You are on page 1of 213

Jorge Kazuo Yamamoto

Paulo M. Barbosa Landim

Jorge Kazuo Yamamoto
Paulo M. Barbosa Landim

,
! GEOESTATISTICA
conceitos e aplicações

Copyright © 2013 Oficina de Textos
1ª reimpressão 2015

Grafia atualizada conforme o Acordo Ortográfico da Língua
Portuguesa de 1990, em vigor no Brasil a partir de 2009.

Conselho editorial Cylon Gonçalves da Silva; Doris C. C. K. Kowaltowski;
José Galizia Tundisi; Luis Enrique Sánchez; Paulo Helene;
Rozely Ferreira dos Santos; Teresa Gallotti Florenzano

Capa e projeto gráfico Malu Vallim
Diagramação Casa Editorial Maluhy Co.
Preparação de textos Cássio Pelin
Revisão de textos Hélio Hideki lraha
Impressão e acabamento Gráfica ~im .z c~CL\

Dados Internacionais de Catalogação na Publicação (CIP)
(Câmara Brasileira do Livro, SP, Brasil)

Yamamoto, Jorge Kazuo
Geoestatlstica : conceitos + aplicações / Jorge
Kazuo Yamamoto, Paulo M. Barbosa Landim. --
São Paulo : Oficina de Textos, 2013.

ISBN 978-85-7975-077-9

1. Geoestatlstica 2. Geologia - Métodos
estatísticos 1. Landim, Paulo M. Barbosa.
li. Título.

13-04311 CDD-551

lndices para catálogo sistemático:
1. Geoestatlstica 551

Todos os direitos reservados à Editora Oficina de Textos
Rua Cubatão, 959
CEP 04013-043 São Paulo SP
tel. (11) 3085 7933 fax (11) 3083 0849
www.ofitexto.com.br atend@ofitexto.com.br

li 1•
Apresentação

li
•• li
Geoestatística: conceitos e aplicações é um livro introdutório às bases e conceitos fundamentais
da área. Trata-se de leitura essencial para todos aqueles que procuram na Geoestatística um
conjunto de instrumentos para resolver problemas concretos na gestão de recursos naturais.
Os autores, Jorge Yamamoto e Paulo Landim, cientistas ligados à prática das ciências da
Terra, conceberam esta obra num formato que todos os livros fundamentais de ciências
aplicadas deveriam ter: dos problemas para as soluções.
Começando por sublinhar o nascimento da Geoestatística num ambiente geológico e
mineiro (com os "criadores" Georges Matheron, Daniel Krige, André Joumel e Alain Marechal),
os autores têm a preocupação de mostrar, ao longo de Geoestatística: conceitos e aplicações,
a aplicabilidade dos métodos aos diversos domínios das ciências da Terra e do ambiente,
isto é, à caracterização de fenômenos físicos de qualquer fenômeno natural estruturado no
espaço. Como os autores citam, o livro "dedica-se à análise de dados geológicos controlados
pela sua distribuição espacial, mas pode perfeitamente ser utilizado em outras áreas que
também disponham de dados georreferenciados".
Mas Jorge Yamamoto e Paulo Landim também são docentes, o que faz com que
Geoestatística: conceitos e aplicações tenha um forte componente pedagógico, conferindo a
todos os temas abordados uma clareza de exposição e uma grande preocupação com os
detalhes dos formalismos matemáticos e seus algoritmos. Com efeito, numa altura em
que a Geoestatística está difundida por inúmeros campos de aplicação, com algoritmos
e metodologias implementados em softwares apelativos e amigáveis, a leitura desta obra
é fundamental para a reeducação da maioria dos utilizadores da Geoestatística, cada vez
mais transformada em push-buttons, que privilegiam o exercício experimental e repetitivo de
menus imensos de métodos à sua compreensão e à avaliação do erro da sua má utilização.
Dividido em cinco capítulos, o livro começa pela análise de padrões espaciais dos
fenômenos estruturados e modelos de instrumentos simples, como os variogramas e as
covariâncias espaciais. Contudo, sua maior parte é dedicada aos métodos de inferência

a krigagem. Eles finalizam a obra com um capítulo dedicado à quantificação da incerteza espacial pelos novos modelos de simulação estocástica. Prof Dr. Nessa parte nobre do livro. Amilcar Soares Diretor do Centre for Natural Resources and Environment (Cerena} do Instituto Superior Técnico (IST} da Universidade Técnica de Lisboa. Portugal 4 Geoestatística: conceitos e aplicações . Estou certo de que o ensino e a prática da Geoestatística no Brasil vão ficar substancial- mente mais ricos com a publicação deste livro. fica evidente a intenção dos autores em referir e detalhar os métodos mais usuais da prática geoestatística. espacial da extensa família de estimadores lineares.

li 1 ··~ llCl
Agradecimentos
li

li li
Os autores expressam os seus agradecimentos:
• às respectivas universidades, Universidade de São Paulo (USP) e Universidade Estadual
Paulista (Unesp), que proporcionaram as condições necessárias para suas atividades
didáticas, bem como para o desenvolvimento de pesquisas cujos resultados estão
consolidados nesta obra;
• ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), pela con-
cessão de bolsas de produtividade em pesquisa que estimulam a produção científica
no País;
• a Thelma Samara, da Seção de Ilustração Geológica do Instituto de Geociências da
Universidade de São Paulo (USP), pela edição de parte das figuras desta obra;
• ao engenheiro Antonio Tadashi Kikuda, do Laboratório de Informática Geológica do
Departamento de Geologia Sedimentar e Ambiental do Instituto de Geociências da USP,
pelo auxilio no algoritmo para o teste de bigaussianidade utilizado nesta obra.

• 1 · '----.---
Sumário
li

li li

Introdução, 9
Breve histórico da Geoestatística, 9
Objetivos, 12
Organização do livro, 12

1 Conceitos Básicos, 19
1.1 - Fenômeno espacial, 19
1.2 - Amostra e métodos de amostragem, 20
1.3 - Inferência espacial, 21
1.4 - Variáveis aleatória e regionalizada, 24
1.5 - Desagrupamento, 26

2 Cálculo e Modelagem de Variogramas Experimentais, 33
2.1- Estatísticas espaciais, 33
2.2 - Cálculo de variogramas experimentais, 36
2.3 - Tipos de variogramas, 41
2.4 - Anisotropias, 43
2.5 - Comportamento do variograma próximo à origem, 47
2.6 - Considerações finais, 52

3 Estimativas Geoestatísticas, 55
3.1- Transfonnação de dados, 56
3.2 - Estimativas geoestatísticas, 62
3.3 - Krigagem não linear, 83
3.4 - Interpolação de variáveis categóricas, 106
3.5 - Considerações finais, 117

4 Coestimativas Geoestatísticas, 121
4.1- Cokrigagem, 123
4.2 - Krigagem com deriva externa, 135
4.3 - Considerações finais, 141

5 Simulação Estocástica, 145
5.1 - Erro de suavização, 147
5.2 - Métodos de simulação estocástica, 147
5.3 - Métodos sequenciais de simulação, 148
5.4- Considerações sobre os métodos de simulação estocástica, 173

Anexo A- Fundamentos Matemáticos e Estatísticos, 175
A.1- Métodos gráficos de apresentação de dados, 175
A.2 - Estatística descritiva, 177
A.3 - Estatística bivariada, 179
A.4 - Distribuições teóricas de probabilidades, 182
A.5 - Derivadas, 184
A.6 - Integral, 184
A.7 - Matrizes, 185
A.8 - Sistemas de equações lineares, 188
A.9 - Software, 192

Anexo B - Arquivos de Dados, 195

Sobre os autores, 216

8 Geoestatística: conceitos e aplicações

1
Introdução

li
•• li
O professor Georges Matheron, inspirado inicialmente nos trabalhos pioneiros de H. ]. de
Wijs (De Wijs, 1951, 1953), professor da Universidade Técnica de Delft, na Holanda, e Daniel
G. Krige (Krige, 1951), engenheiro de minas que trabalhou nas minas de ouro do Rand, na
África do Sul, apresentou, no anos 1960, uma série de publicações que, por sua importante
contribuição para o estudo e formalização da Teoria das Variáveis Regionalizadas, o distingue
como criador da Geoestatística (Matheron, 1962, 1963, 1965, 1971).
Segundo Matheron (1971, p. 5), uma variável regionalizada é uma função f(x) do ponto
x, mas também é uma função irregular na qual se têm dois aspectos contraditórios ou
complementares: um aspecto aleatório, cuja irregularidade não permite prever as variações
de um ponto a outro; e um aspecto estruturado, que reflete as características estruturais
do fenômeno regionalizado. Para Matheron, a Teoria das Variáveis Regionalizadas tem dois
objetivos: teoricamente, descrever a correlação espacial; na prática, resolver problemas de
estimativa de uma variável regionalizada com base em uma amostra.

BREVE HISTÓRICO DA G EOESTATÍSTICA
Matheron, formado pela École Normale Supérieure des Mines de Paris, criou, em 1968, em
Fontainebleau, próximo a Paris, o Centre de Morphologie Mathématique, posteriormente
subdividido em dois centros de pesquisa de importância fundamental para o estudo, difusão
e formação de pesquisadores: Morfologia Matemática e Geoestatística.
André G. Joumel e Michel David, ex-alunos de Matheron, foram os responsáveis por
sua difusão na América do Norte e, entre outras obras, publicaram dois importantes livros:
Geostatistical ore reserve estimation (David, 1977) e Mining geostatistics (Journel; Huijbregts,
1978). Michel David foi contratado pela Escola Politécnica de Montreal, no Canadá, e André
Joumel, pela Universidade de Stanford, nos Estados Unidos, onde criou o Stanford Center for
Reservoir Forecasting (SCRF), do qual foi diretor, entre 1984 e 1997, e responsável pelo início
da aplicação da Geoestatística na Geologia do Petróleo.
Esses professores, em suas escolas, também formaram alunos, dos quais se destaca
Clayton V. Deutsch, que, após a pós-graduação na Universidade de Stanford, retornou

Cartografia. voltada à Geoestatística aplicada à modelagem de reservatórios de petróleo e gás. ele é dirigido pelo professor Guillaume Caumon. As ideias de Matheron. além do caráter aleatório. Geologia do Petróleo. Hidrogeologia e Pedologia. na Universidade de Lorraine. Análise Espacial de Crimes. Clayton Deutsch colabora ativamente em periódicos internacionais e produziu obras como Geostatistical reseruoir modeling (Deutsch. os quais apresentam. Desde 2007. Ele foi criado em 1969 por Jean-Laurent Mallet. tem por objetivo o estudo e a representação estrutural desse tipo de variável para a resolução de problemas de estimativa. mas também de desenvol- vimento de técnicas de modelagem de reservatórios. O CCG é mantido por empresas e universidades associadas. é comercializado atualmente pela Paradigm. pode ser tratada como variável regionalizada e sofrer uma análise segundo o formalismo desenvolvido pela Geoestatística. Engenharia Florestal. a metodologia geoestatística passou a ter ampla aplica- ção. na França. por análise de superfície de tendência. a característica estrutural do fenômeno. pois. O Consórcio GoCad é suportado financeiramente por 18 empresas e 131 universidades. que recolhem uma taxa anual cuja receita é revertida em bolsas de estudo a alunos de pós-graduação. A Teoria das Variáveis Regionalizadas. O professor Mallet foi responsável pelo consórcio da sua criação até 2006. entre as quais a Universidade de São Paulo (USP). é o Consórcio GoCad. Matheron (1967) respondeu a essa crítica num artigo denominado Kriging. por exemplo. na qual se graduara em Engenharia de Minas e Petróleo. porém. com relação ao estimador da krigagem. já consagrada. Epidemiologia. com base em dados experimentais medidos sobre suportes que não abrangem totalmente tais domínios. Geologia Ambiental. é utilizada em Agricultura de Precisão. e pode ser definido como uma subárea da Estatística que estuda variáveis regionalizadas. or polynomial interpolation procedures?. por meio do Instituto de Geociências. 2002). Clayton criou o Centre for Computational Geostatistics (CCG). isto é. Outro importante centro de aplicação não só da Geoestatística. uma função de correlação espacial. desse modo. 10 Geoestatística: conceitos e aplicações . além de Lavra e Prospecção Mineira. Geotecnia. estabelecendo. O termo geoestatística tem uma abrangência mais ampla do que a dada originalmente por Matheron (1971). inicialmente suscitaram forte oposição por parte de geólogos e engenheiros de minas. com o objetivo de apoiar as pesquisas desenvolvidas no âmbito acadêmico e solucionar problemas encontra- dos na indústria. uma possível estruturação espacial. Climatologia. Whitten (1966) preferia a interpolação por regressão polinomial. com o nome comercial de Skua. à Universidade de Edmonton. Ecologia da Paisagem. O software GoCad. Praticamente todas as últimas versões de softwares para confecção de ma- pas ou sistemas de informações georreferenciadas apresentam módulos com métodos geoestatísticos. um caráter estrutural. Assim. portanto. Os métodos geoestatísticos fornecem um conjunto de técnicas necessárias para entender a aparente aleatoriedade dos dados. porém. O melhor estimador para uma variável regionalizada deve levar em consideração as respectivas posições relativas e. principal produto desse consórcio. Qualquer variável dependente do espaço que apresente. que funciona da mesma forma que o SCRF. A partir da década de 1980.

bloco. portanto. os valores com base em cinco pontos com valores conhe- serão muito próximos em dois pontos vizinhos e progressivamente mais cidos diferentes à medida que os pontos ficarem mais distantes. da fase de pesquisa mineral até o estudo de viabilidade técnica e econômica do empreendimento. ela entraria com peso menor em relação às outras. um bloco a ser estimado com base + (5) em cinco amostras (Fig. amostras situadas perto do bloco deverão apresentar teores altamente relacionados com ele e poderão. pode auxiliar na tomada de decisões na operação da mina. 1). pois os primeiros de- pendem do conhecimento dos valores verdadeiros da variável estimada. 4 e 5 também apresentem teores similares ao valor médio do bloco. reconhecimento e tratamento de amostras agrupadas por amostragens preferenciais ou detalhadas de zonas mais ricas em minério. no desenvolvimento da mina. o seu relacionamento diminui até se tornarem independentes. para uma dada situação ou fase da pesquisa ou de desenvolvimento da mina. que devem ser estimados a partir de amostras coletadas em sua vizinhança. médio e longo prazos. com relação à amostra 2. canaletas. por exemplo. e. por meio de estimativas atualizadas das reservas minerais.) e. geometria Introdução 11 . Pode-se esperar que as amostras 1. Seja. Nesse sentido. Entre os problemas operacionais que a Geoestatística pode resolver estão: definição da quantidade e localização de amostras vizinhas para estimativa de um bloco. mais distante em relação ao bloco. A avaliação de reservas minerais é sempre feita com base em blocos de + (3) +(4) cubagem. Fig. sejam elas geoestatísticas ou não. Isso significa que. 1 Determinação do valor de uma área Supondo que ocorra uma correlação espacial entre os teores. por isso. galerias etc. as quais são baseadas em um modelo de distribuição de probabilidades. Esse é um conceito compartilhado por diferentes métodos de estimativas. As estimativas de reservas minerais são baseadas em amostras (sondagens. a Geoestatística tem um papel fundamental no planejamento de lavra de curto. Essa função representa a base da estimativa da variabilidade espacial em Geoestatística. sempre fazendo o melhor uso da informação disponível. Além disso. Isso significa que o teor da amostra 3 apresenta uma correlação com o teor do bloco. Fonte: desenho adaptado de Clark (1979. mas não tanto como o teor em 3. 3). Chilés e Delfmer (1999) e Soares (2006) apresentam uma revisão histórica sobre a Geoestatística com uma síntese sobre o desenvolvimento de suas técnicas. Em outras palavras. A Geoestatística proporciona um conjunto de métodos para a estimativa de reservas minerais. Finalmente. A diferença está na forma em que esses ponderadores são calculados. ser utilizadas para estimar o seu valor médio. à medida que se situem a distâncias maiores. tipo de mineralização em estudo (distribuição e variabilidade espaciais da variável de interesse). não se justifica amostragem adicional com a intenção de melhorar o variograma que será utilizado na krigagem. A influência de cada amostra é inversamente proporcional à distância. o problema está em como avaliar as incertezas. + (l) É importante diferenciar erros de incertezas. Nesse sentido. transformação de variáveis. é de se esperar que o teor da amostra 3 seja similar ao teor médio do p. estão sujeitas a incertezas. pois. sendo o seu início ligado a problemas de lavra mineira. A avaliação de reservas minerais é de extrem a importância em todas as etapas de um projeto de mineração.

o problema da inferência espacial (Fig. são apresentadas duas técnicas de desagrupamento de amostras (polígonos e células). Evidentemente. avaliação e mapeamento de incertezas. Andriotti (2003). Esses agrupamentos devem ter seus efeitos atenuados para não distorcer as estatísticas globais. Hohn (1999). Rendu (1981). indicando autor. O Cap. parametrização das reservas minerais em curvas teor/tonelagem. os conceitos da Geoestatística podem ser aplicados tanto a variáveis contínuas como a discretas. Isaaks e Srivastava (1989). Nesse trabalho. Armstrong (1998). Valente (1982). p. abre-se uma gama de aplicações envolvendo 12 Geoestatística: conceitos e aplicações . Cressie (1993). Goovaerts (1997). Minasny. OBJETIVOS O principal objetivo deste livro. simples e objetiva a metodologia geoestatística em suas diversas aplicações. A amostragem deve ser feita em disposição regular ou o mais próximo disso. na América do Sul. Atualmente. É importante ressaltar que o estudo geoestatístico tem início com a coleta de uma amostra. Druck et al. 1 aborda conceitos básicos envolvendo amostra e população (fenômeno espacial). Clark e Harper (2000). ano e página. mas introduzir conceitos e técnicas fundamentais atualmente em uso. o texto não tem a pretensão de cobrir todas as técnicas e campos de aplicação da Geoestatística. é mostrar de maneira clara. como referência à origem geográfica dos autores. Devem ser citados também diversos textos que tratam de aplicações da Geoestatística. Webster e Oliver (2007) e Oliver (2010). (2004) e Olea (2009). Minasny e Gould (2009). que será usada para inferir as características da população ou do fenômeno espacial de interesse da pesquisa. Como fontes introdutórias são recomendados os livros de Clark (1979). do corpo de minério. mas pode perfeitamente ser utilizada em outras áreas que disponham também de dados georreferenciados. que foi referenciada com a maior precisão possível. como Joumel e Huijbregts (1978). Guerra (1988). relativos à Geoestatística é apresentado por Hengl. são destaques as regiões de São Paulo/Brasil e Santiago/Chile (Hengl. Samper-Calvete e Carrera-Ramírez (1996). 508). métodos de amostragem. 2009. bem como variância global do depósito mineral. Yamamoto (2001a). Brooker (1991). 2) e a natureza das variáveis aleatórias contínuas e discretas. Landim (2003). tanto em livros como em artigos. tais como o histograma e o variograma. ORGANIZAÇÃO DO LIVRO Geoestatística: conceitos e aplicações está organizado em cinco capítulos. Dedica-se principalmente à análise de dados geológicos controlados pela sua distribuição espacial. Olea (1999). Nesse sentido. A teoria geoestatística foi baseada na literatura corrente. mas podem ocorrer amostragens preferenciais em zonas de maior interesse que acabam produzindo agrupamentos de pontos. Soares (2006). Um extenso estudo bibliométrico sobre textos. Gould. baseado na experiência dos dois autores. Assim. Deutsch e Journel (1992).

40 7 20 Amostragem .3) variáveis discretas.-.137L2 16.82S43 •. .•. O Cap.. ! •• • o •• • • • • • o o 20 40 o 20 40 o 20 40 3. pois elas são frequentemente observadas nos pontos de amostragem em que são feitas medidas de variáveis continuas.•94217 4.:i.. .. 1 1211116c.11 40Z:7J:[:C:IJ:i12 82 ll6ll ...6675) Inferência espacial Fig. cálculo de variogramas expe- Introdução 13 ..II 1.:l6.:..0(i()6. • • • • • • ••• . hipótese intrínseca. .09888 19. ..•• • • • • •• • • o ••. 20 20 o 20 •• • •• •• • • • • •• •• • •• • • • • •• • .131!17llllll!l !l!I! 2. 14811 15.p::c:Dl!l2'11!1.• • •• • • •• •• • ••• 40 •• • '• .. . . .39134 25.9-' 1!l 11 148 11C:~:ü:lJ5:.• • • •• • • • • ••• •• • • • •• •• .66753 Estimativa espacial 40 40 20 20 20 40 20 2c::o::.~@338:g.. 2 é voltado ao cálculo e modelagem de variogramas experimentais.060Gd 2. 2 Esquema mostrando o processo de inferência do fenômeno espacial com base na amostragem (seção 1.. e intro- duz os conceitos de estacionaridade.40782 26.> 3. .9·1T'* IL ª' 11•1911111215 I' • 2•6.. • •• • • • • • •• 40 ·: • • •• • • o • • • • • • ••• • • • • •• • • • • • • • • •• •1 • 40 •• • • .95726 14.

