CAP II -EFEITO SUPORTE, E O CONCEITO DE VARIANÇA DE DISPERSÃO

Todo a teoria geostatistica se aplica a variáveis consideradas variáveis aditivas, como por
exemplo unidades metálicas de um concentrado, espessura do minério da cobertura,
porosidade, etc. Que são grandezas cuja soma conserva o mesmo significado físico das
parcelas somadas. A permeabilidade e a resistência de um solo são exemplos de variáveis
não aditivas, pois são grandezas cujos valores variam com a direcção (vectoriais).

Aspecto pratico da Krigagem Pontual

Aprendemos a conhecer vários métodos de estimação, clássicos, como o dos polígonos de

influencia, inverso da potencia da distancia assim como mais modernos como a krigagem
normal que com a estimação de valores da grandeza em estudo numa malha de pontos
(estimação pontual) torna possível a produção de um mapa (um possível resultado
daquilo que pode ser o jazigo).

Na figura seguinte temos um mapa dos valores estimados. Embora se trate de um

exemplo de aplicação ambiental, porém serve para ilustrar o resultado de uma krigagem
pontual:

O variograma ajustado foi um modelo linear e a representação do resultado da krigagem

esta feita através de um mapa de isolinhas. Notar no mapa a localização das ‘n’ amostras.
O mapa da variança de estimação tem o aspecto da figura em baixo, onde se nota a
relação entre a variação da variança com a distribuição e agrupação da informação
(amostras)
 Importância prática do Efeito Suporte (EF)

26 33 Admitamos que a nossa variável T representa o teor mineral de

• • • •
27 30
um jazigo. Na figura seguinte temos um aspecto particular (12
amostras) do resultado de uma sondagem realizada no jazigo:
• 34• • •
30 36 32
Se caminharmos um pouco mais no processo de exploraçao de
um jazigo será cómodo raciocinarmos em termos de um jazigo
• • • •
43 41 42 46
ser um todo formado pela união de elementos geométricos
unitários (quase sempre de igual dimensão e volume) que
chamamos de blocos. (Quadro a esquerda)

• 27• • 33•
26 30
• • • • tmB < tcorte= 33 ppm
tmB ≥ tcorte
• 34• 36• 32•
30
• • • •
• • • • • 41• 42• 46•
43

Se por outro lado também sabemos como estimar o valor (teor) médio de um bloco Bi,
(tmB) de um jazigo a partir das informações disponíveis, então poderemos falar de
estimação das reservas mineiras, se definido um teor de corte (tcorte) ser possível
seleccionar para o conjunto das reservas os blocos que tenham um teor médio estimado
superior ao teor de corte, tmB ≥ tcorte

Se o tcorte é um parâmetro técnico económico que combina essencialmente o método de

exploração e custos associados com o preço dos concentrados obtidos. Para a repartição
do jazigo em blocos feita de acordo com a apresentada na figura (uma informação
localizada no centro do bloco), poderíamos fazer o teor médio do bloco, tmB igual ao teor
da amostra central tam, esta pratica tem o significado de ‘estender’ o teor da amostra
(informação) central ao bloco B e assumir este como o valor médio do bloco. Ao erro de
de estimação associado é também chamado de erro de extensão que pode ser avaliado
através da chamada variança de extensão. Este conceito e cálculo será desenvolvido no
capítulo seguinte.
O Quadro a direita da figura anterior mostra o resultado das reservas encontradas com a
extensão do valor das amostras centrais aos blocos respectivos e aplicando o teor de corte
de 33 ppm. Conhecido o volume de cada bloco poder-se-ia calcular as reservas de
minério (T, tons, ou m3), o teor médio do jazigo (t) e a quantidade de concentrado (Q).
Se quisermos este mesmo resultado, a percentagem do jazigo que representam as reservas
exploráveis, pode ser apresentado na forma de um histograma dos valores médios dos
teores dos blocos.
 Histograma dos blocos Histograma dos blocos(2B)

4
4
tcorte = 33 ppm

Frequência absoluta
tcorte = 33 ppm
Frequência absoluta

3
3

2
2

1
1

0
0
[26 - 31) [31 - 36) [36 - 41) [41 - 46)
[26 - 31) [31 - 36) [36 - 41) [41 - 46]
Classes
Classes

Se analisarmos a figura e o que vemos como resultado é que para um teor de corte de 33
ppm o volume das reservas exploráveis ( cujo teor esta acima do teor de corte) seria de
62,5 % . O teor médio dessas reservas é de 39,3 ppm. Mas se entretanto a escolha do
bloco fosse a de um bloco maior e de tamanho igual a união de dois dos blocos anteriores
teríamos a distribuição de valores médios da figura seguinte que é equivalente ao
histograma a direita da figura anterior. Nesse caso as reservas recuperáveis são de apenas
50% e o teor médio das reservas recuperáveis é ligeiramente mais elevado e igual a 39.6
ppm.

