a colaboração dos engenheiros Enrique Velarde e Arturo Salvador.
À Deus, criador de todas as coisas, fonte de fé e esperança.

Resumo
Gutíerrez Ramírez, José Enrique. Romanel, Celso (Orientador).

Variabilidade Espacial do Parâmetro Geomêcanico RQD no Depósito
Mineral Animas-Peru. Rio de Janeiro, 2009. 167p. Dissertação de
Mestrado - Departamento de Civil, Pontifícia Universidade Católica do Rio
de Janeiro.
Esta dissertação desenvolve um estudo sobre a aplicação das técnicas de

modelagem geológica e análises geoestatísticas na avaliação da variabilidade
espacial do parâmetro geotécnico (RQD) no depósito Animas – Peru. O estudo das
cinco litologias presentes no depósito permitirá melhorar o conhecimento da
qualidade do maciço rochoso em regiões não-amostradas. Nesta pesquisa foram

empregados o método da krigagem ordinária, para estimação da variabilidade
espacial, e a simulação seqüencial Gaussiana, para simulação da distribuição dos
valores de RQD. Ambos os resultados foram comparados com um técnica de
estimativa clássica - o método do inverso do quadrado da distância. Verificou-se
que os resultados provenientes do método clássico e da krigagem ordinária são
bastante semelhantes entre si, enquanto que valores produzidos pela simulação
Gaussiana apresentaram acentuadas diferenças em todas as litologias analisadas.
No estudo foram utilizados os programas computacionais Datamine, para
modelagem geológica, e Isatis v.7 para análises geoestatísticas.
Palavras-chave
Krigagem ordinária. Modelagem 3D. Simulação sequencial Gaussiana.
Modelo de blocos.
Abstract
Gutíerrez Ramírez, José Enrique. Romanel Celso (advisor). Spatial

Variability of the Geomechanical Parameter RQD at the Ore Deposit
Animas – Peru. Rio de Janeiro, 2009. 167p. M.Sc. Dissertation –
Departamento de Engenharia Civil, Pontifícia Universidade Católica do Rio
de Janeiro.
This thesis investigates the application of geological modeling techniques

and geostatistical methods for estimation of the spatial variability of the
geotechnical parameter RQD at the ore deposit Animas - Peru. The study of five
different rock layers will permit the improvement of the overall knowledge about
the quality of the rock mass, mainly in the regions where the existence of
experimental samples is limited or not available at all. In this research the ordinary
kriging method was used for studies of spatial variability and the Gaussian
sequential simulation for analysis of the distribution of RQD values throughout the
rock mass. The results of both methods were compared with those calculated on
basis of a classical estimation technique - the method of the inverse of the squared
distances. It was concluded that the values obtained by ordinary kriging and the
classical method are quite similar between themselves but the results with
Gaussian simulation show significant differences in all the rock layers
investigated. In this research the following computational programs were used:
Datamine, for the geologic modeling, and Isatis v.7, for geostatiscal analyses.
Keywords
Ordinary kriging. 3D modeling. Gaussian sequential simulation. Block
model.
Sumário
1 . INTRODUÇÃO 17
1.1 Parâmetro RQD 19
1.2 Variabilidade espacial 21
1.3 Objetivos e estrutura da dissertação 23
2 . LOCALIZAÇÃO, FISIOGRAFIA E GEOLOGIA 24

2.1. Localização 24
2.2. Relevo e cllima 26
2.3. Geologia 25
2.3.1. Formação Sencca 26
2.3.2. Grupo Tacaza 26

2.3.3. Depósitos quaternários 27
2.3.4. Geologia estrutural 28
2.3.5. Gênese e tipo do depósito mineral 28
3 . METODOLOGIAS ESTATÍSTICAS E GEOESTATÍSTICAS 32

3.1. Análise estatística 32
3.1.1. Estatística descritiva 32
3.1.2. Modelos de distribuição de probabilidades 36
3.2. Análise geoestatística 38
3.2.1. Funções aleatórias estacionárias 38
3.2.2. Analises da variabilidade espacial 39
3.2.3. Estimativas clássicas 53
3.2.4. Estimativas geoestatísticas 55
3.2.5. Incertezas geoestatísticas 63
3.2.6. Simulações geoestatísticas 65
4 . MODELAGEM 72
4.1. Banco de dados 73
4.2. Modelagem geométrica e amostragem 74
4.2.1. Metodologia da amostragem do parâmetro RQD 74
4.2.2. Critérios da modelagem geológica 79
4.3. Modelagem numérica 81
4.3.1. Malhas de blocos 82
4.3.2. Regularização 83
4.3.3. Modelagem numérica 86
4.3.4. Validação cruzada 92
4.3.5. Métricas para análises comparativas 94
5 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS 96

5.1. Modelagem geológica da área 96
5.1.1. Modelagem geométrica 101
5.1.2. Modelagem numérica 108
5.2. Estatística básica 115
5.2.1. Estatística descritiva 115
5.2.2. Estatísticas das amostras regularizadas originais e desagregadas 115
5.2.3. Transformação a uma variável normalmente distribuída por litologia 118
5.3. Variografia 119
5.3.1. Determinação dos variogramas experimentais por litologia 119
5.3.2. Modelagem dos variogramas experimentais por litologia 121
5.4. Validação cruzada e vizinhança de estimativa 137
5.4.1. Validação cruzada dos dados originais 137
5.4.2. Validação cruzada dos dados transformados 143
5.5. Análises dos resultados do parâmetro RQD por IQD, OK e SGS 149
5.5.1. Estimativa do RQD pelo método IQD 149
5.5.2. Estimativa do RQD pelo método OK 150
5.5.3. Estimativa do RQD pelo método SGS 150
5.5.4. Comparação dos resultados 151
6 CONCLUSÕES E SUGESTÕES 159

REFERÊNCIAS BIBLIOGRÁFICAS 162

Lista de figuras
Figura 1-1 Modelagem geológica – numérica de formações geológicas . .................. 23

Figura 2-1 Localização da área de estudo. ................................................................. 24
Figura 2-2 Mina Cailloma . .......................................................................................... 25
Figura 2-3 Mapa geológico da mina Cailloma. ............................................................ 27
Figura 2-4 Formação do veio Animas. ........................................................................ 30
Figura 2-5 Formação da caldeira Cailloma. ................................................................ 30
Figura 2-6 Mapa dos veios da mina Cailloma. ............................................................ 31
~ ~ ~
Figura 3-1 Comportamento das medidas de correlação C ( h), ρ ( h), γ ( h) . .................. 42
Figura 3-2 Esquema básico de uma função variograma. ............................................ 43
Figura 3-3 Características do variograma. .................................................................. 45
Figura 3-4 Tipos de anisotropía variográfica; a) geométrica; b) zonal. ........................ 46

Figura 3-5 Modelos variográficos com patamar. ......................................................... 47
Figura 3-6 Modelo aleatório. ....................................................................................... 49
Figura 3-7 Modelo sem patamar. ................................................................................ 50
Figura 3-8 Dessegregação em células ( Isaaks & Srivastava, 1989)........................... 52
Figura 3-9 Potência β do método IQD (Villanueva, 2000). ........................................ 54
Figura 3-10 Método da poligonal a) mediatrizes; b) bissetrizes................................... 55
Figura 3-11 Avaliação de um bloco sub-dividido em 4 sub-blocos ............................. 63
Figura 3-12 Passos para uma simulação. ................................................................... 67
Figura 3-13 Diagrama de Venn................................................................................... 68
Figura 4-1 Fluxo da modelagem (modificado a partir de S. Houlding, 1994). .............. 73
Figura 4-2 Medição de parâmetros geológicos – geotécnicos nas sondagens............ 76
Figura 4-3 Testemunhos serrados longitudinalmente.................................................. 76
Figura 4-4 Procedimentos utilizados para a determinação do RQD ........................... 78
Figura 4-5 Método dos perfis ou das seções (Yamamoto, 1996) ................................ 80
Figura 4-6 Tipos de modelos de blocos ...................................................................... 83
Figura 4-7 Bloco unitário ortogonal ............................................................................. 83
Figura 4-8 Regularização de uma sondagem (Journel & Huijbregts, 1989)................. 84
Figura 4-9 Processo estocástico................................................................................. 87
Figura 4-10 Processo de estimativa através de Krigagem .......................................... 88
Figura 4-11 Processo de simulação geoestatística – SGS.......................................... 89
Figura 4-12 Volume de busca ..................................................................................... 90
Figura 4-13 Bloco discretizado.................................................................................... 92
Figura 5-1 Sondagens efetuadas no veio Animas....................................................... 97
Figura 5-2 Vista vertical (Leste-Oeste) das sondagens efetuadas no veio Animas ..... 98
Figura 5-3 Vista vertical (Norte-Sul) das sondagens efetuadas no veio Animas.......... 98
Figura 5-4 Niveis 7,8 e 9 do veio Animas.................................................................... 99
Figura 5-5 Zonas de falha no nível 7........................................................................... 99
Figura 5-6 Zonas de falha no nível 8......................................................................... 100
Figura 5-7 Zonas de falha do nível 9......................................................................... 100
Figura 5-8 Topografia 3D da área de produção ........................................................ 104
Figura 5-9 Modelo geológico AGV ............................................................................ 105
Figura 5-10 Modelo geológico ANDPORF ................................................................ 105
Figura 5-11 Modelo geológico BX ............................................................................. 105
Figura 5-12 Modelo geológico TBLP......................................................................... 106
Figura 5-13 Modelo geológico das zonas de falha do veio Animas ........................... 106
Figura 5-14 Modelo geológico V e suas zonas de falha ............................................ 107
Figura 5-15 Conjunto de modelos geológicos ........................................................... 107

Figura 5-16 Amostras regularizadas da litologia AGV ............................................... 109
Figura 5-17 Amostras regularizadas da litologia ANDPORF ..................................... 109
Figura 5-18 Amostras regularizadas da litologia BX.................................................. 110
Figura 5-19 Amostras regularizadas da litologia TBLP.............................................. 110
Figura 5-20 Amostras regularizadas da litologia V .................................................... 110
Figura 5-21 Malha de blocos da litologia AGV .......................................................... 112
Figura 5-22 Malha de blocos da litologia ANDPORF................................................. 113
Figura 5-23 Malha de blocos da litologia BX ............................................................. 113
Figura 5-24 Malha de blocos da litologia TBLP ......................................................... 114
Figura 5-25 Malha de blocos da litologia V ............................................................... 114
Figura 5-26 Histograma das amostras da litologia AGV ...........................................116
Figura 5-27 Histograma das amostras da litologia ANDPORF .................................. 116
Figura 5-28 Histograma das amostras da litologia BX............................................... 117
Figura 5-29 Histograma das amostras da litologia TBLP ......................................... 117
Figura 5-30 Histograma das amostras da litologia V ................................................. 118
Figura 5-31 Rotação de eixos – variograma direcional ............................................. 121
Figura 5-32 Variograma omnidirecional da litologia AGV .......................................... 122
Figura 5-33 Variograma omnidirecional da litologia ANDPORF ................................ 122
Figura 5-34 Variograma omnidirecional da litologia BX............................................. 123
Figura 5-35 Variograma omnidirecional da litologia TBLP......................................... 123
Figura 5-36 Variograma omnidirecional da litologia V ............................................... 124
Figura 5-37 Variograma omnidirecional da litologia AGV .......................................... 125
Figura 5-38 Variograma omnidirecional da litologia ANDPORF ................................ 125
Figura 5-39 Variograma omnidirecional da litologia BX............................................. 126
Figura 5-40 Variograma omnidirecional da litologia TBLP......................................... 126
Figura 5-41 Variograma omnidirecional da litologia V ............................................... 127
Figura 5-42 Variograma na direção 1 da litologia ANDPORF.................................... 128
Figura 5-45 Variograma na direção 1 da litologia TBLP ............................................ 129
Figura 5-47 Variograma na direção 3 da litologia TBLP ........................................... 130
Figura 5-48 Variograma na direção 1 da litologia V .................................................. 131
Figura 5-51 Variograma na direção 1 da litologia ANDPORF................................... 133

Figura 5-60 Validação cruzada das amostras da litologia AGV................................. 139
Figura 5-61 Validação cruzada das amostras da litologia ANDPORF ....................... 140
Figura 5-62 Validação cruzada das amostras da litologia BX.................................... 141
Figura 5-63 Validação cruzada das amostras da litologia TBLP ............................... 142
Figura 5-64 Validação cruzada das amostras da litologia V...................................... 143
Figura 5-65 Validação cruzada das amostras transformadas (AGV) .........................145
Figura 5-66 Validação cruzada das amostras transformados (ANDPORF) ............... 146
Figura 5-67 Validação cruzada das amostras transformados (BX)............................ 147
Figura 5-68 Validação cruzada das amostras transformados (TBLP) ....................... 148
Figura 5-69 Validação cruzada das amostras transformados (V)...............................149
Figura 5-70 Distribuição do RQD na litologia AGV.................................................... 153
Figura 5-71 Distribuição do RQD na litologia ANDPORF .......................................... 154
Figura 5-72 Distribuição do RQD na litologia BX....................................................... 154
Figura 5-73 Distribuição do RQD na litologia TBLP .................................................. 155
Figura 5-74 Distribuição do RQD na litologia V ......................................................... 155
Lista de Tabelas
Tabela 1-1 Programas para modelagem geológica – geoestatística .............................. 24

Tabela 4-1 Classificação do índice RQD ..................................................................... 78
Tabela 5-1 Campos da base de dados da mineradora Bateas ........................................ 96
Tabela 5-2 Características dos perfis verticais ........................................................... 102
Tabela 5-3 Características dos perfis horizontais ....................................................... 103
Tabela 5-4 Número de amostras por códigos litológicos........................................... 103
Tabela 5-5 Número de amostras regularizadas por código litológico ......................... 108
Tabela 5-6 Características do modelo da litologia AGV ............................................ 111
Tabela 5-7 Características do modelo da litologia ANDPORF .................................. 111

Tabela 5-8 Características do modelo da litologia BX ............................................... 111
Tabela 5-9 Características do modelo da litologia TBLP ........................................... 112
Tabela 5-10 Características do modelo da litologia V................................................ 112
Tabela 5-11 Estatística descritiva das amostras regularizadas ................................... 115
Tabela 5-12 Comparação entre valores originais e estimativas Gaussianas ................ 119
Tabela 5-13 Parâmetros utilizados na determinação do variograma experimental ...... 119
Tabela 5-14 Parâmetros utilizados na determinação dos variogramas direcionais ...... 120
Tabela 5-15 Atitude dos variogramas direcionais ..................................................... 120
Tabela 5-16 Modelos variográficos omnidirecionais - dados originais....................... 121
Tabela 5-17 Modelos variográficos omnidirecionais - dados transformados. ............. 124
Tabela 5-18 Modelos variográficos direcionais – dados originais .............................. 127
Tabela 5-19 Modelos variográficos direcionais – dados transformados ..................... 132
Tabela 5-20 Volume de busca por código litológico.................................................. 137
Tabela 5-21 Características das amostras utilizadas na estimativa (OK-IQD) ............ 138
Tabela 5-22 Número de sub-blocos por código litológico.......................................... 138
Tabela 5-23 Coeficiente de correlação por código litológico ..................................... 138
Tabela 5-24 Estatística do erro reduzido (ER) por código litológico .......................... 138
Tabela 5-25 Volume de busca por código litológico.................................................. 144
Tabela 5-26 Características do número de amostras na estimativa de KS................... 144
Tabela 5-27 Número de sub-blocos por código litológico.......................................... 144
Tabela 5-28 Coeficiente de correlação por código litológico ..................................... 144
Tabela 5-29 Estatística do erro reduzido (ER) por código litológico .......................... 144
Tabela 5-30 Estatística descritiva do RQD estimados pelo método IQD .................... 150
Tabela 5-31 Estatística descritiva do RQD estimados com o método OK .................. 150
Tabela 5-32 Estatística do RQD simulados pelo SGS (50 simulações) ...................... 150
Tabela 5-33 Estatística do RQD simulados pelo SGS (100 simulações)..................... 151
Tabela 5-34 MAPE com o RQD obtido pela OK ...................................................... 152
Tabela 5-35 MAPE modificando os modelos variográficos no método SGS.............. 152
Tabela 5-36 MAPE modificando a vizinhança no método SGS ................................. 152
Lista de símbolos
Caracteres latinos
a - Amplitude variográfica nos modelos de variograma
A - Amplitude dos dados na análise estatística
C - Patamar dos modelos variográficos
Cov - Covariância
C
AA - Covariância entre os pontos na área A
C
UV - Covariância entre as variáveis U e V
C (h) - Função covariância
C0 - Efeito pepita nos modelos variográficos
Cov - Covariância espacial entre duas variáveis
CV - Coeficiente de variação
di - Distancia do centro do bloco à amostra
DG - Desvio geométrico
E {V (x )} - Valor esperado da variável V
f(x) - Função densidade de probabilidade
h - Distância entre dois pontos de amostragem

k - Coeficiente percentílico de curtose
m - Média aritmética das amostras
M - Mediana de um conjunto de dados
MG - Média geométrica
n - Número de dados nas análises estatísticas
p - Fator de ponderação em técnica de dessegregação.
Pr - Probabilidade de ocorrência de um evento

Qn - Quartis de uma distribuição
R(x0) - Erro da estimação
si - Área poligonal
v1 , ... , vn - Valores amostrados
V - Estimativas da variável regionalizada V
^
V - Valor estimado da variável V
~
VA - Valor estimado da área A
~
V dados ( x) - Valor estimado com krigagem simples
~
V sim - Valor simulado condicionado
~
V ucsim - Valor simulado não-condicionado
Var - Variância
X - Variável contínua
wi - Fatores de ponderação
Caracteres gregos
λ - Valor esperado de uma distribuição
λ0 - Fator de ajuste da estimativa
σ - Desvio padrão populacional
σ2 - Variância populacional
σ OK
2
- Variância da krigagem Ordinaria
σ R
2
- Variância dos erros da krigagem
σ SK
2
- Variância da krigagem simples
φ(A, íc) - Distribuição espacial de probabilidades
µ - Média aritmética populacional no modelo de distribuição normal
µ1, µ2 - Multiplicadores de Lagrange
ρ(h) - correlograma
γ(h) - Função variograma
γUV(h) - Função variograma cruzado das variáveis U e V
& - Valor proporcional constante

1.
INTRODUÇÃO
O conceito de “estimação” em ciências geológicas teve sua origem há centenas de

anos quando os povos primitivos emitiam opiniões a respeito da distribuição de
minérios em jazidas a partir de conjecturas baseadas em aspectos visuais (cor, brilho),
forma do minério, peso e outras medidas empíricas.
Com o surgimento da Química Analítica e o desenvolvimento das matemáticas,

vários métodos de estimação para cubagem de jazidas minerais foram propostos, alguns
dos quais, conhecidos como métodos clássicos, são até hoje usados como o método dos
polígonos, o método da triangularização, o método dos inversos das distâncias

ponderadas, o método das curvas de isovalores, entre outros.
Os métodos clássicos são limitados na avaliação da variabilidade espacial das

amostras e omissos quanto à quantificação dos erros que inevitavelmente se cometem
no processo.
A formação de materiais geológicos é um fenômeno natural complicado onde

vários fatores complexos, físicos e químicos, interagem simultaneamente. Em
consequência, a estimativa da continuidade espacial de parâmetros geotécnicos ou de
seus indicadores (índice RQD, como neste trabalho) é bastante difícil de ser realizada,
salvo nos casos em que idealizações, como a hipótese de homogeneidade, são
introduzidos para facilitar (ou muitas vezes permitir) o desenvolvimento analítico do
modelo.
Métodos geoestatísticos, classe particular dos métodos estocásticos, foram

desenvolvidos na década de 60 pelo engenheiro francês Matheron (1962, 1970) para o
estudo de variáveis regionalizadas, onde considerações sobre a continuidade no espaço
são essenciais para o sucesso das estimativas. Nos métodos geoestatísticos, baseados na
teoria de funções aleatórias, sobressai o conceito de “variograma” que expressa a
correlação entre pares de “pontos” (valores da variável amostrados em diferentes
posições) e não encara o valor do “ponto” de maneira isolada, capturando, desta forma,
informações sobre a variabilidade espacial como direções e distâncias de continuidade.
19
Métodos geoestatísticos de estimação baseados em variogramas, chamados de métodos

de krigagem, não apresentam viés de estimativas (“bias”) e garantem que as variâncias
dos erros de estimação são mínimas.
Geoestatística, inicialmente utilizada em áreas da engenharia de minas e geologia,

é hoje amplamente empregada em diversos outros campos de conhecimento como na
engenharia florestal, hidrogeologia, engenharia de petróleo, geografia, engenharia
ambiental, ecologia, etc.
Nos empreendimentos envolvendo minas subterrâneas é importante definir-se a

distribuição espacial das litologias que formam um depósito mineral, com o propósito
de melhorar o fluxo de informações entre as áreas de geologia e da engenharia de
mineração, buscando tornar a exploração mais eficiente sob os pontos de vista técnico,
operacional, econômico e da conservação do meio ambiente.
1.1
Parâmetro RQD
Durante a fase inicial de um projeto, as informações sobre os parâmetros da

rocha, relacionados com sua resistência mecânica e características hidrogeológicas,
devem estar disponíveis, sendo que a utilização de um sistema de classificação, segundo
critérios geomecânicos, auxilia de forma considerável a interpretação da estabilidade do
maciço rochoso (Hoek, 2000).
As massas rochosas apresentam-se geralmente afetadas por uma série de planos
de descontinuidade, ou de fraqueza, que separam os blocos da matriz rochosa. Segundo
Soares (1998), a disposição arquitetural ou arranjo espacial das rochas, ou porções
delas, e como se relacionam entre si, é definido como estrutura do maciço rochoso.
Como meio descontínuo, os maciços apresentam um comportamento bastante complexo
que, de uma forma simplificada, pode ser estudado e classificado em função de suas
características para diferentes aplicações. Com este propósito, surgiram as classificações
geomecânicas que fornecem índices de qualidade, mediante a observação direta das
características dos maciços através da execução de ensaios simples.
O Rock Quality Designation (RQD) foi introduzido como índice de qualidade da
rocha, numa época – década de 1960 - em que informações sobre qualidade eram
20
disponíveis somente através de descrições geológicas e pelo percentual do testemunho

recuperado (Deere & Deere 1987).
Deere (1963) publicou um texto intitulado Technical Description of Cores for
Enginneering Purposes onde antecipava o conceito de RQD, formalmente definido em
1967, juntamente com colegas da universidade de Illinois, como uma estimativa
quantitativa da qualidade do maciço rochoso através de testemunhos obtidos por
sondagens (Deere & Deere, 1988). Neste processo, a International Society for Rock
Mechanics (ISRM, 1978) recomenda a utilização de barriletes duplos livres, de
diâmetro mínimo NX (54,7mm), com um comprimento não superior a 2m.
O uso do RQD como uma medida geomecânica para a classificação de maciços de
rocha fraturado é comumente usado por duas razões principais: a primeira é que se trata
de uma medida relativamente fácil de ser obtida, a segunda é que se trata de um
parâmetro universalmente aceito, permitindo comparações de medidas determinadas em
diferentes lugares do mundo (Harrison, 1999). Entretanto, o RQD isoladamente não é

suficiente para produzir uma descrição completa do maciço rochoso, por desconsiderar
fatores como orientação da descontinuidade, tipo de preenchimento da descontinuidade,
estado de tensão, etc. Com o decorrer do tempo, o RQD passou a ser empregado em
outros sistemas de classificação como o RMR, Q e SRC.
O RMR é um sistema de classificação geomecânica proposto por Bieniawski
(1989) que leva em consideração os seguintes parâmetros: resistência à compressão
simples, RQD, espaçamento das descontinuidades, padrão das descontinuidades,
influência da água subterrânea e a orientação relativa das descontinuidades. Com base
no valor do RMR, é possível inferir o tempo de auto-sustentação de um maciço, bem
como propor características da seção de escavação e dos métodos de suporte
recomendados.
A partir da compilação de mais de 200 casos históricos de obras de escavações
subterrâneas, Barton et. al. (1974) propuseram um novo sistema para quantificar o
comportamento geomecânico de maciços rochosos - o sistema de classificação Q do
Instituto Geotécnico da Noruega. Neste sistema, o parâmetro RQD representa a
densidade de descontinuidades por volume unitário de maciço.
A classificação geomecânica SRC foi desenvolvida por Gonzáles de Vallejo
(1985) e está baseado no RMR, considerando adicionalmente o estado de tensão do
maciço rochoso, as condições construtivas do túnel e a utilização de dados determinados
21
em afloramentos. O SRC aplica um fator de correção ao RQD, dependendo do estado de