F) interpretação geométrica de Journel (1989) para a direção de 135º. E) destaque para o comportamento próximo à origem. 3.61 5 10 15 20 25 Distância Fig. próximo à origem h o o 10 20 30 40 50 Modelo teórico X Alta continuidade -® ~ + N )( ~0§.84 > 3.23 1. 40 + + + ++ + + õí + ~ 8 *# ++ + (. Uma síntese do procedimento de cálculo e modelagem de variogramas experimentais pode ser vista na Fig. rimentais. 3C. O Cap. Métodos que fazem uso da transformação não linear de dados foram classificados como krigagem não línear: krigagem multigaussiana. 3 Síntese do procedimento de cálculo e modelagem de variogramas experimentais: A) mapa de pontos. 4). O variograma depende fundamentalmente da direção e da distância..6) 14 Geoestatística: conceitos e aplicações . B) variogramas experimentais calculados para as direções de 45º (vermelho) e 135º (azul). 3 apresenta técnicas geoestatísticas de estimativa e interpolação para variáveis aleatórias contínuas e discretas (Fig. N '+ + + + Z(x) Z(x) 8. D) vetores usados no cálculo do variograma experimental para a direção de 135º. Os métodos geoestatísticos de estimativa foram divididos em krigagem linear e não linear. anisotropias e graus de continuidade na origem. pois fazem uso da variável continua na escala original de medida. as quais permitem calcular o variograma experimental e verificar a hipótese intrínseca (Fig.46 °'o ·~ 4.D}. C) vetores usados no cálculo do variograma experimental para a direção de 45º.07 ® ~----------~ "'E e6. modelos teóricos de variogramas. com alta continuidade.-----------------. esse capítulo apresenta uma seção especial ® >-50 ++ + + ® + +* + + ++ ++ ~10 . da média e ordinária foram incluídas como técnicas lineares. H) modelos teóricos ajustados aos variogramas experimentais (seção 2.!) 30 ++ + + + + 6 + + + + + 1Direção e distância 1- 20 + + ++ 4 + + ++ ++ + + 2 10 + + ++ + +++ + + + + ++ Comportamento 15 20 25 ++ + ++ -++ -f. krigagem lognormal e krigagem indicadora. Além disso. As técnicas da krigagem simples. G) interpretação geométrica de Journel (1989) para a direção de 45º.

uma nova aproximação foi proposta para o cálculo do variograma residual... entre os quais são consideradas a simulação gaussiana sequencial. Desse modo. 4 Esquema ilustrando o processo de estimativa geoestatística ou interpolação de variáveis regionalizadas (seção 3. . 3. . ~ . O Cap. "' . os autores se depararam com dificuldades na obtenção do variograma residual. notadamente os métodos sequenciais.. no Cap. que devem ser consideradas para fazer o melhor uso da informação disponível. . cokri- gagem colocalizada e krigagem com deriva externa... para variáveis contínuas Introdução 15 ."' ~ N ... O Cap.. e a simulação indicadora sequencial..l.... 5. .....: "'.. "' Znegatillo "' "' ó "'. 4 trata das coestimativas geoestatísticas.. Essas técnicas utilizam diferentes configurações de pontos de amostragem..1) sobre interpolação de variáveis categóricas baseada em equações multiquádricas.. 5 aborda a simulação estocástica.fi IHfülêtfl M@i@li·if+ Equações multiquádricas Fig.. N "'"' ôv\ "' "' . .. N . porém é tratada no Cap. Quando trataram da krigagem com deriva externa... N :.. :?i Tipos 1 Zgauss Zlog ? Transformação Codificação Dados originais dos dados binária I 1 l M$hf1fi..% % % 20 80 30 60 1 <O 20 "' .. com base no cálculo do variograma da média com os dados de deriva externa. oo o "'o . " :'.. . 4 por compartilhar das mesmas amostras para o seu teste. com opção tanto pela krigagem simples como pela ordinária. como a cokrigagem ordinária. A krigagem com deriva externa deveria ser abordada no Cap. . 4.. A síntese dos procedimentos de coestimativas geoestatísticas encontra-se na Fig. ~ N O ~ N ... . pois o cálculo de variogramas experimentais depende fortemente dos tipos e sua distribuição no espaço amostral..... .

:..:.1 o 0 o 5 10 15 20 25 15 20 025 5 10 15 20 25 Distáncia Distância Dlstáncla .. 5 Síntese dos métodos de coestimativas geoescatísticas: A) mapa de localização de pontos com heterotopia parcial....------~-----. D) correlação entre a variável primária e a variável secundária.: 40 30 30 30 20 20 20 10 10 10 10 20 30 40 50 oo 10 20 30 40 50 10 20 30 40 50 X: Leste X: Leste X: Leste Fig.. g. pois a interpretação dos pesos da krigagem ordinária como probabilidades condicionais permite a determinação da função de distribuição acumulada condicional. ... o z .g 0.:.:. B) mapa de localização de pontos com isotopia. F) covariograma da variável primária (vermelho) e covariograma cruzado calculado por modelo de Markov 1 (azul). J) resultado da krigagem com deriva externa (seção 4. 6).3) e discretas (Fig.:.----:. . @ Cokrigagem Cokrigag em Krigagem com ordinária colocalizada deriv a externa Variogramas Variograma direto Vario grama diretos e cruzados Primária ou secundária residual ® ® @ E3o m30. ® 10 20 30 40 50 10 20 30 40 50 X: Leste X: Leste ~---'-----.!::..3 > > 15 8 15 O'l 10 10 .:.:. t'. A opção pela krigagem ordinária para a simulação gaussiana sequencial foi incluída. 16 Geoestatística: conceitos e aplicações .4 o o g 20 ·~ 20 "'~ 0...:.. verde = variável secundária) e cruzado (vermelho).:.5 . J) resultado da cokrigagem colocalizada. 0..2 ~ 5 5 0.. H) resultado da cokrigagem ordinária.. G) vari- ograma residual. E) modelos de variogramas diretos (vermelho = variável primária.. C) mapa de localização de pontos da variável secundária sobre os nós de uma malha regular.:::i ~25 •• • l!l E ~25 :i "O ·~ 0..:.

6 0 .52 ~0.e- ~ 0. 6 Síntese dos métodos sequenciais de simulação estocástica.4 0. resultado da simulação indicadora sequencial .variável contínua (K) e variável categórica (L) (seção 5. G e H).s ·l. opção por krigagem ordinária (J).29 o Eo.1 ·0.5 · l . funções de distribuição acumulada condicional (E.15 .2 º·~2. variograma indicadora da mediana (C).>.2s '.2 0.3o o o ::JlO eO'I l.1 0.: .5 o.5 º·~2. IVSO 50 50 IV IV ~ ~ ~ ~40 ~ 40 ~ 40 .0 u 1.26 0.10 3 4 ~ 0.3 0. Introdução 17 .os 2 o º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 ºo 20 40 60 80 100 Distância Dist€incia Distância Distância ® ® ® (H) -- ~ 1..4 ·0.0 e o. F.03 o e o.2 0.20. assim como da zona de incerteza mapeada por meio da variãncia da proporção mais provável.§ 8 o O'I g'0.5 o.o3 o e 1.26 o.77 o ·~ 0.: 30 30 30 20 20 20 10 10 10 10 20 30 40 50 10 20 30 40 50 10 20 30 40 50 10 20 30 40 50 X: Leste X: Leste X: Leste X: Leste Definição dos caminhos aleatórios para as realizações Simulação gaussiana sequencial Simulação indicadora sequencial Krigagem simpl es Krigagem ordinária Variável contínua Var iável ca tegór ica ® © @ E1.opção por krigagem simples (I).2 0.o li DI N V Escores normais Y(X) Y(x) Tipos var.: .a <( 0.>.0 · l.0 u 1. núcleo multiquádrico com constante nula (D).4 0.4 0.77 o .8 ·0.8 · 1.0 ·l.8 e o.6 0.29 ® o Ei. No caso de variáveis discretas.0 ~ 1.>.6 0. as realizações da simulação indicadora sequencial podem ser pós-processadas para determinação da imagem mais provável. variograma da variável transformada para escores normais (A e B).20 "" 6 .8 e o.g 0.4) que pode ser amostrada por Monte Cario.O ·0. Definição dos caminhos aleatórios para as realizações (topo).52 > 0. 30 30 20 20 10 10 20 30 40 50 oo 10 20 30 40 50 10 20 30 40 50 20 40 60 80 100 X: Leste X: Leste X: Leste X: Leste Fig.4 0.6 0.8 <( e o. categó rica :.1 º·~2. resultado da simulação gaussiana sequencial .o 0.4 1.

para a estimativa de um ponto não amostrado. permitir a aferição dos resultados apresentados e proporcionar um melhor entendimento das técnicas e conceitos apresentados. o segundo.usp. é uma introdução sobre os fundamentos de métodos matemáticos e estatísticos úteis para o entendimento das técnicas e conceitos empregados em Geoestatística. A apresentação de exemplos resolvidos passo a passo tem por objetivo mostrar ao leitor os algoritmos utilizados. Todas as técnicas apresentadas são acompanhadas de cálculos mostrando os passos intermediários envolvidos para alcançar o resultado final. Assim. B. apresenta as listagens dos dados utilizados nesta obra. bem como para o cálculo da incerteza associada. no caso da krigagem ordinária. Também fazem parte da obra dois anexos: o primeiro.br/geoestatistica/anexob). os pontos de dados vizinhos são listados e o sistema de equações de krigagem ordinária é montado e resolvido. 18 Geoestatística: conceitos e aplicações .igc. que também podem ser obtidos no site do Laboratório de Informática Geológica do Departamento de Geologia Sedimentar e Ambiental da USP (http://lig. dando origem aos ponderadores que são usados para a estimativa propriamente dita. por exemplo. A.

são usadas para inferir as propriedades do fenômeno espacial em estudo. 30. o fenômeno espacial desconhecido representa a população da qual uma amostra foi extraída.txt>) .07663 rém. Para fins de ilustração de um fenô- meno espacial.92337 lores possíveis da variável de interesse. 1. É preciso lembrar.br/geoestatistica/anexob/ como domínio de definição.igc.50000 pode ser extraída. conhecido pleto 1. O fenômeno espacial é o conjunto de todos os va. em termos estatísticos. portanto.1 FENÔMENO ESPACIAL A Geoestatística tem por objetivo a caracterização espacial de uma variável de interesse por meio do estudo de sua distribuição e variabilidade espaciais.1. nada ou pouco se sabe sobre o 10 20 30 40 50 fenômeno espacial a ser estudado. po- 0. disponível em: <http://lig. Conceitos Básicos 1 li li li O estudo geoestatístico tem como ponto de partida um conjunto de observações que constituem uma amostra. considerar uma variável de interesse 20 que apresente a distribuição e variabilidade espaciais conforme apresentado na Fig. As observações. Assim. que define a distribuição e variabilidade espaciais dessa variável 40 dentro de um dado domínio em 20 ou 30. 1. a população que é 30 o conjunto de todos os valores da qual uma amostra 15. de natureza quantitativa ou qualitativa. que. 10 Dentro do domínio de 50 por 50 conhece-se o valor da variável em qualquer ponto.1 tem Fig. na prática. com determinação das incertezas associadas. Na realidade.1 Distribuição e variabilidade espaciais de uma variável de a finalidade didática de mostrar como se apresenta um interesse caracterizando um fenômeno espacial em 20 (Arquivo com- fenõmeno espacial em toda a sua extensão. download/Bell. Nesse sentido. a Fig. este capítulo tem a finalidade de introduzir os conceitos básicos empregados no estudo geoestatístico. 1. Representa. 1.usp.

A Fig. 1. dessa maneira.- Dentro de cada célula.2.2 AMOSTRA E MÉTODOS DE AMOSTRAGEM A amostra é um subconjunto de valores do fenômeno espacial que.1 Amostragem aleatória simples Em Estatística.1) . Nos estudos geoestatísticos. 1. 13712 o 10 20 30 40 50 dividida em cem células de dimensões S x 5 e. porém.06064 •• • • • •• •• • lhidos aleatoriamente da população original (Fig. as observações são fei tas em pontos de amostragem localizados dentro da região de estudo e. o número sequencial escolhido entre 1 e N. a componente aleatória seria dada 20 Geoestatística: conceitos e aplicações . a metodologia geoestatística se destaca ao oferecer a incerteza associada à estimativa. 16. a componente aleatória são as coordenadas geográficas a serem escolhidas casualmente. a população constituída por N unidades é numerada sequencialmente e. a região de estudo foi sub- o 3. como em termos de distribuição dos pontos no domínio a ser estudado. Assim. foi escolhido um ponto.09888 Isso significa subdividir a região em estudo em células de dimensões fixas nas direções leste-oeste e norte-sul. e. portanto. 40 • • 1 • • 1. que deve definir a coleta das unidades de amostragem de forma aleatória simples. aleatória estratificada ou sistemática. A componente aleatória é.2. 1. 1. Teoricamente. quando se fa la em amostragem aleatória. nesse sentido. assim. 1. o número de unidades selecionadas será igual ao número de células . número de pontos de dados. deve reproduzir a distribuição e variabilidade espaciais tanto em tamanho. 1.2 apresenta um mapa com cem pontos esco- 50 29. ao final desse processo. Anexo B) mapa de localização da Fig.2 Amostragem aleatória estratificada • ••• •• • •• • A amostragem aleatória estratificada é feita em estratos. • • •• Para o exemplo da Fig. n unidades serão sorteadas sem reposição. isto é. se representativa.2 Mapa de localização dos cem pontos de amostragem esco· de cada célula. •• 30 •• • • • 11 1 . 1. 1.3 Amostragem sistemática A amostragem sistemática é feita sobre os nós de uma malha regular definida com base em uma origem escolhida aleatoriamente. pois é impossível analisar todo o conjunto de valores. A amostragem é feita com base em um planejamento. sujeita a uma incerteza. as coordenadas geográficas de • ••• 20 •• um ponto são escolhidas aleatoriamente e o ponto é se- • • • • 10 1 • • • • • . .1. resultando no lhidos aleatoriamente (Arquivo 1. Quando se decide estudar um fenômeno espacial cio qual se tem pouco conhecimento sobre a variável ele interesse. Qualquer estimativa baseada em pontos amostrais está. é necessária uma amostragem.2. dentro Fig.3. lecionado.

porém. mas isso não é o que ocorre na prática. Anexo B) 1. a amostragem sistemática é. tais como: acesso.4 Mapa de localização dos cem pontos da amostragem siste- tôria estratificada (Arquivo 2. 1. Entretanto. A interpolação ou estimativa de um ponto não amostrado é feita por meio do ajuste de funções matemáticas locais (pontos mais próximos ao ponto não amostrado) ou globais (todos os pontos amostrais).40782 G • • • • • • • • • • • • • • 20 • • • 20 • • " • • • •• • • • • • • • • • • 10 • • • •• • • •• 10 • • • • • • • • • • • • ••• • • • ••• • • • • • • • • • • • o~~·-----. Muitas vezes. 1 Conceitos Básicos 21 . 26. 1.-----------. a amostragem é feita ao longo de estradas.3 Mapa de localização dos cem pontos da amostragem alea. Independentemente. Fig.39134 • • • • • • • • • • 15. a amostragem aleatória estratificada é melhor que a anterior. do método de amostragem. a que oferece o melhor resultado. 1.. 1.14811 o 10 20 30 40 50 o 10 20 30 40 50 Fig.4.4 Considerações sobre os métodos de amostragem Comparando-se os três métodos. 25. haja vista áreas com pontos agrupados e áreas não amostradas. vegetação etc.82543 50 . .2. • • • • • • • • • • • • 30 • •• • • • • • • 30 • • • • • • • • • • •• • • ••• • • •• •• 14.1 resulta no mapa de localização de pontos mostrado na Fig. . Anexo B) mática (Arquivo 3. portanto.• • ---~--·~~•... mas ainda tem problemas na distribuição espacial dos pontos de amostragem. a Geoestatística tem por objetivo extrair o máximo da informação disponível na amostra coletada. acidentes geográficos (rios. pois a malha regular é definida inicialmente pelo responsável pela amostragem para otimizar a coleta das unidades dentro da região de estudo.pela escolha do ponto de origem.. A amostragem sistemática em uma malha regular de 10 x 10 para o fenômeno espacial mostrado na Fig. topografia).. • _ __. sem dúvida.95726 • • • • • 0-1------~---------~---< • • • 4.66753 • •• •• • •• • ••• • • • • • • • • • • •• •• • • • • 40 • • • • • • • • • • • •• • • • • • 40 . pois depende de uma série de fatores. nem sempre ela é possível. ...__~ 2.3 1NFERÊNCIA ESPACIAL O processo de reprodução das características do fenômeno espacial baseado em pontos amostrais é denominado interpolação ou estimativa. resulta em uma distribuição semirregular.. verifica-se que a amostragem aleatória simples é a que oferece o pior resultado.. 1.... picadas e. lagos.

que a amostragem sistemática reproduz melhor a distribuição e variabilidade espaciais da variável de interesse. por exemplo. Uma divisão simples entre os métodos pode ser em modelos determinísticos e modelos estocásticos. a quantificação de recursos minerais ou a avaliação de contaminante em solo deve ser feita com base em medidas sistemáticas. A grade regular resultante desse processo poderá ser usada para inferir a distribuição e variabilidade espaciais do fenômeno espacial em estudo.908). É preciso ressaltar que a interpolação ou estimativa em pontos não amostrados é sempre necessária. são consideradas três amostras. aleatória estratificada e sistemática. da limitação econômica. Z1.piZi. 22 Geoestatística: conceitos e aplicações . não é possível analisar as incertezas associadas. Os modelos determinísticos têm por base critérios puramente geométricos em que as distâncias são euclidianas e não fornecem medidas de incerteza como. Assim.5 ilustra. Chegar a essa conclusão é possível à medida que se conheça o fenômeno espacial completo.1. provenientes do fenômeno espacial exibido na Fig. Para ilustrar o procedimento de inferência espacial. todo o processo de inferência espacial. mas isso não ocorre na prática e. por exemplo. A diferença fundamental entre os diversos métodos estimadores existentes baseia-se na maneira como os Zi são escolhidos e os respectivos pesos Pi são calculados e aplicados durante o processo de estimativa. A Fig. as características do fenômeno espacial mostrado na Fig. 1. Zn. esquematicamente. . pois a amostragem nunca é feita em pontos muito próximos entre si. Nesse caso. Os modelos geoestatísticos pertencem a essa categoria. por causa. . em pontos distribuídos regularmente no domínio do fenômeno espacial em estudo. Supondo que existe uma relação espacial entre os valores "n" conhecidos.907-1. 3. 1. mas com distribuições espaciais diferentes. 1. regularmente distribuídos ou não. 1. Nesse caso. o conhecido método do inverso do quadrado da distância (IQD). Nos modelos estocásticos. então. dentro da limitação da amostragem e do método de estimativa. 1971. Geralmente.. ou seja. por suas características de continuidade e suavidade da superfície resultante (Hardy. Como método de estimativa é escolhido o ajuste pelas equações multiquádricas globais.1 e obtidas pelos diferentes métodos de amostragem: aleatória simples. porém. deve-se usar o resultado da estimativa para fazer a inferência espacial. porém. os valores coletados são interpretados como provenientes de processos aleatórios e são capazes de quantificar a incerteza associada ao estimador. os pontos não amostrados são interpolados ou estimados em uma grade regular 2D ou 3D. pois o método das equações multiquádricas globais não permite o cálculo da incerteza. O exame mais minucioso dos resultados mostra. Os três métodos reproduzem. A qualidade dessa inferência espacial vai depender do tamanho da amostra e da distribuição espacial dos pontos amostrais. Esse assunto será retomado no Cap. o valor Z* a ser interpolado para qualquer local será igual a: Z* = r.. p. Z2. as amostras são de mesmo tamanho. de modo geral. com base nas amostragens.

14811 15.. .. . .. o "'"• • • o .06064 2.. . .40782 26..95726 1 ~.09888 29.94217 4.5 Esquema mostrando o processo de inferência do fenômeno espacial com base na amostragem 1 Concei tos Básicos 23 . . . . 40 • • • • •• ·: • •• •• • 40 • •• • •• ••• • • •• • • • • • •• • •• • •• • • 40 •••• • • • • • • • •• • • •••• • • • •••• . .. . •• • . 20 20 20 •• o• . . ..66753 Inferência espaclal Fig.13712 16. . .• • • • • o o o~ 20 40 o 20 40 º'--------------' o 20 40 3. . . .9S726 25._•___ • •. . .. .. •• • •• •• • • • •• •• •• • • • • • ••• • • • • ••• •• • • • • • • •• • o--~~-·-·_•__•__. . 14811 15.. 40 7 20 ºo 20 40 ~ llnHirlMlnl i . ~0782 26. .09888 29... .13712 16.. . . ..06064 2. •• • •• •• •• •o •• •• • ••• . .94972 26.... . 1.66753 Estimativa espacial 3.82543 4.

resultarão em valores diferentes. fisicamente determinado. o ajuste de um polinômio aos pontos de dados não é exato. a propriedade Z(x) é uma variável aleatória com média m. esses valores estarão correlacionados entre si. e o resultado atual não depende do anterior. Segundo esse exemplo..2. Se fosse retirada uma amostra em um ponto muito próximo.. i = 1. porém. o processo de lançamento de dados pode ser repetido indefinidamente (condição A). Carlier. 5 ou 6 tem a mesma probabilidade de ocorrência. } são realizações das funções aleatórias com suas distribuições de probabilidade.4 VARIÁVEIS ALEATÓRIA E REGIONALIZADA Na jogada de um dado. 24 Geoestatística: conceitos e aplicações . 1. que inclui a realização da função aleatória. Desse modo. quando se estudam teores de elementos metálicos em solos. . que foi largamente utilizada na década de 1970.. porém. conhecida como resíduo. variância 5 2 e uma função de distribuição acumulada. e os resultados são independentes de lançamentos anteriores (condição B). Uma variável regionalizada é entendida. Com base nisso. pode-se definir uma variável regionalizada como qualquer função numérica com uma distribuição e variação espacial. concentração de poluentes em uma pluma de contaminação etc. qualquer que seja o grau do polinômio. sendo impossível a repetição desse experimento. nesse caso. mesmo muito próximos dentro da precisão do método analítico que for utilizado. mas cujas variações não podem ser previstas por uma função determinística (Biais. i = 1. é. o teor da referida amostra é um valor único. 2. O mesmo ocorre ao se subdividir uma unidade amostral. Essa diferença. características geotécnicas de maciços rochosos. não se estaria respeitando a condição B. se o fenômeno apresentar alguma correlação espacial. 3. O formalismo geoestatístico é baseado no conceito da dependência espacial e no entendimento de que cada ponto no espaço não apresenta um único valor.. que considera cada observação pontual como o resultado independente de uma variável casual. Nas Ciências da Terra.. apresentamos um exemplo proveniente da técnica da análise de superfícies de tendência. enquanto o valor estimado.. porém. Em geral. e o conjunto de valores reais de Z (x}.. mas sim uma distribuição de probabilidade de ocorrência de valores. 4. é denominado componente regional. possuindo dependência espacial. Essas frações. . o resultado 1.. que apresenta grande continuidade... 1975). como uma única realização de uma função casual. } em que os valores {z(Xi}. O polinômio ajustado é a função determinística que não pode prever as variações locais da variável de interesse.. O conjunto de variáveis aleatórias constitui uma função aleatória ou um processo aleatório ou processo estocástico. No ponto x. o seu entendimento pode descrever melhor o padrão espacial do fenômeno em estudo. pois há uma diferença entre o valor estimado e o observado. 1968 apud Olea.2.. ao se retirar uma amostra num determinado ponto. Esse conceito é bem diferente do tradicional. porosidade e permeabilidade de rochas. baseada no trabalho clássico de Harbaugh e Merriam (1968). seria possível dizer que a condição A estaria satisfeita. mostrando uma continuidade aparente.. quando analisadas. é conhecido como variável regionalizada. No espaço existem infinitos pontos {Xi..... Evidentemente. na realidade. tal como calculado pelo polinômio. Para melhor entender essa definição de variável regionalizada. a componente aleatória da variável de interesse.

