CURSO DE GEOESTATÍSTICA

APLICADA À MINERAÇÃO

Belo Horizonte
12 a 14 de dezembro de 2006

por Jorge Valente

Eng. de minas – IST
Consultor (“competent person”)
Curso de GEOESTATÍSTICA APLICADA

• 1º dia (12/12)
I – Introdução e Variografia
• 2º dia (13/12)
II – Estimação e Krigagem
• 3º dia (14/12)
III – Planejamento Geoestatístico
 UM BOM MÉTODO DE
ESTIMAÇÃO DEVE:

• Estar adaptado à estrutura mineralizada da jazida

• Usar estimadores não enviezados (esperança dos teores

avaliados igual à dos teores reais)

• A dispersão dos erros deve ser mínima (variâncias

minimizadas)
RELAÇÃO DE ADITIVIDADE
DE KRIGE

S 2 P  2 S 
         
2

P D D

D = depósito
P = painel
S = sondagem
 RELAÇÃO EXPERIMENTAL DE
DE WIJS

v V 
     log e  
2

V  v

• 3 = coeficiente de dispersão intrínseca;

• 2(v/V) = variância de dispersão das amostras de volume

v num campo V.
 MÉTODOS DE ESTIMAÇÃO DE
RESERVAS / RECURSOS
•Áreas de influência
•Métodos das •Volume de influência
figuras •etc.
•Métodos geométricas
pré-computatórios
•Métodos
•Métodos das •Interpolação gráfica
clássicos curvas de •Interpolação polinomial
isovalores •etc.

•Métodos das distâncias pesadas •IQD

•etc
•IPD
Métodos
•Métodos geoestatísticos (krigagens) pós-computatórios
PROCEDIMENTOS CLÁSSICOS NA CUBAGEM DE RESERVAS
PROCEDIMENTOS CLÁSSICOS NA CUBAGEM DE RESERVAS
MÉTODO DOS INVERSOS DOS QUADRADOS DAS DISTÂNCIAS
 TEOREMA DO LIMITE CENTRAL

• ENUNCIADO: “A soma de n variáveis aleatórias

independentes, com uma lei de distribuição
qualquer, segue uma lei normal”.

• CONSEQUÊNCIA: é possível usar-se

universalmente a lei normal em estatística, desde
que se possa admitir que a variável aleatória em
estudo constitua a resultante de um somatório.
 TEORIA DA ESTIMAÇÃO
• ESTATÍSTICO: qualquer função das amostras (por
exemplo: média, variância, moda, mediana)
• ESTIMADOR: qualquer “estatístico” amostral; é uma V.A.
também (por exemplo, x é um estimador de )
• PROPRIEDADES que um “estimador” deve ter:
– não enviezamento: E(*) = 
– consistência: E(* - )2  0
– eficiência: min E (* - )2
– suficiência: usa toda a informação
– precisão: dada pelos intervalos de confiança
(para um dado nível de probabilidades)
 CONCEITOS BÁSICOS

• DISTRIBUIÇÃO OBSERVADA
Amostras

• DISTRIBUIÇÃO VERDADEIRA
Depósito

• DISTRIBUIÇÃO DE REFERÊNCIA
Modelo teórico
 DISTRIBUIÇÃO NORMAL (GAUSS)

A distribuição normal ocorre quando o valor do

fenômeno estudado é devido à soma de várias
causas independentes, cuja função densidade de
probabilidade é expressa por:

 x  x 2
 1  

f x     .e 2  2x
  2 
 x 
 CARACTERÍSTICAS AMOSTRAIS

1 n
• Média x   xi
n i 1

n 2
1
• Variância S2x   x i  x 
n  1 i 1

• Desvio padrão 2
Sx  Sx
 CARACTERÍSTICAS AMOSTRAIS

• Erro padrão da média Sx  Sx

n
• Coeficiente de dispersão (variação) C  Sx 100
d
x
• Limites de confiança

– limite inferior
x  kSx k=1nível de confiança de 68%
k=2nível de confiança de 95%
– limite superior k=3nível de confiança de 99,7%
x  kSx
 DISTRIBUIÇÃO LOGNORMAL

A distribuição lognormal tem como função

densidade de probabilidade a seguinte
expressão:

ln x  y 2
  
 1  2  2y
f x    . e
  y 2 
 
 TIPOS DE DISTRIBUIÇÃO LOGNORMAL

• bi-paramétrica  os logaritmos dos valores

seguem uma distribuição normal

– Mediana ()
– Desvio padrão ()