tensão na fratura (compressão, extensão) e do grau de alteração das descontinuidades.
O parâmetro RQD também é considerado em algumas classificações
geomecânicas para taludes como o índice SMR proposto por Romana (1997).
1.2
Variabilidade espacial
Parâmetros geomecânicos são determinados com base em amostras espacialmente

distribuídas na região de interesse. Para estudar as características da variabilidade
espacial desses parâmetros entre os pontos de amostragem têm sido aplicado, nos
últimos anos, métodos geoestatísticos de análise.
Houlding (1994) propôs uma metodologia para a caracterização geotécnica do
maciço rochoso de uma usina hidroelétrica, mostrando as vantagens que se obtém,

através de uma visualização 3D, no projeto de uma escavação do entendimento do
relacionamento espacial existente entre falhas e fraturas.
Gonzaga (1996) realizou uma análise da variabilidade espacial das propriedades
mecânicas de um maciço rochoso a partir de medições in situ, investigando a variação
do módulo de elasticidade longitudinal e da resistência à compressão axial em uma área
do maciço rochoso gnáissico da vertente norte do morro Santa Marta, na cidade do Rio
de Janeiro.
Xavier (1999) estudou a variação espacial do número de golpes do ensaio SPT
(Standard Penetration Test) e do perfil do subsolo da Usina Nuclear Angra 2, no Rio de
Janeiro. Foram realizadas análises geoestatísticas a 15 diferentes níveis de
profundidade, com base em resultados de sondagem em 111 furos, numa área de 400m2.
Ayalew, L & et. al. (2001) realizaram a caracterização de um maciço rochoso
alterado na usina Gilgel Gibe (Etiópia) aplicando técnicas geoestatísticas. O parâmetro
geotécnico considerado foi o RQD e o método geoestatístico empregado foi a krigagem
ordinária. Embora os dados disponíveis fossem bastante limitados (apenas 6 sondagens)
as estimativas previstas se aproximaram bastante dos valores reais, segundo aqueles
autores.
Redondo (2003) fêz um análise da variabilidade espacial do parâmetro RQD no
depósito São Francisco (Mato Grosso) sem distinção dos diferentes tipos de rocha.
22
Nesse estudo analisou-se a variabilidade do parâmetro RQD em planos bidimensionais

localizados a diferentes profundidades, com base no método da krigagem ordinária.
Exadaktylos., Stavropoulou et al. (2007) analisaram a variabilidade espacial do
parâmetro RMR também com auxílio de krigagem ordinária. A partir de correlações
empíricas estimaram o módulo de elasticidade longitudinal com base no parâmetro
RMR e utilizaram a malha de blocos para criar uma malha de elementos finitos para
análises tensão – deformação de dois túneis localizados nos Alpes. O trabalho mostra as
vantagens da associação de métodos geoestatísticos com o método dos elementos finitos
nas análises de engenharia.
Exadaktylos, Stavropoulou et al. (2008) estudaram também a variabilidade
espacial do parâmetro RMR e Q, obtidos em campo a partir de uma relação empírica
com a energia específica de um equipamento TBM. A estimativa do RMR e Q em
locais não amostrados foi feita através de krigagem ordinária em um túnel do metrô de
Barcelona (Espanha) e um túnel situado em Hong Kong (Mai Foo Station. Os autores
enfatizaram a grande utilidade prática da caracterização de maciços rochosos com
auxílio de métodos geoestatísticos.
Exadaktylos e Stavropoulou (2008) analisaram a variabilidade espacial de
parâmetros de maciço rochoso RMR implementando o método de krigagem ordinária
no programa computacional FLAC 3D. Correlacionando os valores estimados de RMR
com o módulo de elasticidade longitudinal e do coeficiente de Poisson, os autores
realizaram análises de tensão pelo método dos elementos finitos em várias formações
geológicas da Espanha, com resultados como aqueles ilustrados na figura 1.1.
Na literatura, muitas das análises envolvendo modelagem geológica e
geoestatística são executadas através de programas computacionais comerciais. Dentre
os mais populares, com suas características principais, listam-se os da tabela 1.1.
Tabela 1-1 Programas computacionais comerciais para modelagem geológica –

geoestatística.
Ferramentas incluidas
Programa Empresa Área de aplicação Modelagem Geoestatística
GOCAD Nancy School of Geology Petróleo Sim Sim
SURPAC Gemcom Software International Inc. Mineração Sim Sim
ISATIS Geovariances Mineração/Petróleo Não Sim
ISATOIL Geovariances Petróleo Não Sim
PETREL Schlumberger Petróleo Sim Sim
DATAMINE Datamine Corporate Ltda. Mineração Sim Sim
MINESIGHT Mintec Inc. Mineração Sim Sim
GEMS Gemcom Software International Inc. Mineração Sim Sim
VULCAM Maptek Pty Ltda Mineração Sim Sim
23
Figura 1-1 Modelagem geológica – geoestatística de formações geológicas da Espanha

(Exadaktylos e Stavropoulou, 2008).
1.3
Objetivos e estrutura da dissertação
O objetivo principal desta dissertação é apresentar uma modelagem geológica e

geoestatística do veio Animas e de suas rochas encaixantes em uma zona de extração
mineral localizada no sul do Peru.
Dentre os métodos geoestatísticos, são empregados a krigagem ordinária e a
simulação seqüencial Gaussiana, comparando-se seus resultados com um método
clássico de estimativa – o método do inverso do quadrado das distâncias – com o
propósito de verificar qual deles é o mais adequado para simular as características de
variabilidade espacial dos materiais que foram o veio Animas.
Este trabalho foi subdividido na seguinte estrutura de capítulos:
Capítulo 2 - descreve a área em estudo, apresentando diversos aspectos
fisiográficos (localização, clima, relevo) e as características principais da geologia local.
24
Capítulo 3 - apresenta informações sobre metodologias geoestatísticas, incluindo

definições de variograma e processos de estimativa baseados em krigagem ordinária,
krigagem simples e simulação sequencial gaussiana.
Capitulo 4 apresenta a modelagem espacial do veio Animas com base no índice

geotécnico RQD e o capítulo 5 é dedicado às conclusões do trabalho e sugestões para
pesquisas futuras.
.
25
2.
LOCALIZAÇÃO, FISIOGRAFIA E GEOLOGIA
2.1.
Localização
O depósito mineral Animas encontra-se na província de Cailloma, no estado de

Arequipa, ao sul do Peru. A área está definida pelas longitudes oeste 83º 12' a 83º 20',
latitude norte 19º 20' a 20º 00'. Nas direções sudeste, norte e noroeste está cercada pelos
Andes ocidentais, com os pontos geográficos mais elevados atingindo altitudes de 4600
a 4800 metros.
A mina é propriedade da Mineração Bateas SAC, empresa do grupo Fortuna

Silver Mines Inc., desde 2005, e de onde são extraídos e processados minérios de prata,
chumbo e zinco.
Figura 2-1 Localização da área de estudo.

26
2.2.
Relevo e clima
O sítio é cercado por encostas íngremes, compostas principalmente por rochas

vulcânicas, As encostas onde se encontra a área de produção possuem declividades
entre 45º e 70º (Figura 2-2). Os principais agentes de intemperismo são a água e o
clima, com a decomposição das rochas e sua movimentação até o pé das montanhas. O
clima se caracteriza por fortes variações de temperatura, atingindo 24 ºC ao meio dia e
declinando abaixo de 0ºC à noite. A vegetação é quase inexistente, salvo pela
ocorrência das espécies Ichu e Yareta, plantas andinas típicas.
Figura 2-2 Mina Cailloma (Mineração Bateas SAC do Peru).
2.3.
Geologia
As rochas vulcânicas da zona de estudo pertencem à formação Sencca e ao grupo

Tacaza, datado em 19 milhões de anos do período Terciário. Além destas litologias, há
ocorrência também de depósitos Quaternários.
27
2.3.1.
Formação Sencca
A formação Sencca é composta por uma série de tufos vulcânicos, do tipo dacitico
a riolítico do Terciário Superior, estratificada em clastos vulcânicos. Nesta zona a
formação Sencca está em discordância angular, sobre o grupo Tacaza e sob o grupo
Barroso. Os tufos vulcânicos são do tipo efusivo e a cor varia do creme ao rosado. Na
montanha San Antonio a formação Sencca tem uma seqüência de tufos explosivos e de
cinza estratificada, observando-se na parte superior tufos compactados.
Petrograficamente as rochas desta formação classificam-se como tufos com textura
vitroclástica, piroclástica e brechóide.
2.3.2.
Grupo Tacaza
No grupo Tacaza observam-se duas formações: Orcopampa e Ichocollo, esta

última formação presente em 65% da área deste estudo.
Formação Orcopampa
Formação composta por brechas e lavas vulcânicas cinzas verdes e roxas, de
composição geralmente andesítica e por tufos Lapilli. Segundo estudos geológicos
regionais, tem espessura média de 2.300 metros (Davila, 1988), embora na área em
estudo a espessura seja de apenas 1000 metros. Petrograficamente tem uma estrutura
brechóide, textura porfirítica com uma alta porcentagem de K-feldspato. A formação
Orcopampa encontra-se em discordância angular com as formações mesozóicas.
Formação Ichocollo
Esta formação caracteriza a última etapa do vulcanismo Tacaza,
fundamentalmente composta por lavas de dacitos, na base, e lavas andesíticas a
andesíticas-basálticas, na parte superior, variando de cor cinza a cinza escuro.
28
Figura 2-3 Mapa geológico da mina Cailloma.
2.3.3.
Depósitos quaternários
Os depósitos mais recentes estão representados por detritos aluviais e materiais

produzidos por movimentos de massas. O material destes depósitos é composto por
pedregulho, areia e silte, com matriz areno-siltosa. Encontram-se principalmente nas
29
calhas de rios mas também em áreas de afloramento de depósitos morênicos e glacio-

fluviais.
2.3.4.
Geologia estrutural
A zona de pesquisa foi afetada pela fase Quechua da tectônica Andina, que afetou
as rochas do vulcânicas do grupo Tacaza em duas etapas: a primeira, de dobramento,
causando dobras amplas na direção NO-SE com mergulho de 10º a 20º devido à
subdução da placa de Nazca sob a placa continental (Figura 2-5 a), e a segunda de
fraturamento e falhamento, que deu origem a falhas transcorrentes e fraturas por tração
(Figura 2-5 b). As falhas transcorrentes têm direção NO-SE e NE-SO, as primeiras se
movimentando para a esquerda e as segundas para a direita, produzindo uma
compressão na direção Leste-Oeste. As fraturas de tração na área da mina Cailloma têm

uma direção Norte 40º - 55º Leste e um mergulho entre 40º e 65º ao Sul-Leste.
No momento da subsidência da caldeira vulcânica foram geradas falhas normais
com direção NO-SE, ao final do vulcanismo da formação Sencca.
2.3.5.
Gênese e tipo do depósito mineral
O tipo de depósito mineral está classificado como hidrotermal (low sulphidation),

com mineralização econômica de prata, chumbo e zinco, além de ter baixos teores de
ouro e cobre. Esta jazida está relacionada com a formação de uma caldeira vulcânica
(Figura 2-5).
Nos depósitos hidrotermais as rochas hospedeiras geralmente mostram efeitos da
reação como os fluidos hidrotermais, com possíveis mudanças de cor, textura,
mineralogia e na composição química da rocha.
As principais características deste tipo de jazidas é que se encontram preenchendo
fraturas, principalmente em rochas vulcânicas. Apresentam metais preciosos Ag e Au,
associado a metais básicos como Pb e Zn na parte inferior do depósito, como também
quartzo, rodonita, adularia e alguns carbonatos, principalmente.
A deposição mineral tem um relacionamento direto com a queda do gradiente de
temperatura (próximo à superfície) e a influência das águas meteóricas.
30
Em fins do Mioceno, após a fase Quechua, ocorreu uma forte erosão que gerou a
formação de uma paleo-superficie, e posteriormente o vulcanismo Sencca de tipo
Riolito-dacito. A seqüência da formação da caldeira está relacionada com os seguintes
eventos:
• Formação da anticlinal Cailloma-Chivay.
• Formação de falhas transcorrentes antes das rupturas da fase Quechua.
• Erupção e deposição da formação Sencca.
• Subsidência da caldeira Cailloma, que ocorreu ao final do vulcanismo Sencca, que
produziu um fraturamento na zona norte e sul da caldeira, regiões com a maior
concentração da mineralização.
• A intrusão de um dique ígneo (intrusão secante), principalmente riolita (etapa B
da Figura 2-4) ocorreu antes da ascensão dos fluidos hidrotermais da parte baixa
da caldeira (etapa C da Figura 2-4). Esta mineralização ocasionou uma alteração

hidrotermal da riolitia (silicificação, principalmente).
• A intrusão secante representa um grupo de corpos íntrusivos que coincidem com a
forma das fraturas. Estas fraturas geralmente decorrem da tração das rochas
vulcânicas. Se estas estiverem abertas, o magma pode preenchê-la, como
também o magma pode ampliar a abertura das fraturas. As rochas vulcânicas
adjacentes comprimem-se e compactam-se neste processo (V. Belousov, 1979).
O veio contém sulfetos e sulfossais com altos teores de prata nas regiões mais
altas do depósito e com valores de chumbo e zinco nos níveis mais baixos. O
veio tem como rochas encaixantes as rochas da formação Orcopampa e a
estrutura quartzo-calcita ocorreu em uma fratura por tração, já que não existem
evidências de um movimento dos blocos. Esta é uma característica comum nos
veios que se encontram na Minera Bateas (Figura 2-6).
Outra característica importante é que comprimento inferido das fraturas e falhas

(no veio Animas), as quais têm sido estimadas pelos geólogos entre 10 a 20m (segundo
o geólogo Jesús Puente). A direção média da veio é N 40º E, com mergulho 45º SE e
espessura média de 4 metros.
31
Figura 2-4 Formação do veio Animas.
Figura 2-5 Formação da caldeira Cailloma.

32
Figura 2-6 Mapa dos veios da mina Cailloma.

33
3.
METODOLOGIAS ESTATÍSTICAS E GEOESTATÍSTICAS
3.1.
Análise Estatística
A execução de análises estatísticas básicas é tarefa praticamente obrigatória no

tratamento de amostragens e no processamento de quantidades significativas de dados
ou de variáveis. Além de possibilitarem classificação e depuração do conjunto amostral,
permitem também análises interpretativas quanto aos modelos de distribuição de
probabilidades, correlações e ajustes de funções de regressão.
3.1.1.
Estatística Descritiva
Os dados obtidos por amostragem podem ser descritos e analisados através de

estatísticas que são úteis para a caracterização das distribuições de freqüência e para a
realização de inferências sobre a população. As medidas estatísticas que descrevem as
distribuições de freqüência podem ser classificadas em 3 grupos:
3.1.1.1.
Medidas de localização na distribuição
Média aritmética(m).-Valor típico de um conjunto de n dados Xi, representada por :

1 n
m= ∑ Xi
n i =1
(3-1)
Moda. - Valor que ocorre com mais freqüência em um conjunto de dados, ou seja, o
valor mais comum. A moda pode não existir, e mesmo que exista, pode não ser única.
Mediana(M).- valor médio de um conjunto de dados ordenados por ordem de grandeza.

Metades dos valores estão acima da mediana e metade dos valores abaixo. A mediana
dos dados ordenados pode ser calculada como:
34
Se n é ímpar
M = X n +1 (3-2)
2
Se n é par
1 
M =  X n + X n  (3-3)
2 2 2 
+1
Tanto a média quanto a mediana são medidas de localização do centro de

distribuição. A média, no entanto, é muito mais sensível a presença de altos ou baixos
valores erráticos.
Quartis (Q1 Q2 Q3). - Da mesma forma que a mediana divide o conjunto de dados
ordenados em duas metades, os quartis o dividem em 4 partes iguais. São representados
por Q1, Q2 e Q3, correspondentes ao primeiro, segundo e terceiro quartil,

respectivamente. Notar que M = Q2, podendo-se definir, de maneira similar, decis e
percentis que dividem o conjunto de dados em 10 ou 100 partes iguais, respectivamente.
3.1.1.2.
Medidas de dispersão
Variância ( σ 2 ) - Corresponde à média das diferenças quadráticas dos valores

observados em relação à sua média,
1 n
σ2 = ∑
n i =1
( X i − m )2 (3-4)
Por envolver diferenças ao quadrado, a variância é sensível a altos valores

erráticos.
Desvio padrão ( σ ) - Representado pela raiz quadrada da variância. É frequentemente

usado em vez da variância porque sua unidade é a mesma das variáveis sendo descritas.
Amplitude semi-interquartílica (Q). - Definida por
1
Q= (Q3 − Q1 ) (3-5)
2
35
A amplitude semi-interquartílica, ao contrário da variância e do desvio-padrão,

não usa a média como centro da distribuição, podendo ser escolhida como medida de
dispersão nos casos em que valores erráticos extremos influenciam a média do conjunto.
Outras medidas de dispersão podem também ser definidas, como a amplitude
interquartílica (Q3 – Q1), a amplitude total (diferença entre os valores extremos da
distribuição) e a amplitude entre os percentis 10 e 90.
3.1.1.3.
Medidas de forma
Coeficiente de assimetria - Indica a simetria da distribuição de freqüências, definido

por:
3
1 n ( X − m)
Assimetria = ∑ i 3 (3-6)
n i =1 σ
O coeficiente de assimetria sofre a influência de valores erráticos extremos mais

do que a média ou a variância. Frequentemente não se usa o valor do coeficiente de
assimetria, mas apenas o seu sinal como medida de forma da distribuição.
Assimetria positiva: com cauda da distribuição mais longa à direita do valor máximo,
tornando a mediana menor do que a média.
Assimetria negativa: se o inverso ocorrer.
Assimetria nula: io histograma é (aproximadamente) simétrico e a média e mediana
são (aproximadamente) coincidentes.
Medidas de assimetria também podem ser definidas em relação à diferença entre a

média e a moda (primeiro coeficiente de assimetria de Pearson) ou entre a média e a
mediana (segundo coeficiente de assimetria de Pearson).
Coeficiente de curtose. - Avalia o grau de achatamento de uma distribuição em relação

a uma distribuição normal.
4
1 n ( X i − m)
Curtose = ∑ σ4
n i =1
(3-7)
Curtose > 3, distribuição apresentando pico relativo mais alto (leptocúrtica);

36
Curtose < 3, distribuição com topo achatado (platicúrtica);

Curtose = 3, distribuição com a mesma forma da distribuição normal.
Outra medida de curtose também pode ser empregada, baseada na amplitude

semi- interquartílica Q e nos percentis 10 (P10) e 90 (P90), e conhecida como coeficiente
percentílico de curtose (k).
Q
k= (3-8)
P90 − P10
Para uma distribuição normal k = 0, 263.
Coeficiente de variação (CV): constitui uma medida de dispersão relativa e também é

uma alternativa para avaliar a simetria das distribuições, primariamente usada nas
distribuições cujos valores sejam todos positivos e cuja assimetria seja também positiva.
σ
CV = (3-9)
m
Valores de CV > 1 podem indicar a presença de valores erráticos extremos nas

amostras, com significativo impacto nas estimativas finais.
Os coeficientes que avaliam a forma da distribuição, são usualmente empregados
para verificar a configuração da amostra em relação à distribuição normal.
Se os dados apresentarem uma distribuição lognormal, as principais estatísticas
devem ser calculadas considerando a assimetria da distribuição dos dados. Para estes
casos, a média geométrica (MG) e o desvio geométrico (DG) são mais representativos
como medidas de tendência central e de dispersão, respectivamente,
m yi
MG = e (3-10)
σ yi
DG = e (3-11)
onde myi e σ yi são a média aritmética e o desvio padrão, respectivamente, dos dados
originais (Xi) transformados por:
yi = Ln( X i ) (3-12)
37
3.1.2.
Modelos de distribuição de probabilidades
3.1.2.1.
Modelos para variáveis discretas
Se uma variável X pode assumir um conjunto discreto de valores X1, X2, ..., Xn
com probabilidades p1, p2, ..., pn, sendo p1 + p2 + ...+ pn =1, diz-se que está definida
uma distribuição de probabilidades discreta de X. Como X pode assumir certos valores
com dadas probabilidades, esta é conhecida como variável aleatória discreta e a função
p(X) é denominada função de probabilidade.
Os principais modelos de distribuição de probabilidades para variáveis discretas
são:
Distribuição binomial
Proposta por Bernouilli no fim do século 17, esta distribuição corresponde aos
termos sucessivos do desenvolvimento, ou fórmula, binomial.
Se p é a probabilidade de um evento acontecer em tentativa única (probabilidade
de sucesso) e q = 1 - p é a de que o evento não ocorra em qualquer tentativa única
(probabilidade de fracasso), então a probabilidade do evento ocorrer k vezes em N
tentativas é dada por:
N!
p(k ) = pk q N −K (3-13)
k!(N - k )!
Distribuição de Poisson
Proposta por Poisson no começo do século XIX (equação 3.14), pode ser
considerada como um caso limite da distribuição binomial quando o número de
tentativas N for grande e a probabilidade p da ocorrência do evento for próxima de zero,
de modo que q= 1 - p tende para 1 (evento raro).
Na prática, um evento pode ser considerado raro quando N ≥ 50 com (N . p) < 5;
nestes casos, a distribuição binomial é muito próxima da distribuição de Poisson
considerando,
λ =N.p.
38
e − λ λX
p( X ) = (3-14)
X!
3.1.2.2.
Modelo para variáveis continuas
Se a variável aleatória X assumir um conjunto contínuo de valores, o polígono de

freqüências relativas de uma amostra torna-se, no caso teórico ou limite de uma
população, uma curva contínua f(X) designada como função densidade de probabilidade
ou apenas função densidade.
Distribuição normal
Uma das mais importantes distribuições contínuas de probabilidade é a
distribuição normal, ou distribuição de Gauss, definida pela equação:
2
1 X −µ
f (X ) = e − 0.5   (3-15)
σ 2Π  σ 
onde µ e σ representam a média e o desvio padrão da variável contínua X.
A distribuição binomial (discreta) pode ser aproximada pela distribuição normal
(contínua) quando N for grande e nem p ou q estiverem muito próximos de zero. À
medida que N aumenta, a assimetria e a curtose da distribuição binomial tendem para as
da distribuição normal, coincidindo no limite. Na prática a aproximação é boa para Np
> 5.
Distribuição lognormal
Quando o logaritmo da variável aleatória contínua segue o modelo da distribuição
normal, isto é
2
1  log X − µ 
f (X ) = e − 0.5   (3-16)
σ 2Π  σ 
onde µ e σ representam a média e o desvio padrão dos logaritmos da variável
contínua X.
39
3.2.
Análise Geoestatística
Matheron em 1962, define à geoestatística como “a aplicação do formalismo das

funções aleatórias ao reconhecimento e estimação de fenômenos naturais”.
A geoestatística considera em suas análises não somente o valor da variável no
ponto onde foi amostrada, mas também a posição do ponto no corpo mineral ou
geológico e seu relacionamento com outras amostras.
Segundo Royle, os principais argumentos para o uso dos métodos geoestatísticos
são: a) a geoestatística é completamente baseada na prática de uma boa estimativa
fundamentada em uma teoria racional, diferentemente das técnicas empíricas
tradicionais; b) o reconhecimento de que a variabilidade total é parte aleatória e parte
espacial, o que conduz a estimativas que não tem viés e influenciadas por pequenos
erros.
3.2.1.
Funções aleatórias estacionárias
Para se efetuar medidas em locais não amostrados, é necessário dispor-se de um

modelo do comportamento do fenômeno natural que deu origem às variáveis em estudo.
Entretanto, o conhecimento em detalhe dos fenômenos naturais é geralmente muito
difícil, bastando para isto imaginar, por exemplo, a formação de solos e a complexidade
da interação entre os agentes que participaram deste processo.
Caso houvesse um perfeito conhecimento dos processos físicos e/ou químicos
atuantes, seria então possível a elaboração de modelos determinísticos que simulariam o
processo de acordo com uma lei bem definida, onde todos os fatores estariam bem
caracterizados e a influência dos mesmos bem conhecida.
Este não é o caso em geociências, onde as variáveis de interesse são, em geral,
resultado de um vasto número de processos complexos, tornando muito difícil a sua
descrição quantitativa.
Os modelos probabilísticos tratam os dados como resultado de um processo
aleatório, o que muitas vezes não corresponde à realidade. Nossa compreensão sobre o
fenômeno é muitas vezes tão pobre e limitada que sua complexidade parece ter um
comportamento aparentemente aleatório.
40
A teoria das variáveis regionalizadas (Matheron, 1962) está baseada em modelos