(28) (30.5) (33) (32.5)

(42) (44)

O que se conclui com este resultado é que teor médio (t), tonelagem (T) e unidades
metálicas (Q) das reservas exploráveis, são grandezas que variam inversamente com o
aumento do teor de corte tcorte. O quer dizer que quando tcorte cresce, t também aumenta,
mas T e Q decrescem embora isto aconteça só quando o teor de corte é superior ao teor
médio do jazigo (tcorte > tm ):

Quando o suporte  , T para tcorte < tm e T para tcorte > tm

Para um projecto de exploração, falaremos na função lucro como dependente dos três
parâmetros apontados antes, T,Q,t:
Lucro (projecto) = f (T,t,Q) , sendo
T, tonelagem (t);
t, teor (ppm / m3) e
Q, unidades metálicas (ppm)
Qualquer um dos três parâmetros é por sua vez, função do teor de corte [f (tcorte)] de tal
maneira que se tcorte = 0, então Q = Qo , T = To e t = to , e Qo = To.(to/106)
A figura seguinte mostra o andamento de T,t e Q em função do tcorte , sendo a maneira
mais comum de apresentar o resultado de um projecto para diferente cenários.
É nesta conclusão resume o essencial do efeito suporte e sua importância pratica, pois a
não ser tido em conta o impacto que a variação do suporte (volume) tem na dispersão dos
valores, leva a tomada de decisões sobre valores errados das reservas exploraveis. Não
faz sentido que a decisão de considerar um bloco de ser minério ou de ser estéril
(explorável) seja feita na base da distribuição de valores amostrais (pontuais), utilizados
para a campanha de prospecção, quando as decisões serão tomadas em suportes maiores
do que aqueles.
Uma outra consequência do efeito suporte é que diminui a amplitude de dispersão dos
valores, isto é tende a fazer tmin(bloco) > tmin(amostra) e tmax(bloco) < tmax(amostra) e
assim levar-nos a dizer que o aumento do suporte empobrece as zonas mais ricas e
enriquece as zonas mais pobres. Podemos ler este resultado no esquema desta da figura,
que mostra a variação da dispersão dos teores no jazigo quando considerarmos suporte de
dimensões diferentes, b1 e b2 com b2 > b1:

σ2( b2/ J )

tc

b2 > b1

σ2(b1/J)
 Variança de dispersão e factor de redução “f”

Voltando ao exemplo anterior e a distribuição de valores pontuais e dos blocos, o efeito

suporte explica a redução da variança (dispersão) com o aumento do suporte. Se
calcularmos as media nos dois casos vemos que ela não varia:

(1) Media pontual = (26+27+30+33+30+34+36+32+43+32+43+41+42+46) /12= 35 ppm

(2)Media blocos = (28+30.5+33+32.5+42+44) /6 = 35 ppm

Portanto para os dois casos a medida da dispersão dos valores em torno da média pode
ser calculada pela variança:

(1) Var( ) = [(26-35)²+(27-35)²+(30-35)²+(33-35)²+...+(42-35)²+(46-35)²] / 12 =

40 ppm²
Trata-se da variança dos valores pontuais (p) em torno da media do jazigo (J), assim
podemos representar essa variança por σ²(p/J) e definir como a variança de dispersão
Ponto-Jazigo. No caso (2) seria

(2) Var( )=[(28-35)²+(30.5-35)²+(33-35)²+(32.5-35)²+(42-35)²+(44-35)²] / 6 =

34.92 ppm²
Que podemos representar por σ²(B/J) e definir como a variança de dispersao Bloco-
Jazigo.