• tri-paramétrica  os logaritmos dos valores mais

uma constante () seguem uma distribuição
normal
 CARACTERÍSTICAS AMOSTRAIS

1 n
• Média aritmética y   ln x i 
n i 1
dos logarítmos
2
1  n 
• Variância dos 2
Sy    ln x i  y  
logarítmos n  1  i 1 

  ey
• Mediana
 CARACTERÍSTICAS AMOSTRAIS

• Limites de confiança

Limite superior  
e
 kS y
ou e  kS y

Limite inferior e  kS y

ou  e 
 kS y

k=1 nível de confiança de 68%

k=2 nível de confiança de 95%
k=3 nível de confiança de 99,7%
 ANÁLISE DE DADOS
• Medidas de Posição
– Medidas de tendência central: média, moda e mediana
– Separatrizes: quartis, percentis e os decis

• Medidas de Dispersão

– Amplitude total
– Desvio médio
absoluta
– Variância
– Desvio padrão

– Coeficiente de variação relativa

– Variância relativa
 TEORIA DA ESTIMAÇÃO
• Objetivo: deduzir informações de uma população (N)
mediante o estudo e a análise de amostras (n)

Amostras média (x)

 Estimação  POPULAÇÃO
representativas des.padrão ()
• Estimação
– de parâmetros
• por pontos: define um estimador (um único número)
• por intervalos: dois números entre os quais o valor verdadeiro
está situado  determinar a probabilidade de ocorrência
daquele valor

DECISÃO
TEORIA ESTATÍSTICA DA DECISÃO
No momento de tomar decisões é importante a formulação de
HIPÓTESES relativas às populações em estudo. Estas
suposições, que podem ser ou não verdadeiras, são
denominadas

HIPÓTESES ESTATÍSTICAS - TESTE DE HIPÓTESES

• Hipótese nula (H0)

a ser testada:aceita a não existe diferença entre as
populações em estudo rejeita a populações iguais,
estatisticamente

• Hipótese alternativa (H1)

será aceita caso o teste indique a rejeição de H 0 a há
diferença significativa entre as populações
 Operações com Variâncias
E c    c f x dx  c  f x dx  c 1  c

E cX    cX  f x dx  c  f x dx  cE x 

E  X  Y    x  y  f x, y dxdy  E x   E  y 
VAR c   E c  E c   E 0   0
2

VAR cX   E cX  E cX   c 2VAR  X 

2

VAR  X  Y   VAR  X   VAR Y   2 COV  X , Y 

COV  X , Y   E  X , Y   E  X  E Y 
 ANÁLISE DE VARIÂNCIA

• Objetivo: testar a significância das diferenças entre

três ou mais médias amostrais  testar a H0 de que
as médias amostrais são todas iguais contra a
alternativa de que elas sejam diferentes H 1

• Aplicação:
– Um experimento
• Medidas para a grupos de amostras (linhas)
• b número de medidas em cada grupo (colunas)
 ANÁLISE DE VARIÂNCIA

• Técnica usada para testar homogeneidades

• Consiste em
- fazer a hipótese da homogeneidade dos
estratos
- obter duas estimativas independentes da
variância comum
- testar a diferença estatística das duas
estimativas
 PROCESSO ESTOCÁSTICO é uma família infinita de
variáveis aleatórias Xt(e) ordinárias definidas sobre (E, a),
onde:
­ E: espaço dos acontecimentos.
­ e: acontecimento elementar.
­ a: álgebra com os axiomas: - œ A  a  Ā  a
- œ A1, A2,..., An  a Ām a
­ t: índice que percorre T.
­ T: conjunto infinito (t T).

NOTA: A família infinita de Xt (e) ou X (t) é:

• Se t é tempo processo estocástico (aleatório).

• Se t é outro parâmetro função aleatória.

t fixo seção do processo aleatório (função de repartição e lei temporal).

• Se
e fixo realização do processo (função ordinária de t e valor da variável).
 CARACTERIZAÇÃO DE UM PROCESSO
ALEATÓRIO
­ esperança matemática: mX (t)
­ variância: DX (t)
­ função de autocorrelação: KX (t,t’)

KX (t,t’) = E [ X(t) - mX(t) ] [ X(t’) - mX(t’) ]

PROPRIEDADES DA FUNÇÃO DE AUTOCORRELAÇÃO

­ simetria: KX (t,t’) = KX (t’,t)

­ adição de termo não aleatório
­ multiplicação por função não aleatória

NOTAS: - Estacionários são os processos estocásticos aproximadamente

homogêneos ao longo do tempo: KX (t,t + Z) = KX (Z)
- Função de autocorrelação normada
- Propriedade da ergocidade
 FENÔMENOS DE ESPERA são os interpretados por
processos estocásticos com um conjunto numerável
de estados:
­ pk (t): probabilidade de que, no instante t , o sistema se encontre no
estado xk
­ para todo o t : pk (t) = 1
k

FLUXO SIMPLES OU ESTACIONÁRIO DE POISSON,

tem as propriedades:
­ Estacionária: a probabilidade só depende de 
­ Sem pós-ação: independência das solicitações
­ Ordinária: com t 0, a probabilidade de dois acontecimentos é
desprezável.