probabilísticos onde as variáveis são consideradas como a realização única de uma
determinada função aleatória. Variáveis regionalizadas apresentam uma distribuição no
espaço, juntamente com um determinado grau de correlação espacial, aparecendo
frequentemente em geociências como, por exemplo, na representação do topo de uma
formação geológica, profundidade de camadas de solo, pluviometria, teores
geoquímicos, profundidade do lençol freático, etc.
Os métodos geoestatísticos mais frequentemente usados para a estimativa de
variáveis regionalizadas estão baseados em funções aleatórias estacionárias.
Seja V(x) uma função unidimensional que descreve um fenômeno aleatório
associado à determinada lei probabilística. Se todos os pares de variáveis aleatórias
separadas por uma distância h entre (V(x), V(x+h)) apresentarem a mesma distribuição
de probabilidade conjunta, independentemente de suas localizações, mas dependendo
apenas da distância h entre elas, então a função V(x) é referida como função aleatória
estacionária.
Os comportamentos de funções aleatórias estacionárias são geralmente descritos
por três parâmetros, interrelacionados: o variograma γ (h), o correlograma ρ (h) e a
função de covariância C(h).
3.2.2.
Analises da variabilidade espacial
Um fenômeno natural pode ser caracterizado pela distribuição no espaço de uma

ou mais variáveis chamadas “variáveis regionalizadas”. Elas apresentam alguma
correlação entre si, indicando a existência de dependência dos valores entre amostras
contíguas, já que nada é ao acaso na natureza e as variáveis costumam possuir um
padrão de distribuição (Canchaya, 2003).
Uma das principais características das variáveis regionalizadas é a sua
continuidade espacial, cuja avaliação está fundamentada nos princípios da regressão
linear que, na estatística, investiga a dependência entre variáveis de um fenômeno.
Em geoestatística, procura-se avaliar a dependência da variável com ela própria,
→
avaliada em diferentes posições separadas por um vetor h . Esta continuidade espacial
pode ser descrita em função dos coeficientes de correlação (função de correlação ou
41
correlograma), das variâncias (função covariância) ou através do semivariograma ou

simplesmente variograma.
A geoestatística interpreta a variável regionalizada como uma realização de uma
função aleatória, o que permite levar em conta os aspectos erráticos e estruturados da
regionalização.
3.2.2.1.
~
Função covariância C v (h)
Uma importante diferença entre os parâmetros de um modelo conceitual e as

estatísticas que podem ser calculadas a partir de valores experimentais necessita neste
ponto ser convenientemente esclarecida. Para enfatizar a diferença com valores
medidos, o símbolo ~ (til) será utilizado para referenciar parâmetros do modelo; assim
~
m significa a média aritmética entre valores observados e m corresponde à média dos
valores definidos como realizações de uma função aleatória, Os valores estimados em
pontos não-amostrados também serão distinguidos pelo símbolo ^ (acento circunflexo).
A função covariância, como o nome indica, representa a variação espacial entre
variáveis separadas pela distância h.
~
C v ( h) = Cov{V ( x).V ( x + h)} (3-17)
~
C v ( h) = E {V ( x).V ( x + h)} − E{V ( x)}.E {V ( x + h)} (3-18)
~
onde o valor esperado da variável aleatória E{V(x)} denota sua média m . Para funções
aleatórias estacionárias, E{V(x)}= E{V(x+h)}, resultando em
~
2
C v ( h) = E {V ( x).V ( x + h)} − E{V ( x)} (3-19)
3.2.2.2.
Função correlação ou correlograma
Indica a continuidade espacial dos coeficientes de correlação, sendo

matematicamente expressa por:
~ Cov{V ( x).V ( x + h)}
ρ v ( h) = (3-20)
Var{V ( x)}.Var{V ( x + h)}
42
Como a covariância entre variáveis na mesma posição é a variância da função

aleatória,
~
C v (o) = Cov{V ( x).V ( x )} = Var{V ( x)} (3-21)
~
{
C v (o) = E V 2 ( x) − E{V ( x)} } 2
(3-22)
então
~
~ C v ( h)
ρ v ( h) = ~
(3-23)
C v ( 0)
~
observando-se que ρ v (0) =1
3.2.2.3.
~
Função variograma γ V (h)
Definido como a metade do quadrado das diferenças esperadas entre variáveis

aleatórias distanciadas de h,
~
~
1
{
γ v (h) = E [V ( x) − V ( x + h)]2
2
} (3-24)
~
1 1
γ v (h) = E {V 2 ( x)}− E{V ( x).V ( x + h)} + E{V 2 ( x + h)} (3-25)
2 2
{ } {
Considerando que para funções aleatórias estacionarias E V 2 ( x) = E V 2 ( x + h) , }
a expressão acima pode ser escrita como:
~
γ v (h) = E{V 2 ( x)}− E{V ( x).V ( x + h)} (3-26)
2
Adicionando e susbtraindo E {V (x)} ao segundo termo da equação,
~
[
γ v (h) = E {V 2 ( x)}− E{V ( x)}2 − E{V ( x).V ( x + h)} − E{V ( x)}2 ] (3-27)
Finalmente resulta com auxílio das equações (3-19) e (3-22)

~ ~ ~
γ v (h) = C v (0) − C v (h) (3-28)
~
Observando-se que γ v (0) = 0 .
Para a maioria das funções aleatórias usadas em análises geoestatísticas, pares de
variáveis muito separadas são praticamente independentes entre si. A função
43
covariância e o correlograma tendem a zero com o aumento da distância h, enquanto o

variograma converge para um valor máximo, referenciado como patamar (“sill”), que
também representa a variância da função aleatória estacionária.
A equação (3-28) pode ser escrita como
~ ~ ~
γ v ( h ) = C v ( 0) − γ v ( h ) (3-29)
~ ~ ~
γ v (h) = γ v (∞) − γ v ( h) (3-30)
~ ~ ~
Considerando que γ v (∞) = C v (0) ou γ v (∞) = Var{V ( x)}.
As funções covariância, correlograma e variograma fornecem as mesmas
informações mas de maneira ligeiramente diferente entre si (figura 3.2). O correlograma
inicia com o valor 1, tendendo a zero com o crescimento de h, enquanto que a função
~ ~ 2
covariância decresce de forma similar a partir do valor inicial C (0) = σ . O variograma
~2 ~ 2
inicia em 0 aumentando até o valor máximo γ (∞) = σ . Normalmente os variogramas
são construídos ao longo das direções em que a variável apresenta maior e menor
continuidade espacial. Para obtê-los, vários variogramas direcionais são testados em
uma fase preliminar da definição do modelo geoestatístico.
~ ~ ~
Figura 3-1 Comportamento das medidas de correlação C (h), ρ (h), γ (h) de uma variável
aleatória V(x).
44
O conceito de variograma a uma variável pode ser estendido para descrever a

continuidade espacial entre duas variáveis, isto é, em vez de se considerar pares da
mesma variável em locais diferentes trabalham-se com variáveis diferentes situadas em
→
posições diferentes, distanciadas pelo vetor-posição h (variograma cruzado).
γ uv (h) = E{V ( x) − V ( x + h)}.E{U ( x) − U ( x + h)} (3-31)
É prática comum em geoestatística proceder a maioria dos cálculos iniciais em

termos de variogramas. No entanto, no método da krigagem ordinária, a ser discutido
em próxima seção, recorre-se frequentemente às covariâncias, subtraindo-se os valores
~2
calculados da constante σ .Utilizando-se a matriz de covariância, os maiores elementos
estão localizados em sua diagonal principal, o que facilita a resolução numérica do

sistema de equações pelo método de eliminação de Gauss sem a estratégia de
pivotamento numérico.
Características do variograma
Com base na Figura 3-2 abaixo são descritas as principais características de um
variograma
Figura 3-2 Esquema básico de uma função variograma.

45
a) Amplitude variográfica a (“range”) - distância a partir da qual os valores do

variograma (ou da função covariância) permanecem essencialmente constantes.
b) Patamar C + C0 (“sill”) - valor máximo do variograma para distâncias muito
~
grandes γ (∞) . É também o valor da função covariância para h = 0 ou, simplesmente, a
~2
variância σ da variável aleatória.
C) Efeito pepita C0 - representa descontinuidades na origem causada por vários
fatores como erros de amostragem, erros de medida, micro-regionalizações da variável
estudada, etc.
De acordo com Garcia (1988) a relação E=C0/(C0+C), denominada de efeito
pepita relativo, expressa o grau de aleatoriedade do fenômeno regionalizado, sendo
classificado como:
E < 0.15, componente aleatória pequena
0.15<E<0.30, componente aleatória significativa

E>0.30, componente aleatória muito significativa
Na Figura 3-3, descrevem-se os parâmetros requeridos para o cálculo do
variograma. O “lag” ou distância (h) do variograma é um dado que se requer para a
determinação do variograma. Janela é a zona de influência do variograma direcional. O
número de intervalos ou “range” é o número total de intervalos utilizados no cálculo do
variograma.
Para a obtenção dos variogramas experimentais, os trabalhos tipicamente se
iniciam com a elaboração do variograma omnidirecional para o qual a tolerância
→
direcional é grande o suficiente para tornar a influência da direção do vetor posição h
muito pequena. Com todas as possíveis direções combinadas em um único variograma,
→
somente o modulo de h (distância h) é importante.
A construção do variograma omnidirecional, não implica em aceitar a hipótese de
que a continuidade espacial da variável investigada seja a mesma em todas as direções.
Sua utilidade advém basicamente das seguintes razões:
a) como os efeitos de direção não são considerados neste tipo de variograma, a
análise pode se concentrar na pesquisa das distâncias h, e em suas respectivas
tolerâncias, que produzam uma estrutura de clara interpretação.
b) se a estrutura obtida no variograma global for confusa, é pouco provável que
resultados melhores possam ser obtidos em variogramas direcionais construídos com
46
menor número de amostras. O comportamento verificado no variograma global, nesta

fase preliminar dos trabalhos, pode então indicar a presença de amostras com valores
erráticos no conjunto investigado ou que as amostras pertençam a zonas específicas que
contenham valores extremos da variável.
Uma vez obtidos os variogramas omnidirecionais, pode-se então explorar os
padrões de anisotropia (direções de máxima ou mínima continuidade) nos variogramas
direcionais. Esta etapa pode ser facilitada se alguma informação sobre os eixos de
anisotropia for conhecida a partir de observações em campo. Caso contrário, pode-se
recorrer à plotagem de mapas de isovalores ou, mais comumente, calcular-se
variogramas direcionais em várias direções e plotando-se na roseta de variogramas o
~
valor da distância, naquela direção, na qual determinado valor de γ (h) é atingido. No
caso que o corpo mineral ou geológico tiver uma direção de mergulho pré-determinada,
então o cálculo dos variogramas se realizara na direção do mergulho e também

perpendicularmente.
Figura 3-3 Características do variograma.
Isotropia
→
Um fenômeno diz-se isotrópico quando a magnitude do vetor h permanecer
constante, qualquer que seja a direção ( θ ) do vetor, e sua variabilidade é simétrica.
Neste caso é suficiente definir um variograma omnidirecional.
47
Anisotropia
Na natureza é muito raro encontrar um fenômeno isotrópico, sendo mais freqüente
os fenômenos anisotrópicos.
Anisotropia direcional (geométrica ou zonal) aparece quando os variogramas são
diferentes em distintas direções. Para obter a morfologia do fenômeno convém calcular
vários variogramas em diferentes direções. Existem dois grandes tipos de anisotropia:
a) Anisotropia zonal - tanto os valores do patamar quanto da amplitude

variográfica variam com as direções, indicando possível zoneamento espacial da
variável ou associação entre populações distintas (Figura 3-4 b). Na prática, casos de
anisotropia zonal pura raramente são encontrados, mas sim associações de anisotropia
zonal e geométrica.
b) Anisotropia geométrica - os variogramas construídos em diferentes direções

apresentam o mesmo patamar, mas diferentes amplitudes variográficas (Figura 3-4 b).
Este tipo de fenômeno é muito comum em depósitos aluviais, onde o alcance na direção
vertical é muito menor que na direção principal do depósito, conservando sua
variabilidade em ambos os casos (mesmo patamar).
Figura 3-4 Tipos de anisotropía variográfica; a) geométrica; b) zonal.
Modelos variográficos
Nos métodos de estimativas e simulações geoestatísticas, valores de γ (h) ao
longo de direções e em distâncias para as quais não se dispõem de observações
experimentais serão requisitados. Daí, a necessidade de se adotar um modelo
48
~
variográfico γ (h) que melhor se ajuste ao comportamento espacial da variável
estudada.
Como os resultados das estimativas devem existir e serem únicos, o sistema de
equações lineares gerados pela krigagem necessita possuir uma matriz positivo-definida
que, por sua vez, impõe a condição de que modelos variográficos sejam construídos
com auxilio de funções positivo-definidas. Dentre os principais modelos podem ser
citados:
Modelos com patamar

Nesse tipo de modelo a função variograma cresce com h até um valor máximo,
correspondente à variância da população, permanecendo então constante (Figura 3-5).
Figura 3-5 Modelos variográficos com patamar.
a) Modelo esférico ou de Matheron - Modelo mais frequentemente usado e

expresso por:
 h h
3
~
(C )1.5  − 0.5  .......h ≤ a
γ (h) =  a a (3-32)
C..................................h > a

No ajuste do modelo ao variograma experimental é útil lembrar-se que a tangente

pela origem atinge o valor do patamar a aproximadamente 2/3 da amplitude
variográfica.
49
b) Modelo exponencial - neste modelo o patamar é atingido pela função

assintoticamente. A amplitude variográfica prática deste modelo é
determinada quando o variograma alcançar 0,95C.
~   3h 
  
γ (h) = C 1 − e a   (3-33)
 
 
No ajuste do modelo ao variograma experimental é útil lembrar que a tangente

pela origem atinge o patamar C a aproximadamente 1/3 da amplitude variográfica.
Em muitas publicações, este modelo é apresentado sob forma genérica como,
~  h
  
γ ( h ) = C 1 − e  a   (3-34)
 
 
onde o parâmetro a neste caso não representa a amplitude variográfica prática

~
associada ao valor γ (h) = 0,95C .
c) Modelo Gaussiano - modelo frequentemente usado para fenômenos naturais

com elevada continuidade.
 
 3h 2 

~
  2 
γ (h) = C 1 − e a   (3-35)
 
 
~
À semelhança do modelo exponencial, o valor máximo γ (h) = C é atingido
assintoticamente. A amplitude variográfica prática (a) é definida na distância onde o
valor do variograma alcançar 95% do patamar.
O modelo Gaussiano apresenta um comportamento parabólico próximo à origem,
como também um ponto de inflexão da função.
Nos modelos esféricos, exponencial e gaussiano o efeito de pepita é, via de regra,
somando ao modelo variográfico como uma constante C0.
50
d) Modelo aleatório - caracterizado pelo efeito pepita puro (C0), é representativo

de fenômenos naturais de elevada descontinuidade. O efeito pepita poderia ser
considerado como um caso particular de um modelo esférico de alcance
infinitamente pequeno. Porém, do ponto de vista físico, existe uma diferença
fundamental entre ambos os modelos. O modelo aleatório representa uma
regionalização descontinua, onde os valores mudam rapidamente de um ponto
a outro, entanto que o modelo esférico descreve uma regionalização continua.
~ 0............................h = 0
γ (h) =  (3-36)
C............................h > 0
Figura 3-6 Modelo aleatório.
Modelos sem patamar

Apresentam um aumento constante da variabilidade à medida que a distância
cresce ( Figura 3-7).
~
γ (h) = ahθ (3-37)
onde 0 ≤ θ ≤ 2 e α representa a inclinação do modelo linear quando θ = 1 .
51
Figura 3-7 Modelo sem patamar.
Outros modelos
a) Modelo cúbico:
  7.h 2 35.h3 7.h 5 3.h 7 

~
C − + − ..................0 ≤ h ≤ a
γ (h) =   a 2 4.a 3 2.a 5 4.a 7  (3-38)
C................................................................h ≥ a

b) Modelo seno-cardinal que pode representar o efeito buraco (hole effect).
~  sen(h / a ) 
γ (h) = C 1 −  (3-39)
 (h / a) 
c) Modelo Gama
~  1 
γ (h) = C 1 − α 
(3-40)
 (1 + (h / a )) 
onde o alcance prático é definido como a (α 20 − 1) .

O modelo Gama com parâmetro α = 1 é denominado modelo hiperbólico.
52
3.2.2.4.
Dessegregação de um conjunto de dados
Efeitos de segregação também influem na forma do módulo variográfico, porém é

possível ajustá-lo com auxilio de métodos de dessegregação, como os métodos da
poligonal e das células. Segundo De Souza (2002), os dois métodos apresentam
resultados estatísticos semelhantes, porém distintos dos parâmetros estatísticos
calculados para as amostras segregadas. O método das células ou blocos será
empregado neste trabalho, devido à semelhança com o modelo de blocos utilizado nos
processos de estimativa e de simulação.
Método das células ou blocos - a área total é dividida em regiões de paralelepípedos

chamadas de células (2D) ou blocos (3D).
Cada amostra recebe um peso inversamente proporcional ao número de amostras
contidas no mesmo bloco. Assim, é evidente que as amostras segregadas recebem um

fator de ponderação menor porque o bloco em que se encontram o número de amostras
é mais alto. Note que o peso total das amostras no mesmo bloco deve somar 1.
O método de dessegregação por blocos ou células envolve os seguintes passos:
a) utilização de todas as amostras do bloco para cálculo da média local dos blocos
móveis;
b) utilização desta média local para o cálculo da média global de toda a área estudada.
A estimativa obtida por este método depende do tamanho da célula ou bloco.
Blocos muito pequenos fazem com que cada amostra tenda a cair em seu próprio bloco
com fator de ponderação 1. Blocos muito grandes, a ponto de compreender toda a área
global, fazem com que as amostras se situem em único bloco, recebendo iguais fatores
de ponderação p = 1/n.
Se houver uma malha espacial de amostragem ou de produção mineira,
usualmente este espaçamento observado na malha representará uma boa estimativa para
o tamanho do bloco. Caso contrario, é prática comum tentar vários tamanhos de blocos
e escolher aquele que produz a menor estimativa da média global, calculada a partir da
equação ((3-56) .
Este procedimento é justificado para o caso em que as amostras segregadas
ocorram em regiões onde se observam altos valores da variável V(x). O efeito esperado
53
da dessegregação neste caso é melhorar a estimativa da média global (sob a suposição

de que a segregação é alta).
Para casos onde puder ser observada a inexistência de malha de amostragem (caso
de mineração), com segregação de amostras em regiões de altos ou baixos valores da
variável V(x), o método da dessegregação por blocos usualmente se comporta melhor.
Segundo De Souza (2002), a amostragem é freqüentemente adensada em áreas que são
julgadas criticas, por exemplo, com altos teores ou grande concentração de metais.
Figura 3-8 Dessegregação em células ( Isaaks & Srivastava, 1989).
A Figura 3-8, mostra um caso particular de dessegregação 2D, onde as amostras

das células superiores (B1 e B2) por estarem sozinhas têm um fator de ponderação igual
a 1 (n = 1), enquanto que as amostras nas células inferiores (B3 e B4) têm um fator de
ponderação de 1 e 1 (n ≠ 1) . Os fatores de ponderação ou pesos permitem

2 8
suavizar o efeito de amostragem em malha irregular no momento da determinação do
variograma e do histograma. Os mesmos conceitos são aplicados para a dessegregação
em blocos.
∑ ( p .V )
i =1
i i
Média.Global.Estimada = n
(3-41)
∑pi =1
i
onde Vi é o valor da amostra e pi é o peso ou fator de ponderação de cada amostra.

54
3.2.3.
Estimativas clássicas
Os principais métodos de estimativa clássica são as distâncias ponderadas e o

método da poligonal. Os dois métodos têm uma grande desvantagem, que sobrestima as
zonas com valores altos e subestima as zonas com valores baixos (viés condicional).
3.2.3.1.
Distâncias Ponderadas (IQD)
Este método está baseado no fato que a influencia dos valores amostrais num
determinado ponto decrescem à medida que se afastam do ponto, de tal maneira que o
valor estimado varia de acordo com uma função inversa da distância.
Neste método o estimador do bloco V*s é uma combinação linear ponderada das
amostras vi. Os ponderadores λ são determinados pelas distâncias das amostras di, ao
centro do bloco. A menor distância do centro do bloco será o peso que se da à amostra.
n
vi
∑d β
i =1
V *s = i
(3-42)
n
1
∑d β
i =1 i
O valor do índice da ponderação β é importante no processo de estimativa, mas

ao mesmo tempo é arbitraria, já que não se conhecem métodos que permitam obter um
valor adequado, situado de modo geral entre os valores 1 a 5. O valor de β igual a 5,
segundo Barnes 1980, torna o método similar ao método do polígono e se o valor for
muito baixo (como 0.5, por exemplo) cresce a importância das amostras que estão mais
distantes do centro do bloco.
Observações quanto ao método:

Adapta-se com muita facilidade para a realização de estimativas locais e globais,
além de considerar o agrupamento das amostras. As amostras perto do centro do bloco
têm maior peso no processo de estimativa.
55
Figura 3-9 Potencia β do método IQD (Villanueva, 2000).
3.2.3.2.
Método da poligonal
Consiste em atribuir ao ponto amostral uma área de influência, no interior da qual

a variável em estudo tem valor constante e igual àquele determinado experimentalmente
no ponto. Os polígonos são construídos por perpendiculares traçadas nos pontos médios
dos segmentos de reta que unem amostras vizinhas.
Segundo Villanueva (2000), as áreas de influência quase sempre geram uma sobre
avaliação quando existe uma correlação positiva entre os valores e uma subestimativa
quando a correlação é negativa.
A cada amostra vi corresponde um polígono de influência com área si, de tal
maneira que o valor estimado do bloco V*s, é o resultado da ponderação das amostras
conteúdas no polígono. Os fatores de ponderação λi são determinados por uma área, em
casos 2D, e por um volume, nas análises 3D.
n
∑ s .v i i
V*s = i =1
(3-43)
S
n
S = ∑ si (3-44)
i =1
Os polígonos podem ser construídos através de mediatrizes ou bissetrizes. No

primeiro caso, perpendiculares são desenhadas pelo ponto médio da distância que une
dois valores amostrais, i.e. constroem-se as mediatrizes; no segundo, traçam-se
56
bissetrizes através dos pontos médios dos ângulos formados com os pontos amostrais,
conforme Figura 3-10.
Figura 3-10 Método da poligonal a) mediatrizes; b) bissetrizes.
3.2.4.
Estimativas geoestatísticas
Para a previsão (ou estimativa) dos valores da variável em posições não

amostradas, vários métodos existem, dentre os clássicos (ou tradicionais) e os
geoestatísticos.
A grande maioria dos métodos de estimativa envolve combinações lineares da
forma
^ n
V = ∑ wi .vi (3-45)
i =1
onde v1,v2,.....,vn representa os n valores amostrados e wi um fator de ponderação

associado a cada valor vi. Os métodos diferenciam-se basicamente no processo de
escolha de wi para i = 1, 2,....n.
No caso de métodos estatísticos baseados em funções aleatórias estacionárias, os
valores V(xi) são considerados realizações de variáveis aleatórias, com distribuição de
probabilidade conjunta dependendo apenas da distância entre elas, mas não de suas
localizações xi.
^
Logo, a estimativa V ( xi ) , combinação linear de V(xi) para i = 1, 2,...n pode ser
também considerada aleatória.
^ n
V ( x0 ) = ∑ wi .V ( xi ) (3-46)
i =1
Assim como o erro de estimação

^
R( x0 ) = V ( xo ) − V ( x0 ) (3-47)
57
onde V(xo) representa a modelagem aleatória do valor verdadeiro em x0.