1 Notação Variáveis aleatórias são representadas por letras maiúsculas: X.6).66% representa o valor de sílica medido para a amostra 1. ou seja. Y. na Fig. Da mesma forma. duas ou três dimensões (Fig. pela escala relacional.80). espessuras. A notação de uma função aleatória segue a mesma sistemática adotada para variáveis aleatórias. o vetor aponta para a amostra z(20). Na Fig.68. 1. as seguintes variáveis: teores.80. e na Fig. 1. conforme proposta de Stevens (1946). sejam percentuais ou em partes por milhão. 1.6C. o vetor aponta para a amostra z(40. 1. Na realidade. A principal diferença é que a letra que representa a função aleatória vem acompanhada de um argumento que indica a sua localização no espaço. Podem ser medidas. Teores são medidas de razões. dados de perfilagem geofísica e rock quality designation (RQD). 1. Y1 = 44. assim. 1 Conceitos Básicos 25 . sendo essas equivalentes a gramas por tonelada. densidade aparente.2 Natureza das variáveis aleatórias e regionalizadas As variáveis aleatórias podem ser subdivididas em contínuas e discretas.6 O vetor localização para pontos em: A) uma. letras maiúsculas para design ar a função alea tória e letras minúsculas para designar valores dessa função em pontos específicos.66%.7 mostra essa subdivisão.66% de sílica. As variáveis contínuas podem ser m edidas pelas escalas relacional e intervalar. x é um vetor localização em uma. 15). Por exemplo. Assim. 1. B) duas e C) três dimensões 1. recuperação. Os valores especí- ficos dessas variáveis são representados por letras minúsculas. x 1 indica a localização do ponto amostral que forneceu o valor de 44. seja Y a variável aleatória representando os teores de sílica. A Fig. Espessuras são medidas diretamente nos testemunhos de sondagem. Nesse caso.6A. Dados de recuperação são obtidos pela razão entre a metragem de testemunho recuperada sobre a espessura perfurada. seguidas por índices que correspondem às observações. para a amostra z (40. Z etc. pode-se ter uma função aleatória Z(x) representando teores de sílica e o valor em um ponto específico z(x1 ) = 44.4. 1. 100 ® © QI t: o z ).4.: 80 25 60 20 40 15 10 20 5 o 1 o o 20 40 60 80 100 X: Leste Fig. com exemplos das variáveis geológicas mais comuns.

_ QJ Litologia Cor da rocha Alteração '- u VI VI Õ Estrutura Textura Fraturamento '° ·e: -o _. Cada uma dessas variáveis apre- senta um número de tipos.5 DESAGRUPAMENTO A pesquisa de recursos minerais requer que a amostragem seja planejada para fornecer as informações necessárias sobre uma malha perfeitamente regular. Assim. 1978. 1. resistividade e suscetibilidade magnética (Peters. as variáveis são litologia._ ~'° '° VI 'Qi Teores Densidade > VI -<O ·e: ro > ro ê '. Graus de alteração e de fraturamento podem ser classificados na escala ordinal. A medida de RQD é obtida pela razão percentual entre a soma de segmentos do testemu- nho maiores que 10 cm dividida pela metragem perfurada (Deere et al. 799-806). 1967). Embora a Geoestatística tivesse se desenvolvido com o foco inicial em variáveis quantitativas. seja em termos de alteração hidrotermal e/ou intempérica. esse parâmetro é geralmente utilizado para estudo geomecânico do maciço.7 Subdivisão das variáveis aleatórias (Stevens. é muito 26 Geoestatística: conceitos e aplicações . Na escala intervalar. 1946). por meio de medidas da intensidade de raios gama. Entretanto. As variáveis discretas são medidas pelas escalas nominal e ordinal. as variáveis qualitativas são passíveis de tratamento e análise conforme a mesma metodologia.ij Espessuras Perf. 454-455). cor da rocha e textura. Embora o grau de alteração possa ser usado para descrever o tipo de depósito. são encontradas medidas de temperatura feitas em prospecção geotérmica ou em determinação do grau geotérmico.. dependendo da litologia. 3. minera- logia e da mineralização. 1. Essa subdivisão de variáveis aleatórias persiste quando se trata também de variáveis regionalizadas. Esses tipos se encontram em tabelas proporcionadas por Blanchet e Godwin (1972. toma-se possível a estimativa geoestatística de variáveis categóricas com determinação do tipo mais provável. Escala nominal Escala ordinal VI ro _. p. Na escala nominal. A perfilagem geofísica é realizada com o objetivo de obter indicação da litologia. graças ao trabalho pioneiro de Journel (1983). bem como da incerteza associada. com exemplos de variáveis geológicas Densidade aparente é obtida pela razão entre a massa de minério (em base seca) e o volume ocupado por essa massa. p. como será visto no Cap. Temperatura e 8 Recuperação Esc. estrutura. Intervalar Fig. Geof.

lagos. p. Deutsch. 1. topografia etc. Segundo Pyrcz e Deutsch (2003. krigagem e inverso da 30 • • •• ~ distância. tanto a média como a mediana tendem para teores maiores quando. Em termos estatísticos. A consequência disso é que uma amostragem planejada inicialmente para ser regular passa a apresentar agrupamentos de pontos em determi- nadas regiões. portanto. pode ser detalhada (Olea. na qual. teores mais elevados obtidos nas regiões anômalas acabam se propagando em tomo da vizinha nça dessas regiões. uma região anômala. p. por causa de vários motivos: dificuldade de acesso.. 453-454). Todos os problemas decorrentes de amostragem apresentando agrupamentos de pontos e vieses para teores altos devem ser corrigidos para que os tratamentos posteriores não sofram influência desses desvios. 30. Anexo B).. rios. áreas de proteção ambiental. p. A amostra foi enviesada com o propósito de oo 10 20 •30 40 50 7.06161 dos aqui. por exemplo. Esses agrupamentos de pontos em regiões de al. e especialmente na pesquisa mineral.8). Por exemplo: regiões anômalas fornecem teores maiores e. a prática de coleta de amostras agrupadas ou espacialmente enviesadas é encorajada por limitações de ordem técnica e econômica. apenas os métodos de desa- grupamento poligonal e por células serão considera- • • •• •• • 19. acessibilidade e custos de laboratório. resultando em uma amostragem semirregular com agrupamentos de pontos. Khan.Fig. além do problema de agrupamento de pontos amostrais. 1). •• 2008. O objetivo é.92337 2008. De acordo com esses autores. por dados análogos ou por amostras prévias. a amostragem preferencial em áreas interessantes é intencional e facilitada por intuição geológica. segundo eles. por células. 21). objetivos de produção futura podem encorajar amostragem agrupada ou espacialmente enviesada. obter uma distribuição representativa dos dados amostrais (Deutsch. Agrupamentos de pontos amostrais acabam influenciando toda a área de interesse. Além disso. Muitas vezes. Os procedimentos de desagrupamento atribuem pesos aos dados disponíveis conforme a sua configuração. Desses quatro. há também o enviesamento da distribuição de frequências da variável de interesse. enquanto pontos em regiões com agrupamentos recebem pesos menores (Leuangthong. na verdade. 1.difíci l que a amostragem reflita o plano inicial. 1989. 325). conforme mapa de localização • • (Fig. p. • • •• • .8 Mapa de localização de pontos com amostragens preferen· tos teores certamente irão influenciar as estatísticas ciais em regiões de altos teores (Arquivo 4. pontos em regiões esparsamente amostradas têm pesos maio- res. p. Assim. •• • •• considerar uma amostra com cem pontos de dados 10 ~• 1 • • • •••• • (Arquivo 4.40 • •• • •• • dos bem-estabelecidos (Leuangthong. 20 •• • • • •• • Para ilustrar os procedimentos de desagrupamento.19985 produzir agrupamentos em regiões de altos teores. deveriam ser menores para refletir a realidade. Anexo B) 1 Conceitos Básicos 27 . e é comum iniciar a lavra em regiões de alto teor. tais como objetivos de produção futura. Deutsch. 35): poligonal. contendo valores extremos. Khan. assim. Existem quatro métodos de desagrupamento de da. 2007. muitas vezes.

00 + /. 2001b. :i u 10 conforme os algoritmos descritos a seguir. O peso de desagrupamento para o i-ésimo ponto de dado é Coeficiente de variação= 0.5.50 ~ 99. que pode ser obtida por meio do Diagrama de Voronoi (Hayes.00 10. Koch. 1. 1.20 11.:-----_J_-'--l--= o +t 1.00 . p. Assim. 28 Geoestatistica: conceitos e aplicações .10 ilustra o problema da área dos pontos da periferia na área de interesse. <t 99. bem como as estatísticas amostrais. como a Hidrologia. 20.L----.552 Quartil inferior = 13. Assim.43 26. na presença de agrupamentos preferen- 11) 99.01 ·. globais. Para a determinação dos pesos de desagrupamento usando esse método. faz-se a subdivisão da área de interesse em polígonos de influência. Anexo B Após a aplicação do desagrupamento poligonal.576 Mínimo = 7. pontos de dados agrupados receberão pesos menores associados a pequenos polígonos de influência.94 16.90 15 calculadas aplicando-se os pesos de desagrupamento. 3): rn j Mediana = 18..50 i Quartil superior = 22. as estatísticas globais devem ser -3E 99. ------ 7. entre outros). o método de 70. Esses autores afirmam que a área associada a pontos periféricos é muito sensível à definição da borda..00 Esse método é baseado na construção de polígonos 30.00 5. a solução mais simples é usar o método dos pontos mais próximos. 1991. por isso.300 = 5.340 tem-se um polígono para cada ponto. Número de dados Média Desvio padrão = 100 = 18.06 30. como sugerido por Pyrcz e Deutsch (2003. tradicionalmente calculados como a meia distância entre os pontos vizinhos próximos. 3).18 30.668 interesse (Pyrcz.1 Desagrupamento poligonal ::::: l 19. Algoritmos para dados 20 são bem-estabelecidos e funcionam muito bem.92 Segundo Pyrcz e Deutsch (2003. no qual dados na periferia podem abrir os polígonos até um limite além da influência dos pontos amostrais. 1984.9 Estatísticas amostrais para o Arquivo 4.= n 0.92 I: áreaj Zgauss j =l Fig.00 r*'* de influência em torno dos pontos de dados. na qual os polígonos estão abertos. Deutsch. 117) é a extrapolação da área de interesse pela aplicação da regra dos pontos mais próximos aos pontos da periferia da área de interesse (Fig. o equivalente ao Diagrama de Voronoi é computacionalmente muito complicado e.200 área1 w. p.J-. Outro problema associado ao método está relacionado ao limite na fronteira dos pontos de dados. A Fig. 2). enquanto pontos associados a grandes polígonos de influência terão pesos maiores como representativos de grandes áreas (Isaaks. p. 2003.00 1 desagrupamento poligonal é comumente aplicado 60.95 99.00 40.99 "O ciais de pontos.923 0. Tipper. p.9. no qual o valor de um ponto não amostrado é igual ao do ponto mais próximo. para dados 3D. 239). 1989.292 igual à área do polígono dividida pela área total de l.+ 5 + 95. podem ser vistas na Fig. 50. Contudo. 1. Srivastava.00 t . Uma possível solução proposta por Popoff (1966 apud Yamamoto. 1.oo + Máximo = 30. As distribuições de frequências simples e acumulada. p.11).00 / em outras áreas das Ciências.69 21.f *' .

p. 1. optou-se por usar o método do ponto mais próximo (Yamamoto.12.19985 cada ponto de dado terá sua influência desenhada nos limites de um polígono convexo.06 161 de Voronoi. 91). p. 2001b. nos quais a geometria computacional envolvida é extremamente complicada. Anexo B) eixos X e Y. 7. que dá aproximadamente o mesmo resultado. 11 7) próximos para determinação das áreas associadas aos pontos da periferia da área de interesse. conforme os polígonos desenhados na Fig. Para o desagrupamento poligonal usando essa aproximação.92337 Apesar de haver um algoritmo para o cálculo do Diagrama de Voronoi. bem como para evitar quaisquer extrapolações. 117) Considerando que os dados são confiáveis dentro do domínio de amostragem. determinar as áreas dos polígonos associados aos pontos da periferia.11 Diagrama de Voronoi com aplicação da regra dos pomos mais de dados de Popoff (1966 apud Yamamoto. especialmente para casos em dados 30. 1. Ao final do processo. pode-se simplesmente usar o limite definido pela fronteira convexa como a borda e. 1. Isso se justifica pela facilidade desse método em relação ao algoritmo 19. 2001 b. 1. A precisão dessa Fig. Exemplo de aplicação do desagrupamento poligonal 30. uma malha regular é interpolada. A amostra do Arquivo 4. Anexo B. Essa figura representa o resultado da interpolação 1 Conceitos Básicos 29 . p. 2001b.Fig. de modo que os seus nós recebem o valor do vizinho mais próximo. assim. segundo Popoff (1 966 apud Yamamoto.10 Diagrama de Voronoi para um conjunto de pontos Fig. foi submetida ao desagrupamento poligonal.12 Polígonos de influência para cálculo dos pesos de desagru- aproximação dependerá das dimensões das células nos pamento (Arquivo 4.

mais próximo o resultado será do valor teórico que seria fornecido pelo Diagrama de Voronoi (Tab. 207-209).5 dos pesos de desagrupamento. TAB.794 0.9). é considerado mais robusto que o desagrupamento poligonal (Pyrcz.63 15.33 16. O método de desagrupamento por células está disponível na biblioteca de rotinas geoestatísticas do GSLib (Deutsch. igual DX = DY a 18.567 0. a área total é dividida 30 Geoestatística: conceitos e aplicações .300 (Fig. os limites dos polígonos de Voronoi são quase retos.711 4.796 4.5.299 5.856 4.285 10. igual a o 2 4 6 8 10 15. 3).044 4.791.S em torno dos valores altos.307 3.025 4.791 4.698 0.0 tativa deve ser a mais baixa possível após aplicação 15. 1.1).00.1 Estatísticas amostrais após o desagrupamento poligonal aproximado por meio da interpolação de uma malha regular pelo método do ponto mais próximo DX=DY X=E[Z(x)] s = .25 nos dois eixos.662 4.802 4.00 15.699 0.5 Conforme a Tab.791.25 15.5 camente. A Fig.50 15.297 0.jvar [Z (x}] CV=S/X 0. pois não depende de extrapolações nos pontos da periferia e.00 15.296 1. que é muito menor que a média amostral. Nesse tipo de aproximação. basi- 17. em uma abertura da malha regular DX = 17.816 0. Deutsch.297 2. 2003.297 0. 1. 1.241 0.295 1. por causa do tamanho da célula usado.271 ~ 18.683 0. Conforme esse método. de uma malha regular com abertura igual a 0.807 4. Como a ideia geral do desagrupamento é eliminar a forte influência dos agrupamentos de pontos 16.0 pamento poligonal tenderia a um valor muito próximo a 15. quanto menor a abertura da malha regular. 1.677 0.300 2. 1.2 Desagrupamento por células O método de desagrupamento por células é o mais comumente empregado em Geoestatística.1.00 15. 1. Essa aproximação dá resultados bons. Como se pode observar.0 DY = 1.00 16.13 mostra graficamente a Fig.743 0. a média obtida pelo desagru- N' w 18. 1992.25 15.694 0. Joumel.13 Variação da média conforme as dimensões da malha regu· variação da média conforme as dimensões da malha lar e redução da média amostral pelo desagrupamento poligonal regular.740 0. por isso.10 15. 1. a média global represen- 16.784 4.939 4.50 15. Nesse caso. p.297 0. p.

719 5. reduzindo.292 100 1.292 25 25. então.709 5. pois as células nas quais eles estão também irão conter outros elementos da amostra (Isaaks.300 5. 1.340 0. elementos dentro de agrupamentos receberão pesos menores. Srivastava. À medida que se aumenta o tamanho das células. p. A eficiência desse método depende da escolha correta do tamanho da célula.339 5. 207). a partir do valor ótimo e com o aumento do tamanho da célula.318 0.14. Anexo B. pois o peso de desagrupamento irá variar conforme o tamanho da célula. p. 241). 1989. 241).2 Estatísticas amostrais após desagrupamento por células DX = DY X= E [Z(x)] s = Jvar [Z (x)J CV = S/X J 0.344 0. 35): (1.055 5. 2008.009 0.10 18. TAB.292 100 2. para células muito pequenas. Deutsch.00 18. 1989. 1. assim.312 4 De acordo com a Tab.50 17. Srivastava. 1.00 16.00 17.55 16. 1992.839 0.00 17.312 58 6.066 5. é comum o procedimento de calcular a média desagrupada para vários tamanhos de células e depois escolher a média ótima (Deutsch.382 0. 1 Conceitos Básicos 31 . Joumel. Segundo esses autores. Exemplo de aplicação do desagrupamento por células O desagrupamento por células foi aplicado ao conjunto de dados do Arquivo 4. Khan.340 0.310 80 5. Essa redução da média global ocorre até uma determinada dimensão da célula.306 62 5.300 5. p. Assim.894 4. a influência dos pontos agrupados.894 0. 1. conforme os resultados da Tab.2 e da Fig.302 88 2. conforme a Eq.2. como mostra a Fig.303 36 10. 327). O peso de desagrupamento pode ser calculado como (Leuangthong.110 0.775 4.786 0. p. cada elemento da amostra recebe um peso inversamente proporcional ao número de elementos da amostra que existe dentro da mesma célula.292 100 0. p. a média volta a subir.301 59 8.14.1.em regiões retangulares chamadas células (Isaaks. 1989. 1. nas quais se localizam apenas um ponto de dado.987 4. um maior número de pontos é encontrado dentro delas.300 5.25 15.50 18. o desagrupamento por células não é efetivo. enquanto elementos distribuídos esparsamente receberão pesos maiores (Deutsch.33 15.1) em que nj é o número de elementos dentro da j -ésima célula e j é o número de células ocupadas por um ou mais elementos. Assim.340 0.00 16. 1.

5.5 15. A aproximação do desagrupamento poligonal por meio da interpolação de uma malha regular pelo vizinho mais próximo é viável e simplifica bastante o procedimento de cálculo do Diagrama de Voronoi em 3D... Os dois são efetivos tanto para dados 2D como para 3D...3 Considerações sobre os métodos de desagrupamento Foram apresentados dois métodos de desagrupamento de dados: poligonal e por células.14 Variação da média conforme as dimensões da célula e redução da média amostral pelo desagrupamento por células 1...5 N w 18. Conforme essa aproximação.. 1.-----.---""T"""----1 o 5 10 15 20 25 DX = DY Fig.--------------1 17..5-t-----. 32 Geoestatística: conceitos e aplicações .0 -tt-t----.0 16.-------. ~ 18. a malha regular deve ser interpolada com a menor dimensão possível para que o resultado obtido se aproxime do valor teórico encontrado com o Diagrama de Voronoi.5 17.

que é a ferramenta básica da Geoestatística para estimativas e simulações estocásticas. admitindo que as variáveis aleatórias tenham a mesma média: E [Z(x1)] =E [Z(x2)] = ·· ·=E [Z(Xn)] =E [Z(x)] =m . situados a uma distância h = X1 . Neste capítulo será apresentado como se calcula o modelo de correlação espacial. então cada par de pontos é considerado uma realização diferente. por exemplo. 32). conforme interpretação de Soares (2006.• ~ 1 ··~ Cálculo e Modelagem 2 _. Para entender a variação espacial do processo aleatório subj acente. p. i = 1. com exemplos ilustrando aplicações. sendo razoável supor que a influência é tanto m aior quanto menor for a distância entre os pontos. com uma única realização torna-se impossível determinar as estatísticas no ponto Xi dessa função . Para ele. de algum modo. verifica-se que elas dependem apenas de dois pontos x 1 e x2. o conjunto de variáveis aleatórias {Z (Xi). ajusta-se um modelo teórico. Huijbregts. Isso significa que a inferência da continuidade espacial de uma variável regionalizada pode ser feita com valores amostrais tendo como base a estatística de dois pontos. a solução consiste em assumir diversos graus de estacionaridade da função aleatória. Esse modelo teórico permite determinar o valor da correlação espacial para qualquer distância dentro do espaço amostrado. 18).X2. o que toma possível a inferência estatística dessas funções Qoumel. deve-se levar em consideração a possibilidade de que o valor de cada ponto no espaço está relacionado. Por isso. 1978. como.1 ESTATÍST ICAS ESPACI AIS Segundo Soares (2006. 18}. calcula-se experimentalmente essa correlação usando os pontos amostrais e. de Vari?gram~s • 1 Expenmen tais li li Como definir e prever o comportamento espacial de uma variável regionalizada {Z(Xi). 2. tais como média e variância. Para determinação do modelo de correlação espacial da variável regionalizada. i = l. com valores obtidos de pontos situados a certa distância. em seguida. p. Aplicando-se as definições da função covariância e função variograma. n} coletada em n pontos distribuídos em uma determinada região? Pretende-se responder a essa questão neste e no próximo capítulo por meio da metodologia geoestatística.n} correlacio- nadas entre si constitui uma função aleatória cuja amostragem fornece uma realização z (x1). de acordo com ele. p.