NOTAS: - Lei de Poisson ( T distribui-se segundo uma lei exponencial).

- Tempo de Serviço (Tser).
PROCESSOS ALEATÓRIOS DE MARKOV

Em cada instante, a probabilidade de surgir um estado

qualquer no futuro, depende apenas do estado atual do
sistema.

• Sistema de espera com solicitações recusadas.

• Sistema de espera com um número limitado de
elementos.

NOTAS: - Equações de Erlang

­ Probabilidade de recusa
­ Poder de transmissão
­ Disciplina de espera
FORMA GERAL DOS PROGRAMAS LINEARES

­ x1, x2, x3,..., xn: variáveis, chamadas atividades, não negativas (x1  0,..., xn  0)
­ Z = c1 x1 + c2 x2 + ... + cn xn : função econômica linear a otimizar (ci)

a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
-------------------------------------------
-------------------------------------------
aM1 x1 + aM2 x2 + ... + aMn xn = bM

sistema linear de M equações lineares independentes: constrangimentos

M<n para haver solução (haverá n - M “soluções de base”)

(NOTA: propriedades conforme figs. 46, 47 e 48)

 ENUNCIADO MATEMÁTICO GERAL DOS
PROGRAMAS LINEARES
n+m n+m
• Função a otimizar (linear): Z =  c j xj
j=1
n+m

• Constrangimentos (m equações lineares): j = 1 aij xj = bi

, com:
n+m variáveis (xj) não negativas, procuradas

aij (i = 1, 2,..., m)
nos reais
bi (j = 1, 2,..., n + m)

• Solução: n + m quantidades xj (que devem ter (n + m) – m = n variáveis nulas.

• Solução possível: idem, mas xj  0.
• Solução de base: m quantidades xi e n quantidades xj (com xi e xj = 0).
• Solução ótima: é a solução de base que otimiza a função econômica.
 VR’s = Variáveis Regionalizadas

• Duplo aspecto das VR’S:

– Aleatório
– Estruturado

• Características das VR’S:

– Localização (campo geométrico, suporte)

– Continuidade (efeito de pepita)
– Anisotropia (direções preferenciais)
– Fenômenos de transição
 Continuidade:
EFEITO DE PEPITA
• Em geral, há continuidade em média:

lim E Y ( x)  Y ( x0 )  0
2
x  x0

• Efeito de Pepita:

lim Y ( x)  Y ( x0 )  c0  0
2
x  x0
 Hipóteses Restritivas
 
• F.A. estacionária: E Y ( x )  m( x )  E Y ( x  h)    m  c te
Nota: F.A. centrada, se se usa Y(x)-m (tem m=0)

• F.A. estacionária de segunda ordem:

Se  
K (0)  E Y 2 ( x)  m 2 ( x)  n o finito  variância
então K ( h)  E Y ( x  h).Y ( x )  m ( x )  covariância
2

(a covariância não depende de x, mas depende de h)

• F.A. intrínseca:
Se Y ( x  h)  Y ( x) são incrementos estacionários (independentes de x):
E Y ( x  h)  Y ( x)  m(h)  deriva linear (considera-se nula)

 
E Y ( x  h)  Y ( x)  2 h 
2
VARIOGRAMA
(independe de x; define a estrutura da VR; etc.)
 Observações importantes:
• O esquema de De Wijs não verifica a estacionaridade de
segunda ordem
• A “relação de Krige” mostra o significado da hipótese
intrínseca
• “Geoestatística Estacionária” é aquela onde o “esquema
intrínseco” é válido
• “Geoestatística Universal” é aquela onde não há
estacionaridades, isto é, onde há derivas altas
• Casos exigindo cuidados especiais: aqueles com “derivas
(drifts)” e/ou com heterogeneidades macroscópicas
• Demonstrações:
- linearidade da deriva: E Y ( x  h)  Y ( x)  m(h)
- o variograma é limitado por uma FA estacionária
de segunda ordem  (h)  K (0)  K (h) (uso da covariância
e/ou do variograma)
 Propriedades da COVARIÂNCIA

• Variância “a priori” não negativa: C (0)  Var Z ( x)  0

• Função simétrica: C(h) = C(-h)
• Desigualdade de Schwarz: C (h)  C (0)
• Se h tende para infinito, lim C(h)=0 (ausência de
correlação para h  a )

xxxxxxxxxxxxxxxxxxxxx

Nota: estudar o que se representa na figura 77

 Valores Fundamentais do
SEMI-VARIOGRAMA

• a = amplitude
• c = patamar
lim Y ( x)  Y ( x0 )  c0  0
2
• c0 = efeito de pepita:
x  x0

Notas: - c0 testemunha micro-regionalizações, reflete erros

humanos, etc.