O valor esperado do erro em qualquer particular posição é frequentemente
referido como viés (“bias”), podendo ser definido como:
^ 
E{R ( x0 )} = E V ( x0 ) − E{V ( x0 )} (3-48)
 
n 
E{R ( x0 )} = E ∑ wi .V ( xi ) − E{V ( x0 )} (3-49)
 i =1 
n
E {R ( x0 )} = ∑ wi .E {V ( xi )} − E {V ( x0 )} (3-50)
i =1
Para a função aleatória estacionária,

E{V ( xi )} = E{V ( x0 )} = E{V } (3-51)
então
 n 
E{R ( x0 )} = E{V } ∑ wi − 1 (3-52)
 i =1 
Gerando a condição para que o método de estimativa não apresente viés,
n
∑w
i =1
i =1 (3-53)
3.2.4.1.
Krigagem ordinária (OK)
O método de krigagem ordinária é também conhecido, em língua inglesa, pela

sigla B.L.U.E. significando “the best linear unbiased estimator”. Linear porque suas
estimativas são feitas por combinações lineares, “unbiased” (sem viés) porque o erro de
estimação esperado no modelo é nulo e “best” porque seu objetivo é minimizar a
2
variância destes erros σ R .
O erro de estimação foi anteriormente expresso por
^
R( x 0 ) = V ( x0 ) − V ( x0 ) (3-54)
e sua variância pode ser definida como:
^ 
Var {R ( x0 )} = Var V ( x0 ) − V ( x0 ) (3-55)
 
^ ^
 ^ 
Var {R ( x0 )} = Cov V ( x0 ).V ( x0 ) − 2Cov V ( x0 ).V ( x0 ) + Cov{V ( x0 ).V ( x0 )} (3-56)
   
58
O primeiro termo da direita da equação ((3-56) representa a própria variância de

^
V ( x0 ) , ou seja
^ ^
 ^ 
Cov V ( x0 ).V ( x0 ) = Var V ( x0 ) (3-57)
   
Considerando que
^ n
V ( x0 ) = ∑ wi .V ( xi ) (3-58)
i =1
resulta em
^ ^
 n 
Cov V ( x0 ).V ( x0 ) = Var ∑ wi .V ( xi ) (3-59)
   i =1 
^ ^

n n
Cov V ( x0 ).V ( x0 ) = ∑∑ wi .w j .Cov{V ( xi ).V ( x j )} (3-60)
  i =1 j =1
^ ^
 ~
n n
Cov V ( x0 ).V ( x0 ) = ∑∑ wi .w j .C ij (3-61)
  i =1 j =1
O segundo termo da direita da equação ((3-56) pode ser escrito como
^   n  
2Cov V ( x0 ).V ( x0 ) = 2Cov  ∑ wi .V ( xi ) .V ( x0 )
   i =1  
^  n  n 
2Cov V ( x0 ).V ( x0 ) = 2 E ∑ wi .V ( xi ).V ( x0 ) − 2 E ∑ wiV ( xi ).E{V ( x0 )}
   i=1   i=1 
^ 
n
2Cov V ( x0 ).V ( x0 ) = 2∑ wi .[E {V ( xi ).V ( x0 )} − E {V ( xi )}.E {V ( x0 )}]
  i =1
^  ~ n
2Cov V ( x0 ).V ( x0 ) = 2∑ wi .C i 0
  i =1
O terceiro termo da direita da equação (3-56) pode ser expresso como

Cov{V ( x0 ).V ( x0 )} = Var{V ( x0 )}
~2
Cov{V ( x0 ).V ( x0 )} = σ
Então a equação (3-56) pode ser finalmente escrita como

~ 2 n n ~ n ~
σ OK 2 = σ + ∑∑ wi .w j .C ij − 2∑ wi .C i 0 (3-62)
i =1 j =1 i =1
59
Uma vez selecionado o modelo do variograma (ou da função covariância) é

~2 ~
possível determinar-se σ e todas as covariâncias C ij .
A minimização de uma função a n variáveis produz então um sistema de n
equações a n incógnitas (fatores de ponderação w1, w2,.....,wn) que, em principio,
poderia ser resolvido por um método de álgebra linear.
Como existe uma condição de restrição que garante que a solução não apresente
n
viés (∑ wi = 1) , então o problema de otimização com restrição poderá então ser
i =1
resolvido pelo método do multiplicador de Lagrange, resultando:

~ ~2 n n ~ n ~  n

σ k = σ + ∑∑ wi .w j .C ij − 2∑ wi .C io − 2µ  ∑ wi = 1
2
(3-63)
i =1 j =1 i =1  i =1 
O multiplicado de Lagrange µ introduz uma nova incógnita no problema, agora

expresso sem restrição já que a condição de não viés é automaticamente satisfeita por
(3-63).
A minimização desta equação
~
2
∂σ R
= 0.....................................................................i = 1,......., n (3-64)
∂wi
~
2
∂σ R
=0 (3-65)
∂µ
Produz um sistema de (n+1) equações que pode ser expresso sob forma matricial
da seguinte maneira:
  w  C 10 
~
~ ~
 11
C ........... C 1n 1  1  
~ ~   w   ~ 
 C 21 ............C 2 n 1  2  C 20 
  .  . 
 .................... .....  .   
 ......................... .  = .  (3-66)
  .  . 
 .................... .....    
~ ~  .  . 
 C n1 ..........C nn 1   wn   ~ 
1.................1.0    C n 0 
   µ   
  1 
ou
60
[C ][. W ] = [D]
Possibilitando que as incógnitas w1, w2,......,wn sejam obtidas sem maiores

dificuldades através do método de eliminação de Gauss, por exemplo:
O valor da variância do erro minimizada pode enfim ser calculada como:
~ ~
σ R 2 = σ 2 − {W }T .{D} (3-67)
A variância de estimativa ou variância de krigagem foi proposta como uma

medida da incerteza associada à estimativa feita por meio da krigagem ordinária.
3.2.4.2.
Krigagem Simples (SK)
A variável primaria V (variável aleatória) pode ser estimada pela seguinte

combinação linear
^ n
V ( x 0 ) = λ0 + ∑ wi .V ( xi ) (3-68)
i =1
onde wi são pesos associados à função aleatória V(xi) e λ0 um fator de ajuste da

estimativa (“shift parameter”).
^
Para uma estimativa sem viés, o valor esperado de R( x 0 ) = V ( x0 ) − V ( x0 ) , deve
ser nulo, ou como sabemos:
^ 
E{R( x0 )} = E V ( x0 ) − E{V ( x0 )} (3-69)
 
 n

E{R ( x0 )} = E λ0 + ∑ wi .V ( xi ) − E{V ( x0 )} (3-70)
 i =1 
n
E{R( x0 )} = λ0 + ∑ wi .E{V ( xi )} − E{V ( x0 )} (3-71)
i =1
n
E{R ( x0 )} = λ0 + ∑ wi .E{V ( xi )} − E{V ( x0 )} = 0 (3-72)
i =1
n ~ ~
E{R ( x0 )} = λ0 + ∑ wi . mi − m0 = 0 (3-73)
i =1
Logo,
61
~ n ~
λ0 = m 0 − ∑ wi . mi (3-74)
i =1
Na equação (3-68)
^ ~ n ~ n
V ( x0 ) = m 0 − ∑ wi . mi + ∑ wi .V ( xi ) (3-75)
i =1 i =1
ou
^ ~ n ~
V ( x0 ) = m 0 − ∑ wi .(V ( xi ) − m i ) (3-76)
i =1
O erro da estimativa R(x0) pode ser escrito como

^
^ ~
  ~

R ( x 0 ) = V ( x0 ) − V ( x0 ) = V ( x 0 ) − m 0  − V ( x0 ) − m 0  (3-77)
   
^
^ ~
  ~

n
R( x 0 ) = V ( x0 ) − V ( x0 ) = ∑ wi .V ( xi ) − m i  − V ( x0 ) − m 0 
(3-78)
i =1    
^
^ ~

n
R( x0 ) = V ( x 0 ) − V ( x0 ) = ∑ wi . V ( xi ) − m i  (3-79)
i=0  
A variância do erro pode ser expressa, como vimos na krigagem ordinária, por:
n n ~
Var {R} = ∑∑ wi .w j .C ij (3-80)
i =0 i =0
Os pesos wi para i=1,...,n obtidas pela minimização de Var{R(x0)} em relação a wi,

i=1,...,n podem ser obtidos por:
n ~ ~
∑ w .C
i =1
i ij = C 0i ............................................. j = 1,..., n (3-81)
A correspondente variância minimizada dos erros, mais conhecida como variância

~
2
da krigagem simples σ sk , é dada por:
~ ~ n ~
σ sk 2 = C 00 − ∑ wi .C 0i ≥ 0 (3-82)
i =1
~
C 00 = σ 2 é a variância da função aleatória V(x) .
As equações da krigagem simples são também conhecidas como equações de
regressão linear na estatística tradicional.
~
Na krigagem simples a média m deve ser conhecida antes da aplicação do
algoritmo para estimativa.
62
3.2.4.3.
Krigagem em bloco
Frequentemente se necessita da estimativa do valor médio de uma variável V(x)

em um determinado volume A.
Uma maneira de se obter tal estimativa é pela discretização do volume. A em
vários pontos e então determinar-se a média das estimativas individuais destes pontos
calculados por os diversos processos de krigagem (KO, SK).
~ 1 k ^
VA =
K
∑V ( x j )................................................V j ∈ A
j =1
(3-83)
O processo é simples, mas computacionalmente ineficiente por envolver soluções

desnecessárias de sistemas de equações (equações de krigagem).
No caso da krigagem ordinária o sistema de equações é escrito como
[C ][. W ] = [D] . Observe que a matriz [C ]. , que contém as covariâncias entre os valores
amostrais, não depende da localização espacial da estimativa, seja ela considerada em
apenas um ponto (x0) ou sobre um volume A.
No caso do vetor [D ] , no entanto, as covariâncias dependem da posição (x0) da
estimativa.
No caso da estimativa envolver um valor médio da variável V(x) no volume A,
poderíamos escrever que:
~
~ 
C iA = Cov V A .V ( xi ) (3-84)
 
~
~  ~ 
C iA = E V A .V ( xi ) − E V A .E{V ( xi )} (3-85)
   
~ 1 k  1 k 
C iA = E  ∑ V ( x j ).V ( xi ) − E  ∑ V ( x j ).E{V ( xi )} (3-86)
 k j =1   k j =1 
~ 1 k 1 k
C iA = ∑ E{V ( x j ).V ( xi )}− ∑ E{V ( x j )}.E{V ( xi )} (3-87)
k j =1 k j =1
~ 1 k
C iA =
k j =1
[
∑ E{V ( x j ).V ( xi )}− E{V ( x j )}.E{V ( xi )} ] (3-88)
~ 1 k
C iA = ∑ Cov(V ( xi ).V ( x j ))..............................V j ∈ A
k j =1
(3-89)
63
A covariância entre a variável aleatória V(xi) e a variável VA, que representa o

valor medido do fenômeno sobre o volume local A, é o mesmo do que a média das
covariâncias ponto a ponto da variável aleatória V(xi) situados no interior do volume ou
bloco A.
A variância do erro da estimativa é dada por
~ ~  n ~ 
σ ok 2 = C AA −  ∑ wi . C iA + µ  (3-90)
 i =1 
~
onde C AA representa a covariância entre os pontos localizados no volume A.
~ 1 k k ~
C AA =
k2
∑∑ C ij ...................................V ( xi ) ∈ A ∧ V ( x j ) ∈ A
j =1 i =1
(3-91)
~
Na pratica, a covariância C AA é aproximada pela discretização do volume A em
~
2
vários pontos (k). Mas, é importante garantir que os valores de σ ok sejam sempre
~
positivos, por isso, os pontos utilizados para o cálculo da covariância C AA devem ser os
~
mesmos empregados na determinação das covariâncias ponto a bloco C iA .
A vantagem da krigagem por bloco é que a estimativa do valor médio da variável

aleatória de um volume A é obtida pelas soluções de um sistema de equações. Quanto
menor o número de pontos em que se discretize o bloco, menor será o tempo de cálculo,
mas menor também será a precisão da estimativa.
A Figura 3-11, mostra como um bloco, discretizado em quatro subblocos, é
estimado.
64
Figura 3-11 Avaliação de um bloco sub-dividido em 4 sub-blocos (Yamamoto, 1999).
3.2.5.
Incertezas Geoestatísticas
Através dos métodos geoestatísticos apresentados anteriormente, estimativas da

variável V podm ser feitas, ainda que incorporando algum erro. O valor exato destas não
é possível de ser calculado, pelo simples fato de que o valor verdadeiro da variável na
posição desejada é desconhecido. No entanto, seria bastante útil se ao menos alguma
indicação de sua magnitude pudesse ser estabelecida.
Vários fatores podem influenciar o erro de estimação, dentre os quais, o número
de amostras, a proximidades das amostras ao ponto de estimativa, a configuração
espacial das amostras e a natureza do próprio fenômeno natural sendo estudado.
Em principio, estimativas mais confiáveis podem ser feitas com um número maior
de amostras, próximas ao ponto de interesse, ainda que uma eventual segregação das
amostras possa prejudicar a exatidão da estimativa.
A influência dos outros fatores é menos óbvia, porém não menos importante.
Estimativas produzidas no caso de fenômenos naturais bem comportados, com suave
variação espacial, são mais confiáveis do que aquelas obtidas onde a variável primária
exibe comportamento errático. Além disso, é importante reconhecer e ter em mente que
65
a natureza do fenômeno pode variar na região de interesse, com áreas de alta

variabilidade local.
Questões comuns em geociências como, por exemplo, em qual configuração
espacial de amostras as estimativas são mais confiáveis, podem ser tratadas por um
índice de incerteza que, embora não garantido que uma estimava seja melhor do que
outra, fornece indicações da possível magnitude dos erros envolvidos.
O índice que mais amplamente considera os fatores que afetam a incerteza é
variância do erros de estimação R(x0), anteriormente definido por:
~ n m n
σ R 2 = Cov{V ( x0 ).V ( x0 )} + ∑∑ Cov{V ( xi ).V ( x j )}− 2∑ wi Cov{V ( xi ).V ( x0 )} (3-92)
i =1 j =1 i =1
onde:
• Cov{V ( x0 ).V ( x0 )} - representa a variância do ponto estudado e considera, em
parte, o comportamento errático da variável de interesse. Quanto mais errática,

maior o valor deste termo e, portanto, maior o índice de incerteza relativo
~
2
expresso por σ R .
n m
• ∑∑ Cov{V ( x ).V ( x )}- soma ponderada das covariâncias que diminui à medida
i =1 j =1
i j
em que as distâncias aumentam. Se as amostras estão bastante separadas entre si,

então a influencia deste termo será relativamente pequena.
n
• ∑ w Cov{V ( x )V ( x )}- soma ponderada das covariâncias entre as amostras e o
i =1
i i 0
ponto sendo estimado. Se as amostras estão próximas ao ponto, as covariâncias

aumentam e, devido ao sinal negativo na equação (3-92) , o índice de incerteza
diminui.
O índice de incerteza também incorpora os efeitos dos fatores de ponderação que,
 n 
nos métodos geoestatísticos, garantem estimavas sem viés  ∑ wi = 1 .
 i=1 
A classificação por índices de incerteza relativa pode não ser suficiente em muitos
problemas que pedem por medidas de incerteza em valores absolutos. Por exemplo, é
frequentemente importante estabelecer intervalos de confiança dentro dos quais o valor
verdadeiro da variável possa estar situado.
66
A maneira mais tradicional de estabelecer tais intervalos de confiança requer que

as 2 seguintes hipóteses sejam satisfeitas pelo problema:
• Os erros verdadeiros sigam uma distribuição normal de probabilidades
(distribuição de Gauss).
 ~ 2
• A variância dos erros do modelo baseado em funções aleatórias  σ R  seja uma
 
medida precisa da variância dos erros de estimação verdadeiros.
A primeira destas hipóteses é geralmente aceita, mesmo para conjunto de dados
com alta assimetria, pois os erros de estimação tendem a ser simétricos (teorema do
limite central).
A segunda hipótese, no entanto, depende fortemente, do modelo variográfico
selecionado. Na pratica, é muitas vezes difícil interpretar a variância dos erros do
modelo como a variância dos erros verdadeiros.
Segundo Yamamoto & Conde (1999), a variância da krigagem mede apenas a

configuração espacial dos pontos dados e, por isso, não reconhece a dispersão local dos
mesmos. A dispersão local é de importância vital principalmente para a classificação de
recursos minerais. Por isso, diversos autores propõem outras relações para calcular
medidas que melhor representem o erro associado à estimativa e levem em consideração
os efeitos da dispersão local (regiões de alta e baixa variabilidade).
3.2.6.
Simulações Geoestatísticas
Em muitos casos, a estimação do valor de um bloco simples não é suficiente para

abordar todos as questões surgidas em um projeto novo. A krigagem produz a melhor
estimativa do valor de um bloco, considerando somente valores amostrais ao redor do
bloco e ignorando a influência dos demais.
As estimações produzidas geram uma representação suavizada da distribuição real
da variável. Em termos estatísticos, isto significa que a variância das estimativas é
menor do que a variância dos valores reais. Em termos práticos, que o valor previsto
está condicionalmente com viés, subestimando os valores altos e sobrestimando os
valores baixos (Sullivan, 2006).
As simulações mostram um maior detalhe da variabilidade espacial, já que seu
objetivo é reproduzir a maior quantidade possível das propriedades do conjunto original
67
dos dados, enquanto que as estimativas são realizadas para determinar propriedades
médias.
A simulação reproduz o histograma e variograma dos dados originais, além de
estar condicionada aos dados. Por meio do condicionamento, quando uma variável é
simulada em uma região amostrada, a estimativa igualará exatamente o valor da
amostra. As simulações podem ser realizadas muitas vezes e em cada vez produzirá
superfícies diferentes. Cada uma das superfícies simuladas reproduz as características
conhecidas e modeladas dos dados, com cada superfície representando uma possível
imagem de como a variável se comportará espacialmente.
Em resumo, quando se quiser a melhor estimativa do valor de uma propriedade,
deve-se usar a krigeagem, mas quando se requer a informação da variabilidade, há que
criar simulações.
Fundamentos da simulação
Uma simulação geoestatística bem construída reproduzirá muita das
características originais dos dados. Algumas das características reproduzidas são:o
histograma dos dados, a correlação espacial dos dados e suas propriedades locais.
Existem muitos algoritmos para gerar uma simulação condicional, Porém, todos os
algoritmos relacionam-se em quatro etapas importantes (Figura 3-12). Iniciando com
uma serie de números aleatórios, impõe-se a correlação espacial. Os valores
correlacionados são “condicionados” aos dados reais e obrigados a se conformar à
distribuição dos dados originais.
68
Figura 3-12 Passos para uma simulação.
3.2.6.1.
Simulação seqüencial gaussiana (SSG)
Atualmente é o algoritmo mais conhecida de simulação condicional, permitindo

uma solução eficiente das etapas de simulação. A aproximação da simulação seqüencial
gaussiana utiliza ao máximo as propriedades da distribuição gaussiana.
Uma das propriedades é quando os dados são (multi) normalmente distribuídos,
então a variância da krigagem é equivalente à variância condicional e o valor estimado
descreve por completo a distribuição condicional em um ponto não amostrado.
Conhecendo esta distribuição, é portanto muito simples estabelecer previsões. No
entanto, como a seleção aleatória de amostras de um número de distribuições
condicionais independentes não garante que o variograma dos dados seja reproduzido
69
pela simulação, então os teores simulados são somadas ao grupo dos dados
condicionantes conforme são gerados (Sullivan, 2006).
Em termos matemáticos, uma simulação condicional procura fornecer realizações
de N variáveis aleatórias condicionais aos n dados disponíveis. Aqui N (o número de
pontos simulados) é geralmente maior que n (o numero de dados disponíveis). Como a
distribuição multivariável adequada para este tipo de problema é geralmente muito
complexa, necessita-se de um método que simplifique a solução. Esta simplificação é
feita com auxílio do axioma de Bayes para probabilidades condicionais. Para eventos
discretos, o axioma é dado por:
Pr( A / B) = Pr( A ∧ B) / Pr( B) (3-93)

Figura 3-13 Diagrama de Venn.
Os círculos representados na Figura 3-13 representam os eventos A e B. A

interseção dos círculos representa a ocorrência de A e de B ao mesmo tempo. O termo
Pr(A/B) representa “qual é probabilidade de que ocorra A quando já tenha acontecido
B”. Se já ocorreu o evento B, todos os eventos adicionais estão limitados ao circulo que
representa B, ou seja, “se já ocorreu B, a única maneira de que ocorra A é que ocorram
A e B ao mesmo tempo". Ao juntar esta informação, a probabilidade de que ocorra A e B
(Pr(A/B)) é igual à probabilidade de que ambos os dois A e B ocorram ( Pr( A ∧ B ) )
dividido pela probabilidade de que ocorra B (Pr(B)).
Também podemos escrever a equação (3-93) como:
Pr( A ∧ B) = Pr( A / B). Pr( B) (3-94)
Esta equação resulta mais adequada nas simulações de distribuições de múltiplas
variáveis, ondea probabilidade conjunta de A e B é o produto de duas distribuições. Esta
70
relação pode ser expandida para que se possa formar a partir do produto de variáveis N,
a distribuição conjunta de qualquer variável N.
Por exemplo, considerando D = B ∧ C
Pr( A ∧ B ∧ C ) = Pr( A ∧ D ) (3-95)
Aplicando o axioma de Bayes
Pr( A ∧ D) = Pr( A / D). Pr( D ) (3-96)
Substituindo novamente D
Pr( A ∧ B ∧ C ) = Pr(( A / B) ∧ C ). Pr( B ∧ C ) (3-97)
Aplicando novamente o axioma de Bayes
Pr( A ∧ B ∧ C ) = Pr(( A / B ) ∧ C ). Pr( B / C ). Pr(C ) (3-98)
Na simulação existem n dados e N pontos a simular. Os n pontos simulados
devem ser uma realização da função aleatória V(x). Logo, os pontos simulados devem
seguir as leis da probabilidade conjunta para as N variáveis aleatórias (N variáveis

aleatórias nos pontos que estão sendo simulados). Uma realização que segue as leis de
probabilidade conjunta é definida aplicando sequencialmente o axioma de Bayes.
Primeiro, um ponto de partida aleatório que será simulado é selecionado dentre os
N nós de uma malha. Neste momento, a distribuição dos teores condicionados aos n
dados é definida e um teor simulado selecionado aleatoriamente a partir da distribuição
condicional. Logo depois, este teor simulado é adicionado ao conjunto de dados
condicionantes e visita-se outro dos nós da malha. A distribuição condicional é definida
neste ponto e um teor simulado é selecionado aleatoriamente com base nesta
distribuição.
Segundo, a distribuição dos teores esta condicionada de maneira importante aos n
dados e ao teor simulado. Este processo seqüencial continua até que todos os pontos N
tenham sido simulados, já que todos os teores simulados são selecionados de uma
distribuição de teores condicionados à informação disponível (simulado e real); A
simulação resultante é uma realização da função aleatória V(x).
É importante garantir que os dados tenham uma distribuição normal, já que a
aplicação da krigagem simples define por completo a distribuição condicional dos
teores. Neste caso, o procedimento de simulação condicional consiste em:
• Visitar um nó de simulação.
• Realizar uma krigagem simples para definir a distribuição condicional.
• Selecionar aleatoriamente um teor da distribuição condicional.
71
• Somar o valor simulado ao conjunto dos dados condicionados.

• Visitar outro nó e repetir o processo.
• Este processo continua até que todos os nós tenham sido simulados.
~ ~ ~
V sim ( x) = VUCSim ( x) + (V dados ( x) − V UCSim ( x)) (3-99)
~
onde V sim ( x) é o valor simulado, VUCSim (x) é o teor do dado simulado não
~
condicionado, V dados ( x) o teor estimado com krigagem simples a partir das amostras e
~
V UCSim ( x) o teor estimado com krigagem simples a partir dos dados não
condicionalmente simulados.
~
Nas posições onde existam dados, a simulação condicional V sim ( x) será igual aos
dados, já que a krigagem é um estimador exato. Em um nó onde haja uma amostra
 ~
  ~

VUCSim ( x) = V UCSim ( x)  e  Vsim ( x) = V dados ( x)  .
   