Fig. 2. 2. A covariância de uma variável regionalizada para pontos separados por uma distância h pode ser calculada como: C(h) =E {[Z(x + h). Desse modo. ~+--+~-t--+-~l--*'"-+~-t--+-~1---H~ HuiJbregts. conforme a estrutura geológica do corpo em profundidade. nesse caso. Geralmente.m] [Z(x)-m]} em que h representa um vetor entre dois pontos x1 e x2 no espaço tridimensional. É fácil verificar que a covariância para distância nula (h = O) é igual à variância da variável regionalizada Z (x). 1978. p. X e Y. que os valores são homogêneos (Soares. que as separa e é independente da sua localização Qoumel. por exemplo. 34 Geoestatística: conceitos e aplicações . conforme uma determinada direção. A homogeneidade espacial raramente ocorre. 18}: 1 n m=E[Z(x)] = . como será visto neste capítulo. a covariância também pode se alterar e. p. para detectar se o fenômeno espacial apre- senta anisotropia ou não. 45º. define também que a correlação entre duas variáveis aleatórias depende somente da distância espacial. p. E [Z(x)]. 2006.l:Z(xi) n í=l Julgar. obtidos em pontos separados por uma distância h. Em Geoestatística. ao alterar a direção. existe e não depende do suporte x. Para fenômenos espaciais 30. a covariância mede a relação entre valores da mesma variável. Isso significa que. Existem casos em que a covariância é a mesma em qual- quer direção e. A variância associada à média é calculada como: N-5 ® Var[Z(x)] =E{CZ(x)-m] 2 } A hipótese de estacionaridade de 2° ordem. E-W h.18). 32). a covariância é uma medida da relação mútua entre duas variáveis aleatórias distintas. 2. Assim. porém. o fenômeno espacial é isotrópico (Fig. que essa hipótese esteja correta significa supor que a média das amostras seja representativa da área estudada. 18}. há indicação de presença de fenômeno espacial anisotrópico (Fig. Em Estatística. além das direções horizon- pico e B) anisotrópico tais. calculam-se as covariâncias em quatro direções horizontais: Oº. 90º e 135º.lA).1 Esquema ilustrando fenômenos espaciais: A) isotró. quando o fenômeno em estudo está distribuído em 20. sendo necessária a verificação da distribuição e variabilidade espaciais da função aleatória. 2006. além de definir que a esperança matemática. a covariância é calculada para várias direções. isto é. a média m passa a ser independente da localização e obtida como média aritmética das realizações das variáveis aleatórias (Soares. por isso. calculam-se as covariâncias para a direção vertical ou inclinada.

Z(x)) é representado. nem a covariância nem a variância.(Z(x+h). portanto. nos quais não se pode definir. 1978. era a metade dessa diferença. 2. a qual não depende do suporte x Qoumel. mas Z(x+h) Journel (1989. Na realidade. sempre consideram a divisão por dois. por exemplo.2 Interpretação geométrica da função semivariograma em um Nesse diagrama de dispersão. 6).2). a estacionaridade é uma propriedade do modelo de função aleatória necessária para a inferência estatística. Para todos os vetores h.-. a exemplo de Journel e Huijbregts (1978)..Z (x)]: 1 y(h)= -E{[Z(x+h)-Z(x)] 2 } 2 A hipótese de estacionaridade de 2° ordem assume a existência da variância e. outros. 2y(h) é chamado de variograma e V 2y (h). um par de pontos de diagrama de dispersão coordenadas (Z(x + h. 1978. a denominação semivariograma. A função variograma é definida como a variância do incremento [Z (x + h) . p. p. Alguns autores preferem essa term inologia. Pensava-se que a divisão por dois era empírica. 6-7) demonstrou sua origem por meio de uma interpretação geométrica dos pares de pontos em um diagrama de dispersão (Fig. 1997.Z (x)]. Huijbregts. 71).c . por causa da divisão por dois. p. Segundo Bachmaier e Backes (2008). Huijbregts. mas apenas que os incrementos da função aleatória [Z (x + h) . Muitos pesquisadores simplesmente chamam Z(x) 1 . que fornece a variância da diferença de pares de pontos separados Z(xl por h.Z(x)J 2 } 2 (2.1) 1 n =.-- ' . 2.. de uma variância a priori finita Uournel.. p. Huijbregts. Esse ponto Fonte: Journel (1989. 1978. mas. nos cálculos. mas se pode determinar um variograma Ooumel.Z (x)] tem uma variância finita. o prefixo semi se deve à divisão da m édia das diferenças ao quadrado por dois: 1 y(h) = E {(Z(x+h) . a confusão a respeito do prefixo semi surgiu porque Matheron (1965) tinha em mente a variância das diferenças [Z (x + h) . o incremento [Z (x + h) . Na realidade... como Wackernagel (2003). segundo esse autor. Adota-se a hipótese intrínseca.Z (x)] sejam estacionários de 2• ordem (Goovaerts. variáveis regionalizadas com uma capacidade infinita de dispersão. de semivariograma. . 33). Fig.. p. L [Z(x+h)-Z(x)] 2 2n i=t IZ(x+ hl·Z(x )I Portanto. 33). consequentemente. há uma confusão terminológica na literatura geoesta- tística.. p. que não requer a existência de uma média constante e variância finita para a fun ção aleatória Z (x). 2 Cálculo e Modelagem de Variogramas Experimentais 35 . Existem. mas o valor desejado. 33): Var[Z(x +h)-Z(x)] = E {[Z(x+h)-Z(x)J2} = 2y(h) Com relação ao termo variograma. fenômenos físicos e. a priori.Z(x}) o semivariograma de variograma. na prática. porém.

quando h = O. isso faz com que. pode-se calcular a média das distâncias./ seja mínima e a covariância. A função variograma distribui-se assim: de O. o termo variograma 24 será adotado neste livro. 2. é projetado na reta bissetriz.Z(x)). se os dados forem estacionários.. 1989. p. se não ocorrer a presença de t~ndência nos valores. a covariância diminui enquanto Q.x = -.IL--------. Como 'Y (h) = C (O). Com relação à distribuição espacial dos pontos amostrais./ tor h apresentar-se infinitamente pequeno. o variograma é bastante sensível à distribuição dos pontos amostrais. determina-se a distância entre o ponto original e a reta bissetriz (vetor tracejado na Fig. 6): d1 = IZ(x + h) -Z(x)I. cuja hipotenusa é a diferença em módulo entre Z(x + h) e Z(x). e. a variância ./ ----------------- .. à me- dida que t:.h aumenta.. p. Se não houver dispersão.h para o qual as duas podem apre- 6 sentar valores aproximadamente iguais.3 Relação entre a função variograma e a função covariância vez maiores (Fig. a distância para a reta bissetriz pode ser calculada como Ooumel. em seguida.. por simplicidade. Journel (1989. 2. Sendo oi-ésimo par de coordenadas (Z(x + h. Esses três pontos formam um triângulo retângulo. Haverá um valor t:.C (h ). 36 Geoestatística: conceitos e aplicações . é indiferente denominar variograma ou se- -. o que resulta na ordenada Z(x + h). se ove- . mas resultante da interpretação geométrica dos pares de pontos em um diagrama de dispersão. cos45º Elevando a i-ésima distância ao quadrado. máxima. Como o variograma também usa a fórmula do semi- variograma.L[Z(x+h)-Z(x)] 2 n ~1 2 2n ~1 Quanto maior a dispersão. isto é.. p.Variograma .2 CALCULO DE VARIOGRAMAS EXPERIMENTAIS O cálculo de variogramas experimentais não é algo simples e direto. . ela pode ser regular ou irregular. isto é. se todos os pares de pontos caem sobre a reta 45º. 2. porque ocorre progressivamente Distância maior independência entre os pontos a distâncias cada Fig.2).L:-[Z(x+h)-Z(x)] 2 = -. maior o momento de inércia e menor a correlação. o momento de inércia é zero e o coeficiente de correlação é igual a 1 (máxima correlação). tem-se: 1 d~= 2 2 [z(x+h)-Z(x)] Considerando n pares de pontos para uma determinada distância h. 6-7) demonstrou que a fórmula do semivariograma não é empírica. a qual foi chamada por Joumel (1989.3). Na verdade. 2. bem como ao tipo de distribuição estatística associada.. a um valor igual à variância das observações para um alto valor de h. Covariância mivariograma./ . porém.:~-------------------- 0 10 20 30 40 50 a variância aumenta.. 6) de momento de inércia: 1 n 1 1 n Yx+h.

5 Embora a amostragem tenha sido planejada sobre o 80 o 72 o 69 uma malha regular. em rede Para calcular os variogramas em diversas direções. 2.. ~81 04 1 Como descrito por Cava {1985) e Landim. esse depósito situa-se a cerca de 20 0.5 Distribuição de valores da espessura de carvão. 2 Cálculo e Modelagem de Variogramas Experimentais 37 . 2. então se têm mais duas direções ortogonais. a malha regular ori. sejam os dados de espessura de uma camada t:o z de carvão da região de Sapopema/PR (Tab.1 e Fig. as duas direções ortogonais são EW e NS. rios. A Fig. 2. círculo cheio =ponto amostrado Para ilustrar o procedimento de cálculo de vario- gramas experimentais para dados com distribuição ~6~~~~~~~~~~~~~~~~~~~ regular. as diagonais apresentam direções N33. 10 l 23 130 irregulares. 2. :o l. 11.4 91.. 2. com indicação das direções diagonais para cálculo dos vario- o • gramas experimentais.4 A) Malha quadrada e B) malha retangular.U 1.6º A N • A N • • • • • • Fig. l 18 1. Fig.--~-.4º N33. Como a malha é regular. conforme a Eq. l 02 120 110 1118 130 3 tas íngremes etc.. as direções ao longo das duas diagonais do retângulo precisam ser calculadas com base nos lados do retângulo. as quais são acumuladas para o cálculo da média.4 ilustra uma malha quadrada e uma retangular.~~-.-~--. encos.2. Soares e Pumputis (1988).48). se a malha for retangular.-~~-. no nordeste do Estado do o 1 2 3 4 5 6 7 Leste Paraná. bem como pela falta de interesse 155 lõ7 130 liOO econômico. 2.-~~.1. Assim. são usados para calcular as diferenças ao quadrado. Os pares de pontos encontrados para uma determinada distância h.6º e N326. se a malha for quadrada.1 Distribuição regular É o caso em que o variograma pode ser calculado diretamente com base nos pontos amostrais. a figura mostra que muitos furos o 80 o 73 4 não foram feitos por diversos motivos: falta de acesso l 119 o 94 o196 105 132 por causa de acidentes geográficos (lagos. ~o l 50 140 2 ginalmente projetada pode se apresentar com dados U5 l. No caso da malha retangular do exemplo {Fig.55 0-1--~--. Soares e l.r--~-1 km a noroeste de Figueira.4º. ao longo de uma direção. l '12 2.).)8 Pumputis {1988). Círculo vazio = ponto não amostrado. N45º e N315º. 2. ® N315º N45º ® N326..1 01. em sedimentos da parte superior do Membro Triunfo da Formação Rio Bonito. regular são encontrados os somatórios dos quadrados das Fonte dos dados: Landim. 2.5). entre outros. 01..

04) 2 ] = 0.1-1.73 12 4.50 2.1. 01.10 07 2.50 1.23 -1.00 4.23)2 + (2.50 4..3) 2 + {1..6A: o 1 2 3 4 5 6 7 Leste 1 y* (0.50 102 1 1 !20 1.09) 2 + {2. 18 -1. 5 o 80 o 72 o 69 13 1. inicia-se com o menor intervalo possível.00 1.00 5.50 1.4 -1.00 3.50 1.50 0.72)2 + (1.5 me B) 1.00 3.00 1.94 04 2.2) 2 + (1.41) 2 + {1.38 5 47 1.5 m.41)2 + (1.50 1.91 1.19 os 1.6) 2 na direção leste-oeste.0) = --[(0.00 24 2.32 1.00 2.23 1• >2 2.50 1. ou seja.00 1.04 45 2.50 3..94.00 3.96) 2 + (0.1.50 1.3)2 + (1.1 Valores para a variável espessura da jazida de carvão ® .02 -1.4) 2 + (1.20 185 1.2 -1. 2.62 2. 90 1 ~ 140 2 43 1.41 .09 .50 1. da seguinte maneira.62 .00 2.02 46 37 0.50 1.o ~6~~~~~~~~~~~~~~~~~~ em Sapopema/PR.00 1.8. Ponto X Esp.4) 2 + (1.09 -1. Assim.30 1 54 3.6 -1. 01.50 1.19-0.50 4.00 3.3) 2 + {1.6 -1.50 4.28 o • 0.04)2 ] = 0.00 1.00 1.30 1.40 4 1 19 094 01196 1~5 1 !32 14 4.4.00 0.00 1. [(1.1.31 4 44 3.3 .00 1.69 01 2.50 1.50 0. 40 2.96 08 3. 2.00 1.00 1.50 1.09 o 1 2 3 4 5 6 7 20 2.'10 118 130 3 42 4.o z 34 6.50 1. para a direção 1 leste-oeste.18 080 073 10 2.50 0.50 1.50 1.57 48 2.41 -1. 181 04 1 41 3.38) 2 + {1.00 3.94) 2 + (0.1.50 3.72 02 1.50 1.80 03 2.0 m. conforme os pares o indicados na Fig.50 2.55 57 4.40 155 1151 130 1 DO 55 0. 2.00 1.85 1.00 1.40 ~6 11 4. 0.96-1.1.55 26 16 5.028 Para o intervalo de 1.50 1. 2.00 0.30 38 3.50 1.38) 2 + (1.05 39 4. >o 1 23 130 -.50 1. Soares e Pumputis (1988).00 1.0.• 11.2)2 + {1.0 m + (1..00 1.00 2.50 3. TAB.6B: 1 y• (1.4)2 + (1.0. z y y Ponto X Esp.50 0.00 0. 2 diferenças e posteriormente se divide por duas vezes o número dessas diferenças.00 3.'18 1.50 1. 2.1) 2 +{1.60 Leste ® 25 3.80 49 0.50 1.5)2 2x8 Fig.50 2. 91.00 5.50 1.41 -1.50 1.57)2 + (1.00 1.18 50 3. Distância igual a: A) 0.00 1.57 -1.00 4.00 5.00 2.4-1.2 -1.28 15 5.50 4.18) 2 + {1. o 1.30 21 3.20 06 2.55 3 Fonte dos dados: Landim.00 1.50 4.50 2.55 -1. seguindo os pares de pontos da Fig.6 Pares de pontos para o cálculo do variograma experimental + (1.5) = .5) 2 + {1.043 38 Geoestatística: conceitos e aplicações .38 .4.50 2.85 -1.05) 2 2X18 + {1.00 0.00 0.

2.147 7 é igual a 6 m. Fig. a direção norte-sul apresenta 0. Por exemplo.028 0.13. diminuição do número de pares.051 12 0. ou nenhum. e na direção norte. Assim. define-se uma janela. 2. O parâmetro largura máxima tem por objetivo limitar a abertura indefinida da janela de pesquisa dada pela tolerância angular.8).88). 2. 2.133 3 igual a 3 m. nesse caso.5 0. bem como pelo tamanho do passo (distância) e tolerância do passo (Fig.04 maior variabilidade que a direção leste-oeste. Isso é preciso para que a malha de pontos seja regularizada.22 cia à flutuação estatística da função variograma. Para cada ponto de dado.5 m. para dados de espessura de carvão referentes âs mentais foram calculados até uma distância máxima direções leste-oeste e norte-sul igual a 3.097 1. 2 Cálculo e Modelagem de Variogramas Experimentais 39 .17 o 90/horizontal últimas distâncias na direção norte-sul. O dispositivo de pesquisa é centrado em um ponto de dado. além da distância e da direção. o comprimento na direção leste 2.2. um º·ºº 0. assim. Então. Assim.BO 3.047 12 0.216 9 o campo geométrico para a direção leste deveria ser 3. Mas 3.015 5 0.5 0. dentro da qual pode haver um ou mais pontos.178 3 nesse exemplo foi mantido um valor igual a 3. Mantendo-se a direção (azimute}. E assim por diante.40 2.0 0 . 2. Como se pode verificar. há uma tendên- Eo. A distância máxima em que se pode Leste-oeste Norte-sul calcular o variograma experimental é chamada de Distância )' (h) Np )' (h ) Np campo geométrico e é igual à metade do comprimento 0. o que indica.5 m. tolerância angular e largura máxima. tanto para essa direção como TAB.2.069 13 No caso em estudo. não têm significado estatístico. p. 194}. 2. 1. a diferença ao quadrado entre os valores dos pontos 1 e 7 é considerada na Eq. Huijbregts. a diferença ao quadrado entre os pontos 2 e 6 é somada na Eq.043 18 15 1978. e na direção norte. na Fig.50 Dist ância fenômeno espacial anisotrópico. por sua vez. 2.10 2. E.7 Variogramas experimentais calculadospara as direções nor1e· -sul e leste-oeste 2.028 8 11 da linha na direção considerada (Journel.5 0.0 0.7.0 0. 2.09 duas direções consideradas encontram-se na Fig.2 Resultados do cálculo dos variograrnas experimentais para a norte-sul. 2. todo o processo é repetido para os demais passos. há necessidade de se definir parâmetros adicionais.8A. pela IO + O/horizontal e. Essa janela é definida pela direção. para distâncias grandes. o ponto 7 é encontrado dentro da janela. o dispositivo é centrado no ponto 1 e. Observar que as duas ·ê0. Os variogramas experimentais obtidos para as 0.00'----~-------~-------< a direção pesquisada. 2.2 Distribuição irregular Para pontos com distribuição irregular. 0. igual a 2.1. com apenas ~ três pares cada.1. sucessivamente o processo é repetido até que todos os pontos do conjunto de dados sejam considerados. os variogramas experi.70 1.158 6 0. igual a 4.104 4 0. Na Tab.5 0. signi- ficando que o comportamento é diferente conforme 0.5 m.5 m para mostrar que. O dispositivo de pesquisa se movimenta para o ponto 2 e o ponto 6 é encontrado dentro da janela (Fig. 0.

conforme Tab. máxima Passo To!.559 0.173 49 3. 2.9.085 41 1.510 0.048 42 0. 2. 2.656 0.1 e Fig.100 58 2. 2.066 78 2.084 60 1.5 0.031 0. passo o· 45º 2 o. e os gráficos.566 49 3.047 45 1.5 0.516 0.3. 2. na Fig.231 29 40 Geoestatística: conceitos e aplicações .027 0. TAS. Nesse caso.052 45 1.3 Parâmetros para definição do dispositivo de pesquisa para cálcu lo de variogramas experimentais referentes a dados com distribuição irregular (Carvão de Sapopema/PR) Azimute To!. é preciso que sejam definidas as tolerâncias. N • 2 4 1 Fig.564 0.4 Resultados do cálculo dos variogramas experimentais nas direções leste-oeste e norte-sul para espessura da camada de carvão de Sapopema/PR Direção leste-oeste Direção norte-sul Distãncia -y(h) Np Distância -y(h) Np 0. angular Larg.071 0. tanto para o azimute como para o passo. Os parâmetros do dispositivo de pesquisa foram estabelecidos de acordo com os valores da Tab.5. 2.25 90º 45º 2 0.075 0. Para ilustrar o procedimento de cálculo de variogramas experimentais para dados irregulares.25 Os resultados obtidos encontram-se na Tab. 2.079 53 2. TAS .493 0.488 0.8 Esquema mostrando a pesquisa de pares para cálculo de variogramas experimentais no caso de distribuição irregular: A) o dispositivo de pesquisa é centrado no ponto 1.011 1.4.088 42 3. 2. B}o dispositivo de pesquisa se move e é centrado no ponto 2 Esse processo pode ser aplicado para dados com distribuição regular. seja o mesmo exemplo dos dados de carvão de Sapopema/PR.121 77 2.027 0.067 35 3.667 0.

O efeito pepita C0 é causado pela variância aleatória e C é denominada variância espacial. a variância aumenta. Geralmente. Comparando-se os variogramas calculados usando diferentes procedimentos.-. portanto..8 1 3. .. por causa da largura máxima igual a 2. Isso significa que.-. há casos em que a variância con.10 Propriedades de um típico variograma com patamar denominado soleira ou patamar (sill).. considerada grande.9) são bastante semelhantes.-------------------~ oscilar em tomo da variância máxima.0. Teores são os melhores exemplos de variáveis regionalizadas que podem apresentar descontinuidade na origem. verifica-se que.9 Variogramas experimentais para as direções leste-oeste e se estabiliza em tomo de uma variância máxima. a diferença é pequena e. faci litando . 2..09 A função variograma mede a variância entre pontos separados por urna distância h.14 2.. 2. mas não necessariamente um fenômeno espacial aleatório. o 10 20 30 40 50 de um típico variograma com patamar (Fig. 2. O efeito pepita pode ser resultado tanto da variabilidade do fenômeno espacial em estudo como da escala de amostragem. verifica-se que a aplicação do dispositivo de pesquisa (Tab. 2.. 2.10. 2. a variância Fig.10). .11 2.1s 01 ~ 90°/0° pares é estatisticamente mais significativo.70 1.52 Distâncía dos pontos tomam-se mais diferentes e.. a norte-sul para os dados de espessura usando parâmetros do dispositivo partir de certa distância. ~ tinua aumentando indefinidamente com a distância. consequente- mente.. Os variogra- mas resultantes (Figs.. por exemplo..3 com o aumento da distância.3.go.os ximos. mesmo de pesquisa da Tab. ocorre o efeito pepita para distâncias muito pequenas. a função variograma irá . Entretanto. quando y (O) =O. Assim. 2 Cálculo e Modelagem de Variogramas Experimentais 41 . o. Fig. Ao se observar a origem do variograma mostrado na Fig. Ao aumentar a distância.---'-~--------__. para pontos pró.-. 12 "' N li 2. >"' 0. - o trabalho de ajuste do modelo teórico.3) resulta em variograrnas com um número muito maior de pares. os valores 0.30 . é necessário conhecer as propriedades 0 -+----~----. igual à variância a priori dos dados. a soleira é representada por Co + C e o alcance. Dístân cia A distância segundo a qual y (h) atinge certo nível.7 e 2. 2.g24 tamar. Muitas vezes..2 3..000000001) = C0 .3 T IPO S DE VAR I OGRAMAS 0. por a. O efeito pepita puro reflete um fenômeno que não é completamente conhecido. mas o variograrna calculado com maior número de pares é mais suavizado. por falta de informação. Esses casos definem os variogramas com pa. 18 configurando os variogramas sem patamar.41 2. y (0. O variograma E + 0°10• (:' experimental representado por um maior número de ..1 Va riogramas com patamar QJ 6 Efeit o p epíta =5 u e: An tes de introduzir os modelos de variogramas teóricos "'u com patamar.. é chamada de alcance ou amplitude (range). a variân- cia é pequena.. denominada E ::01 Patamar= 25 patamar.-.