- c0 diminui estreitando-se a malha de amostragem e/ou

aumentando-se o suporte amostral

- c + c0 = variância “a priori” (caso “transitivo”)

 Propriedades do SEMI-VARIOGRAMA

• Função positiva:  (0)  0;  (h)  0

• Função simétrica:  (h)   ( h)
 ( h)
• Ordem: lim 2
0
h  h

Nota: As 3 propriedades acima são necessárias (não suficientes) para

se afirmar a estacionaridade ou a condição intrínseca da F.A.

• Condição necessária e suficiente:  (h) é função do tipo

positivo condicional

(Nota: A ver-se no estudo das variâncias de extensão e de estimação)

 Definições importantes
• Continuidade em média quadrática

• Derivabilidade em média quadrática

(o semi-variograma é duas vezes derivável em h=0)

• Convolução de duas funções: g  f1  f 2

g ( x)   f1 ( y ) f 2 ( x  y )dy   f 2 ( y ) f1 ( x  y )dy
(notar a ligação com uma “média móvel”)

v
• Regularização de f por p: fp  f  p
 Comportamento na origem
• Parabólico:  ( h)  A h 2
quando h tende para zero

• Linear:  ( h)  A h quando h tende para zero

• Descontínuo (com efeito de pepita)

• Efeito de pepita puro:
 (0)  0
 para h >
 (h)  c0
XXXXXXXXXXXXXXXXXXXXXXXXXXX

Nota sobre o efeito de pepita:

c0   2  lim  (h) 1 1 
  A  
2
N
h 0 v V 
 Comportamento no infinito
• Variograma limitado:  ()  c te ;  (h)  C (0)  C (h)

• Variograma indefinidamente crescente:

 ( h)
lim 2
 0  há deriva
h  h
XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

Nota: tipos de “anisotropias”:

- geométrica (igual variância)
- zonal (igual amplitude)
 VARIOGRAMAS EXPERIMENTAIS

Notas para seu cálculo e construção:

• escolha adequada da VR (aditiva)

• “criticar” dados e identificar os “campos homogêneos”
• calcular “variogramas médios”, pela “via numérica”
• ajustar, se possível, a um “modelo teórico” conhecido
• preferir “variogramas lineares” (2D e/ou 3D), em vez de
“variogramas no(s) plano(s)”
• usar “ângulos de regularização” e “passos” adequados
• verificar a “informação associada” (“pares de pontos”,
“média na média”, “deriva baixa”, etc.)
Cálculo do SEMI-VARIOGRAMA

1 N 1 1
 (1)   Y ( x  1)  Y ( x)2

2 x 1 N  1

1 N 2 1
 (2)   Y ( x  2)  Y ( x)2

2 x 1 N  2
____________________________
____________________________

1 N k 1
 (k )   Y ( x  k )  Y ( x)2

2 x 1 N  k
 Modelos Variográficos (1)
• Modelos com patamar (transitivos):
- com comportamento linear na origem:
- esférico ou de Matheron (fig. 97 (A) e (B))
- exponencial ou de Formery (fig. 97 (C))
- quadrático ou de Alfaro (não tem fig. no livro)

- com comportamento parabólico na origem:

- regular ou de Gauss (fig. 97 (D))

• Modelos sem patamar:

- linear (fig. 97 (E))
- potencial (o linear é um caso particular deste)
- logarítmico ou de De Wijs (fig. 97 (F))
 Modelos Variográficos (2)
• Modelos com “efeito de buraco” (“pescoço de cavalo”)
aparecem em modelos com e sem patamar; revelam “períodos”; há um
crescimento não monótono do semi-variograma; fig. 98 (mod. esférico)

• Modelos para estruturas embricadas:

(soma de modelos; figs. 80, 84 e 99)
 ( h)   1 ( h)   2 ( h)

• Modelos com anisotropias (fig. 100)

XXXXXXXXXXXXXXXXXXXXXX

Notação de MICHEL DAVID:  (h) x  c0  F (c; a x )

x

onde: - a, c, c0 são os “valores fundamentais”

- se subentende que F é “modelo esférico”
- x é a direção do semi-variograma
 Análise “Vário-Grupal”
• Dissimilaridade:
M ( xij  xik ) 2
D j ,k  
i 1 M

• “Distância estrutural” entre I e II:

d I , II   2 ( X GI  X GII )   2 ( X HI  X HII )  2 ( X LI  X LII )

CURSO DE GEOESTATÍSTICA
APLICADA À MINERAÇÃO

Belo Horizonte
12 a 14 de dezembro de 2006

por Jorge Valente

Eng. de minas – IST
Consultor (“competent person”)