Segundo Sullivan (2006), a variância da krigagem e a variância condicional não
são as mesmas em uma distribuição que não seja normal (Gaussiana), por exemplo em
uma distribuição log-normal onde existe um efeito proporcional. A variância
condicional é uma função do valor médio local (efetivamente S2=&.m2 onde S2 é a
variância local e m é a média local). Neste caso, quando a krigagem é realizada, a
variância da krigagem é somente condicional com a posição dos dados, já que os pesos
da krigagem são função apenas da posição dos dados. Devido que a variância
condicional depende das médias locais, a variância condicional depende tanto da
posição dos dados quanto dos valores destes.
Para aplicar a teoria de simulação seqüencial gaussiana os dados devem estar
distribuídos normalmente, o que ocorre quase nunca na prática. A solução deste
problema está na transformação dos dados a uma distribuição normal. Sem importar seu
teor de distribuição inicial, com uma média de 0 e um desvio padrão de 1 criam-se
valores normalmente distribuídos. Logo depois, a simulação é realizada sobre estes
dados transformados e os pontos simulados são novamente transformados a seus
respectivos valores originais.
A transformação dos dados se baseia na distribuição acumulativa dos dados e na
distribuição normal.
72
Implementação da Simulação Seqüencial Gaussiana

• Revisar os dados originais para assegurar-se que a distribuição dos teores seja
estacionária em relação ao volume que será simulado. Particularmente, revisar as
tendências dos teores ou das áreas de valores altos e baixos. Se for necessário
subdividir o volume de simulação para obter regiões admitidas estacionárias.
• Revisar se existem grupos de dados. Se os dados estão segregados ou agrupados, é
provável que a distribuição não dessegregada dos dados não seja representativa.
Determine os pesos por um método de dessegregação.
• Transforme os dados para que sigam uma distribuição normal.
• Modele o variograma dos dados transformados.
• Defina o caminho aleatório através da malha dos pontos que serão simulados.
• Visite cada um dos nós e realize a krigagem simples sob os dados transformados.
• A krigagem simples define a média e a variância (estimativa da krigagem e

variância da krigagem) da distribuição condicional, pois os dados são
distribuídos normalmente.
• Usando um gerador de números aleatórios, selecione um ponto da distribuição
condicional Gaussiana. Este é o valor simulado para o ponto.
• Adicione o valor simulado ao grupo de dados condicionantes.
• Visite o próximo nó a ser simulado e repita a krigagem e os passos de seleção.
• Uma vez que todos os pontos tenham sido simulados, transforme os valores
simulados sob distribuição normal para obter os teores simulados reais.
• Os valores simulados finais devem ser revisados e contrastados com os dados
originais para garantir que o variograma e o histograma tenham sido
reproduzidos adequadamente.
73
4.
MODELAGEM
A metodologia da modelagem geológica e geotécnica é uma modificação da

metodologia de Houlding (1994), e esta dividida em modelagem geométrica e
modelagem numérica.
A modelagem geométrica deve dar um espaço tridimensional a partir do qual
poderá fornecer-se um modelo de blocos e poderá avaliar-se a variabilidade espacial
com os métodos geoestatísticos. Segundo Hack (2006), recomenda-se um processo ou
conjunto de critérios que avaliem toda a informação em unidades geológicas-
geotecnicas homogêneas.
Na realidade, os parâmetros geológico-geotécnicos (forma, tamanho, volume,
qualidade do maciço rochoso, orientação das fraturas, etc.) reais de um depósito
somente serão conhecidos completamente quando finalize a produção dele. Porém, é
labor do engenheiro interpretar toda a informação disponível e definir um modelo
aproximado do depósito.
74
Figura 4-1 Fluxo da modelagem (modificado a partir de S. Houlding, 1994).
4.1.
Banco de dados
Toda a informação vai para dois tipos de bancos de dados, o primeiro, contem
toda a informação dos mapeamentos geológicos, todos em formato DXF de Autocad.
O segundo tipo de banco de dados consiste em uma coleção de tabelas e, a cada
uma, é associado um nome único. O principal objetivo deste modelo de banco de dados
75
é simplificar e agilizar o acesso dos usuários às informações e eliminar as informações

redundantes.
4.2.
Modelagem Geométrica e Amostragem
A modelagem geométrica refere-se a desenhar contornos a partir de seções ou

perfis verticais e horizontais com direção perpendicular à veio Animas. As rochas foram
classificadas em cinco códigos litológicos, ademais um código especial para as zonas de
falha e uma metodologia de interpretação para o depósito todo. Desta maneira utiliza-se
somente um critério para a modelagem geológica.
Os perfis verticais são modelados ao inicio deste trabalho, após isto, cria-se
sólidos para cada tipo litológico, tentando-se garantir uma região homogênea com as
mesmas características, e que posteriormente seja usada para intersectar sondagens em
intervalos com litologia similar. Este passo é fundamental antes de fazer qualquer
calculo ou desagregação estatística.
A amostragem esta relacionada a toma de informação do Parâmetro RQD a partir
de intervalos de sondagens. Em mineração, a sondagem é uma técnica
fundamentalmente amostradora, cujo objetivo é a obtenção de uma amostra da formação
ou maciço que se perfura.
4.2.1.
Metodologia da amostragem do parâmetro RQD
A descrição dos maciços rochosos exige observações diretas, realizadas

diretamente em testemunhos. É fundamental que os testemunhos traduzirem, tanto
quanto possível, as características in situ do meio rochoso.
Na sondagem, devem se levar em consideração dois fatores importantes: a
recuperação e o diâmetro do testemunho. O parâmetro recuperação (Rp) esta definido
por o comprimento do testemunho medido (l1) entre o tramo perfurado (L1) como se
mostra na equação (4-1), este parâmetro sempre é medido para saber quanto
porcentagem da rocha obteve-se em cada tramo de perfuração. O diâmetro do
testemunho de sondagem deve atender à massa exigida para representar o material que
se deseja amostrar, em função da variabilidade do deposito pesquisado. Porém, é
76
importante considerar o caráter pontual das observações realizadas em amostras de

sondagens.
Rp = (L1 − l1 ).100 / L1 % (4-1)
A aplicação das técnicas geoestatísticas, neste projeto, foi feito para o índice
geomêcanico RQD (Rock Quality Designation), tendo em vista a importância deste
índice para a avaliação do maciço rochoso.
Sondagem diamantina
A sondagem rotativa é utilizada para investigações geológicas e/ou geotécnicas
em rochas, desde as mais brandas às mais duras.
Os principais equipamentos para uma amostragem rotativa são a sonda (com motor), a
bomba d’agua, os tubos de revestimento, as hastes, os barrilletes, o calibrador, a mola
retentora de testemunho e a coroa diamantina.

Na sondagem diamantinada, o processo de perfuração é realizado, em geral, com
o auixilio de uma coroa de forma anelar, contendo inúmeros diamantes encravados, que,
girando a alta velocidade, corta o terreno segundo uma seção circular, separando um
cilindro do material penetrado do resto da rocha (Redondo, 2003).
Os testemunhos da sondagem apresentam um diâmetro oscilando entre 18 e 61
mm. Os furos de grande diâmetro são utilizados na perfuração do manto de
intemperismo e diminui-se o diâmetro do furo quando se perfura a rocha dura.
Utilizam-se revestimentos na parede do furo de sondagem em camadas
intemperizadas, zonas altamente fraturadas e zonas muito permeáveis, onde pode
ocorrer perda da água de circulação e/ou perigo de desabamento da parede do furo.
Para lubrificar coroa e testemunho, estabilizar e selar parede dos furos e
testemunhos, bem como para transportar fragmentos à superfície, utiliza-se, na maioria
das vezes, água com argila pesada e outros aditivos.
Os dados foram disponibilizados pela Mineradora Bateas S.A.C detentora da
concessão de lavra da mina Cailloma – Arequipa – Peru, alvo desta pesquisa. Os
geólogos de exploração da companhia fazem medição do RQD, recuperação, litologia,
alteração e segmento amostrado, a partir das sondagens efetuadas (Figura 4-2). O
testemunho foi serrado longitudinalmente, metade do testemunho foi para o arquivo e a
outra metade para análise química em alguns segmentos (Figura 4-3).
77
Figura 4-2 Medição de parâmetros geológicos – geotécnicos nas sondagens.
Figura 4-3 Testemunhos serrados longitudinalmente

78
4.2.1.1.
Definição do Parâmetro RQD
Introduzido inicialmente por Deere et al (1967), como um “índice” da qualidade

de um maciço rochoso ou de uma formação rochosa especifica, o RQD é uma forma
alternativa de determinação da recuperação, a partir de testemunhos de sondagem,
expressa através da seguinte expressão:
 n 
 ∑ xi 
RQD = 100. i =1 % (4-2)
 L 
 
 
Onde xi representa o comprimento individual de fragmentos de testemunho,

retirados a partir de um barrilete com comprimentos superiores a 10 cm e L o

comprimento total da manobra de avanço da perfuração.
A International Society for Rock Mechanics (ISRM, 1978) recomenda que sejam
empregados apenas testemunhos de sondagem, obtidos com a utilização de barriletes
duplos-livres de diâmetro mínimo NX (54,7 mm). O correto procedimento, segundo
Deere (1988), para se medir o comprimento dos fragmentos de testemunhos e para o
calculo do RQD esta na Figura 4-4.
79
Figura 4-4 Procedimentos utilizados para a determinação do RQD a partir de

testemunho de sondagem (Deere, 1988).
A relação entre o índice RQD e a qualidade de engenharia das rochas proposta por
Deere (1968), é a seguinte:
Tabela 4-1 Classificação do índice RQD.
Descrição da
RQD %
Qualidade de Rocha
< 25 Muito Pobre
25-50 Pobre
50-75 Regular
75-90 Bom
90-100 Excelente
Devem ser corretamente identificadas e descartadas na determinação do RQD as

fraturas artificialmente produzidas durante o processo de sondagem.
O RQD é desenhado em cada um das sondagens utilizadas na modelagem
geológica, após a esta modelagem, este parâmetro é utilizado nas analises estatísticas e
geoestatísticas efetuadas para este depósito.
80
Segundo Harrison, em maciços rochosos é muito freqüente encontrar valores por

acima de 85% e por debaixo de 10%; não é freqüente encontrar valores entre 40% e
60%. Assumindo que não existe uma razão física para alguma especifica geometria de
descontinuidades ou espaçamento de descontinuidades, então este fato esta ligado a
como se faze a medida do RQD.
O RQD também pode ser obtido pela seguinte correlação:
RQD = 115 − 3.3( J n ) (4-3)
O índice Jn é obtido pelo somatório do numero de descontinuidades de um único
sistema interceptadas ao longo de uma direção ortogonal ao seu plano, ponderada pelo
comprimento individual das linhas de levantamento.
Priest e Hudson (1976) analisaram cerca de 7000 valores de espaçamento de
descontinuidades em maciços rochosos e encontraram a seguinte correlação:
RQD = 100.e −0.1 f .(0.1 f + 1) (4-4)
Sendo:
f= número médio de descontinuidades por metro, e 0.1 o valor limite, por
definição, do RQD.
4.2.2.
Critérios da modelagem geológica
Estabeleceram-se regras para a modelagem geológica conjuntamente com os

geólogos da Mineradora. Estas regras estão divididas para a modelagem em perfis
horizontais e verticais (Figura 4-5).
81
Figura 4-5 Método dos perfis ou seções (Yamamoto, 1996).

4.2.2.1.
Modelagem em perfis verticais
a.- Os perfis têm uma distância de 30 metros entre cada um deles. A influencia dos
perfis é de 15 metros antes, e de 15 metros na direção de avance dos perfis.
b.- A modelagem tem uma influencia de 15 metros a cada lado do perfil.
c.- Se o perfil somente corta uma sondagem:
A modelagem se faz seguindo a forma da zona econômica da Veio Animas.
Se a rocha é ígnea e não se tem informação da continuidade nas duas seções
anteriores nem nas duas seguintes, então se da um alcance máximo de 20 metros à parte
superior da interseção e 20 metros à parte inferior desta.
Se for uma rocha ígnea e tem-se informação da continuidade nas duas seções
anteriores e seguintes, então se realiza uma modelagem tentando interpolares as seções
com informação litológica.
d.- Se a seção intersecta mais de uma sondagem, desenha-se seguindo a forma da
interseção das sondagens com as seções.
e.- Para melhorar a modelagem, recomenda-se, que se a rocha não tem continuidade na
próxima seção, dê-se uma influencia de 10 metros entre a seção que tem um tipo de
rocha e a seção que não tem este tipo. Desta maneira a modelagem não terminara ao
inicio ou final de cada seção.
82
f.- Se a sondagem intersecta uma zona de falha, e não tem correlação com as outras
sondagens em essa mesma seção, então deve se dar um alcance entre 5 a 10 metros à
parte superior e também à parte inferior.
g.- Se a sondagem intersecta uma veio ou estrutura de minério, e não tem correlação
com as outras sondagens em essa seção, então deve se dar um alcance de 10 metros à
parte superior e também à parte inferior.
h.- Quando existem estruturas de minério separadas por rochas encaixantes com
potencia perto de 1 metro, então modela-se todo como estrutura (V).
i.- Se a estrutura (V) é cortada somente por uma sondagem e esta perto a Veio
econômica, então modela-se esta litologia seguindo a forma da veio econômica.
j.- No caso de ter sondagens com segmentos de rochas misturadas de pouca potencia,
então modela-se a rocha predominante.
4.2.2.2.
Modelagem em perfis horizontais
a.- Os perfis estão distanciadas cada 20 metros e a influencia de cada perfil é de 10

metros para acima e para embaixo.
b.- A modelagem é elaborada principalmente nas rochas tufo Lapilli (TBLP) e andesito
porfiritico (ANDPORF), litologias com maior continuidade.
c.- Modelagem de zonas de falhas a partir de planos estruturais dos níveis de produção.
Para ser considerada como zona de falha, as falhas devem estar espaçadas ao redor de 1
metro e ter uma direção quase paralela. O conjunto de falhas é considerado como uma
área onde as falhas controlam a resistência do maciço rochoso. O mergulho da zona de
falha é a media dos mergulhos das falhas que o compõem.
4.3.
Modelagem Numérica
Trata-se do processo que subdivide os sólidos geológicos elaborados na

modelagem geométrica em blocos de dimensões constantes em cada direção (Norte-sul,
leste-oeste, vertical). O conjunto de todos os blocos é chamado de modelo de blocos e
muito utilizado em geoestatística mineira.
83
4.3.1.
Malhas de blocos
Os modelos ou malhas de blocos utilizam-se muito em depósitos metálicos e não

metálicos. O depósito se subdivide em paralelepípedos com uma ou duas dimensões
variáveis dependendo do tipo da lavra.
O primeiro modelo de blocos foi utilizado a inicio dos anos 60 por a Kennecott
koper Corporation em um deposito de porfiro de cobre massivo. O segundo tipo de
modelo foi desenvolvido em 1968 quando nasce a necessidade de juntar numerosos
blocos regulares de desmonte em um só (Bustillos, 1997).
Cada um dos blocos deve conter toda a informação necessária para as fases de
avance de um projeto. A determinação das dimensões ótimas de um bloco depende
principalmente de:
Variabilidade dos valores estudados (teor de elementos químicos ou parâmetros
estudados).
• Continuidade geológica da mineralização.
• Tamanho da amostragem e espaçamento.
• Capacidade das maquinas mineiras.
• Tamanho da lavra.
• Limites próprios do software ou do computador.
Estes modelos principalmente se desenvolveram para observar a distribuição
espacial dos teores de elementos econômicos, porem recentemente tem sido utilizados
para modelar formas de unidades geológicas, unidades geotécnicas e aqüíferos de água
subterrânea.
Os modelos podem ser ortogonais ou com rotação como se mostra na Figura 4-6.
84
Figura 4-6 Tipos de modelos de blocos.
Tamanho do bloco
O bloco unitário ortogonal (Figura 4-7) para a avaliação tem sido eleito
considerando os avances diários no interior da operação (o avanço diário no veio

Animas é de três metros).
Figura 4-7 Bloco unitário ortogonal.
4.3.2.
Regularização
Os dados usualmente estão relacionados a suportes de amostras que não são

pontais. Eles são afeitados por micro-estruturas e por vários erros de origem que juntos
85
influenciam no efeito pepita. Por isto, a identificação dos vários componentes do efeito
pepita através da regularização permite uma melhor manipulação dos dados e um
melhor controle da amostragem (Chiles & Delfiner, 1997).
A regularização é uma técnica usada para a uniformização do comprimento ou a
distancia vertical das sondagens.
A este comprimento de longitude determinada, da-se lhe um valor de media
ponderada (V(x)) a um tramo de sondagem (L). O valor é uma simples media aritmética
dada por.
 n 
 ∑ v( xi ).Li 
V ( x) =  i =1 n  (4-5)
 Li 
 ∑
 i =1 
Onde V(x) é o valor médio, x o número do intervalo, Li é o comprimento do

intervalo medido e v(xi) é o valor no intervalo medido.
Figura 4-8 Regularização de uma sondagem (Journel & Huijbregts, 1989).
Este sistema é muito utilizado para avaliação de jazidas, principalmente quando são
massivas, de boa potencia e com pequenas mudanças na densidade aparente do
material.
86
4.3.2.1.
Determinação do comprimento da regularização por litologia
A partir da modelagem geológica-geométrica, seleciona-se os intervalos das

sondagens que se encontram no interior das cinco litologias modeladas.
Existem duas metodologias usadas na regularização das sondagens:
Regularização a partir das medidas de tendência central, usadas principalmente para

a avaliação da mineralização de elementos químicos, principalmente metálicos em
jazidas como porfiro e depósitos de ouro sedimentar, onde é muito difícil estabelecer
uma direção de mineralização preferente.
Primeiro, se deve fazer um histograma de freqüência e observar o tipo de curva de
distribuição da longitude dos comprimentos de cada tramo (To-From). Determinar o
tipo de distribuição.
Geralmente, os geólogos fazem amostragem das sondagens considerando

principalmente a mineralogia, devido a isto os segmentos de amostragem podem ter
comprimentos desde muito pequenos até muito cumpridos. Esta técnica garante que as
zonas com maiores teores do elemento amostrado sempre se encontre diferenciado das
zonas onde os valores são baixos ou inexistentes.
Se a distribuição fosse Normal, então o comprimento da regularização seria a
média aritmética, por ser a medida mais representativa da população.
Se a distribuição fosse Lognormal ou de outro tipo com viés marcado, então o
comprimento da regularização seria a mediana, por ser a medida mais representativa da
população.
Esta metodologia tenta garantir a identificação das tendências e direções
principais da mineralização.
Regularização a partir dos avances da escavação, usado quando se trata de

parâmetros geomecânicos, metalúrgicos, de recuperação e para avaliação de elementos
químicos em jazidas regulares (camadas de ferro, cavas a céu aberto de calcareo,etc.).
O comprimento da regularização neste caso é obtido a partir do avanço da
escavação diária, por exemplo, no caso de escavações subterrâneas de uma mineradora
mediana, o avance diário é de três metros por turno de trabalho. No caso de cavas a céu
aberto de uma mineradora de calcareo é de 6 metros verticais por turno de trabalho ou
87
também chamados banco de extração o SMU. Então o comprimento deve guardar um

grande relacionamento com os avances diários dependendo do tipo de extração.
A medida do comprimento mais utilizada é igual à metade da longitude da
escavação por turno de trabalho.
4.3.3.
Metodologia modelagem numérica
A Figura 4-9 mostra o procedimento inicial para uma estimativa ou uma

simulação. Nesta parte do processo podemos realizar a regularização do comprimento
das sondagens, e a analise estatística de cada tipo de rocha.
A Figura 4-10 mostra o processo de estimativa pela Krigagem, esta etapa esta
dividida em três partes a primeira delas é a analise variografico. A segunda etapa é a
validação, onde otimizamos os modelos variograficos escolhidos na etapa anterior e, a
vizinhança. A ultima parte é a estimativa, nesta ultima definimos o tipo de método

geoestatístico que utilizaremos para calcular os valores de RQD no modelo de blocos.
A Figura 4-12 mostra o processo de simulação seqüencial gaussiana, na primeira
etapa fazemos a transformação gaussiana dos dados. Logo depois, realizamos a analise
variografico da variável transformada. Na seguinte etapa realizamos a simulação
condicional dos dados e a transformação inversa para obter os valores reais de RQD.
Figura 4-9 Processamento estocástico.

88
89
Figura 4-10 Processo de estimativa com Krigagem.

90
Figura 4-11 Processo de simulação geoestatística – SGS.

91
4.3.3.1.
Vizinhança
Visto que todos os cálculos advindos da geoestatística usando semivariogramas

são funções principalmente de distancias especificadas, então a vizinhança usada na
estimativa torna-se um ponto de extrema importância. Vários são os métodos que
podem ser utilizados, cada um com vantagens e desvantagens.
Volume de Procura
A forma do volume de procura mais utilizada é a elipsóide centrada no ponto
central do bloco que vai ser estimado. Seus eixos e orientação são definidos pela
anisotropia do esquema de continuidade espacial.
O elipsóide é construído a partir dos variogramas direcionais. Estes determinam a
zona de influência em um processo de preenchimento dos blocos, também ajudam a

identificar regiões com valores parecidos e no caso de exploração mineral serve para
identificar as principais tendências de mineralização (Canchaya, 2003).
Figura 4-12 Volume de procura visto no plano.
O volume de procura serve para selecionar todas as amostras vizinhas que vão a
participar na estimativa do bloco.
Número de amostras
92
Depende diretamente do tamanho do bloco e do tamanho do volume de procura.

Porém, na pratica o número ótimo de amostras é obtido a partir da validação cruzada.
Define-se o mínimo número de amostras que precisa a estimativa de um bloco e, o
ótimo número de amostras por setor (no caso de usar o método dos oitantes).
Quadrantes e oitantes
Uma alternativa interessante e bastante fundamentada em termos geoestatísticos, é
usar um número especificado de vizinhos ao redor do valor a ser estimado. Segundo
Vieira (1997), o fundamento reside na distribuição semelhante em número, de todas as
direções. Muitas vezes quando não se impõe esta restrição, pode-se
desapercebidamente, utilizar tendenciosamente sempre um número maior de um lado do
que de outro. Este método divide a elipsóide de procura em 4 ou 8 setores.
No presente trabalho não se utilizará este método devido à pouca quantidade de
amostras e a separação da amostragem.
Discretização do bloco
A discretização de bloco divide ao bloco em sub-blocos em cada direção. Este
método é utilizado pela OK, IQD e SK, permitindo uma melhor representação, mas
também aumenta o tempo do processo de estimativa. O número ótimo de blocos
depende de diferentes fatores entre os quais temos o tamanho do bloco, parâmetros
variográficos, espaçamento das amostras, etc., por isso não se pode fazer uma
recomendação que cobra todos os casos.
Frequentemente o número ótimo de blocos em cada direção é obtido através da
validação cruzada.
93
Figura 4-13 Bloco discretizado.
A Figura 4-13 mostra um bloco discretizado em 3 sub-blocos no eixo X, 3 sub-

blocos no eixo Y, e 3 sub-blocos no eixo Z. Também a localização do centróide de um
sub-bloco, esse ponto vai conter o valor estimado ou simulado.
4.3.4.
Validação Cruzada
No ajuste de semivariogramas experimentais, sempre existe certo grau de

incerteza sobre as hipóteses de estacionaridade assumidas, modelos selecionados,
parâmetros ajustados e qualidade da krigagem. Esta incerteza representa o erro da
estimativa que pode ser avaliado pelo procedimento denominado de validação cruzada
(Isaaks & Srivastava, 1989). Nessa técnica, cada ponto medido é excluído e seu valor
estimado com os dados restantes, ou seja, ela estima os valores da variável em estudo
sobre os mesmos pontos amostrados e compara os novos valores com os dados
medidos.
A técnica "Jack-Knifing" permite avaliar a qualidade do método de estimativa de
dados e, também, definir o melhor número de vizinhos mais próximos a um
determinado ponto para a estimativa do valor neste ponto. A técnica é também utilizada
para avaliar se o modelo do semivariograma experimental usado no processo de
estimativa de dados é o que melhor se ajusta aos dados. Utilizam-se como parâmetros
94
de decisão o erro reduzido e a variância do erro reduzido, ideal quando próxima ao valor
1, (maiores detalhes em Vieira, 1995), calculados pelas seguintes equações:
__
 ^ 
ER = E{ER( xi )} = E (V ( xi ) − V ( xi )) / σ k ( xi )) = 0 (4-6)
 
__ 2
 ^ 
Var ( ER) = E ((V ( xi ) − V ( xi )) / σ k ( xi )) = 1 (4-7)
 
__
Onde σ k ( xi ) e o desvio padrão dos valores estimados e, ER é o erro de
estimativa.
O ideal é que o erro tenha distribuição normal com média reduzida a zero e desvio
padrão igual a 1.
Segundo Vieira (1997), com os pares de valores medidos e estimados de cada
ponto amostral, pode-se avaliar a qualidade dos ajustes dos semivariogramas pelos
seguintes procedimentos: regressão linear, erro absoluto (ideal quando o histograma
com seus valores se ajusta a uma distribuição normal) e erro reduzido.
^
A partir da análise de regressão entre os pares V ( xi ) e V ( xi ) (estimados x reais),
vários parâmetros podem ser estimados e utilizados no julgamento da qualidade da
estimativa, como a intersecção angular da reta de regressão, coeficiente de correlação
^
entre V ( xi ) e V ( xi ) , variância reduzida, etc.
^
A regressão linear é calculada entre os pares de valores estimados V ( xi ) e os
medidos em cada ponto de amostragem V ( xi ) .