5~-o.. 76-79) ricos de variogramas ilustrados na Fig.. 2.12.ai~ 24 O grau de aleatoriedade pode ser classificado em três . 6 Embora existam vários modelos de variogramas teóri- cos com patamar. 2. como pode ser visto na Tab. '° 24 E ~ ai o O extremo dessa situação é o modelo efeito pepita ·. expo· A Tab. Cúbico .:: 18 ~ puro. 2.Pentaesférico .. Fig. sugerindo o uso de outros métodos de interpolação. em que não ocorre correlação entre os valores 12 e. 42 Geoestatística: conceitos e aplicações ..5.Exponencial . p.5(~) 3 ] para h <a { y(h) = Co + C parah ~a Exponencial y (h) =Co + C [ 1 .11). TAB. 2.15 Pequena 10 20 30 40 50 0.~)] Gaussiano y(h) =Co + C [ 1. conforme equações disponíveis em Olea (1999..30 Significativa Distância E> 0.30 Muito significativa ® 30 -. pentaesférico e efeito furo.2 intervalos. p.. Gaussiano C '° . 76-79).. 2. portanto. Esférico .15 ~E~ 0. conforme Guerra (1988): Co fi\130~~~~~~~~~~~~~~~ E=- ~ -.6 Modelos teóricos de variogramas com patamar Modelo Equação Esférico y(h)=Co+c[t. apenas alguns são considerados como 10 20 30 40 50 Distância os mais comuns que podem explicar a variabilidade da grande maioria dos fenômenos espaciais (Fig. a análise semivariográfica não se aplica.exp ( . 2.6. apresenta as equações dos modelos teó- nencial e gaussiano. B) cúbico. furo Fonte: Guerra (1988).5 Classificação dos graus de aleatoriedade 6 Grau de aleatoriedade Componente aleatória E< 0. 2.~ 2 Cúbico { y(h) = Co +C [1 y(h) =Co +e para h ~a + para h <a y(h)=Co+C [81s (h)ã -4s (h)J ã +53(h)s] para h <a Pentaesférico { y(h) = Co +e para h ~a ã Efeito furo h)=C0 +c[t- l' ( sen11 h/a 11 h/a J Fonte: Olea (1999.exp (. ~ 18 12 TAe.11 Modelos de variogramas com patamar: A) esférico.E f . Outra consideração importante a ser feita é determinar o grau de aleatoriedade presente nos dados.(~ )2)] (n rn/ ~ rnr -~ (~)7] .

-y (O) = O. 2. Ao detectar a presença de anisotropias.13 ilustra os tipos de anisotropias mais comuns encontrados na natureza. 2.12. 2.6). todos os modelos de variogramas. ocorre o modelo variograma linear.lA).2 Variogramas sem patamar Geralmente. a representa uma constante positiva que multiplica a distância elevada a uma potência {3.=-~~~~~-. o variograma experimental não apresenta patamar. Os modelos de variogramas de potência que podem ser obtidos conforme os valores possíveis de {3 encontram-se na Fig.. elas devem ser modeladas.. na qual a direção N30º apresenta maior continuidade que a N300º. ou até na presença de tendência nos da- o_. Quando a função variograma não se altera com a direção. 2. O objetivo da correção da anisotropia é a obtenção de um variograma isotrópico para o modelo de correlação espacial. < l . Na fase de modelagem.Pot.13C). variância espacial e amplitude) em todas as direções. Para {3 = 1. ajustadas a um modelo teórico de variograma. 2. Dos modelos teóricos apresentados (Fig. 2. mas todos sob um mesmo alcance. 2.14) é mais simples que a da zonal.3. O caso extremo da potência {3 igual a o corresponde ao modelo de variograma efeito pepita puro. Fig.13A) caracteriza-se pela existência de um único patamar e duas amplitudes diferentes.lB).1 Correção da anisotropia pa ra dados 20 A correção da anisotropia geométrica (Fig.13B) apresenta patamares diferentes conforme a direção analisada.Linea r .4 ANISOTROPIAS Os fenômenos espaciais podem apresentar anisotropias quando a função variograma muda conforme a direção (Fig. A Fig. A anisotropia geométrica (Fig. tanto a amplitude como o patamar variam conforme a direção (Fig. > l Tab. para ~ 24 o. 2. 79): -y(h) = ahfJ.18 ilustra um caso de anisotropia geométrica. diz-se que o fenômeno é isotrópico (Fig. Na anisotropia mista. ou seja. 2. o 10 20 30 40 50 Distancia O modelo teórico para variogramas sem patamar pode ser representado pelo variograma de potência (Olea. A Fig. 2. 2.Pot.. É importante lembrar que. A anisotropia zonal (Fig. p.12 Modelos de variogramas de potência (sem patamar) 1999. 2.. um modelo com parâmetros comuns (efeito pepita.-~~~~~~~~~----i dos. 2.g ~ 18 pepita. quando a amostragem é insuficiente ou 6 incompleta. 2. com O< {3 < 2 Nesse caso. os três primeiros explicam a maioria dos ro fenômenos espaciais. 12 2. bem como na sua utilização para fins de estimativa e simulação.12 e 30 -· . Primeiro. com ou sem efeito . deve-se considerar a correção da anisotropia. mede-se o ângulo e entre o norte e o eixo maior da elipse que representa a anisotropia geométrica. 2 Cálculo e Modelagem de Variogramas Experimentais 43 .4. ou seja.

Para a primeira estrutura imbricada usa- 4 se o variograma de menor patamar. de acordo com o que foi feito para a correção da anisotropia 8 geométrica. Cl Para ilustrar o procedimento de correção de aniso- 2 tropia zonal. 2. Fig.158 e 2. A correção da anisotropia zonal se dá pela soma de 8 um número de estruturas imbricadas igual ao número de patamares: 4 o o 10 20 30 40 50 Distância Supondo patamares diferentes nas duas direções. 2. faz-se o redimensionamento. B : : 16 E Cl Para cada estrutura imbricada que foi verificada de . dado o vetor distância h = ( hx. e C) mista encontram-se na Tab. suponha o modelo de variograma com ~ 12 anisotropia zonal da Fig. B) zonal. Em seguida.15A.13 Tipos de anisotropias em fenômenos espaciais: A) geomé. pois há dois patamares e as amplitudes são diferentes nas duas dire- 4 ções (45º e 135º}. o novo vetor distância h' = ( h~. Na realidade. mas com patamar correspondente à variância espacial entre o primeiro e o segundo variograma. li) 20 1 podem ocorrer no máximo duas estruturas imbricadas. Assim. respectivamente Distância Figs. pode ser decomposto em duas estruturas imbricadas 10 20 30 40 50 em cada uma das direções (45º e 135º.15C}. faz-se a rotação dos eixos conforme o ângulo 8. é usado o modelo de variograma dessa es- o 10 20 30 40 50 Distànciíl trutura. 2. após a correção da anisotropia E 16 ~ geométrica. trata-se 8 de um variograma com anisotropia mista.h~) após rotação de e é obtido por: Após a rotação. fazem-se a ~ 12 rotação e o redimensionamento de coordenadas. será usado o variograma da direção de Cl o ~ 12 menor continuidade como variograma isotrópico. 2. Para a segunda estrutura o imbricada. Os parâmetros do variograma com anisotropia mista trica.hy) entre dois pontos quaisquer. de tal forma que a elipse ficará representada por um círculo de raio igual ao eixo menor: [::: l l[:t l =[ : : "I 1 A1 li) \ Isso significa que.2 acordo com uma direção do variograma. e L6'º j e assim por diante. com o qual se calcula a componente r1 (h1).7. 44 Geoestatística: conceitos e aplicações . Esse variograma com anisotropia mista ________ _ .

2. A Fig. 7 Parâmetros para ajuste do variograma com Direções principais . ·~ Correlaçã x curva de isovalor Como se pode verificar n a Fig. 100 <O (B .15A e na Tab. Isso é necessário para liberar a segunda estrutura da primeira. portanto. mergulho e plunge (Fig. Journel. respectivamente. o variograma apresenta dois patamares e.2 Correçã o da an i5otropia para dados 30 A correção da anisotropia geométrica ou zonal em 30 envolve a rotação dos eixos de coordenadas no espaço. 60 > 150 40 "'E ::'. @:.~ OI 80 o ·:. esp. 2. medida no 2 Cálculo e Modelagem de Variogramas Experimentais 45 . e o resultado é igual à soma dessas estruturas.16). Amin = amplitude minima. são necessárias duas estruturas para a s ua modelagem. p. 8 Amax Amin 1 Esférico 80 45º 10 15 Y Malhêl de • 2 Esférico 60 45º 9.~·@··•G" anisotropia mista Estrutura Modelo Var. e C) direção 135º 2. A direção é dada pela interseção entre o plano horizontal e a estrutura geológica. Amax = amplitude máxima. Feito isso.. 2. TAB. A segunda estrutura tem Fonte: Choni e Hristopulos (2008. 120 20 .15 A} Variograma com anisotropia mista (direção 45º ·vermelho. o 5 10 15 20 Distância 80 <O (e) 30 E ('! 60 OI ~g o 5 10 15 20 <O > 40 Distância 20 o 5 10 15 20 Distância Fig. p. 2.°' g <O > 90 60 -. como amplitude máxima um valor muito grande (Deutsch.739).7. 2. o cálculo de cada uma das estruturas imbricadas.9e+30 15 \f ~~ostragem • · Obs.14 Esquema mostrando a correção da anisotropia geomé- primeira estrutura tem como amplitude máxima e mí- trica nim a: 15 e 10. a correção se processa fazendo a rotação de 45º dos eixos de coordenadas e. 4. 2. direção 135º ·verde} e sua decomposição em duas estruturas imbricadas: B} direção 45º. conforme os ângulos de direção. em seguida.4. 25) e a amplitude mínima igual à da primeira estruturo.. 1992.

(Vertical) Detalhes dessa matriz rotação poderão ser conferidos em Eixo z rotacionado Leuangthong. considerando que o sistema de coordenadas ElxoY (Norte) ~ Direção principal está orientado em relação ao norte. o eixo de Eixo X (Leste) uma dobra.. 2. um patamar para cada direção. Khan e Deutsch (2008. ou © seja. a direção é o próprio ângulo de azimute. Da mesma forma.~ Eixo X rotacionado em três estruturas imbricadas (Fig. envolve a multiplicação da matriz rota- ção pelo vetor h = (hx. como na correção da anisotropia geométrica e zonal em 2D..17 Estrutura Modelo Var. 46 Geoestatística: conceitos e aplicações . esp. 26).17B. Fonte: Deutsch e Journel (1992. A rotação dos eixos de coordenadas para o novo sis- tema.16 Desenho ilustrando os três ângulos necessários para a do variograma com anisotropia mista da Fig. p. O mergulho é o ângulo "7111 Eixo Y rotacionado (N30E) entre o plano horizontal e a feição geológica. 2. Aver =amplitude vertical.hy. A matriz rotação passa a ® EixoZ ser igual a 3 x 3 e envolve os três ângulos mencionados.17A (p.C.17 estão rotação dos eixos de coordenadas em 30 listados na Tab. pode-se ter até três patamares.D). medido no plano vertical perpendicular à direção.9e+30 9. p. 52-56). 2. Se a anisotropia for zonal ou mista.8 Parâmetros para correção da anisotropia mista da Fig. 48). além da rotação há necessidade de se fazer a de- composição do variograma em um número de estruturas imbricadas igual ao número de patamares. por exemplo. O variograma com EixoZ rotacionado anisotropia zonal ou mista com três patamares pode ser decomposto em três estruturas imbricadas: Um exemplo hipotético de anisotropia mista pode ser observado na Fig. Vista dos planos plano horizontal. Plunge é o ângulo vertical entre o plano horizontal e a linha de máxima elongação da feição geológica.-.8.hz).. 2. Portanto. a rotação é feita para a dire- ção de maior continuidade.. Amin =amplitude mlnima. que pode ser decomposta .~-----. TAB. 2.9e+30 15 5 3 Esférico 50 Vertical 9.. mergulho e plunge da feição geológica. Eixo principal rotacionado (N30E até ·20º) Para dados 3D.. 8 Amax Amin Aver 1 Esférico 30 30º 10 15 5 2 Esférico 40 120º 9. de acordo com a direção.: Amax =amplitude máxima. 2. 2.9e+30 5 Obs. (Nl20El Os parâmetros necessários para modelagem e correção Fig.

Observar na Tab. consequentemente.igc. p. também denominado variância aleatória. 38). 2. O efeito pepita.18A).1). Em geral. conforme os resultados apresentados na Fig.18C. ou seja. Mas isso se deve à falta de amostragem a distâncias menores que aquelas consideradas nesses variogramas experimentais. Algumas variáveis regionalizadas.198). reflete a incerteza em pequenas distâncias. Teores são os melhores exemplos de variáveis regionalizadas que podem apresentar descontinuidade na origem. 2. Os variogramas experimentais para a amostra com 25 pontos de dados (Fig. mas as diferenças começam a surgir com distâncias maiores. Quanto maior o efeito pepita. mostrando um comportamento parabólico característico de uma variabilidade espacial altamente regular. Nesse sentido. na terceira estrutura. 2. que. 49. seria causado por erros de medidas e por microvariabilidades da mineralização. em geral pelo efeito pepita (Fig. como a espessura.180) pode ser representado por um fenômeno de transição com um patamar igual ao efeito pepita e uma amplitude muito pequena em relação a distâncias de observações experimentais Ooumel. 1978. efeito pepita e efeito pepita puro Oournel. na segunda estrutura. 2.br/geoestatistica/anexob/download/Bell. Existem também variáveis descontínuas na origem (Fig.18C).D). 39). p. 2. 2. um comportamento linear (Fig. segundo Joumel e Huijbregts (1978. Com essas amostras (Arquivos 5 a 10 do Anexo B) foram calculados variogramas experimentais para duas direções.19. 81 e 100 pontos de dados) foram extraídas por amostragem aleatória estratificada do Arquivo completo 1 (disponível em: <http://lig.18A. 64. Isso significa que.19A) mostram praticamente o comportamento de um fenômeno espacial aleatório. Huijbregts. 2.5 COMPORTAMENTO DO VARIOGRAMA PRÓXIMO À ORIGEM As variáveis regionalizadas podem apresentar comportamentos distintos próximo à origem do variograma: parabólico. a amplitude máxima (Amax) e a amplitude mínima (Amin) foram colocadas no infinito para liberar a terceira estrutura da segunda e da primeira.8. apresen- tam alta continuidade na origem (Fig. 36. variáveis como teores podem apresentar média continuidade na origem. 2. 1. amostras de diversos tamanhos (25. apesar dos números de pares sempre menores que 30. Huijbregts. p. 2. 39). Os variogramas experimentais para a amostra 2 Cálculo e Modelagem de Variogramas Experimentais 47 . O efeito pepita puro (Fig. 2. a amostragem se torna insuficiente para esse nível de variabilidade espacial.18B).B) e descontínuos (Fig. a variável não se altera tanto. linear. em pequenas distâncias.usp. Com o objetivo de mostrar o efeito da amostragem no cálculo de variogramas experi- mentais. 2. 1978.18C. Todos os variogramas experimentais foram calculados com os mesmos parâmetros para definição do dispositivo de pesquisa. principalmente pela fa lta de conhecimento da distribuição espacial da variável em estudo. os variogramas são classificados em contínuos (Fig. 2. verifica-se que os variogramas começam a apresentar alguma estruturação. que a amplitude máxima (Amax) foi colocada no infinito para liberar a segunda estrutura da primeira.9. segundo Joumel e Huijbregts (1978. 38-39). 2.txt>. conforme a Tab. maior a variabilidade e. Fig. Aumentando a amostra para 36 pontos de dados (Fig. 45º e 135º.D) por causa do efeito pepita. p.

o 5 10 15 20

"'150
E
~
OI
o
·~
120
90
."J ~
E
~
OI
o
·~
40

30
-8
Distãncia

> >
60 20

30 10

o 5 10 15 20 o 5 10 15 20
Distãncia Distância
"'60
~ 50
o.
.g 40
>"' 30
20
10

o 5 10 15 20
Oistància

Fig. 2.17 Variograma com A) anisotropia mista em três direções (direção N30º - vermelho; direção N120º - verde;
direção vertical - azul) e sua decomposição em três estruturas imbricadas: B) direção N30º; C) direção N120º; e D)
direção vertical

"'30 30
E 0 "' ®
"'o. 24
.g
E
~ 24
o
, , .. . ------------- 1
~ 18 ~ 18 /
I
I
/
12 12 I
I
I
6 6 I
I
I

o 10 20 30 40 50 o ' ' ' '
40
10 20 30 50
Distância Distância
30 30
"'
E © "'
E @ 1
~ 24 ~ 24
.2 .g
~ 18 ~ 18

12 12 -

6 6-

o
o 10 20 30 40 50 o 10 20 30 40 50
Distância Distância

Fig. 2.18 Comportamento do variograma próximo à origem. Variogramas continuas: A) alta continuidade na origem
e B) média continuidade. Variogramas descontínuos: C) efeito pepita e D) efeito pepita puro

48 Geoestatística: conceitos e aplicações

com 49 pontos (Fig. 2.19C) refletem melhor a estruturação do fenômeno espacial , mas
calculados com número pequeno de pares de pontos, exceto alguns com mais de 30 pares.
Todos os variogramas experimentais para amostras com tamanhos superiores a 49 pontos
(Fig. 2.190,E,F) já apresentam comportamentos contínuos, com aproximadamente as mesmas
características em termos de alcance e patam ar.

TAB . 2.9 Parâmetros para definição do dispositivo de pesquisa para câlculo de
variogramas experimentais para amostras aleatórias estratificadas
extraídas do Arquivo completo 1 (disponível em:
<http://lig.igc.usp.br/geoestatistica/anexob/download/Bell.txt>; Fig. 1. 1)

Azimute Tal. angular Larg. m áxima Passo Tol. passo
45• 45º 8 2 1
135º 45º 8 2 1

45 45
+ + + + + .. ( a)
"'~36* + ++ +
0 "'E
e 36 +
+ 1l-++
+
o, ++ +
6 O>
:\:+++:t
.e + + ++ o + +:t :f
~ 27 +-ti.+ + ·~ 27 + ++ +
> > : ....±..f
18 18

9 9

o 5 10 15 20 o 10 15 20
Distância Distflncia
45 45 -~+

~
:J
+++-i+:+
"'E ++++ "'
E :{+ ;i:.tj: +
+ ++
e 36 +++ ++t.+
+ e 36•-fll: ++ ++
~* +'\
t•
O>
o + + -:%1' 24 O>
~ 27 +;1-+ *'\ .e~ 27 + ._+ ++~ +
> ++ * 33 20 1 > -++'++ * 52
18 18 5
5
9 9
4
o 5 10 15 20 o 10 15 20
Distância Distância
45 -'-+ # ++. J ~·
"'E ~-++**
.... ;t;;1
T .... • ~ F
e 36T.;r+++R
O>
:r\f-lr++t~ t
.2
>
~
21t J;
18
+=t-1'
T .

~-P!I
55 57
18

9 9
10
o 5 10 15 20 o 5 10 15 20
Distância Distância

Fig. 2.19 Variogramas experimentais para amostras compostas por: A) 25 pontos; B) 36 pontos; C) 49 pontos; D)
64 pontos; E) 81 pontos; e F) 100 pontos. Linha vermelha: direção 45º; linha azul: direção 135º. No canto superior
esquerdo de cada variograma, o mapa de localização de pontos. Os números indicam os pares encontrados para o
cálculo dos variogramas experimentais

2 Cálculo e Modelagem de Variogrnmas Experimentais 49

Segundo Journel e Huijbregts (1978, p. 194), o número de pares mínimo para os pontos
do variograma experi mental deve estar entre 30 e 50. Quando há informação suficiente, esse
mínimo é facilmente alcançado, mas em situações de amostragem insuficiente dificilmente
se consegue um número tão elevado de pares. Por exemplo, o variograma da Fig. 2.19C
apresenta apenas três pontos com número de pares superior ou igual a 30, mas o vario-
grama apresenta estrutura e poderia ser modelado. Portanto, a decisão em aceitar ou não
um determinado variograma experimental dependerá do pesquisador. Mas em nenhuma
hipótese se justifica o desenvolvimento de uma amostragem adicional para melhorar os
pontos do variograma experimental, principalmente em mineração, na qual a pesquisa por
sondagens é extremamente dispendiosa. A Geoestatística deve usar, portanto, a informação
disponível da melhor maneira possível.