Calculemos agora calcular a variança σ²(p/B) , variança ponto-Bloco que seria:

(3) Var( ) = [(26-28)²+(30-28)²+(27-30.5)²+(34-30.5)²+(30-33)²+(36-33)²+(33-
32.5)²+
+(32-32.5)²+ (43-42)²+(41-42)²+ (42-44)²+(46-44)²] / 12 = 5.08 ppm²

Notar que os três resultados (1), (2) e (3) dão para escrever a igualdade
[40 = 5.08+34.92]

Que nos leva a relação de Krige:

σ²(p/J) = σ²(p/B) + σ²(B/J)

com o variar de B (bloco) as duas dispersões se complementam para manter o variança p-
Jazigo constante. Se B aumenta então σ²(B/J) diminui como já sabemos do ES e teremos
o mesmo aumento de σ²(p/B) para manter a igualdade. Poderemos escrever de outra
maneira:
σ²(B/J) = σ²(p/J) + σ²(p/B)
a redução relativa das variança obtém-se se dividirmos σ²(B/J) por σ²(p/J) que da:
σ²(B/J) / σ²(p/J)= [σ²(p/J) + σ²(p/B)] / σ²(p/J)
= 1 + [σ²(p/B)/ σ²(p/J)]

Que é então o factor de redução da variança, f:

 f = 1 + [σ²(p/B)/ σ²(p/J)]

Estimar a V. de Dispersão através de um modelo de variograma  (h)

A variável de dispersão pode ser encontrada pelo calculo do variograma médio

consideremos a variança, σ²(p/J) e a forma como foi calculada como
n
1
 2( p / J) 
n2
 (v
i 1
i  mv ) 2

Sendo vi os valores amostrais (pontuais) do teor e mv a media dos vi sobre todo o jazigo.
 2(p/J) pode ser escrito ainda
1 n 1 n 1 n 2 1 n 1 n
 ( v i  m v ) 2   ( v i  2v i m v  m v )   v i  2 m v (  v i )   m v )
2 2 2

n i 1 n i 1 n i 1 n i 1 n i 1
1 n 2 1 n 2 1 n 1 n 2 1 n n

 v i  mv   v i  (  v i ) 2   v i  ( 2  v v
2
i j )
n i 1 n i 1 n i 1 n i 1 n i 1 j 1

1 n 2 1 n 1 n n
1 n n
1 n n
2 n n

   vi v j )    vi  vj  (  v v
2 2 2
 v i  vj ( 2 i j )
2n i 1 2n j 1 n i 1 j 1 2n 2 i 1 j 1 2n 2 j 1 i 1 2n 2 i 1 j 1
n n n n
1 1 _

 (v  (v  v j )2   ( p / J )
2 2
 i  v j  2v i v j )  i
2n 2 i 1 j 1 2n 2 i 1 j 1

Este resultado aproximado tem a haver com a discretização de J, para o cálculo do

variograma médio. Com este resultado f pode ser escrito como:

_
 ( p / B)
f 1 _
 (p / J)

Correcção do ES

O Efeito Suporte (ES) não afecta somente a dispesão

dos valores, como vimos antes, mas também a simetria
da distribuição. A figura seguinte mostra exactamente
isso, o ES, para além de influir na distribuição dos
valores, tem influência na forma como esses valores se
distribuem (simetria). Caminhando de a) para c) na
figura, caminha-se no sentido do aumento do suporte:
a) 78000 pts, b) 280 blocos 10 x 10, c) 195 blocos 20 x
20, e com o aumento do suporte temos:
 Abaixamento dos valores máximos (de 9500 ppm
a 1500 ppm)
 Esperava-se a subida dos valores mínimos.
 A dispersão diminui, como poderemos ver pelos
valores de (CV, Q3-Q1)
  A assimetria diminui, ver pela diferença (M-m)
 a média não se altera (266 ppm)

Para compreendermos porque assim acontece, teremos de perceber o que são a

continuidade espacial (conceito estudado antes) e a conexão espacial em um mapa de
distribuição de valores (padrão). As duas figuras seguintes mostram-nos dois padrões
diferentes de distribuição espacial de valores, mas que apresentem ambas as mesmas
estatísticas e o mesmo histograma. Isto quer dizer que histograma sozinho não serve para
descrever a distribuição espacial dos valores, o que se consegue com o variograma
(covariança). Aindas nessas figuras pode-se ler nas estatísticas sumárias e nos
histogramas a rapidez com que a dispersão de valores e a assimetria diminuem na
presença de um padrão de continuidade espacial pepitico ((h) (à direita), mas do que no
caso do padrão ter uma estrutura de transição (à esquerda). Portanto, no caso do efeito de
pepita puro se associa um ES mais forte do que no primeiro caso.