^
V ( xi ) = a + b.V ( xi ) (4-8)
Onde a e b são, respectivamente, os coeficientes linear e angular da regressão. Se

todos os valores estimados fossem idênticos aos medidos, o valor de a seria nulo e o de
b unitário. Nessa situação teórica ideal, o coeficiente de correlação seria 100% e o
gráfico de dispersão entre os valores estimados e medidos seria uma série de pontos
exatamente sobre a reta 1:1(inclinação 45 graus). Caso esta situação não ocorra deve-se
procurar atingir o equilíbrio entre valores sub e super estimados pela krigagem,
evidenciado pelos dois lados da diagonal da reta 1:1 apresentando um número
aproximadamente igual de observações.
95
Como a interpolação por kriagagem está fortemente associada ao modelo de

semivariograma escolhido e à vizinhança a validação cruzada pode ser usada para a
decisão do modelo a ser ajustado e eleição da vizinhança ótima.
4.3.5.
Métricas para comparativas
É muito comum a aplicação de métrica para realizar uma comparativa dos

resultados de uma previsão. Em geoestatística, por exemplo, podemos comparar os
resultados obtidos entre dos tipos de métodos diferentes, como é o caso da KO e a SGS.
As métricas mais utilizadas são as seguintes:
O MAPE
É definido a partir do erro de previsão seguindo-se a fórmula:
n
ak − yk
∑
k =1 ak
MAPE = .100% (4-9)
(n)
n = número de previsões realizadas

ak = saída desejada para a previsão índice “k”.
yk = saída prevista para a previsão índice “k”.
O MAPE indica como o próprio nome diz, o valor médio do erro percentual das
previsões sobre todo o conjunto de teste.
O RMSE
É definido da seguinte forma:
2
1 n ak − yk
RMSE = ∑
n k =1 1
(4-10)
Esta métrica penaliza muito mais os erros maiores. Desta forma, uma técnica que
apresente ótimos resultados na maioria das previsões, porém tenha erros elevados em
uma previsão específica, irá fornecer um alto RMSE.
O coeficiente U de Theil
É definido pela fórmula:
96
∑ (a
k =1
k − yk )2
U= (4-11)
n
∑ (a
2
k − a k −1 )
k =1
Esta métrica mede o quanto os resultados estão melhores que uma previsão
ingênua ou trivial (i.e.: “a melhor estimativa do próximo valor é o valor atual”). Através
deste coeficiente pode-se analisar a qualidade de uma previsão da seguinte maneira:
Quando U ≥ 1, o erro do modelo é maior que o erro ingênuo.
Quando U < 1, o erro do modelo é menor que o erro ingênuo (boa previsão).
Assim, um coeficiente U de Theil menor que 1 já indica uma previsão melhor que
a previsão trivial. Portanto, quanto mais próximo de zero for este coeficiente melhor a
previsão.
97
5
APRESENTAÇÃO E ANALISE DOS RESULTADOS
5.1.
Modelagem geológica da área
Neste estudo utilizaram-se 162 sondagens, das quais 96 sondagens são curtas
(feitos no interior da mina) e 66 sondagens são longas (feitos desde a superfície). Cada
um das sondagens contém dados de coordenadas, inclinação, litologia, RQD,
recuperação e teores de Ag, Au, Pb, Zn (os quais não foram entregue pela mineradora).
Porém, nesta pesquisa só vai-se utilizar os dados de litologia e RQD.
Mapeamentos topográficos feitos pelo Departamento de Planejamento das

operações no interior da mina e na superfície, encontram-se em formato digital DXF.
A base de dados da Mineradora encontra-se em formato DBF (MsAccess). Estes
dados são armazenados através de uma interface elaborada em Power builder (Velarde,
2006), garantindo que a base de dados somente seja modificada e fiscalizada por o
administrador.
A base de dados da mineradora Bateas entregue para este trabalho conte os
campos que se apresenta na seguinte tabela:
Tabela 5-1 Campos da Base de dados da Mineradora Bateas.

CAMPO CARACTERISTICAS
BHID Nome da sondagem
X, Y e Z Coordenadas UTM
From Inicio do intervalo da sondagem
To Fim do intervalo da sondagem
Length Comprimento do intervalo
TD Comprimento da sondagem
ID Veta Nome da estrutura econômica
Sample_I Número da amostra
Potencia Potencia aparente da rocha
Codigo_L Codigo litologico
T_medido Intervalo medido
Por_Recu Recuperação em %
RQD RQD
Por_RQD RQD expresso em decimais
98
A modelagem geológica - geométrica foi elaborado no pacote DATAMINE

propriedade da empresa Minera Bateas.
As coordenadas das sondagens são relativas e não são coordenadas UTM. Estas
coordenadas são usadas para proteger a segurança da informação da mineradora.
Nas Figura 5-1, Figura 5-2 e Figura 5-3 podemos observar as sondagens e suas posições
no espaço. Cada uma das cores identifica um tipo de rocha.
Figura 5-1 Sondagens efetuadas no veio Animas.

99
Figura 5-2 Vista vertical (Leste-Oeste) das sondagens efetuadas no veio Animas.
Figura 5-3 Vista vertical (Norte-Sul) das sondagens efetuadas no veio Animas.
No veio Animas existem três níveis principais de extração de minério, cada um

deles estão distanciados por 50 metros. A Figura 5-4 mostra os três níveis principais.
100
Figura 5-4 Niveis 7,8 e 9 do veio Animas.
A partir dos mapeamentos geológicos estruturais por níveis (Figura 5-5, Figura
5-6 e Figura 5-7), modelaram-se os sólidos das zonas de falhas por nível. Seguindo as
recomendações do capitulo quatro e cinco do presente trabalho. As linhas azuis

representam as falhas geológicas identificadas em cada nível de produção.
Figura 5-5 Zonas de falha no nível 7.

101
Figura 5-6 Zonas de falha no nível 8.
Figura 5-7 Zonas de falha do nível 9.

102
5.1.1.
Modelagem geométrica
Pesquisadores como Folle & et. al. (2008), não realizam uma modelagem
geológica das unidades geológicas antes da estimativa do parâmetro geotécnico, porem,
eles consideram a tendência vertical própria dos dados no momento da estimativa. O
método geoestatístico que leva em conta essa tendência é a Krigagem Universal.
Neste caso utilizaremos a OK e SGS, por tanto devemos realizar a modelagem
geométrica do veio Animas (utilizaremos o método dos perfis para a criação dos
sólidos) para uma melhor predição do RQD.
Para esta etapa do trabalho utilizaremos o pacote DATAMINE desenvolvido pela
empresa Mineral Industries Computing Ltda em Inglaterra. A licença utilizada neste
trabalho é DATAMINE V2. Este programa permite realizar a criação de sólidos
tridimensionais, analise estatística, analise geoestatística, desenho de operações de
mineração e desenho de uma barragem de rejeitos. Porém, apresenta uma desvantagem

nas suas ferramentas de estimativa de recursos minerais, já que somente tem cinco
métodos numéricos.
5.1.1.1.
Perfis horizontais e verticais
Para a modelagem geológica da área de estudo foram utilizados perfis horizontais

e verticais, na Tabela 5-2 e a Tabela 5-3 se mostram as características principais dos
perfis.
103
Tabela 5-2 Características dos perfis verticais.

Ponto Ponto Elevação dos Influência dos
esquerdo Direito Perfis Perfis
Mínima Máxima Atrás Na frente
Perfil Norte Leste Norte Leste Elevação (m) Elevação (m) (m) (m)
0AN 17,206.50 3,295.40 17,134.90 3,349.60 4376 4910 15 15
1AN 17,224.60 3,319.40 17,153.00 3,373.50 4376 4910 15 15
2AN 17,242.70 3,343.30 17,171.10 3,397.40 4376 4910 15 15
3AN 17,260.80 3,367.00 17,189.00 3,421.40 4376 4910 15 15
4AN 17,278.90 3,391.10 17,207.30 3,445.00 4376 4910 15 15
5AN 17,297.00 3,415.00 17,225.00 3,469.00 4376 4910 15 15
6AN 17,315.00 3,439.00 17,243.50 3,493.00 4376 4910 15 15
7AN 17,333.20 3,462.90 17,261.60 3,517.10 4376 4910 15 15
8AN 17,351.30 3,486.90 17,279.70 3,541.00 4376 4910 15 15
9AN 17,369.00 3,510.80 17,297.80 3,564.90 4376 4910 15 15
10AN 17,387.50 3,534.70 17,315.90 3,588.90 4376 4910 15 15

11AN 17,405.60 3,558.70 17,333.90 3,612.80 4376 4910 15 15
12AN 17,423.70 3,582.60 17,352.00 3,636.70 4376 4910 15 15
13AN 17,441.70 3,606.50 17,370.10 3,660.70 4376 4910 15 15
14AN 17,460 3,631 17,388 3,685 4376 4910 15 15
15AN 17,477.90 3,654.40 17,406.00 3,708.50 4376 4910 15 15
16AN 17,496.00 3,678.30 17,424.40 3,732.40 4376 4910 15 15
17AN 17,514.00 3,702.20 17,442.50 3,756.40 4376 4910 15 15
18AN 17,532.20 3,726.00 17,460.60 3,780.30 4376 4910 15 15
19AN 17,550.30 3,750.00 17,478.60 3,804.00 4376 4910 15 15
20AN 17,568.00 3,774.00 17,496.80 3,828.10 4376 4910 15 15
21AN 17,586.50 3,797.90 17,514.80 3,852.00 4376 4910 15 15
22AN 17,604.60 3,821.90 17,532.90 3,876.00 4376 4910 15 15
23AN 17,622.70 3,845.80 17,551.00 3,899.90 4376 4910 15 15
24AN 17,640.80 3,869.80 17,569.20 3,923.90 4376 4910 15 15
25AN 17,658.90 3,893.70 17,587.20 3,947.80 4376 4910 15 15
26AN 17,676.90 3,917.60 17,605.30 3,971.70 4376 4910 15 15
27AN 17,695.00 3,941.60 17,623.40 3,995.70 4376 4910 15 15
28AN 17,713.00 3,965.50 17,641.50 4,910.33 4376 4910 15 15
29AN 17,731.20 3,989.40 17,659.60 4,043.60 4376 4910 15 15
30AN 17,749.00 4,013.30 17,677.70 4,067.00 4376 4910 15 15
31AN 17,767.40 4,037.30 17,695.80 4,091.40 4376 4910 15 15
32AN 17,785.50 4,061.00 17,713.90 4,115.00 4376 4910 15 15
33AN 17,803.60 4,085.10 17,731.90 4,139.30 4376 4910 15 15
34AN 17,821.70 4,109.10 17,750.10 4,163.20 4376 4910 15 15
35AN 17,839.80 4,133.00 17,768.20 4,187.10 4376 4910 15 15
36AN 17,857.90 4,156.90 17,786.20 4,211.00 4376 4910 15 15
37AN 17,875.90 4,180.90 17,804.30 4,235.00 4376 4910 15 15
38AN 17,894.00 4,204.70 17,822.00 4,258.90 4376 4910 15 15
39AN 17,912.20 4,228.70 17,840.50 4,282.80 4376 4910 15 15
40AN 17,930.25 4,252.60 17,858.60 4,306.80 4376 4910 15 15
41AN 17,984.30 4,276.60 17,876.70 4,330.30 4376 4910 15 15
104
Tabela 5-3 Características dos perfis horizontais.

Elevação dos Influência dos
Perfis Perfis
Mínima Máxima Acima Em baixo Elevação de
Perfil Elevação (m) Elevação (m) (m) (m) Referência (m)
0HO 4830 4850 10 10 4840
1HO 4810 4830 10 10 4820
2HO 4790 4810 10 10 4800
3HO 4770 4790 10 10 4770
4HO 4750 4770 10 10 4760
5HO 4730 4750 10 10 4740
6HO 4710 4730 10 10 4720
7HO 4690 4710 10 10 4700
8HO 4670 4690 10 10 4680
9HO 4650 4670 10 10 4660

10HO 4630 4650 10 10 4640
11HO 4610 4630 10 10 4620
12HO 4590 4610 10 10 4600
13HO 4570 4590 10 10 4580
14HO 4550 4570 10 10 4560
15HO 4530 4550 10 10 4540
16HO 4510 4530 10 10 4530
Aparte dos 42 perfis verticais criou-se dois perfis entre cada perfil com
denominação AN. Desta maneira se seguirão os critérios da modelagem geológica do
capitulo anterior.
Os perfis horizontais foram utilizados para completar a modelagem geológica em
zonas onde somente se tinham sondagens longas (comprimento maior a 100 metros).
Na Tabela 5-4 mostra-se o número de amostras utilizado por cada litologia na
modelagem geológica.
Tabela 5-4 Número de amostras por códigos litológicos.

Características litológicas Códigos litológicos Número de amostras
Conglomerado vulcânico AGV 55
Andesito porfiritico ANDPORF 1839
Brecha BX 285
Tufos vulcânicos TBLP 1596
Veio Animas V 2089
105
5.1.1.2.
Criação dos sólidos geológicos
Criaram-se cinco sólidos que representam as principais litologias do veio Animas.

A seguir se mostram os modelos geométricos das cinco litologias:
Figura 5-8 Topografia 3D da área de produção.

106
Figura 5-9 Modelo geológico AGV.

Figura 5-10 Modelo geológico ANDPORF.
Figura 5-11 Modelo geológico BX.

107
Figura 5-12 Modelo geológico TBLP.
Figura 5-13 Modelo geológico das zonas de falha do veio Animas.

108
Figura 5-14 Modelo geológico V e suas zonas de falha.
Figura 5-15 Todos os modelos geológicos.
A Figura 5-14 mostra o veio Animas (cor vermelho) e suas zonas de falha (cor
Azul).
109
5.1.2.
Modelagem Numérica
Nesta etapa do trabalho utilizaremos o pacote ISATIS V7, ele foi desenvolvido
por Geovariances na França. A principal vantagem são as múltiplas ferramentas
estatísticas e geoestatísticas. Uma grande desvantagem é que o pacote não permite
realizar a modelagem geológica tridimensional de um depósito mineral.
5.1.2.1.
Regularização
A regularização realizou-se a partir dos dados originais a uma distancia de 1,5

metros.
As seguintes figuras mostram as posições de cada compósito por tipo de rocha.
No momento de fazer regularização das amostras só são consideras aquelas que têm
teores de RQD. As amostras que não tem este valor e somente tem o código litológico
serão excluídas da regularização.
Tabela 5-5 Número de amostras regularizadas por código litológico.

Número de amostras
Características litológicas Códigos litológicos
regularizadas
Conglomerado vulcânico AGV 58
Andesito porfiritico ANDPORF 1979
Brecha BX 38
Tufos vulcânicos TBLP 1748
Veio Animas V 446
A Figura 5-16, Figura 5-17, Figura 5-18, Figura 5-19 e Figura 5-20 mostram a
distribuição espacial das amostras regularizadas
110
X (m)
3820 3830 3840 3850 3860 3870 3880
RQD
17390 17390
17380 17380
Y (m)
Y (m)
17370 17370
17360 17360
17350 17350
17340 17340
3820 3830 3840 3850 3860 3870 3880

X (m)
Figura 5-16 Amostras regularizadas da litologia AGV.

X (m)
3500 3750 4000 4250
18000 18000
RQD
17900 17900
17800 17800
17700 17700
Y (m)
Y (m)
17600 17600
17500 17500
17400 17400
17300 17300
17200 17200
3500 3750 4000 4250

X (m)
Figura 5-17 Amostras regularizadas da litologia ANDPORF.
X (m)
3600 3700 3800 3900 4000 4100
17650 RQD 17650
17600 17600
17550 17550
Y (m)
Y (m)
17500 17500
17450 17450
17400 17400
17350 17350
3600 3700 3800 3900 4000 4100

X (m)
111
Figura 5-18 Amostras regularizadas da litologia BX.
X (m)
3250 3500 3750 4000 4250 4500
RQD
18000 18000
17750 17750
Y (m)
Y (m)
17500 17500
17250 17250
3250 3500 3750 4000 4250 4500

X (m)
Figura 5-19 Amostras regularizadas da litologia TBLP.

X (m)
3500 3750 4000 4250
18100 18100
18000 RQD 18000
17900 17900
17800 17800
17700 17700
Y (m)
Y (m)
17600 17600
17500 17500
17400 17400
17300 17300
17200 17200
3500 3750 4000 4250

X (m)
Figura 5-20 Amostras regularizadas da litologia V.
5.1.2.2.
Modelo de blocos
O bloco unitário que utilizaremos para as litologias com códigos AGV,

ANDPORF, BX e TBLP têm as seguintes dimensões: 10 metros na direção vertical, 6
metros na direção Norte-Sul e 6 metros na direção Leste-Oeste. Devido a que estas
litologias são rochas encaixantes e não contem mineralização.
112
O bloco unitário ortogonal que utilizaremos para a litologia com código V tem as
seguintes dimensões: 6 metros na direção vertical, 3 metros na direção Norte-Sul e 3
metros na direção Leste-Oeste. Devido a que esta litologia é econômica e precisa de um
maior detalhe, desta maneira o bloco unitário representara melhor as irregularidades do
contorno.
O tamanho do bloco foi eleito devido ao avanço diário de extração de minério que
é de 3 metros.
Ao inicio criamos um modelo protótipo, este modelo é um paralelepípedo de
grande tamanho e, cujo objetivo é cobrir todo o volume dos sólidos geológicos. Nas
tabelas desde a
Tabela 5-6 até a Tabela 5-10 mostram-se as características de cada um dos modelos
protótipo.
Tabela 5-6 Características do modelo protótipo da litologia AGV.
DISTÂNCIA TAMANHO DO NÚMERO DE

COORDENADA MÍNIMO MÁXIMO
(m) BLOCO (m) BLOCOS
X 3775 3915 140 6 23
Y 17302 17434 132 6 22
Z 4400 4570 170 10 17
TOTAL BLOCOS 8727
Tabela 5-7 Características do modelo protótipo da litologia ANDPORF.

X 3330 4420 1090 6 182
Y 17120 18000 880 6 147
Z 4400 4840 440 10 44
TOTAL BLOCOS 1172356
Tabela 5-8 Características do modelo protótipo da litologia BX.

X 3377 4112 735 6 123
Y 17236 17838 602 6 100
Z 4493 4791 298 10 30
TOTAL BLOCOS 366267
113
Tabela 5-9 Características do modelo protótipo da litologia TBLP.

X 3290 4480 1190 6 198
Y 17109 18076 967 6 161
Z 4426 4833 407 10 41
Tabela 5-10 Características do modelo protótipo da litologia V.

X 3295 4415 1120 3 373
Y 17130 18060 930 3 310
Z 4405 4845 440 6 73
A partir destes modelos selecionou-se o volume exato de cada um dos sólidos

geológico, nos quais serão feitos os processos de estimativa e simulação geoestatística.
Figura 5-21 Malha de blocos litologia AGV.

114
Figura 5-22 Malha de blocos litologia ANDPORF.
Figura 5-23 Malha de blocos litologia BX.

115
Figura 5-24 Malha de blocos litologia TBLP.
Figura 5-25 Malha de blocos litologia V.

116
5.2.
Estatística básica
5.2.1.
Estatística descritiva
A Tabela 5-11 mostra as principais medidas estatísticas da variável RQD das

amostras regularizadas por código litológico.
Tabela 5-11 Estatística descritiva das amostras regularizadas por código litológico.
VARIAVEL AMOSTRAS MINIMO MAXIMO MEDIA DESV. PADRÃO VARIÂNCIA CURTOSE
AGV RQD 58 0.00 90.32 28.33 33.15 1098.79 1.93
ANDPORF RQD 1979 0.00 100.00 69.86 29.14 849.36 2.90
BX RQD 38 0.00 77.15 30.14 18.46 340.92 3.38
TBLP RQD 1748 0.00 100.00 72.23 29.00 840.92 3.03
V RQD 446 0.00 100.00 42.92 30.58 935.12 1.82
As medidas de dispersão e de forma são diferentes em cada código litológico. A

curtose indica que as amostras regularizadas dos códigos litológicos AGV, ANDPORF
e V apresentam uma distribuição platicúrtica e as amostras regularizadas de tipo
litológico TBLP e BX apresentam uma distribuição leptocúrtica.
5.2.2.
Estatística básica das amostras regularizadas originais e desagregadas
Analizou-se as amostras regularizadas originais e as desagregados de cada

litologia. A desagregação foi feita com uma janela móbil igual o tamanho de cada bloco
unitário.
A Figura 5-27 até Figura 5-30 mostram os histogramas das amostras regularizadas
originais e desagregadas com uma janela móbil de 6 metros no eixo X (Leste-Oeste), 6
metros no eixo Y (Norte-Sul) e 10 metros na direção vertical.
A Figura 5-30 mostra o histograma das amostras regularizadas originais e das
amostras regularizadas desagregados com uma janela móbil de 3 metros no eixo X
(Leste-Oeste), 3 metros no eixo Y (Norte-Sul) e 6 metros na direção vertical.
Como podemos observar a média e o desvio padrão das amostras regularizadas
originais e desagregadas varia muito pouco, o que significa que não existe um
agrupamento preferencial que possa dar um bias à estimativa. Por isso, os cálculos dos
variogramas experimentais foram elaborados com compósitos originais.
117
Figura 5-26 Histograma das amostras regularizadas originais e desagregadas da litologia

AGV

ANDPORF
118

BX

TBLP
119

V
Podemos observar que em quase todas as litologias os valores de RQD que apresentam
maior freqüência relativa estão por acima de 85 ou perto de 10.
5.2.3.
Transformação a uma variável normalmente distribuída por litologia
O problema de não ter uma distribuição normal nos dados originais pode ser
solucionada com uma transformação desses dados. A transformação deve dar como
resultado uma distribuição normal com media 0 e desvio padrão 1.
Esta transformação não é difícil conceptualmente, os teores se transformam
baseando-se na distribuição acumulativa dos dados originais e a distribuição normal. Os
dados se transformam em base ao percentil equivalente. Por exemplo, o percentil
número 10 dos dados originais determina-se no percentil número 10 da distribuição
normal. Graficamente esta distribuição pode ser vista graficando à distribuição
acumulativa dos dados originais e da variável normal gaussiana.
120
Tabela 5-12 Comparativa dos valores originais e gaussianos.

DADOS ORIGINAIS DADOS GAUSSIANOS
MINIMO MAXIMO MINIMO MAXIMO MEDIA DESVIO PADRÃO
AGV 0.00 90.32 -2.21 2.21 0.00 0.98
ANDPORF 0.00 100.00 -3.35 3.35 0.00 1.00
BX 0.00 77.15 -2.04 2.04 0.00 0.97
TBLP 0.00 100.00 -3.31 3.31 0.00 1.00
V 0.00 100.00 -2.91 2.91 0.00 1.00
Depois de realizar a simulação os dados gaussianos são transformados através da

função inversa em seus valores originais.
5.3.
Variografia
É a principal ferramenta da geoestatística e serve para medir o grau de continuidade de

uma variável em estudo.
5.3.1.
Calculo dos Variogramas experimentais por litologia
Calculou-se variogramas experimentais ommidirecionais e direcionais por cada

um dos tipos de litologia.
5.3.1.1.
Variograma experimental omnidirecional
Os variogramas omnidirecionais foram calculados com os seguintes parâmetros:
Tabela 5-13 Parâmetros utilizados para o calculo do variograma experimental.