Exemplos de cálculo e modelagem de variogramas
50
• • •• ... 25,18858
experimentais
• • • Para ilustrar o procedimento de cálculo e modelagem
40 • • • •• •
• de variogramas experimentais, foram consideradas três
• •• • • • • • amostras aleatórias estratificadas. A primeira amostra,
30
• • •• •• • com 64 pon tos, foi extraída do Arquivo completo 1 (dis-
• •
• 14.92177 ponível em: <http://lig.igc.usp.br/geoestatistica/anexob/
20 . • • • • • •• download/Bell.txt>; Fig. 1.1) e denominada Arquivo 11,

• • • • • Anexo B. Outras duas amostras, com 64 e 100 pontos, de-
10 • • • • •• • nominadas, respectivamente, Arquivos 12 e 13, Anexo B,
• • •• • foram retiradas do conjunto completo de um fenômeno
~
• ..
o 10 20 30 40
• •50 4.65496
espacial apresentando distribuição lognormal.
Os mapas de localização de pontos para as amostras
Fig. 2.20 Mapa de localização de pontos da amostra Arquivo 11, Arquivos 11, 12 e 13, Anexo B, encontram-se, respectiva-
Anexo B mente, nas Figs. 2.20, 2.21 e 2.22.

50
50

• • • • 8,78063
• •• • • • • • ••
20,98187

• • • ••• • • • • •• • •
•• • • • •• • •
40
40
• • •
••
30
• •
•• • •

• • • 30
• •


, • • •
•• • •

• • •
• •
• •
• •
4.43771 • • • •• • • • ••
• •• 10.53510

20
• ••• 20
• • • •• ••
• • • •• •• • • • y • •
• • CI

• • • • •• •
10
• ••
10

• •• • • • • •
•• • • • • • • •
• 0,09479
o 30 40 50
0,08834
o 10 20 30 40 50 10 20

Fig. 2.21 Mapa de localização de pontos da amostra Arquivo 12, Fig. 2.22 Mapa de localização de pontos da amostra Arquivo 13,
Anexo B Anexo B

50 Geoestatística: conceitos e aplicações

As estatísticas descritivas para essas amostras encontram-se resumidas na Tab. 2.10:

TAB . 2 . 1 O Estatísticas descritivas para as amostras em estudo

Amostras
Estatísticas
Arquivo 11 Arquivo 12 Arquivo 13
N 64 64 100
Média 15,740 1,708 1,832
Desvio padrão 4,562 1,923 2,816
Coef. variação 0,290 1,126 1,538
Máximo 25,189 8,781 20,982
Quartil superior 18,870 2,113 2,107
Mediana 15,964 1,089 0,794
Quartil inferior 12,051 0,348 0,438
Mínimo 4,655 0,095 0,088

Nessa tabela é possível verificar que a amostra Arquivo 11, Anexo B, apresenta um
baixo coeficiente de variação (0,290), enquanto as outras duas têm altos valores dessa
estatística (1,126 e 1,538), comprovando o caráter lognormal dessas duas amostras. Essas
características deverão influenciar os variogramas experimentais, pois dependem não
apenas da distância e orientação, mas do tipo de distribuição de frequências. Todos os
variogramas foram calculados com tolerância angular de 90º, ou seja, omnidirecionais.
Os resultados encontram-se nas Figs 2.23 a 2.25.

20 E21.53~--------------~
©
.g~ 22.03 ®
~

15
~

10 - 16.52

11.01

5 5,51

o º·ºº o ~1---~--~--~------<
5 10 15 20 25
4,66 8,76 12.87 16.98 21,08 25.19
Zgauss Distância

Fig. 2.23 A) Histograma e B) variograma para a amostra Arquivo 11, Anexo B

Como se pode verificar nessas figuras , os variogramas para as amostras com 64
pontos apresentam melhor estruturação que o variograma da amostra com 100 pontos.
Considerando que a amostra Arquivo 13, Anexo B, tem uma boa distribuição espacial por
toda a área de estudo, a falta de estruturação deve-se em grande parte à forte assimetria
dessa variável.

2 Cálculo e Modelagem de Variogramas Experimentais 51

78 o Zlog Distância Fig.3) { y(h) = 3.) > 5.5 14~16 .o4 '<!!.60 20. { y{h)=2. 16 Arquivo13. Anexo B 80 E9.5 para h ~ 14..6(1..42 40 3.5( 14~16 ) 3 ) parah<14.98 Zlog Distância Fig..02 10 1.57 5.03 20 2.) '$.16 (2.6 CONSIDERAÇÕES FINAIS Procurou-se mostrar neste capítulo todas as etapas envolvidas no cálculo de variogramas experimentais.6 para h ~ 14. 0 . bem como os métodos de simulações estocásticas. 2.g r. desde o arranjo dos pontos de dados.16 (2.5 14~16 -o. 2.62 16.04 8.2) { y(h) = 19.) 30 > 3.16 (2. Anexo B Os modelos ajustados aos variogramas experimentais estão descritos a seguir: Arquivo 11.24 A) Histograma e B) variograma para a amostra Arquivo 12.10 1. Anexo B: y(h)=19. 50 r. 31 7.O> 40 .o.25 A) Histograma e B) variograma para a amostra Arquivo 13.45 12.5( 14~16 )3) parah<14.4) Anexo B: y(h) = 5.8parah~14.16 Essas amostras serão usadas nos próximos capítulos para ilustrar os procedimentos de estimativas geoestatísticas.8(1.g °' 4.o5 (BB ) . '-A E5.04 r.01 o º·ºº 5 10 15 20 25 0.2+3.27 8.3(1.5(i:.09 4. a estratégia de busca dos pares de 52 Geoestatística: conceitos e aplicações .1 6 Arquivo 12.23 . 2.83 3.61 · 20 1. Anexo B: r(h) =3. O) 60 °' 7.5 14~16 -o.16 )3) parah<14.81 o º·ººo 5 10 15 20 25 0..

61 º·ºº . + +* ++ + + + @ + + ++ + :.pontos.46 O> o ·~ 4. A modelagem é um processo que envolve várias tentativas e no qual a experiência pesa muito.84 > 3. C) vetores usados no cálculo do variograma experimental para a direção de 45º. .::. o problema do efeito pepita e da escala de amostragem e a necessária modelagem. F) interpretação geométrica de Journel (1989) para a direção de 135º. D) vetores usados no cálculo do variograma experimental para a direção de 135º.!) 30 ++ + + + + 6 + ++ + + + + + + Direção e distáncia 4 20 + + + + ++ + + + + + 2 10 + + ++ + + + + + ++ + + + Comportamento o 20 25 + + + + + ++ próximo :i origem 1----<i'>--. o 5 10 15 20 25 Distância Fig. porque há necessidade de interpola- ção e os pontos irão se apresentar com alguma dispersão. O variograma experimental não serve para esse fim._.:-10 40 + ++ + + + "' E 8 *# + +++ + "' (. O cálculo e a modelagem de variogramas experimentais representam a etapa mais importante do estudo geoestatístico.23 1. G) interpretação geométrica de Journel ( 1989) para a direção de 45º.26 apresenta uma síntese do cálculo e modelagem de variogramas experimentais. + + Z(x) Z(xl @ "' 8. 2.:::. A Fig.:.______ _ ~ h o 10 20 30 40 50 X Alta con tinu idade ~~I 20® + X +·· +-ti . tanto para fins de estimativas como para simulações estocásticas. 2.07 ~----------~ E e 6.26 Síntese do procedimento de cálculo e modelagem de variogramas experimentais. os tipos de variogramas de continuidade e de anisotropias. quando o número de pares de amostras diminui. A) Mapa de pontos.. E) destaque para o comportamento próximo à origem. B) variogramas experimentais calculados para as direções de 45º (vermelho) e 135º (azul). __ _ _______ __. principalmente para distâncias grandes. Ela é necessária para ajustar uma função matemática que descreva continuamente a variabilidade ou correlação espacial existente nos dados. H) modelos teóricos ajustados aos variogramas experimentais 2 Cálculo e Modelagem de Variogramas Experimentais 53 . com alta continuidade.

1). Pode ser comparado com os métodos tradicionais de estimativa por médias ponderadas ou por médias móveis.foi cunhado pela Escola Francesa de Geoestatística em homenagem a Daniel G.1 Interpolação ou krigagem. será a usada nesta obra. que não é simplesmente uma função da distância entre pontos. como krigagem simples. O estimador mais usual é a krigagem ordinária. mas a diferença fundamenta l é que somente a krigagem apresenta estimativas não tendenciosas e a mínima variância associada ao valor estimado. Krige. O termo . com base em valores adjacentes quando considerados interdependen- tes pela análise variográfica. krigagem ordinária e krigagem universal. . porém. 69). ou seja. dependendo da obtenção de minar a distribuição e variabilidade espaciais da variável variograma de interesse. entre outros. está consagrada no Brasil e. Interpolação Krigagem A estimativa geoestatística tem por objetivo a mode- lagem do fenômeno espacial em estudo. Abrange uma famíl ia de algoritmos conhecidos. 3. métodos de interpolação não esto- cásticos. li Estimativas li li Todo o processo de inferência espacial tem início com a coleta de uma amostra composta por n pontos de dados. A tradução para krigagem ordinária. pois fa. do francês krigeage ordinaire. engenheiro de minas sul- -africano e pioneiro na aplicação de técnicas estatísticas em avaliação mineira. da amplitude e da Aná lise variográfica presença de anisotropia. p. superiores aos demais métodos de interpolação numérica. cuja tradução. 2006. Amostra zem uso da função variograma. em termos da distribuição e variabilidade espaciais. deter. Estimativas geoestatísticas são. mas depende da existência ou não do efeito pepita. É esperado que essa amostra seja representativa do fenômeno em estudo. 3.tradução do francês krigeage e do inglês kriging . que não necessitam do variograma. Na impossibilidade de obtenção de um modelo de Variog rama? correlação espacial. deveria ser krigagem normal (Soares. podem ser considerados (Fig. assim. krigagem da média. Fig. em geral. Krigagem é um processo geoestatístico de estimativa de valores de variáveis distribuídas no espaço e/ou tempo.

3 ilustram exemplos em 20 e 3D. :+ >· . portanto. trabalha-se com funções locais. podem ser deixados como pertencentes à vizinhança.1 T RANSFOR M AÇÃO DE DADOS As variáveis regionalizadas podem ser contínuas ou discretas (Fig. • •• • •• Em Geoestatística. pontos distantes situados além do alcance .. . para a estimativa geoestatística de um ponto Fig. respec- o 10 20 30 40 50 tivamente.00352 Nesse sentido. a logarítmica e a indicadora. 63. Os valores obtidos nos pontos amostrais são usados na interpolação ou estimativa geoestatística para fornecer uma grade regular 20 ou 30. 56 Geoestatística: conceitos e aplicações . com base nos pontos vizinhos próximos. em diversas circunstâncias. que permitem analisar a inferência espacial • • • 40 • •• com maior precisão .3 Localização de pontos vizinhos próximos para interpolação do ponto não amostrado (dados 3D) 3. 30 • • pois ela é.99l65 da variável de interesse é fei ta geralmente em malhas •• • • • regulares. aqui. quadrante) para estimativa do ponto não amostrado N 1 . Se a distribuição tiver assimetria positiva.01539 As Figs. As variáveis contínuas podem apresentar comportamentos distintos revelados pela forma do histograma. dependendo da dimensionalidade do fenômeno espacial.40000 5. por excelência. influência desses pontos e. • • 83. Transformações de dados são. .2 e 3.32000 0 . um método local de estimativa. conhecida também como indicativa e indicatriz. caracterizada por baixos valores. 20 do variograma não deveriam ser considerados. 3.24000 Fig. A modelagem da distribuição e variabilidade espaciais 50 1• • 102. 3. serão analisadas as principais. como a gaussiana. 3. necessárias para a estimativa geoestatística e.4).2 Localização de vizinhos mais próximos (dois pontos por não amostrado. há necessidade de transformação dos dados para evitar a influência dos poucos valores altos na estimativa de pontos da vizinhança. mas a krigagem tem um mecanismo interno de atenuação da 10 . 3.E -J 1 10.

. (2012).~ "'~ ~ :.."' ...'.l ~ ..'.::i N "'"' .. Mas isso é impossível no caso de variáveis discretas.1 •HfMffljf!tl M@IA#frlf 1 l Equações multiquádricas Fig.... . Dessa forma.. Para as variáveis regionalizadas discretas. o o :G .. condição essencial quando se estima probabilidades. . e cada tipo que compõe a variável discreta é interpolado usando as equações multiquádricas... e a krigagem ordinária é aplicada diretamente sobre os dados originais. há necessidade de se fazer a codificação binária. igual a 1. "' . necessariamente. Por isso. conforme proposta de Yamamoto et ai. . . tal como se faz no processo da krigagem da variável indicadora da mediana. quando houver grande quantidade de informação os variogra- mas não serão iguais entre si. a solução é a obtenção de um variograma único.. 3 Estimativas Geoestatísticas 57 . 3. Mesmo que seja possível.f. patamar e amplitude... lognormal e indicadora. . Não é usada a krigagem indicadora. não há necessidade de transformação dos dados.:: o "'oo .. NO "'"' ôvi N U'\ ...4 Esquema ilustrando o processo de estimativa geoestatística ou interpolação de variáveis regionalizadas As estimativas geoestatisticas para os dados transformados são obtidas por meio das krigagens multigaussiana.." 20 " 80 " 30 IS 2S 60 20 A 1 10 40 lS 10 20 o. N "' 1 Zgauss Znegativo Zlog F1 Transformação Dados originais Codificação dos dados binária J l l GllfMfi. cada tipo sendo estimado por um variograma diferente resultará em valores cuja soma não será.: "'"' .. Para dados com distribuição normal ou que apresentem assimetria negativa.~ 4 :!! Tipos r ~ N M .. pois elas estão decompostas em k tipos. por causa da necessidade de um variograma para cada tipo da variável discreta. em termos de efeito pepita.

Tomando a função gaussiana inversa desses quantis se calculam os escores da distribuição normal padrão Oournel. 50% e 75% da distribuição de frequências. correspondentes a 25%. 3.27 8.45 12. pois dependem do número de pontos de dados.438. ou seja. A transformação é feita por meio de uma função matemática que atribui para cada valor x um novo valor f(x) (Koch. 1. Os valores da variável de interesse a serem transformados são classificados em ordem crescente para obtenção das classes: o 1° ponto pertence à 1 ª classe (r (x1) = 1) e o n-ésimo ponto pertence à n-ésima classe (r (Xn ) = n ). p. 30 Link. 3. 33. ção de dados S = 2. As proporções dessas classes podem ser calculadas dividindo-se cada classe pelo número total de observações n ou. deve-se analisar a mudança da forma da distribuição de frequência 20 conforme a transformação aplicada.7 A e os resultados da transformada gaussiana. 3. 479): (3. para o 1º quartil (25% da distribuição). 231): y =f (x) 60 A transformação de dados pode ser feita por meio o~ de funções lineares e não lineares.682. nesse caso. o valor de Zlog é 0.80 20 . logarítmica e indica- Fig. que corresponde ao escore -0.2.33 a 2. nesse sentido. Dessa divisão se obtêm os quantis da distribuição da variável de interesse. Estão indicados três pontos da distribuição da variável de interesse.832. 1978. 1 Transformada gaussiana A transformada gaussiana é baseada na curva teórica da distribuição de Gauss. as quais caracterizam uma distribuição tipicamente lognormal. 3. A Fig. 1971. 231) e. Huijbregts. Link.1) em que G. também conhecida como distribuição normal.6 ilustra graficamente o processo da transformada gaussiana. A função transformada gaussiana para a amostra Arquivo 13.24) composta por 100 pontos de dados (Fig.21 e 2. 3. está ilustrada na Fig. quais sejam: gaussiana.Figs. 25% na distribuição normal acumulada. dividindo-se por (n + 1). Por exemplo. então. conforme sugerido por Journel e Huijbregts (1978).5) foi o 0.1 (·)é a função gaussiana inversa que fornece o escore da distribuição normal padrão para o quantil ( ~~~)). 10 Uma amostra (Arquivo 13. 3. 58 Geoestatística: conceitos e aplicações . p.816 e CV = 1. p. 2.62 16.5 Distribuição lognormal para 1es1e de funções de transforma· dora.98 escolhida para ilustrar as diferentes transformações Zlog possíveis. Anexo B. Os escores da distribuição normal. 1971. Todas essas transfor- 50 mações alteram a média e a variância da distribuição 40 original. mas a transformação tem por objetivo a mu- dança da forma da distribuição de frequência (Koch.09 4.78. As estatísticas para esse conjunto são X= 1. Anexo B .538. variam de . na Fig.

'--~-1-----''--+-~~. 27 8.45 12.40 :::!? o ® 8 0._.50. mas a variância tende a 1 com o aumento do número de pontos de dados."' "O "' "O . com média zero. Alguns exemplos de média e variância e intervalos dos escores da distribuição normal são dados na Tab. o 80 l Quartil superior 80 60 60 j Mediana 40 $ ~ ~ Quartil inferior 20 20 o~-~--..80 20. 3.:. Quando esse número é pequeno...98 X Escores distr. a distribuição de Gauss vai de -oo a +oo..10 -0... Teoricamente. e não a 1. Como se pode verificar na tabela..62 16..--~~1 o -1-~. mas.-~~. o intervalo de trabalho permanece entre . Isso acontece porque.._. a razão não é suficientemente pequena para alcançar a cauda inferior da distribuição de Gauss e...50 e +2..~~..40 2......._. mas a variância é igual a 0._.. xVi' 2.1.40 -0..!) 1.62 16..40 O '-'.80 20. assim. na Eq. 3.2.50 Zlog Escores normais Fig. em termos práticos.. a função gaussiana inversa tem como argumento a razão entre a classe e o número de pontos de dados..45 12..--~-1 0..33 0.33 -2.70 2..47 4 2 -1.09 4..47 1.09 4... a média é O. normal Fig.50 ·2.47 6 -0.27 8._~_.10 3.!?100 ~ 100 :> + :> E .33 0 10 "' :> "' (...+ E _f-"' :> :> V V < < :::!? "ifl.98 -3. a última classe não fornece uma razão muito próxima de 1.~~-. ·2. como esperado.7 A) Relação entre os escores da distribuição normal e os valores originais e B) histograma dos escores da distribuição normal 3 Estimativas Geoestatísticas 59 .~~~-'-'-''--~--._.. 3.70 0._.6 Função transformada gaussiana da variável Zlog para os escores da distribuição normal acumulada O histograma é perfeitamente simétrico.923. 3.1.33 -1.47 0.

71904 12.-'--'--'-'-'--'-.83612 3.48082 3.45 12.66229 3.76484 3. 3.58796 3.99861 -3.000 o 0..43 --------~------' ln(x) 0. variância e intervalos de variação dos escores da distribuição normal N Média Variância Y (X1) y(XN) 2.95 3.80319 3..98 X Fig.2 Transformada logarítmica A transformada logarítmica é obtida extraindo-se o logaritmo natural do valor da variável original: y =ln (X) (3. nem sempre a transformada logarítmica garante uma distribuição perfeitamente normal para os dados transformados.99903 .l. na maioria das vezes.99879 -3.99337 .80 20.48082 6.24 0. na qual se pode ve- rificar que o histograma apresenta alguma simetria.000 o 0.99912 -3.89060 3. a transformada logarítmica garante que a distribuição dos valores transformados seja normal. Mas.86497 20.254. como se pode observar na Fig.62 16.3. As barras do histograma são irregulares por causa da ausência de valores intermediários.3.33 -0.43 -1.99892 .71904 3.86497 3.000 o 0.99837 -3. Os resultados da transformada logarítmica encontram-se na Fig.99744 -3.8A.3.99801 -3.2) Se a distribuição é lognormal.1.76484 14.L.-'--'-'-' ·2.1-'---'--'-L-.8.99636 -3.58796 8.000 o 0.86 1.000 o 0.89060 3.000 o 0.80319 16.000 o 0.04 ·2..000 o 0.3.09 4.29067 3.27 8. TAB.8 A) Relação emre o logaritmo natural e os valores originais e 8) histograma dos logaritmos dos valores originais 60 Geoestatística: conceitos e aplicações .83612 18.66229 10. apesar do coeficiente de variação ser superior a 1.000 o 0.1 Média. 3.. 15 10 5 0 1-.000 o 0. 3.29067 4.--'--'-l.

das estatísticas associadas. Uma alternativa à Eq. 3.9. 6). para os fins da krigagem indicadora há necessidade de se definir vários teores de corte dentro do intervalo de variação da variável de interesse.018. pelo menos em termos de estatísticas (média e desvio padrão).1. Como se verá adiante. ou seja.2 foi proposta por Yamamoto e Furuie (2010. p. = Pzc (1. da seguinte forma (Journel. P.-" 3 Estimativas Geoestatísticas 61 . como teor de cortelcutoff. conforme segue: y = ln(~) (3. 447): O.1. 2006. qualquer que seja a escala. A vantagem dessa alternativa está na simetria da distribuição dos valores transformados. 3. Seja k o número de tipos de uma variável categórica. O nome da distribuição se deve ao matemá- tico suíço Jakob Bernoulli {1654-1705}. 3.4) { 1.3 Transformada indicadora Uma variável aleatória contínua pode ser discretizada em relação a um valor de referência.(E [I (x.zc)= (3. consequentemente.Pzc ).9 Gráfico da função indicadora para um teor de corte zc 3. p. S = 1. Assim. mas provoca uma translação dos valores em relação à mediana e.58.seZ(x)>ZC I(x.5) Var [I (x. 1946} e. p.3) Xso Essa transformação não altera a forma da distribuição. A codificação binária (Soares. As estatísticas são X= -0. 3. 50% menores que a m ediana e 50% maiores que a median a. se Z(x) ~ zc Essa transformação não linear resulta na função indicadora mostrada na Fig. decis ou quantis. pode-se dividir a distribuição em termos de quartis.zc) J.zc)]) 2 (3. 1983.941. Fig. há um número discreto de tipos.zc)] (3.Pzc ) Deve-se observar que a variável indicadora segue uma distribuição de Bernoulli com média Pzc e variância o zc Z(x) Pzc (1.090 e CV= . Para cada teor de corte zc.6) = Pzc ..4 Codificação binária de variáveis categóricas As variáveis categóricas podem ser medidas em escala nominal ou ordinal (Stevens. Os resultados mostram que a transformada produziu uma distribuição próxima da distribuição normal. 133) é feita da seguinte forma: . têm-se a média ou a pro- porção de valores menores ou iguais a zc e a variância u N associada: ~ Pzc =E [I (x.zc)] =E [r2 (x.