Outra verdade é que quanto mais conexos estiverem distribuídos os valores extremos
mais rapidamente a distribuição dos blocos tende a simetria ( alta conectividade dos
valores extremos é o padrão que mais ocorre nos fenómenos naturais).
E se compararmos este gráfico com o primeiro da figura anterior, vemos que se trata de
dois padrões de distribuição de valores francamente diferentes, mas que apresentam o
mesmo histograma e até o mesmo variograma. Por isso, neste caso, nem o variograma
está a altura de descriminar a forma como os valores extremos estão conectados entre si,
e esta característica é muito importante para a velocidade com que a distribuição tende a
simetria com o aumento do suporte. Podemos avaliar o ES se lermos os sumários
estatísticos dos dois casos.

Serão descritos dois métodos para a correcção do ES, onde ambos produzem o resultado
de manter a média e reduzir a variança de um certo factor “ f ”, factor de redução da
variança. A diferença dos dois métodos está na maneira com tratam a simetria, o que
muito tem a haver com a forma como os valores extremos se conectam no espaço. Este
conhecimento é adquirido e ditado apenas pela experiência geológica.
Assim a regra é quando a experiência diz que a característica em estudo apresenta fraca
conectividade dos valores extremos, a melhor correcção a aplicar para o EF é aquela
que não simetriza a distribuição (método da correcção afim) e vice-versa.

1. Método da Correcção afim

O ES coloca-nos perante duas distribuições: a distribuição de valores pontuais ( ex. teor )

e a distribuição dos valores médio de blocos (suporte de maior dimensão) sobre o qual se
baseará a decisão de seleccionar as reservas exploráveis. Assim corrigir o ES é
transformar a distribuição dos valores pontuais ( com os seus quantis, q ) na distribuição
dos valores dos blocos ( de quantis q’ ) através da equação:
q’ =  f * (q-mp) + mB
as médias mp e mB são a mesma para as duas distribuições e se a variança da distribuição
pontual é 2 a outra é f.2. Este método tem a característica de preservar a média e a
simetria enquanto diminui a dispersão proporcional a valor do factor f.. A linha recta que
pode ser vista na figura seguinte admite implicitamente a preservação da simetria da
distribuição e consequentemente a forma da distribuição. Uma desvantagem deste
método é que produz valores mínimos não realísticos
Os resultados práticos apontam para a aplicação deste método para casos que os tcorte são
valores próximos da média.

2. Método da Correcção Lognormal Indirecta

Este método usa a transformação que se aplica entre duas distribuições lognormal e
produz a correcção do ES em duas etapas:
Etapa 1: usa a transformação
q '  aq
b
Sendo q’ o quantil de uma distribuição lognormal, calculado a partir do
quantis de outra distribuição lognormal, q. As constantes a e b podem ser calculadas pelas
formulas:

b
m  CV 2  1  ln( f .CV 2  1)
a   e b
f .CV 2  1  m  ln( CV 2  1)
Sendo CV – coeficiente de variação [CV = /m]

Etapa 2: a transformação anterior não conserva a média original, ai está a razão

deste segundo passo que restitui a media original, m através da equação:

m
q' '  q'
m'
m’ é a média encontrada após o 1.a etapa

Este método apresenta vantagens em relação ao anterior pela tendência em simetrizar a

distribuição em função de f ( diminui o skew) e, preserva o valor mínimo.
Ainda para valores de tcorte altos e situações irrealísticas de permanência da forma da
distribuição este método é preferível ao anterior.
 Conceito da variança de extensão

• • • •
26 27 30 33

• 34• 36• 32•

30

• 41• 42• •
43 46
10 m

10 m

Voltemos ao nosso exemplo da malha regular de amostragem com os seus resultados, e

admitamos que a malha ‘e de 10 x 10 m.. A prática mineira não iria longe de considerar a
divisão do jazigo em blocos nas duas alternativas, A e B:

Alternativa A Alternativa B

• • • •
• • • •
• • • •

A alternativa A, equivale a divisão do jazigo em blocos com uma amostra central e a

alternativa B a de blocos com 4 amostras nos vértices. Poderíamos a essa altura responder
a pergunta ‘Qual a alternativa que dá uma melhor estimação do bloco?’ Nesta pergunta
subentende-se que nos dois casos os blocos serão estimados, no caso A a partir do valor
da amostra central e no caso B, a partir da média ponderada dos 4 valores localizados nos
vértices do bloco. É daqui que aparece o termo extensão, (variança de extensão) pois é
mais visível no caso A do que no caso B, o valor médio do bloco no jazigo não é sequer
calculado mas obtido simplesmente da extensão do valor da amostra central ao bloco.
Assim no caso da alternativa B o valor médio (teor) do bloco será:
4
t *
mB   i t i
i 1
*
e o erro de estimaçao igual: e = t mB - tB , sendo tB o valor (teor) verdadeiro do bloco B,
porque toda a estimação terá sempre um erro associado. Como esse erro não pode ser
calculado exactamente espera-se poder atribuir uma indicação (índice) da grandeza dessa
“incerteza”.
Um primeiro passo útil em aceder a incerteza é considerar os factos que influenciam o
erro:
a) Número de amostra na vizinhança. Informações adicionais poderão ajudar a
fazer a nossa estimação mais fiável. Assim um indicador de incerteza pode ser
‘n’ para indicar o numero de amostras utilizadas na estimaçao;
 b) A proximidade das amostras ao ponto a estimar, dá-nos mais confiança a
nossa estimação. Um indicador pode ser ‘1/ (dist média), distancia média da
vizinhança. Assim será mais fiável a estimação que tiver o indicador mais
pequeno.

Estes dois indicadores não têm em conta a configuração dos dados nem a natureza do
fenómeno em estudo
c) Arranjo espacial das amostras. A nossa confiança aumenta com amostras
distribuidas regularmente e uniformemente no espaço ao redor do ponto ou
bloco a estimar;
d) Natureza do fenómeno em estudo. Uma configuração de 4 pontos dispostos ao
redor do ponto a estimar pode transmitir maior confiança na estimação de uma
espessura mas, não seria tão confiante se se tratasse da estimação de ouro que
é uma característica muito mais variável. Para um fenómeno errático, várias
amostras produzem um resultado mais confiante e não serão tão redundantes,
do que em um fenómeno menos errático onde será preferível ter uma amostra
vizinha que várias dispersas. Ou ainda 2 amostras próximas não serão
melhores que uma só, num fenómeno de maior continuidadee 2 amostras
próximas não serão redundantes num fenómeno com ampla flutuação;

Um indicador que tenha em conta a natureza do fenomeno em estudo, a configuraçao dos

dados e mais ainda os factores anteriores é a variança de estimação(extensão) , a
variança do erro de estimaçao,’e’, e ‘E’ é a correspondente variavel aleatoria,
considerando ‘n’ amostras:
Var (E) = var(T*mB - TB)
n   n  
2
n 
2


var Tm*B  TB   var  i Ti  TB   E   i Ti  TB    E  i Ti  TB 
 i 1   i 1    i 1 
2
n 
E  i Ti  TB   0 para estimador nao enviesado( i  0)
 i 1 
 n  
2
 n 
 
n
var T *
mB  TB  E    i Ti  T B    E (  i Ti ) 2  2.T B .  i Ti  T B2 
 i 1    i 1 i 1 
 n    n n  n 
   
n
 E (  i Ti ) 2   E 2.T B .  i Ti   E T 2  E    i  j Ti T j   2 E   i Ti .T B   E T B2
 i 1   i 1   i 1 j 1   i 1 

    i  j E Ti .T j  2.  i ETi .T B   E T B2  

n n n

i 1 j 1 i 1

sabendo que C i , j  E Ti .T j  ET 

n n n _ _
    i  j C i , j  2.  i C i , B  C B , B ,
i 1 j 1 i 1
 ~2 _ n n n _
 R  C BB   i  j C ij  2 i CiB
i 1 j 1 i 1

A expressão tem 3 termos:

1.o termo variança dos valores dos blocos. Se a variável é errática o termo cresce;
2.o termo distâncias estatísticas e “cluster” dos dados; este termo aumenta quando
usamos informações mais próximas entre si e aumenta a variança.
3.o termo considera as distância estatísticas em relação ao ponto a estimar. Sendo as
informações próxima entre si as covarianças crescem e este termo cresce,
mas por ter sinal negativo o indice da incerteza diminui.

Em termos de variograma:

~2 n _ n n _
 R  2 i  iB   i  j  ij   BB
i 1 i 1 j 1