Valor do Lag 3 metros
Número de Lags 40
Tolerância (Lag) 0.5

121
5.3.1.2.
Variograma experimental direcional
Somente foram calculados os variogramas experimentais das litologias

ANDPORF, TBLP E V, já que estas possuem mais de 400 amostras, o que permite um
bom calculo dos variogramas direcionais.
O variograma experimental direcional foi calculado em três direções, elas são
determinadas pelas características do veio Animas, já que o parâmetro RQD tem muito
relacionamento com as características geológico-estruturais do depósito.
A Tabela 5-15 mostra as três direções onde foram calculados os variogramas. A
primeira direção é igual á direção do veio Animas, a segunda é igual a mergulho do veio
Animas e a terceira direção é perpendicular às duas direções anteriores. A Figura 5-31
mostra o vetor U que tem uma direção N 40° L.
Tabela 5-14 Parâmetros utilizados para o calculo dos variogramas direcionais.

Valor do Lag 3 metros
Número de Lags 40
Tolerância (Lag) 0.5
Tolerância angular
(Graus) 45
Tabela 5-15 Atitude dos variogramas direcionais.

Número de variograma
direcional Azimut Mergulho
1 N40º 0º
2 N130º (-)45º
3 N130º 45º
122
Y Z1 Y2
Y3
Y1 X1 Z2 Y2
X Y1 XX3 2
Z Z1 X1 X2 Z2 Z3
U Y
X
Figura 5-31 Rotação de eixos – variograma direcional.

5.3.2.
Modelagem dos variogramas experimentais por litologia
5.3.2.1.
Modelagem dos variogramas experimentais omnidirecionais
Modelamos os variogramas omnidirecionais para obter o valor do efeito pepita de

cada litologia.
Tabela 5-16 Modelos variográficos dos variogramas omnidirecionais - Dados originais.

Código litológico Efeito pepita Modelo 1 Patamar 1 Alcance 1 Modelo 2 Patamar 2 Alcance 2
AGV 162 Gausiano 710 50 Esférico 253 65
ANDPORF 80 Exponencial 400 35 Esférico 150 80
BX 0 Gausiano 100 13 Exponencial 120 55
TBLP 90 Esférico 200 10 Gausiano 300 100
V 100 Esférico 500 10 Esférico 330 35
123
Distance (m)
0 25 50 75 100 125
3000 3000
Variogram : RQD
Variogram : RQD
2000 2000
1000 1000
0 0
0 25 50 75 100 125
Distance (m)
Figura 5-32 Variograma omnidirecional litologia AGV.

Distance (m)
0 25 50 75 100 125
900 900
800 800
700 700
Variogram : RQD
Variogram : RQD
600 600
500 500
400 400
300 300
200 200
100 100
0 0
0 25 50 75 100 125
Distance (m)
Figura 5-33 Variograma omnidirecional litologia ANDPORF.

124
Distance (m)
0 25 50 75 100
1250 1250
1000 1000
Variogram : RQD
Variogram : RQD
750 750
500 500
250 250
0 0
0 25 50 75 100
Distance (m)
Figura 5-34 Variograma omnidirecional litologia BX.

Distance (m)
0 25 50 75 100 125
1000 1000
900 900
800 800
700 700
Variogram : RQD
600 600 Variogram : RQD
500 500
400 400
300 300
200 200
100 100
0 0
0 25 50 75 100 125
Distance (m)
Figura 5-35 Variograma omnidirecional litologia TBLP.

125
Distance (m)
0 25 50 75 100 125
2000 2000
Variogram : RQD
Variogram : RQD
1500 1500
1000 1000
500 500
0 0
0 25 50 75 100 125
Distance (m)
Figura 5-36 Variograma omnidirecional litologia V.

As seguintes figuras mostram os variogramas omnidirecionais das amostras

regularizadas transformadas.
A Tabela 5-17 mostra as características principais da modelagem variográfica
omnidirecional, este foi elaborado a partir do variogramas experimentais calculado com
as amostras regularizadas transformadas.
Tabela 5-17 Modelos variográficos dos variogramas omnidirecionais - Dados

transformados.
126
Distance (m)
0 25 50 75 100 125
2.5 2.5
2.0 2.0
Variogram : gaussrqd
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
0 25 50 75 100 125
Distance (m)
Figura 5-37 Variograma omnidirecional litologia AGV.

Distance (m)
0 25 50 75 100 125
1.00 1.00
0.75 0.75
0.50 0.50
0.25 0.25
0.00 0.00
0 25 50 75 100 125
Distance (m)
Figura 5-38 Variograma omnidirecional litologia ANDPORF.

127
Distance (m)
0 25 50 75 100
2.0 2.0
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
0 25 50 75 100
Distance (m)
Figura 5-39 Variograma omnidirecional litologia BX.

Distance (m)
0 25 50 75 100 125
1.00 1.00
0.75 0.75
0.50 0.50
0.25 0.25
0.00 0.00
0 25 50 75 100 125
Distance (m)
Figura 5-40 Variograma omnidirecional litologia TBLP.

128
Distance (m)
0 25 50 75 100 125
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
0 25 50 75 100 125
Distance (m)
Figura 5-41 Variograma omnidirecional litologia V.

5.3.2.2.
Modelagem dos variogramas experimentais direcionais
Os modelos dos variogramas direcionais consideram o efeito pepita encontrado

nos variogramas omnidirecionais.
A Tabela 5-18 mostra as características principais da modelagem variográfica dos
variogramas experimentais direcionais calculados a partir das amostras regularizadas.
Tabela 5-18 Modelos variográficos dos variogramas direcionais – Dados originais.

Código litológico Direção Efeito pepita Modelo 1 Patamar 1 Alcance 1 Modelo 2 Patamar 2 Alcance 2
1 Esférico 20 Esférico 35
ANDPORF 3 80 Esférico 300 35 Esférico 300 80
1 Esférico 15 Exponencial 30
2 Esférico 25 Exponencial 35
TBLP 3 90 Esférico 200 5 Exponencial 300 65
V 3 100 Esférico 450 10 Esférico 360 35
129
Distance (m)
0 50 100 150
N40
3000 3000
Variogram : RQD
Variogram : RQD
2000 2000
1000 1000
0 0
0 50 100 150
Distance (m)
Figura 5-42 Variograma na direção 1 da litologia ANDPORF.

Distance (m)
0 25 50 75 100 125
1250 1250
1000 1000
Variogram : RQD
500 500
250 250
0 0
0 25 50 75 100 125
Distance (m)

130
Distance (m)
0 50 100 150
900 900
800 800
700 700
Variogram : RQD
Variogram : RQD
600 600
500 500
400 400
300
PER 300
200 200
100 100
0 0
0 50 100 150
Distance (m)

Distance (m)
0 50 100 150
2500 2500
2000 2000
Variogram : RQD
Variogram : RQD
1500 1500
1000 1000
500 500
N40
0 0
0 50 100 150
Distance (m)
Figura 5-45 Variograma na direção 1 da litologia TBLP.

131
Distance (m)
0 50 100 150
3000 3000
Variogram : RQD
Variogram : RQD
2000 2000
1000 1000
0 0
0 50 100 150
Distance (m)

Distance (m)
0 50 100 150
900 900
800 800
PER
700 700
Variogram : RQD
Variogram : RQD
600 600
500 500
400 400
300 300
200 200
100 100
0 0
0 50 100 150
Distance (m)

132
Distance (m)
0 25 50 75 100 125
2500 2500
2000 2000
Variogram : RQD
Variogram : RQD
1500 1500
1000 1000
500 500
N40
0 0
0 25 50 75 100 125
Distance (m)
Figura 5-48 Variograma na direção 1 da litologia V.

Distance (m)
0 50 100 150
3000 3000
Variogram : RQD
1000 1000
N130
0 0
0 50 100 150
Distance (m)

133
Distance (m)
0 10 20 30 40 50 60 70
1000 1000
Variogram : RQD
Variogram : RQD
750 750
PER
500 500
250 250
0 0
0 10 20 30 40 50 60 70
Distance (m)

As seguintes figuras mostram os variogramas direcionais das amostras

regularizadas transformadas
A Tabela 5-19 mostra as características principais da modelagem variográfica
direcional, este foi elaborado a partir do variogramas experimentais calculado com as
amostras regularizadas transformadas.
Tabela 5-19 Modelos variográficos dos variogramas direcionais – Dados transformados.

Código litológico Direção Efeito pepita Modelo Patamar 1 Alcance Modelo Patamar 2 Alcance
1 Esférico 20 Gaussiano 21
ANDPORF 2 Esférico 20 Gaussiano 21
3 0,1 Esférico 0,4 20 Gaussiano 0,1 60
1 Gaussiano 35 Esférico 36
TBLP 2 Gaussiano 15 Esférico 35
3 0,1 Gaussiano 0,4 5 Esférico 0,2 55
V 2 Esférico 25 Esférico 30
3 0,1 Esférico 0,4 10 Esférico 0,5 34
134
Distance (m)
0 50 100 150
3 3
N40
2 2
1 1
0 0
0 50 100 150
Distance (m)

Distance (m)
0 25 50 75 100 125
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
0 25 50 75 100 125
Distance (m)

135
Distance (m)
0 50 100 150
1.00 1.00
0.75 0.75
PER
0.50 0.50
0.25 0.25
0.00 0.00
0 50 100 150
Distance (m)

Distance (m)
0 50 100 150
2.0 2.0
1.5 1.5
1.0 1.0
N40
0.5 0.5
0.0 0.0
0 50 100 150
Distance (m)

136
Distance (m)
0 50 100 150
2.5 2.5
2.0 2.0
1.5 1.5
1.0 1.0
0.5 0.5
N130
0.0 0.0
0 50 100 150
Distance (m)

Distance (m)
0 50 100 150
1.25 1.25
1.00 PER 1.00
0.75 0.75
0.50 0.50
0.25 0.25
0.00 0.00
0 50 100 150
Distance (m)

137
Distance (m)
0 25 50 75 100 125
3 3
2 2
1 1
0 0
0 25 50 75 100 125
Distance (m)

Distance (m)
0 25 50 75 100 125
4 4
3 3
2 2
1 1
0 0
0 25 50 75 100 125
Distance (m)

138
Distance (m)
0 10 20 30 40 50 60 70
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
0 10 20 30 40 50 60 70
Distance (m)

5.4.
Validação cruzada e vizinhança de estimativa
5.4.1.
Validação cruzada dos dados originais
A partir da metodologia explicada no capitulo anterior, avaliou-se diferentes

configurações de vizinhanças para cada tipo litológico.
As seguintes figuras mostram os resultados obtidos com as vizinhanças que
tinham melhor correlação entre os dados estimados e os dados reais como se mostra
naTabela 5-23.
A Tabela 5-20, Tabela 5-21 e Tabela 5-22 mostram as características principais
dos parâmetros de estimativa.
Cada uma das direções do volume de procura coincide com as direções da Tabela
5-15.
Tabela 5-20 Volume de procura por código litológico.
Volume de procura (metros)
Código litológico 1 2 3
AGV 195 195 195
ANDPORF 105 45 240
BX 165 165 165
TBLP 90 105 195
V 90 120 105
139
Tabela 5-21 Características do número de amostras utilizado na estimativa (OK-IQD).

Ótimo número
Número de Mínimo número
Código litológico de amostras por
setores de amostras
setor
AGV 1 2 2
ANDPORF 1 2 3
BX 1 2 2
TBLP 1 2 3
V 1 2 3
Tabela 5-22 Número de sub-blocos por código litológico.
Número de sub-blocos por direção

Código litológico
X Y Z
AGV 2 2 2
ANDPORF
2 2 2
BX 2 2 2
TBLP 2 2 2
V 1 1 1
 ^ 
O erro reduzido ER é (V ( xi ) − V ( xi )) / σ k ( xi )) .
 
Tabela 5-23 Coeficiente de correlação por código litológico.
AGV ANDPORF BX TBLP V
Valor real ER Valor real ER Valor real ER Valor real ER Valor real ER
Valor Estimado 0.925 0.039 0.933 0.015 0.99 -0.24 0.904 0.07 0.837 0.125
Tabela 5-24 Estatística do erro reduzido (ER) por código litológico.

DESVIO
MIN MAX MEDIA
PADRÃO
AGV -2.670 4.150 0.032 0.783
ANDPORF -4.015 3.801 -0.001 0.699
BX -0.620 0.620 -0.006 0.226
TBLP -4.445 4.061 0.008 0.727
V -3.832 2.954 0.039 0.890
A Tabela 5-24 mostra a estatística do erro reduzido, que nos servira para analisar
o valor médio e desvio padrão por cada código litológico.
Como podemos observar todos os códigos litológicos apresentam um erro com
media perto de 0 e com desvio padrão perto de 1. Esses valores são ideais segundo o
item 4.3.4.
140
Z* : RQD (Estimates)
X (m)
0 10 20 30 40 50 60 70 80 90
3820 3830 3840 3850 3860 3870 3880
90 rho = 0.925 90
17390 17390 80 80
70 70
Z : RQD (True value)

17380 17380
60 60
50 50
Y (m)
Y (m)
17370 17370
40 40
17360 17360 30 30
20 20
17350 17350
10 10
0 0
17340 17340
3820 3830 3840 3850 3860 3870 3880 0 10 20 30 40 50 60 70 80 90

X (m) Z* : RQD (Estimates)
(Z*-Z)/S* Z* : RQD (Estimates)

-4 -3 -2 -1 0 1 2 3 4 0 10 20 30 40 50 60 70 80 90
0.5 Nb Samples: 58 0.5 rho = 0.039

4 4
Minimum: -2.65484
Maximum: 4.12598
3 3
Mean: 0.0317932
0.4 Std. Dev.: 0.77851 0.4
2 2
Frequencies
Frequencies
1 1
(Z*-Z)/S*
(Z*-Z)/S*
0.3 0.3
0 0
-1 -1
0.2 0.2
-2 -2
0.1 0.1 -3 -3
-4 -4
0.0 0.0
-4 -3 -2 -1 0 1 2 3 4 0 10 20 30 40 50 60 70 80 90
Figura 5-60 Validação cruzada das amostras regularizadas da litologia AGV.

141
0 50 100
100 rho = 0.933 100

X (m)
3500 3750 4000 4250
18000 18000

17900 17900
17800 17800
17700 17700 50 50
Y (m)
Y (m)
17600 17600
17500 17500
17400 17400
17300 17300
17200 17200 0 0
3500 3750 4000 4250 0 50 100


-4 -3 -2 -1 0 1 2 3 4 0 50 100
Nb Samples: 1979 4 rho = 0.015 4

Minimum: -4.01509
Maximum: 3.80108 3 3
0.3 Mean: -0.0010547 0.3
Std. Dev.: 0.699037 2 2
Frequencies
Frequencies
1 1
(Z*-Z)/S*
(Z*-Z)/S*
0.2 0.2 0 0
-1 -1
-2 -2
0.1 0.1
-3 -3
-4 -4
0.0 0.0
-4 -3 -2 -1 0 1 2 3 4 0 50 100
Figura 5-61 Validação cruzada das amostras regularizadas da litologia ANDPORF.

142
0 10 20 30 40 50 60 70 80
80 80
rho = 0.999
70 70
X (m) 60 60

3600 3700 3800 3900 4000 4100
50 50
17650 17650
40 40
17600 17600
17550 17550 30 30
Y (m)
Y (m)
17500 17500 20 20
17450 17450
10 10
17400 17400
17350 17350 0 0
3600 3700 3800 3900 4000 4100 0 10 20 30 40 50 60 70 80


-0.5 0.0 0.5 0 10 20 30 40 50 60 70 80
0.6 0.6
Nb Samples: 38 rho = -0.240
Minimum: -0.624968
0.5 Maximum: 0.625076 0.5 0.5 0.5
Mean: -0.00611239
Std. Dev.: 0.226609
0.4 0.4
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0.3 0.3 0.0 0.0
0.2 0.2
0.1 0.1 -0.5 -0.5
0.0 0.0
-0.5 0.0 0.5 0 10 20 30 40 50 60 70 80
Figura 5-62 Validação cruzada das amostras regularizadas da litologia BX.

143
0 50 100
X (m) 100 rho = 0.904 100

3250 3500 3750 4000 4250 4500

18000 18000
17750 17750
50 50
Y (m)
Y (m)
17500 17500
17250 17250
0 0
3250 3500 3750 4000 4250 4500 0 50 100


-5 -4 -3 -2 -1 0 1 2 3 4 5 0 50 100
5 5
Nb Samples: 1746 rho = 0.075
Minimum: -4.44569 4 4
0.4 Maximum: 4.06102 0.4
Mean: 0.00800835 3 3
Std. Dev.: 0.727889
2 2
Frequencies
Frequencies
0.3 0.3 1 1
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.2 0.2 -1 -1
-2 -2
0.1 0.1 -3 -3
-4 -4
-5 -5
0.0 0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5 0 50 100
Figura 5-63 Validação cruzada das amostras regularizadas da litologia TBLP.

144
0 50 100
X (m)
100 rho = 0.835 100
3500 3750 4000 4250
18100 18100
18000 18000

17900 17900
17800 17800
17700 17700 50 50
Y (m)
Y (m)
17600 17600
17500 17500
17400 17400
17300 17300
17200 17200 0 0
3500 3750 4000 4250 0 50 100


-4 -3 -2 -1 0 1 2 3 4 0 50 100
Nb Samples: 441 4 rho = 0.125 4

0.20 0.20
Minimum: -3.83273
Maximum: 2.95466 3 3
Mean: 0.0398392
Std. Dev.: 0.894484 2 2
0.15 0.15
Frequencies
Frequencies
1 1
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.10 0.10
-1 -1
-2 -2
0.05 0.05
-3 -3
-4 -4
0.00 0.00
-4 -3 -2 -1 0 1 2 3 4 0 50 100
Figura 5-64 Validação cruzada das amostras regularizadas da litologia V.
5.4.2.
Validação cruzada dos dados transformados
A partir da metodologia explicada no capitulo anterior, avaliou-se diferentes

configurações de vizinhanças para cada tipo litológico.
As seguintes figuras mostram os resultados obtidos com as vizinhanças que
tinham melhor correlação entre os dados transformados estimados e os dados
transformados reais como se mostra na Tabela 5-28.
A Tabela 5-25, Tabela 5-26 e Tabela 5-27 mostram as características principais
dos parâmetros de estimativa.
Devido a que os dados transformados são usados na SGS, usou-se na validação
cruzada o método SK (Krigagem simples) para avaliar a performance das diferentes
vizinhanças (média igual a zero).
145
Tabela 5-25 Volume de procura por código litológico.

Volume de procura (metros)
Código litológico
1 2 3
AGV 180 180 180
ANDPORF 63 63 180
BX 120 120 120
TBLP 108 105 165
V 60 90 102
Tabela 5-26 Características do número de amostras utilizado na estimativa de KS.

Ótimo número
Número de Mínimo número
Código litológico de amostras por
setores de amostras
setor
AGV 1 2 4
ANDPORF 1 2 3
BX 1 2 2
TBLP 1 2 3
V 1 2 3
Tabela 5-27 Número de sub-blocos por código litológico.

Número de sub-blocos por direção
Código litológico
X Y Z
AGV 2 2 2
ANDPORF 2 2 2
BX 2 2 2
TBLP 2 2 2
V 1 1 1
Tabela 5-28 Coeficiente de correlação por código litológico.

AGV ANDPORF BX TBLP V
Valor real ER Valor real ER Valor real ER Valor real ER Valor real ER
Valor Estimado 0.883 0.026 0.929 0.03 0.98 0.067 0.911 0.043 0.833 0.143
Tabela 5-29 Estatística do erro reduzido (ER) por código litológico.

DESVIO
MIN MAX MEDIA
PADRÃO
AGV -2.322 2.803 0.019 0.888
ANDPORF -4.927 4.425 0.000 0.806
BX -3.304 3.600 -0.002 1.210
TBLP -7.420 5.860 0.009 0.867
V -5.700 5.980 0.045 1.370
146
Como podemos observar todos os códigos litológicos apresentam um erro com

media perto de 0 e com desvio padrão perto de 1. Esses valores são ideais segundo o
item 4.3.4.
Z* : gaussrqd (Estimates)
X (m)
-2 -1 0 1 2
3820 3830 3840 3850 3860 3870 3880
rho = 0.883
2 2
17390 17390
Z : gaussrqd (True value)

17380 17380 1 1
Y (m)
Y (m)
17370 17370
0 0
17360 17360
-1 -1
17350 17350
-2 -2
17340 17340
3820 3830 3840 3850 3860 3870 3880 -2 -1 0 1 2

X (m) Z* : gaussrqd (Estimates)
(Z*-Z)/S* Z* : gaussrqd (Estimates)

-3 -2 -1 0 1 2 3 -2 -1 0 1 2
3 3
Minimum: -2.32288
Maximum: 2.80392
0.15 0.15 2 2
Mean: 0.0197343
Std. Dev.: 0.888081
1 1
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0.10 0.10
0 0
-1 -1
0.05 0.05
-2 -2
-3 -3
0.00 0.00
-3 -2 -1 0 1 2 3 -2 -1 0 1 2
Figura 5-65 Validação cruzada das amostras regularizadas transformados da litologia

AGV.
147
-4 -3 -2 -1 0 1 2 3 4
4 4
rho = 0.929
X (m) 3 3
3500 3750 4000 4250

18000 18000 2 2
17900 17900
1 1
17800 17800
17700 17700 0 0
Y (m)
Y (m)
17600 17600
-1 -1
17500 17500
17400 17400 -2 -2
17300 17300
-3 -3
17200 17200
-4 -4
3500 3750 4000 4250 -4 -3 -2 -1 0 1 2 3 4

-5 0 5 -3 -2 -1 0 1 2 3
0.3 0.3
Nb Samples: 1978 5 rho = 0.030 5
Minimum: -4.92731
Maximum: 4.42589
Mean: 0.000284084
Std. Dev.: 0.806664
0.2 0.2
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.1 0.1
-5 -5
0.0 0.0
-5 0 5 -3 -2 -1 0 1 2 3

ANDPORF.
148
-2 -1 0 1 2
2 rho = 0.985 2

X (m)
1 1
3600 3700 3800 3900 4000 4100
17650 17650
17600 17600 0 0
17550 17550
Y (m)
Y (m)
17500 17500
-1 -1
17450 17450
17400 17400
-2 -2
17350 17350
3600 3700 3800 3900 4000 4100 -2 -1 0 1 2


-4 -3 -2 -1 0 1 2 3 4 -2 -1 0 1 2
4 4
0.125 Minimum: -3.3042 0.125 3 3
Maximum: 3.60061
Mean: -0.00151871
Std. Dev.: 1.21232 2 2
0.100 0.100
1 1
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0.075 0.075 0 0
-1 -1
0.050 0.050
-2 -2
0.025 0.025 -3 -3
-4 -4
0.000 0.000
-4 -3 -2 -1 0 1 2 3 4 -2 -1 0 1 2

BX.
149
-3 -2 -1 0 1 2 3
X (m) rho = 0.911

3 3
3250 3500 3750 4000 4250 4500

2 2
18000 18000
1 1
17750 17750
0 0
Y (m)
Y (m)
-1 -1
17500 17500
-2 -2
17250 17250
-3 -3
3250 3500 3750 4000 4250 4500 -3 -2 -1 0 1 2 3


-5 0 5 -3 -2 -1 0 1 2 3
0.4 Nb Samples: 1746 0.4 rho = 0.043

Minimum: -7.47408
Maximum: 5.86091
Mean: 0.00915517 5 5
Std. Dev.: 0.867455
0.3 0.3
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0 0
0.2 0.2
0.1 0.1 -5 -5
0.0 0.0
-5 0 5 -3 -2 -1 0 1 2 3

TBLP.
150
-3 -2 -1 0 1 2 3
X (m)
3 rho = 0.833 3
3500 3750 4000 4250
18100 18100
2 2

18000 18000
17900 17900
1 1
17800 17800
17700 17700 0 0
Y (m)
Y (m)
17600 17600
17500 17500 -1 -1
17400 17400
-2 -2
17300 17300
17200 17200 -3 -3
3500 3750 4000 4250 -3 -2 -1 0 1 2 3


-5 0 5 -3 -2 -1 0 1 2 3

Minimum: -5.71456
5 5
Maximum: 5.98725
Mean: 0.0451394
0.15 0.15
Std. Dev.: 1.37524
Frequencies
Frequencies
(Z*-Z)/S*
(Z*-Z)/S*
0.10 0.10 0 0
0.05 0.05
-5 -5
0.00 0.00
-5 0 5 -3 -2 -1 0 1 2 3
Figura 5-69 Validação cruzada das amostras regularizadas transformados da litologia V.
5.5.
Analises dos resultados do parâmetro RQD por IQD, OK e SGS
Amostras é igual ao número de blocos estimados ou simulados.
5.5.1.
Calculo do RQD a partir do método IQD
As principais estatísticas que obtemos da estimativa do parâmetro geomêcanico