Í = 1. 67). no 2 1 o o o o ponto 2.7) { 1. o zero. D e E.2 Exemplo de codificação binária de uma variável A Tab. é eli- minado.n) Essa constante é adicionada a todos os pesos que. 3.2 ESTIMATIVAS GEOESTATISTICAS Como já esquematizado (Fig. então a coluna correspon- 1 o 1 o o o dente a esse tipo recebe o 1 e. e assim por diante. Teng e Koike (2007) e Leuangthong.2 apresenta um exemplo de codificação categórica composta por cinco tipos binária para uma variável categórica composta por cinco tipos: A. Rao e Joumel (1997.n LJ=l (Wj + e) Após a correção. t importante verifi- 4 o o o o 1 car que a função indicadora resultante é mutuamente 5 o o 1 o o exclusiva e completa L~=l I(x. 3. 62 Geoestatística: conceitos e aplicações . a krigagem ordinária pode ser aplicada diretamente sobre os dados originais ou sobre os dados transformados no caso da krigagem multigaussiana.1. preservados. dessa forma.5 Correção de pesos negativos A Geoestatística também se preocupa com a presença de pesos negativos na krigagem e. existem outros algoritmos disponíveis. o tipo é A. as estimativas geoestatísticas podem ser feitas diretamente sobre os dados originais.1 = para i = 1. ponderadores são analisados para a ocorrência de pesos negativos. em seguida. se Z(x) =tipo k TAB. p. o peso negativo. por modelagem linear. C. o tipo é B. 3. 3. 3. o.k) = (3. Soares (2006). são normalizados para retomar à soma dos pesos igual a 1: e Wi+C W.min (Wi. e os demais. então essa coluna recebe o 1 e. encontra-se o maior peso negativo em módulo: e= . as demais. Esse algoritmo será doravante considerado para tal correção. tais como os propostos por Froidevaux (1993) e Deutsch (1996). da krigagem lognormal e da krigagem indicadora. por modelagem não linear. 8. Evidentemente. as 3 o o o 1 o demais.k) = 1.4). Se for verificada a presença deles. Após a solução do sistema de equações da krigagem (ver "Krigagem ordinária". o zero. PontoZ{x) A B e D E No ponto 1. Assim. se Z(x) #: tipo k I(x. Khan e Deutsch (2008) também propuseram a codificação binária para a interpolação de tipos de uma variável categórica em pontos não amostrados. 94) propuseram um algoritmo para sua eliminação. Trata-se de um algoritmo bastante simples e funcio- nal. p. ou sobre os dados transformados. que corresponde ao maior peso em módulo. Essa codificação binária foi proposta originalmente por Koike e Matsuda (2005).

No caso de variáveis regionalizadas. 1989.m 2 J= C(h) Assim. faz parte de uma função aleatória. além desse relacionamento entre pontos estimadores e o ponto a ser estimado. associados a cada um dos pontos estimadores baseia-se na ideia de que quanto maior a covariância entre uma amostra Xi. mais essa amostra deve contribuir para a estimativa. o estimador da krigagem simples é calculado segundo (Olea.m)(Z(x + h) . Uma estimativa linear ponderada desse local pode ser escrita como (Journel. e o local que está sendo estimado. portanto.1. 5 (Xo) =mo + LÃi[Z (xi) . o peso entre a amostra Xi e Xo também diminui à medida que a amostra fica mais distante. dependendo apenas das distâncias euclidianas que os separam: E [Z(x)] =m E [(Z(x). . A krigagem pode ser usada. as quais são assumidas como conhecidas. 2.8) i=1 3 Estimativas Geoestatísticas 63 . para: a) a previsão do valor pontual de uma variável regionalizada em um determinado local dentro do campo geométrico. a localidade não amostrada. como algoritmo estimador. as distâncias são baseadas na análise variográfica e.n} são os pesos associados aos n dados. no cálculo do teor médio de um bloco de cubagem de uma jazida com base em informações obtidas de testemunhos de sondagens.2.m)] =E [Z(x)Z(x + h) . n.. No caso da estimativa por krigagem. Em um método puramente geométrico. Krigagem simples ou estacionária Seja um local não amostrado x 0 e n valores obtidos em pontos adjacentes. Sob a condição de estacionaridade de segunda ordem. a média e a variância de todos os locais são constantes. mas essas distâncias são euclidianas.mi] i=l em que mi= E [Z(x1)] são as médias.1 Krigagem linear O sistema de krigagem necessário para a determinação dos ponderadores. como. mo é a média no ponto x 0 e {>. há o relacionamento entre os pontos estimadores que vão fornecer informações sobre o agrupamento presente. bem como os pontos amostrados. como o do inverso do quadrado da distância. 10): n z. b) o cálculo do valor médio de uma variável regionalizada para um volume maior que o suporte geométrico. . 10-15): n z. p. p. 3. i= 1. tanto a distância entre as amostras como o seu agrupamento. o qual pode ser a base para cartografia automática por computador quando se dispõe de valores de uma variável regionalizada distribuídos em uma determinada área. O sistema de krigagem leva em consideração. i = 1. 1999. por exemplo.. ou pesos.5 (Xo)=m+ LÃ1[Z(x1)-m] (3. é um procedimento de interpolação exato que leva em consideração os valores observados na vizinhança próxima. x 0 .

como: Como E [Y(Xi)l =E [Y (xi)] =O. então a variância do erro toma-se.n j=l 64 Geoestatística: conceitos e aplicações .Xj) = Cov(xi.Xo) parai= 1. que é a diferença entre a função aleatória Z(x) e sua média: Y(x) =Z(x)-E [Z(x)] em que E [Y {X)] =O. define-se uma nova função aleatória.8 faz a estimativa dos resíduos. 15): da 2 (x } n d . chega-se ao conjunto de ponderadores ótimos da krigagem simples. 14). segundo ele: n n a 2 {Xo} = LLÃiÀjCOV [Y(Xi}.Xj) í=1 i=1j=1 Minimizando a variância do erro. p. O problema consiste em determinar os pesos ótimos da krigagem simples da Eq.8. segundo esse autor. De acordo com esse autor. p. 1999. p. essa expressão torna-se (Olea.Xo} + 2 2:>. 3. 0 = -1.o = -2Cov(Xj.Xj) parai= 1. 3. calculam-se as derivadas parciais em relação aos pesos Ài e iguala-se a zero (Olea. tem-se a variância do erro: n n n a 2 (X 0 ) = Cov(Xo.n À1 j=l que resulta no sistema normal de equações: n LÃiCov(xi. p.Xo} + LLÃiÀjCOV(Xi. 12). Para sua solução. separando os termos em i = O e j = O. 1999. a covariância de Z (x) é igual à covariância de Y (x): E a variância do erro é igual a: que pode ser reescrita em termos dos resíduos: Fazendo >. Y(Xj}] i=Oj=O Ainda de acordo com Olea (1999. Assim. segundo Olea (1999.Xo}-2 LÃiCOV(Xi. Para encontrar o ponto de mínimo da função variância do erro. 13): A variância de uma combinação linear pode ser desenvolvida. a Eq.jCOV{Xj.

tre cada ponto e o ponto a ser estimado podem ser determinadas: o 197.Xn ) C(X1 -Xo ) C(x2 -X1) C(x2 -x2) C(x2 -Xn) C(X2 . a matriz de covariâncias pode ser obtida e.Xn) Àn Exemplo de aplicação da krigagem simples Como exemplo de aplicação da krigagem. a partir daí.500 20 0 1. Usando essas distâncias e sendo conhecida a covariância da variável regionalizada. 1 10 20 40 p. Xo 180 120 ? Sendo conhecidas as coordenadas de todos os pon- tos. Nesse caso.2 260. e a função covariância é: C(h) = 2.3 e 264.10 A) Mapa de localização de pontos e B) gráfico da função covariância Fonte: Olea (1999. 3 250 130 90 O mapa de localização de pontos e a função cova- 4 360 120 160 riância encontram-se na Fig.10. 0 366. p. 3.3 Pontos de dados com valores conhecidos e o ponto a rar uma situação em que se têm quatro pontos com ser estimado ~~~~~~~~~~~~~~~~~~~~~ valores conhecidos e com eles se quer determin ar o ID X y Valor valor em um ponto x 0 (Tab.e: u 1. calculados os pesos associados aos estimadores: 3 Estimativas G€oestatíslicas 65 . a média m é conhecida e igual _.oooexp 2~0 . as distâncias euclidianas entre os pontos e en. 3 o 70.000 >.000 X h Fig.3) . 3. conside. O sistema de equações pode ser escrito em termos matriciais.Xo ) = (3. p..7 110. TAB . 2 30 280 130 a 110. 18-20). 3. o 266. 18).0 300 0 ® 2. 3.9) C(Xn . •2 (130) . 18). conforme Olea (1999.4 o 180.000 100 • Z*(x 0 )=? •3 (90) • 4 (160) 500 •1 (40) o 100 200 300 400 o 200 400 600 800 1. Fonte: Olea ( 1999. cuja resolução resulta nos ponderadores da krigagem simples: C(x1 -x1) C(x1 -x2) C(X1 .8 o 219.7 364.

então.8 2.6 0.185 130-110 0.6 689.8 0.7 90-110 0. 69-78): n m* = L:>. -1 2.507.7 0.000 908.001 Krigagem da média A krigagem simples pressupõe que a média é conhecida e considerada constante em todo o domínio amostral.8 2.128 = 695.4 2. Assim. em média.285.646 160-110 -0. 1995. é preciso estimar a média em tomo de uma região caracterizada por uma vizinhança com n pontos mais próximos {Z(xi). 5 (180.128 a~5 (180.6 -0.fMz(xi) (3.6 -0. assim como a respectiva variância da estimativa: T 40-110 0.n}.128 Z .10) i=l e assumindo que a média existe em toda a região e igual a: E[Z(x)] =m Para evitar o viés sistemático.8 0.000 . p.000 973.11) A variância do erro de estimativa pode ser desenvolvida em termos da função covariância: n n Var[m* -m] = L:L:>. o erro de estimativa (m * .i = 1. ser estimada para essa vizinhança (Wackemagel.646 466.4 461.001 T 908.120) = 2. Mas nem sempre isso acontece e tampouco a média pode ser considerada constante.000 1.9 1. igual a zero: E[m* -m] =O Desenvolvendo essa expressão chega-se à seguinte condição de não viés: (3.001 Finalmente.12) i=lj=l 66 Geoestatística: conceitos e aplicações .185 704.2 0.000 831. o valor no ponto X pode ser calculado.120) = 110 + =86.2 0.fM>. A média pode.2 1.646 973.185 831. = 752.507.fMc(xi-Xi) (3.m) deve ser.

3. é interessante mostrar como se faz a krigagem 1 26. 3. Exemplo de aplicação da krigagem da média Como exemplo de aplicação da krigagem da média. p. p. para encontrar os ponderadores ótimos.12 e a Tab.320 encontrados quatro pontos vizinhos pelo critério dos 4 24.25) será visto na seção seguinte. como: De acordo com ele. 2. 3 Estimativas Geoestatísticas 67 . 72). o termo entre colchetes é o peso da krigagem ordinária. como mostra a Fig. 3. como (X= 23. 77): que pode ser rearranjada.50 18.50 19. con- Ponto X y Valor tudo.75. o que leva a um sistema de n + 1 equações. 1995. a krigagem ordinária nada mais é que a krigagem simples com a média calculada localmente. no lugar de utilizar a média conhecida e constante. Portanto. para o qual foram 3 13.807 da média.23). Para isso.627 quadrantes (um ponto mais próximo por quadrante). 3. e o termo entre parênteses é chamado de peso da média. 3. 71-78). 3.12) sujeita à condição de não viés (Eq.25). Para resolver o problema de otimização. Esse exemplo mostra que a média varia de ponto a ponto. por meio da krigagem da média.11.50 33. considerar a amostra do conjunto normal (Arquivo 11. cujos resultados encontram-se no mapa-imagem da Fig.8 a média estimada {Wackemagel.75. deve-se considerar o ponto de 2 20. o que TAB. ou equações de krigagem da média: (3. 3.50 21. segundo esse autor. o que resulta em uma função objetivo contendo o multiplicador de Lagrange. Anexo B . é importante que se considere a média local como calculada pela krigagem da média. p.4. y = 31. pode-se substituir na Eq. Assim.Figs.11).50 27.50 29. calculam-se as derivadas parciais da função objetivo.50 18. as quais são igualadas a zero. a variância de estimativa da krigagem da média é igual ao próprio multiplicador de Lagrange: Desse modo. Segundo Wackemagel (1995.20 e 2. Antes de prosseguir.4 Pontos de dados vizinhos ao ponto a ser estimado leva ao uso do método da krigagem ordinária.13) De acordo com Wackemagel (1995.µ.697 coordenadas (x = 23.50 36. deve-se minimizar a variância do erro de estimativa (Eq. y = 31. dependendo da vizinhança pró- xima.

--~-------. 320 + 0.8 [ 1.12 localização dos vizinhos próximos ao ponto de coordena- dia para o conjunto normal (Arquivo 11. 3. tem-se a média estimada em torno do ponto de coordenadas (x = 23.75. 21.223 19.8 1.92177 29 4 24 7. À~M = 0. 27047 X 18.717 5. 2.5 (i4~16) 3 ] para h < 14. pode-se montar o sistema de equações de krigagem da média (Eq.223 1 ÀK/vl 3 = o 3.28920. 3. o modelo da função covariância fica: f C(h) = 19. 2.86169 44 25.16 )3] para h < 14.5 14~\6 -0.75.35303 Substituindo os ponderadores na Eq. 697 + 0. 32787 X 19. µKM= 7. À~M = 0. Eq.717 19. 3.983 1.782 o 3.195 1 ÀKM 1 o 6.983 1 ÀKM 2 o o 4.18858 39 34 14. À ~M = 0. Fig.89846 14.8 1 ÀK/vl 4 o 1 1 1 1 o -µKM 1 Resolvendo esse sistema. 25) O modelo de variograma encontrado (Fig. como segue: 19.2) é: y(h) = 19.8 . 4. 627 = 19. 16 Com isso.13).65496 o 10 20 30 40 50 11 16 21 26 31 37 Fig.32787. y = 31. 3. 782 68 Geoestatística: conceitos e aplicações .195 5. y = 31.19.8 6.27047.23B.5 ( 1:.0.11247.8 (1.93523 18 · .782 19.10.25): m* = 0. Anexo 8) das (X = 23. 16 { y(h) = 19.8 para h ~ 14.8 4.514~16 .11 Distribuição das médias calculadas pela krigagem da mé.807 + 0.16 l C(h)=Oparah~14. obtêm-se os ponderadores da krigagem da média: À~M = 0. 28920 X 21. 11247 X 18.16 Desse modo.

280}. Krigagem ordinária A krigagem ordinária nada mais é que a krigagem simples com a média local calculada pela krigagem da média. Huijbregts. 3. em média: (3. 3.to método mais utilizado. O estimador da krigagem ordinária é: n z. diferença entre o valor real e o valor calculado. Huijbregts. a solução para esse problema é baseado em um modelo probabilístico.14) i=l Os pesos ótimos são calculados sob duas condições de restrição Qournel. que é o valor real em um ponto não amostrado. de tal forma que os valores desconhecidos são considerados realizações de um processo aleatório. 305}.17. p.17 envolvem uma grandeza desconhecida..15) Desenvolvendo a expressão da esperança do erro. Esse sistema deve ser resolvido em termos da função covariância.Z (x1) (3.. 1978.=1 (3.n}. pela simplicidade e resultados que proporciona. Essa média será válida desde que se mantenham os mesmos pontos encontrados na vizinhança (Tab. como descrito na seção anterior.. a estimativa em um ponto não amostrado resulta da combinação linear dos valores encontrados na vizinhança próxima.4).16) i=l A variância de estimativa ou a variância do erro de estimativa é calculada como: (3. p. nesse caso. 0 (Xo) = í:>. o não viés da estimativa é obtido quando o erro. p.17) As Eq.C(xo -xi)+ í:í:>. p. 305): A} que o estimador não seja enviesado. 305}: o~= C(O) . dessa forma.1>. i = l. 1978. Segundo Isaaks e Srivastava (1989. e B) que a variância de estimativa seja mínima. chega-se à condição de não viés: n í:>. A krigagem ordinária é um método local de estimativa e. De acordo com Journel e Huijbregts {1978. que.2 í:>. A variância da krigagem da média é o próprio multiplicador de Lagrange. o valor Z(xo). será sempre positivo. é igual a zero. conforme: Expandindo-se cada termo do lado direito dessa equação.15 e 3. A minimização da variância do erro de estimativa parte do desenvolvimento da Eq. assim como são os valores da variável aleatória {Z(X1).1C (x1-x1) i 1 j 3 Estimativas Geoestatisticas 69 . chega-se à seguinte expressão Qournel. 3.

em forma matricial: C(x1-X1) C(X1-X2) C(x1 -Xn) 1 >. .2 C(Xo -X2) = C(Xn -x1) C(Xn-X2) C(Xn .LÀ1C(xo .. 3. Huijbregts.11 (Xo . a função das coordenadas generalizadas (Yamamoto.x1) + µ (3. 3.Àn. .µ) = C(0)-2 4:ÀiC(Xo -Xi)+ 4:4:ÀIÀJC (xi-Xj) -2µ (4:À1- 1 1 J J l) em que L (À1.µ) é a lagrangiana eµ é o multiplicador de Lagrange.0 = C(O). p.. em termos da função covariância.16).1 C(Xo -X1) C(x2-X1) C(X2-X2) C(x2 . 1978. isto é. 133): l(À1.20) permitem calcular os ponderadores para um ponto não amostrado na localização Xo. porém. o interesse é determinar o teor de um bloco de cubagem.X1) parai= 1.20) { :E"1=1 J=l Nesse caso. a variância de krigagem fica igual a: n a~0 = L:>. Na mineração. chega-se ao sistema de equações de krigagem ordinária Qoumel. pela denominada krigagem pontual.À2.n J=l (3.Í: ÀJC (x1-x1) . 70 Geoestatística: conceitos e aplicações .µ = C(Xi -Xo) parai= 1.. quinzenal.Xn) 1 >. Essa é a expressão da variância do erro de estimativa. cujas dimensões são definidas para atender a uma demanda de produção. . é igual a Qoumel.18 e 3.Xj) + µ =1' (Xo .18) { :En Àj =1 j=l ou. 306): . mensal etc. 1978. 2001a. em termos da função covariância que é conhecida. Para encontrar o ponto de mínimo. seja semanal. . 306): n a. deve-se minimizar a variância do erro de estimativa sob a condição de não viés ou de restrição (Eq. Para encontrar os pesos ótimos..Xi)+µ (3.À2.19) i=l O sistema de equações da krigagem ordinária pode ser escrito também em termos da função variograma: :E ÀfY (Xi .Xn) 1 Àn C(Xo -Xn) 1 1 1 o -µ 1 A variância de krigagem.n J=l n (3.Àn. p. p. utiliza-se a técnica dos multiplicadores de Lagrange.21) i=l Os sistemas de equações de krigagem (Eqs. Huijbregts. Fazendo cada uma das derivadas parciais da lagrangiana iguais a zero e também derivando a lagrangiana em relação aµ. da qual se obtém a lagrangiana.

5 centrado no ponto de coordenadas (X= 28.18 e 3. a krigagem pontual para interpolação do teor na localização (x = 28.5 23..5 X X Fig. calculando-se os vetores médios dos sistemas de equações (Eqs. 15.9 23.1 28.13 mostra...7 31.25).75.247 18. e B) krigagem de bloco para cálculo do teor mêdio do bloco de 2.7 31. 3.5 e no mapa de localização da Fig. Anexo B (Figs.3 33.9 36.5 1-----~-~--.5 26.598 o 11.381 15.75.13A.5 1----.699 1 1 1 1 o µ 1 3 Estimativas Geoestatísticas 71 . Essa alternativa da krigagem ordinária é denominada krigagern de bloco. Exem plo de aplicação da krigagem ordin ária A seguir apresenta-se um exemplo de aplicação da krigagem ordinária.3. A Geoestatística possibilita fazer uma estimativa média do bloco de cubagem por meio da d iscretização do bloco em pontos. y = 21. O bloco de cubagem.488 1 )q 14. A Fig. 3. que podem ser avaliados individualmente e depois compostos para o bloco ou então diretamente.1 7.2 14.23).234 o 1 À4 9. O exemplo começa com u m exercício passo a passo mostrando as diferenças entre a krigagem pontual e a krigagem de bloco.5 por 2.25) e a krigagem de bloco para determinação do teor médio associado ao bloco de 2.867 (3. foi discretizado em 2 por 2 sub-blocos (Fig.25). esquematicamente. p. y = 21. y = 21. 3. conforme: o 18.3 20.5 por 2.20).5 26. 2. 3.138). para o qual foi escolhido o Arquivo 11.234 1 À3 = 6.3 33. 2.--~--. 3.192 1 >. y = 21.75.746 o 13.6).598 19. O modelo de variograma válido para esse conjunto é descrito pela Eq.746 18.9 36..234 13. 192 11.7 18.75.20 e 2. 3.13 A) Krigagem pontual para interpolação do ponto (x = 28.347 18.20). 97).488 19.---1 23.5 centrado no ponto de coordenadas (x = 28. É importante levar em consideração os limites de discretização (Tab. Para efetuar o cálculo da krigagem ordinária. 3. 3.234 17. A ® 25.1 28. conforme Joumel e Huijbregts {1978. monta-se o sistema de equações de krigagem (Eq.---~--.25) Os vizinhos mais próximos ao ponto a ser interpolado encontram-se na Tab.. nesse exemplo.22) 17.