RQD com o método IQD são:
151
Tabela 5-30 Estatística descritiva do RQD nos blocos estimados pelo método IQD.
AGV RQD 956.00 0.00 89.47 34.31 30.26 915.55 1.47
ANDPORF RQD 42720.00 0.00 100.00 66.33 27.51 756.84 2.52
BX RQD 413.00 0.05 77.15 34.72 20.21 408.55 2.82
TBLP RQD 48771.00 0.00 100.00 68.05 27.67 765.75 2.31
V RQD 15844.00 0.00 99.57 41.15 28.63 819.70 1.86
5.5.2.
Calculo do RQD a partir do método OK
As principais estatísticas que obtemos da estimativa do parâmetro geomêcanico

RQD com o método OK são:
Tabela 5-31 Estatística descritiva do RQD nos blocos estimado com o método OK.
AGV RQD 956.00 0.00 89.47 34.32 30.25 915.30 1.47
ANDPORF RQD 42720.00 0.00 100.00 66.29 27.51 756.65 2.51
BX RQD 413.00 0.05 77.15 34.72 20.21 408.56 2.82

TBLP RQD 48771.00 0.00 100.00 68.05 27.62 762.80 2.31
V RQD 15844.00 0.00 99.57 41.28 28.57 816.07 1.87
Como podemos observar na Tabela 5-31 e
Tabela 5-30 os blocos estimados com os métodos IQD e OK ainda conservam valores
similares às amostras regularizadas (média, desvio padrão e variância) a partir das quais
foram estimadas.
5.5.3.
Calculo do RQD a partir do método SGS
As principais estatísticas que obtemos da simulação do parâmetro geomêcanico

RQD com o método SGS são:
Tabela 5-32 Estatística descritiva do RQD nos blocos simulados pelo método SGS de
50 simulações.
VARIAVEL AMOSTRAS MINIMO MAXIMO MEDIA DESV. PADRAO VARIANCIA
AGV RQD 956 11.67 56.98 28.07 4.45 19.81
ANDPORF RQD 42993 15.40 95.61 73.39 3.07 9.43
BX RQD 565 18.03 38.71 29.46 2.14 4.58
TBLP RQD 49291 0.51 87.08 42.52 3.55 12.59
V RQD 17345 1.35 94.89 42.72 6.08 36.95
152
Tabela 5-33 Estatística descritiva do RQD nos blocos simulados pelo método SGS de
100 simulações.
VARIAVEL AMOSTRAS MINIMO MAXIMO MEDIA DESV. PADRAO VARIANCIA
AGV RQD 956 10.40 60.04 28.14 4.80 23.04
ANDPORF RQD 42993 15.31 95.50 73.39 3.09 9.55
BX RQD 565 18.39 36.96 29.57 2.19 4.80
TBLP RQD 49291 0.42 87.08 42.51 3.55 12.60
V RQD 17345 1.25 94.68 42.74 6.10 37.21
Como se pode observar na Tabela 5-32 e na Tabela 5-33 os valores da média dos
diferentes códigos litológicos variam em diferente proporção com respeito aos valores
obtidos com o método da KO e IQD. O desvio padrão e a variância são obtidos a partir
dos teores de RQD médios de cada código litológico e não são obtidos a partir de uma
transformação com a função inversa.
Sullivan (2006) realiza no deposito de cobre de Damiana uma estimativa com OK

e duas SGS, a primeira com os dados sem desagregar e a segunda com os dados
desagregados. Mostrando que a média simulada desagregado é mais próxima ao valor
médio obtido com a OK, entanto que o valor médio simulado sem desagregar apresenta
diferenças importantes com o valor obtido com OK. Por tanto, a simulação condicional
realizada neste trabalho concorda com os resultados obtidos em Damiana.
5.5.4.
Comparação dos resultados
Utilizaram-se o MAPE (métrica apresentada no capitulo anterior) para fazer a

comparativas dos três tipos de métodos de previsão.
No inicio compararemos o método de IQD e SGS (50 e 100 simulações) com o
método da OK, desta forma observamos a diferencia entre simulação e estimativa. A
Tabela 5-34 mostra o MAPE entre RQD obtido pela OK ( como se fosse o valor real) e
o RQD obtido pelos métodos IQD e SGS (como se fosse o valor previsto) por cada tipo
de litologia.
153
Tabela 5-34 MAPE entre o RQD obtido pela OK e o RQD calculado por outros
métodos.
MAPE
OK-IQD OK-SGS50 OK-SGS100
AGV 1.37 212.31 212.77
ANDPORF 1.13 116.51 116.60
BX 0.01 5832.30 5820.62
TBLP 0.64 78.51 78.36
V 2.75 146.57 146.65
Os parâmetros de simulação utilizados no método SGS, foram obtidos a partir da

validação cruzada (item 5.4.2). Nas seguintes tabelas, calcularam-se o valor do RQD
como o SGS modificando o modelo variográfico e a vizinhança de estimativa, desta
forma se utilizará os mesmos modelos variográficos e vizinhanças utilizadas na
Krigagem Ordinária.
Tabela 5-35 MAPE modificando os modelos variográficos no método SGS.

MAPE
OK-SGS50* OK-SGS50
AGV 217.32 212.31
ANDPORF 116.87 116.51
BX 5976.19 5832.30
TBLP 79.28 78.51
Foram efetuadas 50 simulações com os parâmetros modificados (SGS50*) e

comparados com o OK em cada tipo litológico. O código litológico V tem os mesmos
modelos variográficos que os utilizados no calculo da OK.
Tabela 5-36 MAPE modificando a vizinhança no método SGS.

MAPE
OK-SGS50* OK-SGS50
AGV 223.50 212.31
ANDPORF 116.41 116.51
BX 5952.36 5832.30
TBLP 79.40 78.51
V 147.38 146.57
154
Como podemos observar na Tabela 5-35 e Tabela 5-36 o MAPE não varia quase
nada. Por tanto, os valores de RQD calculados pelo OK e IQD e os simulados pelo SGS
apresentam teores diferentes devido a diferencia própria dos métodos geoestatísticos e
não aos modelos variográficos diferentes ou às diferentes vizinhanças de estimativa.
Figura 5-70 Distribuição do RQD calculado por OK (direita) e SGS-100 (esquerda) na

litologia AGV.
As figuras 5-71 até 5-75 mostram o parâmetro RQD obtido a partir do método da
Krigagem Ordinária (OK) e da Simulação Seqüencial Gaussiana de 100 simulações
(SGS-100). A cor vermelha tem valor de RQD igual a zero e a cor amarela tem valor de
RQD igual a 100.
155

litologia ANDPORF.

litologia BX.
156

litologia TBLP.

litologia V.
Desde Figura 5-75 até a Figura 5-79 se faz uma comparação dos valores de RQD
previstos por cada método. Como podemos observar as previsões efetuadas por
Krigagem Ordinária (OK) e Inverso Quadrado das distâncias (IQD) são muito similares,
enquanto que as previsões obtidas com a Simulação Seqüencial Gaussiana (SGS) são
diferentes na maioria dos casos.
157
As figuras nos permitem avaliar como cada método distribui os valores do RQD
tridimensionalmente em cada uma das 5 litologias. Como podemos observar o OK e
IQD fazem previsões de regiões onde os valores de RQD são muito alto junto a zonas
onde os valores de RQD são muito baixos principalmente porque somente considera as
amostras que ficam perto do bloco, enquanto que o SGS distribui melhor os valores de
RQD tomando em consideração todas as amostras do depósito.
Acreditamos que um material geológico não apresenta o zoneamento produzido
por os métodos de estimativa OK e IQD. O material geotécnico poderia ter esse
comportamento se existisse uma falha geológica, uma discordância da sedimentação ou
outra feição geológica que permita que dentro de um material as propriedades mudem
espacialmente em forma muito rápida.
Figura 5-75 Comparação Nº de bloco Vs RQD previsto com os métodos IQD, Ok e SGS
(100 simulações) da litologia AGV.
158
(100 simulações) da litologia ANDPORF.
(100 simulações) da litologia BX.
(100 simulações) da litologia TBLP.
159
(100 simulações) da litologia V.

160
6
CONCLUSÕES E SUGESTÕES
O presente estudo estabeleceu uma modelagem sub-superficial com o propósito

de tornar mais eficiente e econômico a avaliação do potencial de exploração de um
depósito mineral de prata, chumbo e zinco localizado no Peru. O trabalho foi realizado
com base na análise da variabilidade espacial do parâmetro geotécnico RQD em
diferentes litologias.
Os dados encontram-se distribuídos em uma área de 600 x 800 metros quadrados,
e estes correspondem a fragmentos de 162 sondagens.
A modelagem das cinco principais litologias foi elaborada a partir de 42 perfis

verticais e 16 perfis horizontais. O resultado foi a criação de 5 sólidos geológicos.
As zonas de falha foram delimitadas através dos planos dos três níveis de produção e da
informação das sondagens, estas zonas foram interceptadas com os sólidos geológicos,
para definir os maciços rochosos que não são influenciados por falhas geológicas. Logo
depois, discretizaram-se os sólidos não influenciados através de modelos de blocos, os
quais se adaptaram o contorno das litologias.
O fluxo de trabalho permitiu também a modelagem de parâmetros geotécnicos
que atendem às hipóteses de estacionaridade das variáveis regionalizadas como é o caso
do parâmetro RQD medido em cada uma das litologias.
O modelo geológico – geotécnico 3D auxilia na compreensão do comportamento
do maciço em função da visualização da distribuição das suas propriedades.
As amostras foram regularizadas para ter o mesmo suporte em todo o depósito. O
comprimento de regularização foi de 1,5 metros, principalmente porque representa a
metade do avanço diário de produção.
As amostras regularizadas apresentaram uma distribuição quase normal (BX),
lognormal (AGV e V) e lognormal inversa (ANDPORF e TBLP). Os valores médios
mais altos de RQD foram encontrados nos andesitos porfiriticos (ANDPORF) e nos
tufos vulcânicos (TBLP). Estes resultados podem ser diretamente conferidos em campo,
já que estas litologias apresentam uma melhor qualidade de maciço rochoso em quase
todo o depósito Animas.
161
Os teores médios de RQD e o desvio padrão das amostras regularizadas originais

não variam em forma importante após da desagregação das amostras, o que indica que o
agrupamento preferencial das amostras se apresenta em zonas muito localizadas. Acerca
de este agrupamento, pesquisadores como Sullivan disse que apresentam uma maior
influencia nos valores de RQD simulados com SGS, embora neste trabalho não foi
confirmado.
Os variogramas experimentais que permitiram uma melhor modelagem foram
aqueles estabelecidos ao longo da direção perpendicular do veio Animas,
principalmente porque as sondagens curtas feitas no interior da mina estão orientadas
nessa direção e porque o fraturamento das rochas esta mais correlacionado na orientação
perpendicular ao veio.
As vizinhanças de procura, o modelo variográfico e o número de amostras
necessárias para a estimativa foram otimizados através do processo de validação

cruzada.
As previsões obtidas com os métodos de estimativa clássico (IQD) e krigagem
ordinária (OK) apresentaram geralmente valores de RQD similares, enquanto que a
simulação sequencial gaussiana (SGS) produziu resultados geralmente diferentes
daqueles determinados com base nos métodos de estimativa (OK, IQD) . Acredita-se
que estas diferenças sejam decorrentes do fato de que a krigagem ordinária suaviza os
valores de RQD e a simulação sequencial gaussiana representa, portanto, um melhor
modelo da variabilidade espacial do parâmetro RQD em todos os volumes geológicos.
Sugestões
Realizar uma SGS com os dados desagregados e comparar com os valores de
RQD obtidos com a OK e a SGS sem os dados desagregados.
Utilizar a variância da Krigagem para propor posições onde devem ser efetuadas
 ~ 2
novas sondagens, principalmente em zonas com altos valores de  σ OK  .
 
Atualizar o modelo com o avanço da produção, além de considerar os novos
mapeamentos geológicos e as medições do RQD nos afloramentos calculados com a
equação 4.3. Também, realizar a medição de um maior número de propriedades
geotécnicas nas sondagens para obter valores de RMR, GSI ou Q.
162
REFERÊNCIAS BIBLIOGRÁFICAS
Aoki K. et al (2007). Geostatistical evaluation of the mechanical properties of rock

mass for TBM tunnelling by seismic reflection method. Rock Mechanics and Rock
Engineering 40. Pag 591-602.
Barbosa P. (2000). Análise Estatística de Dados Geológicos Multivariados,

Universidade Estadual Paulista.
Barbosa, P. & Sturaro, J. (2002). Krigagem Ordinária para Situações com

Tendência Regionalizada. Universidade Estadual Paulista.
Belousov V. (1979) Geologia Estructural. Editorial MIR.
Bernabé, H. (2002) Orientación de los parámetros geoestadísticos variograficos 3D,

rotación y búsqueda de Kriging. Curso taller de geoestadística – UNI-Perú. pp. 2- 12.
Bustillo, M. & López, C. (1997) Manual de evaluación y diseño de explotaciones

mineras. EIM-Espanha.
Cai M et al. (2004) Estimation of rock mass deformation modulus and strength of
joined hard rock masses using the GSI system. International Journal of Rock
Mechanics & Mining Sciences 41. pp 3-19.
Canchaya, S. (2003) Como Optimizar los Métodos Tradicionales de Estimación de

reservas con el Análisis Variográfico Geoestadístico, Graduación de ingenieros
Geólogos – UNI - Perú, pp 2-13.
Chilés, J. & Pierre D.(2001) Geoestatistics – Modeling Spatial Uncertainty. Wiley

Series.
163
David, M. (1977). Geoestatistical Ore Reserve Estimation. Elsevier Scientific

Publishing Company.
David, M. (1989). Handbook the Applied Advanced Geoestatistical ore Reserve

Estimation. Elsevier Scientific Publishing Company.
Davila D. (1988). Geologia del Cuadrangulo de Cailloma Hoja 31-s. INGEMMET.
Davila J. (1995) Diccionario Geológico. INGEMMET.
Deere, D. (1963) Technical Description of Cores for Engineering Purposes, Rock

mechanic and engineering geology 1 pp 16-22.
Deere, D. & Deere, W (1988) The Rock Quality Designation (RQD) Index in
Pratice, Rock classification system for Engineering purpose, ASTM. SPT84 pp 91-101.
De Souza, L & et. al.. (2002) Impacto do Agrupamento Preferencial de Amostras

Inferência Estatística: Aplicações em Mineração, Revista da Escola de Minas de
Ouro Preto. pp. 2-20.
De Smedt F. A. (2007). Comparative Study of Hydraulic Conductivity Estimations

Using Geostatistics. Hydrogeology journal. pp. 459-470
Emery, X. (2002). Geoestadística lineal. Universidad de Chile.
Exadaktylos G., Stavropoulou M. & et al. (2008). A Spatial Estimation for

Continuous Rock Mass Characterization from the Specific Energy of a TBM. Rock
Mechanics and Rock Engineering.
Exadaktylos G.& Stavropoulou M. (2008) A Specific Theory of Rock Mass

Parameters Exhibiting Spatial Variability: Analytical Relations and
Computational scheme. . International Journal of Rock Mechanics & Mining Sciences
45. pp 1102-1125.
164
Folle, D. & Leite, J & et al. (2008) 3-D Soil Resistance Maps in the Presence of
Strong Vertical Trend. Journal Engineering Geology –ENGEO 02852 .pp 1-8
Geovariances. (2007). Case Studies. Geovariances Editions.
Gonzales de Vallejo, L. (2002). Ingenieria Geologica. Prentice Hall.
Gutiérrez, J. (2007). Modelamiento geologico y evaluación de recursos da mina

SIDERNIVIN- Perú . Dissertaçâo de Engenheiro – UNI-PERU.
Hack Robert & et al. (2006) Three and More Dimensional Modelling in Geo-
Engineering, Enginnering Geology 65. pp. 143-153.
Harrison J. (1999) Selection of Threshold Value in RQD Assessments. International

Journal of Rock Mechanics & Mining Sciences 36. pp 673-685.
Hudson J & Feng X. (2007). Update Flowcharts for Rock Mechanics Modelling and
Rock Engineering Design. International Journal of Rock Mechanics & Mining
Sciences 44. pp 174-195.
Houlding S. (1994). 3D Geoscience Modeling. Springer.
Isaaks E. & Srivastava R. (1989) An Introduction to Applied Geostatistics. Oxford

University Press.
Jaksa M. (1995) The Influence of Spatial Variability on the Geotechnical Design

Properties of Stiff, Overconsolidated Clay. Thesis for degree doctor .University of
Adelaide-Australia. pp 451.
Journel A. & Huijbregts Ch. (1989). Mining Geoestatistics, Academic Press.
Kitanidis P. (1997). Introduction to Geostatistics: Applications to Hydrogeology.

Cambridge University Press.
165
Lianyang, Z. & Einstein, H. (2004) Using RQD to Estimate the Deformation

Modulus of Rock Masses. International journal of rock mechanics & mining sciences
41 pp 337-341.
Machuca, D & Frias, O. (2001) Uso de técnicas de modelamiento tridimensional y

geoestadística en CIA Minera Atacocha, T-Matrix. pp 1-8.
Marioni O. (2003) Improving geological models using a combined ordinary-

indicator kriging approach. Enginnering Geology 69. pp 37-45.
Marin, A. (2003). Apostila curso Geoestatística I e Geoestatística II. UNI-PERU.

Redondo, F. (2003). Classificação Probabilística do Padrão Geomecânico de um

Maciço Rochoso Mineralizado com Base no Indice RQD. Dissertação de mestrado –
UEP.
Rocha, C. (2008). Modelagem Geológica e Geomecânica 3D e Analises de

Estabilidade 2D dos taludes da Mina Morro de Mina Conselheiro Lafaiete – MG.
Dissertação de mestrado – PUC-RJ.
Rodrigues, V. (2008) Modelagem geomecânica tridimensional de maciços rochosos

para analise bidimensional dos taludes de escavação da casa de força da AHE –
Simplício. Dissertação de mestrado – PUC- RJ.
Romanel, C. (2007). Apostila do Curso Geoestatística. PUC – RJ.
Santos, A. & Alves, S. (2004). Geologia de Engenharia. ABGE.
Sandefur, L. (2006) Technical Reporter Caylloma Project – Arequipa – Perú. CAM.
Stavropoulou M, Exadaktylos G. & et al. (2008). A Combined Three-Dimensional

Geological-Geostatistics-Numerical of Underground Excavations in Rock. Rock
Mechanics and Rock Engineering 40. pp 213-243.
166
Syrjanen P & Loven P & et al. (2003). 3-D Modeling of Rock Mass Quality. ISRM-
TRRM-South African Institute of mining and Metallurgy-South Africa.
Sullivan J. (2006). Manual de Simulación Condicional. Consultores de Recursos

Minerales S.A.
Tarbuck, E. & Lutgens F. (1999). Ciencias de la tierra. Editorial Prentice Hall.
Tulcanaza, E. (1992). Técnicas Geoestadísticas y Criterios Técnico – Económicos

para la Estimación y Evaluación de Yacimientos Mineros. Editorial Estudios
Mineros- Chile.
Twiss R. & Moores E. (1997). Structural Geology. Freeman and Company.
Van de Wall A & Ajalu J. (1997) Characterization of the Geotechnical Properties of

Rock Material for Construction Purposes. International Journal of Rock Mechanics
& Mining Sciences 34.
Vera, C. (2005). Apostila Métodos Cuantitativos. Pontificia Universidad Católica del

Perú.
Villanueva, A. (2000) Apostila Geoestatística I, Universidad Nacional Mayor de San

Marcos. Perú.
Vieira, S. & Lombardo, F. (1995). Variabilidade Espacial do Potencial de Erosão das

Chuvas do Estado de São Paulo. Bragantia-Campinas 54-2. pp 405-412.
Vieira, S. (1997). Geoestatística em Estudo de Variabilidade Espacial. Universidade

Estadual Paulista.
Yamamoto, J. & Conde, R. (1996). Avaliação de Reservas por Métodos

Computacionais: Um Estudo de Caso na Mina de Canoas 2 (PR), Revista Brasileira
de Geociências, ano 26 (1). pp 35- 42.
167
Yamamoto, J. & Monteiro, M. (1996). Revisão e Recomendações para o Calculo e

Classificação de Reservas Minerais. Revista Brasileira de Geociências, ano 26 (4). pp
243-254.
Yamamoto, J. & Conde R. (1999). Classificação de Recursos Minerais Usando a

Variância de Interpolação. Revista Brasileira de Geociências, ano 29 (4). 349-356.
Zhang L. & Einstein H. (2004). Using RQD to Estimate the Deformation Modulus of
Rock Masses. International Journal of Rock Mechanics & Mining Sciences 41. pp 337-
341.

Variabilidade Espacial do RQD no Depósito Animas

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

Variabilidade Espacial do RQD no Depósito Animas

Enviado por

Direitos autorais:

Formatos disponíveis

José Enrique Gutiérrez Ramírez

Variabilidade Espacial do Parâmetro Geomecânico RQD no

Depósito Mineral Animas-Peru

Dissertação apresentada como requisito parcial para

Orientador: Prof. Celso Romanel

Variabilidade Espacial do Parâmetro Geomecânico RQD no

Dissertação apresentada como requisito parcial para

obtenção do grau de Mestre pelo Programa de Pós-

Prof. Celso Romanel

Prof. Sergio Augusto Barreto da Fontoura

Prof. Franklin dos Santos Antunes

Prof. Fernando Saboya Albuquerque Jr

Prof. José Eugênio Leal

Rio de Janeiro, 27 de Março de 2009.

José Enrique Gutiérrez Ramírez

Variabilidade espacial do parâmetro geomêcanico RQD no

v.,167 f. : il. ; 29.7 cm.

Dissertação (Mestrado em Engenharia Civil)–Pontifícia

Inclui referências bibliográficas.

1. Engenharia civil – Tese. 2. Krigagem ordinária. 3.

Ao professor Celso Romanel, pela orientação e amizade conquistada.

À minha noiva, Yajaira, agradecido pelo carinho, amor e companheirismo, em

À minha avó Rosa, a quem sempre tive no meu coração.

Ao Departamento de Engenharia Civil da PUC-RIO pela infraestrutura e

À FAPERJ e à PUC-Rio, pelo apoio financeiro.

À Deus, criador de todas as coisas, fonte de fé e esperança.

Gutíerrez Ramírez, José Enrique. Romanel, Celso (Orientador).

Esta dissertação desenvolve um estudo sobre a aplicação das técnicas de

qualidade do maciço rochoso em regiões não-amostradas. Nesta pesquisa foram

Gutíerrez Ramírez, José Enrique. Romanel Celso (advisor). Spatial

This thesis investigates the application of geological modeling techniques

2 . LOCALIZAÇÃO, FISIOGRAFIA E GEOLOGIA 24

2.3.2. Grupo Tacaza 26

3 . METODOLOGIAS ESTATÍSTICAS E GEOESTATÍSTICAS 32

5 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS 96

6 CONCLUSÕES E SUGESTÕES 159

REFERÊNCIAS BIBLIOGRÁFICAS 162

Figura 1-1 Modelagem geológica – numérica de formações geológicas . .................. 23

Figura 3-4 Tipos de anisotropía variográfica; a) geométrica; b) zonal. ........................ 46

Figura 5-15 Conjunto de modelos geológicos ........................................................... 107

Figura 5-52 Variograma na direção 2 da litologia ANDPORF.................................... 133

Tabela 1-1 Programas para modelagem geológica – geoestatística .............................. 24

Tabela 5-7 Características do modelo da litologia ANDPORF .................................. 111

a - Amplitude variográfica nos modelos de variograma

A - Amplitude dos dados na análise estatística

C - Patamar dos modelos variográficos

C (h) - Função covariância

C0 - Efeito pepita nos modelos variográficos

Cov - Covariância espacial entre duas variáveis

di - Distancia do centro do bloco à amostra

E {V (x )} - Valor esperado da variável V

f(x) - Função densidade de probabilidade

h - Distância entre dois pontos de amostragem

m - Média aritmética das amostras

M - Mediana de um conjunto de dados

n - Número de dados nas análises estatísticas

p - Fator de ponderação em técnica de dessegregação.

Pr - Probabilidade de ocorrência de um evento

Qn - Quartis de uma distribuição

R(x0) - Erro da estimação

v1 , ... , vn - Valores amostrados

V - Estimativas da variável regionalizada V

λ - Valor esperado de uma distribuição