125 20.834+0.7 Centros dos sub-blocos para estimativa do bloco (Fig.22).411 10. µ = -0.08361. À2 = 0..590 14.75. TAB. os ponderadores da krigagem ordinária são obtidos: Àt =O.O (Xo) = 0.125 +4= 6.47761X11.25) por meio da krigagem ordinária pontual e de bloco Ponto X y Valor 1 35. 3.174 12.50 7.747 14.625 localizados conforme as coordenadas da Tab.50 11. À3 = 0.833 8.50 24.627 Dimensão do domínio Limite de discretização +0. 97). p.095 2 24. 3. 3.991 14. 3.48669 Aplicando-se os ponderadores obtidos na Eq.375 21.449 + 7.875 entre o centro do sub-bloco e o ponto de dado.50 20. y = 21.375 20.47761.50 18.945 14. sub-bloco 1 sub-bloco 2 sub-bloco 3 sub-bloco4 vetor médio -----------. 18386 X 11.14.627 3 25.095 + 0.256 14.458 13. 3.25492.874 12. cuja resolução fornecerá os ponderadores da krigagem ordinária de bloco.381 + 6.735 11.138) Para a krigagem ordinária de bloco. 18386.6 Limites de discretização para cálculo dos blocos de 28.08361X18.25492 X 7. obtém-se a estimativa no ponto de coordenadas (x = TAB. 3.50 27. y = 21. 72 Geoestatística: conceitos e aplicações .5 Pontos de dados vizinhos para estimativa da localização (X= 28. -----------.. À4 = 0.125 21.755 1 1 1 1 1 O vetor médio é substituído no sistema de equações (Eq.355 5. 2 29.971 8.25): cubagem por krigagem ordinária z.7.875 valor da função variograma correspondente à distância 4 28. 3.625 Para cada sub-bloco calcula-se o vetor contendo o 3 29. o vetor do lado y direito do sistema de equações (Eq.084 TAB.131 3 4x4x4 A variância de krigagem (Eq. 15.04 9.22) é substituído Sub-bloco X por um vetor médio considerando todos os sub-blocos 1 28. a~0 = 9.50 16.929 + 8.75.381 1 10 2 6x6 = 11.21) é igual a: Fonte: Journel e Huijbregts (1978.50 11. 3.655 15. 3.834 4 29.381 Resolvendo o sistema.

381=11.234 13. Os multiplicadores de Lagrange nos dois sistemas lineares (Eqs. portanto.355 18.21.234 o 1 À4 9.25561X7.834+0. Essa propriedade é denominada homocedasticidade ou variância constante. 3. sendo essas representadas pelo desvio padrão de krigagem tanto para krigagem pontual (Fig. como já foi visto.971 (3.O (Xo) = 0.23).095+0. Na Eq. Desse modo.746 o 13.192 1 >. os teores estimados e as variâncias de krigagem resultaram em valores muito próximos entre a krigagem pontual e a krigagem de bloco. obtêm-se mapas com valores estimados e de incertezas. À3 = 0. 3 Estimativas Geoestatísticas 73 .598 19.18528X11. verifica-se que os valores dos dados não são considerados no cálculo e. a variância de krigagem ou de estimativa depende apenas da distribuição geométrica dos pontos e do modelo de variograma. 3. exceto na krigagem da média. daí o seu sucesso em aplicações em problemas de avaliação de recursos minerais.217 Nesse exemplo. pode haver dois arranjos de pontos vizinhos próximos em partes diferentes de um mesmo domínio espacial e apresentando valores de variância de krigagem iguais. Não há grandes diferenças entre os mapas estimados por krigagem pontual e krigagem de bloco. 2.45299 Assim. 3. >.256 18. Ao analisar as expressões da variância de krigagem (Eqs. Os mapas das incertezas mostram claramente que os valores mais baixos encontram-se sobre os pontos de amostragem.2 14.234 17.234 1 À3 = 6.75.488 1 À1 14.627+0.15}.20 e 2.23} resultaram em valores negativos.598 o 11.755 1 1 1 1 o µ 1 Os ponderadores da krigagem ordinária são: À1 =o. A krigagem ordinária foi o primeiro método de estimativa a fornecer uma medida de incerteza pela variância de krigagem. 18528.25561.08634x 18.23) 17. como já mostrado. a expressão da variância de krigagem leva em consideração o multiplicador de Lagrange. µ = -0.47277X11.19 e 3.21). Não existe simplificação possível em que a variância de krigagem resulte no multiplicador de Lagrange.47277. o 18. À4 = 0.488 19.2 = 0. Diferenças maiores seriam observadas para dados apresentando maior variabilidade e para blocos de dimensões maiores. Prosseguindo os cálculos (Arquivo 11.14} como para krigagem de bloco (Fig. a estimativa do bloco centrado em (x = 28.22 e 3. irá subtrair essa quantidade do somatório do produto função variância x peso da krigagem. Na verdade.145 A variância de krigagem de bloco fica: ~0 =9.08634.25} é: z. 3. Anexo B . e y = 21. são independentes desses valores.Figs. 3. sendo negativo.746 18. que.192 11.

04272 4. 3. O teor médio é o mesmo nos dois blocos. Parâmetros de interpolação: OX = DY = 2. 306). 3. 3. Parâmetros de interpolação: DX =DY =2.15 A) Mapa de teores estimados por krigagem de bloco e B) mapa do desvio padrão da krigagem. proposta por Armstrong (1994. a variância de krigagem é exatamente igual nas duas situações. mas a incerteza associada no bloco A deveria ser menor que no bloco B.5 e 1ponto por quadrante A Fig. haja vista ela ter sido calculada com o mesmo modelo de variograma e configurações idênticas de pontos de dados. Fig. Portanto. essa medida não reflete a incerteza 74 Geoestatística: conceitos e aplicações .14 A) Mapa de teores estimados por krigagem pontual e B) mapa do desvio padrão da krigagem.662 17 1.27123 1:1:1J 11-1:1 1 1 ! 1 l:J 1 1 50 50 40 40 + + 30 ( + 30 + 20 + 20 + 10 10 + t + + o 10 20 30 40 50 o 10 20 30 40 50 Fig.81421 3.71950 23. mostra dois blocos em posições diferentes de um mesmo depósito. Entretanto.5 e 1 ponto por quadrante 0 ® 5. Esse é o caráter homocedástico da variância de krigagem.77682 14. p.16.

2. resultando e m 10.17 A) Mapa de teores estimados por krigagem de bloco e B) mapa do desvio padrão da krigagem. 3.000001 (Fig.16 Estimativa de blocos com a mesma configuração de pontos { y(h) = 3. Os resultados da krigagem ordinária encontram-se na Fig. 3. é possível verificar os pontos amostrais coincidindo com pontos de baix a incerteza.48452 1. que tem como modelo de variograma (Eq.10587 4. Com base no mapa da Fig. Para esse fim. mas tão somente a configuração espacial dos pontos de dados para um mesmo modelo de variograma .03970 1. Anexo B .24).18.5 e 1 ponto por quadrante 3 Estimativas Geoestatísticas 75 . ou seja. 0 ® 0.17.338 foram estimados por pertencerem à fronteira convexa. 3.19 -Tabs.11). extraíram-se pares de pontos que foram interpolados e que resultaram na mesma variância de krigagem (Fig. 3. Antes de prosseguir. 738).s( 14~16 ) ] 3 parah<14. B) grande incerteza Fonte: Armstrong (1994.24040 8. dos quais 8. p. 306).59487 50 50 40 40 30 20 20 10 10 + o 10 20 30 40 50 o 10 20 30 40 50 Fig.8 e 3.s 14~16 -o.9) e outros em que a diferença entre as variâncias de krigagem foram inferiores a 0. por meio da 0 11 2 a n álise de diversos conjuntos de pontos usados na estimativa de pontos não amostrados. praticamente iguais .6 para h ~ 14. 3.16 Fig. considerando a precisão do ajuste do variograma. Isso significa que os pontos amostrais são os mesmos para diferentes localizações dos pontos não amostrados.Figs. as variâncias de krigagem para os pares (A-B e C-D) foram exatamente iguais. Parãmetros de interpolação: DX = DY = 0. considerar a amostra do conjunto 8 7 9 l 7 o lognormal (Arquivo 12.16 de dados: A} pequena incerteza. Na Fig.5.21 e 2. 3.37493 0. com abertura DX = DY = 0. assim como os multiplicadores de Lagrange.10 e 3. 2.3): 12 37 -y(h)=3. 3.17B. 3. seria interessante entender como se apresenta a homocedasticidade.000 pontos.associada à estimativa. 3. A interpolação foi feita em uma malha regular bem fechada. No mapa dos desvios padrão de interpolação. de acordo com Joumel e Rossi (1989.6 [1. p.18-Tabs.

4 5.5 2.783538 ª~o 1.5 2.75. 3.34.7 25.18A e 3.8 10. respectivamente Xo = (8.251 0.34.211 l 32.2 3. 37.25.-.5 8.186156 0. >..5 8.251 0.18 Diferentes localizações dos pontos interpolados em relação aos pontos vizinhos (A-B e C-D).5 .5 10..5 39.0 1..5 12.493298 0.50 0.5 1--~-----~-~..327584 1.327584 µ -0. >.5 43.25).5 10.7 1 0.50 0.671 0.50 41.129344 0.50 1..6 7.2 3.089 0.5 45..214 0.5 0.6 7.471 32. ---. 41...188.5 41.0 ·1.5 12.297 23.50 43.1 30.522704 4.. 43..25.5 4.671 45.5 1.5 6.l 27.9 27. ·2~9_ 7 _ _. resultando em variâncias de krigagem e multiplicadores de Lagrange iguais TA B.161796 z.. 3.140751 76 Geoestatística: conceitos e apHcações .5 39. 3..4 5.5 -------~--º-'-- 1 .50 0.5 0. 43.-.251 37.75) Xo = (6.8 10.140751 -0.5 4..522704 0.5 6.8 Pontos de dados para estimativa por krigagem ordinária de x0 = (8.0 X X Fig.5 .5 43..129344 11. ( A) ( s) >.161796 0. ..351 0. .75) e X 0 = (6.-..5 X X (e) (o) >.186156 3.50 46.0 1. 0 (Xo) 0.5 .5 1--~-----~-""~'--~ 23. representados nas Figs..47.75..3~ 0.-.. 2. -1.3 30. 41.089 41.47.50 38.9 25.25) X y Z(x) Pesos Pesos 10.

18C e 3.50 24.50 2.065831 3 Estimativas Geoestatisúcas 77 .902825 0.471 0. respectivamente Xo = (1.211 0.563223 ª~o 0. representados nas Figs. 3.180.148312 0. 26.50 32.50 0.148312 7.50 0.077132 0.019869 0.019869 z.25.902825 µ -0.25. 31.754688 0.754688 0.0 (Xo) 0.25) X y Z(x) Pesos Pesos 7.25. 9 Pontos de dados para estimativa por krigagem ordinária de Xo = (1. 26.214 0.TAB.25).297 0.297810 0.75) e X 0 = (1.50 33.75) Xo = (1.25. 3.50 0.065831 -0. 31.077132 0.50 25.

Por exemplo.50 1.650 0. Nesse sentido.75.19B.889022 º~o 2 1. 3. 3. portanto.898100 z.495009 10.573413 2 1.19A e 3. As situações de mesma variância e multiplicador de Lagrange podem explicar que a variância de krigagem é somente um índice de configuração espacial dos pontos. Yamamoto (2000.237890 38. 3.25) e Xo = (39. representados nas Figs.50 0. 27.213 0.351 0.50 46. a incerteza da estimativa é muito menor que a incerteza da estimativa no ponto da Fig. 42.089008 33.11 Pontos de dados para estimativa por krigagem ordinária de Xo = = {13.50 24. ainda há pesquisadores que ignoram isso e propõem usar a variância de krigagem para classificação de reservas minerais.75. 3.315590 1.50 0.0 cxo) 3.340 0. Contudo.671 0.8 e 3.25) Xo = (39. p.50 3.25.398801 45. 3.50 32.75) Xo =(36.50 31.50 41.50 24.470390 45.094 0.75. respectivamente Xo =(47.50 0. a qual denominou variância de interpolação: 78 Geoestatística: conceitos e aplicações . 35.1 O Pontos de dados para estimativa por krigagem ordinária de Xo = (47.781 0.135444 38.75) X y Z(Xi) Pesos X y Z(Xi) Pesos 15. 27.50 40.50 19.50 3. não aceitas.213 0.50 0.50 38.781 0.044237 TAB.75).50 0.502793 49. 3.19A.000001).50 30.25.190.707 0. 29.661819 z. representados nas Figs.072105 2 1.581 0.50 32.50 46.25) X y Z(xj) Pesos X y Z(xj) Pesos 48. segundo Armstrong (1994). de uso da variância de krigagem para fins de cálculo do intervalo de confiança da estimativa e. a variância de krigagem não pode ser utilizada como medida de incerteza associada à estimativa da krigagem ordinária. quando se analisa a Fig.491 0.50 38. frequentemente surgem novas propostas.065462 µ -0.158258 46.0 cxo) 5.140597 As Tabs. 3. verifica-se que arranjos e pontos completamente diferentes também resultam em variâncias de krigagem praticamente iguais (. 35.é <0.19.25).50 25.50 2.50 1.094 0. TAB.0 cxo) 1.25. 3.50 30.910 0.097186 z.50 0. Apesar disso.333049 11. Como a variância de krigagem não pode ser usada como uma medida da confiabilidade da estimativa feita pela krigagem ordinária.013819 z.537658 31. na Fig.50 30.315590 OKO µ -0.50 3.0 cxo) 0. 29.198. 3. respectivamente Xo =(13.739 0.19.19C e 3. 491) propôs o uso de uma alternativa para a medida da confiabilidade das estimativas de krigagem ordinária.072105 OKO OKO µ -0.50 0.140597 µ -0.006012 38.50 8.75) e Xo (36.75.50 8. O mesmo se verifica nos pares C e D da Fig. 42. Por essa razão.084588 41.253 0.365340 38.50 0.074756 15.9 mostram que pesos iguais são aplicados para diferentes pontos amostrais.25. para classificação de reservas minerais.

0~1 + 2 l:. Teoricamente. p. 323). (3.24 encontra-se em Yamamoto (2000. 3.1) } N i=1 N i= t J-Fi O primeiro termo dessa expressão é simplesmente a média das variâncias de krigagem calculadas para os blocos de cubagem. a variância de interpolação para um bloco V pode também ser escrita de forma equivalente: 1 1 2 52V = . se um ponto de dado coincide com o ponto a ser interpolado.) Zv1 .z. 507-509). ou seja. p. • aumenta com a dispersão dos valores próximos utilizados na interpolação. de acordo com esses autores. E { ( z v 1. a variância de krigagem apresenta as seguintes propriedades: • garante a exatidão. 2000.Z* (xCO) J (3. 323). erros E { ( Zv1 . A prova matemática de que a Eq. 492-493).26) 1=1 A variância de estimativa global do teor médio pode ser escrita como: Segundo Journel e Huijbregts (1978. a soma dessas covariâncias não pode ser negligenciada com respeito ao primeiro termo. há necessidade de se determinar o valor médio da variável de interesse sobre todo o domínio do fenômeno espacial em estudo. De acordo com esse autor. a variância de interpolação será igual a zero. Muitas vezes. principalmente para pequenas distâncias.25 é equivalente à Eq.25 nada mais é que a média das variâncias de interpolação dos sub-blocos mais a variância entre os sub-blocos e o bloco.z~J as quais consideram combinações de pares Zv1Zv1 que se apresentam correlacionados.1 [Z (x1) . l:. 3. p."'52 + . o cálculo da 3 Estimativas Geoestatísticas 79 . O segundo termo envolve as covariâncias dos ( }. z~. deve-se determinar o teor médio e a incerteza associada.>. ela é similar à relação de aditividade de Krige (Yamamoto.z~. Observar que a Eq.24) pode ser aplicada tanto para a krigagem pontual como para a krigagem de bloco. o teor médio do depósito pode ser determinado como: 1 N Z* D = -N "1z* Li v. segundo Joumel e Huijbregts (1978. 3.) (z v1 . essa expressão pode ser desenvolvida como: 1 N 1 N N o~ = . considerando que o depósito 1 mineral é composto por N blocos de cubagem. p. 5~ é a variância de interpolação para o {-ésimo sub-bloco e Z* ( xCll) é o teor médio do {-ésimo sub-bloco. ao se fazer a avaliação de recursos minerais de um depósito. Assim. A expressão da variância de interpolação (Eq. 493). Por exemplo. p. l:. Se Z~ for o teor médio do i-ésimo bloco de cubagem.25) 1 1 em que Z~ é o teor médio do bloco V. 3. n 5~ = l:."'[z* nV Li 1 nV Li V .Z~K (Xo) J2 (3.24) i=1 Segundo Yamamoto (2000. pois. • usa indiretamente a informação estrutural por meio dos pesos da krigagem ordinária.

19 e as Tabs. 3. 3.20. compor essas variâncias individuais para calcular a variância associada ao teor médio do depósito.75. Xo = (8. 42.25) 3.25. 41.25.25) 3.263057 os pares A e 8 da Fig.25. 3.75) 3. 3. 3. entre Xo =(13.12 Variâncias de interpolação calculadas para os variáveis contínuas como para variáveis discretas. 29. 3. 63). por isso.318. ou seja.75) 3.27. em seguida.24) foram provadas matematicamente e. covariância do erro seria possível se o variograma fosse conhecido em todas as distâncias h dentro do depósito.• . p. conforme os resultados ilustrados na Fig. (2012.083012 Para enfatizar o exposto.29 para as variáveis discretas com o mapeamento da zona de Ponto para interpolação Fig. determinaram-se o teor médio global igual a 1. dessa forma. Todas as expressões derivadas da fórmula básica da variância de interpolação (Eq.g [zcxa)-z~J2 a=1 em que >. 3. 3. 35. Observar que se pode usar recursivamente a relação de aditividade de Krige para calcular a variância da krigagem de bloco. segundo Crozel e David (1985.190 11.20A. 788). a variância de interpolação do arranjo da Fig. verifica-se que a primeira Xo = (39.25. 27.48. p.198éde16. Para mostrar a heterocedasticidade da variância de krigagem.198 16.18C 0.25. o que comprova a confiabilidade da medida de incerteza por meio da variância de interpolação.718 (Eq. Uma proposta ao cálculo da variância global do depósito foi oferecida por Yamamoto (2001c.75. em seguida. p. 3. 31. mas o variograma é calculado apenas dentro do campo geométrico. ZD •]2 (3.27) N í=t N í=t Essa expressão é similar à Eq. Xo = (1.12).75) 3. 3. 3.8 a Xo =(6. 3. 3. p. inclusive arranjos das Figs. Por exemplo. 80 Geoestatística: conceitos e aplicações .191281 dispersão de valores muito maior que a que ocorre na Fig. os mesmos dados da amostra do conjunto lognormal (arquivo 12.118085 3.318030 com a variância de krigagem.27 equivale a: M s~ = L: >. 3.isv. anexo 8) foram processados. Yamamoto et al.19A e. 63) demonstrou que a Eq. Esses dados são muito importantes para qualquer estudo de viabilidade técnico-econômica que se faça necessário.25) 3.28 e 3. 3.18A 0. a variância de interpolação é igual a 1.11 serão.25. Além disso.180 0. 43. as Figs. 150) demonstraram que a variância global de variáveis categóricas também pode ser calculada de forma semelhante à Eq.75) 3.19A.19.708 (Eq. Com os teores krigados representados na Fig. para o arranjo da Fig.082493 da variância de interpolação (Tab. 52o incerteza.188 0. enquanto. e.25) 3. 3.18 e 3. consideradas segundo a metodologia Xo =(1. Yamamoto (2001c. 3.27).235390 Comparando os resultados da variância de interpolação Xo =(47. Isso significa que se pode usar a variância de interpolação tanto para TAB.480262 reflete sempre a dispersão dos valores.19C 0. 3.75. ~ [ Zv.19A 1. não são formulações empíricas.26) e a variância global igual a 3. o arranjo da Fig.g é o peso global definido associado ao a-ésimo ponto de dado Z(Xa). que se baseia na seguinte equação: SD ~ 2 + -1 Li 2 = -1 L. em no máximo metade das dimensões do depósito mineral.198 tem uma Xo = (36. 26.

01 6. -z~ ] =2.21 Distribuição A) dos teores médios calculados nos blocos de cubagem e B) das variâncias de interpolação Da distribuição dos teores médios (Fig.20 A) Mapa de teores estimados por krigagem pontual e B) mapa da variância de interpolação. Parâmetros de interpolação: DX =DY =2.03 9.53336 15.27 pode ser comprovada diretamente com os dados krigados (Fig.04 Teor médio º·ºº Variância Interpolação Fig. 3.708 1=1 e a variância: 1 N 2 r:JL [z~. 3.5 e 1 ponto por quadrante pois a incerteza é um fator determinante para qualquer tomada de decisão envolvendo aplicação de recursos financeiros.06561 ••••••111 -·: . 3.21.05 15. 3.21A). ® 0. pode-se calcular o teor médio do depósito: 1 N -N L:z~1 =1.207 •= 1 3 Estimativas Geoestatísticas 81 . 3.20). A validade da Eq.]·· ·· 40 30 20 o 10 20 30 40 50 o 10 20 30 40 50 Fig. como ilustra a Fig. B 60 40 20 o 12. 3.01342 7.15430 4.07 3.

a média do depósito será maior que a média dos pontos de dados. mas somente do modelo de variograma. essa constatação não exclui a possibilidade de se fazer simulação estocástica para determinação da incerteza. Assim. Esse efeito não é exclusivo da krigagem ordinária. mas também o variograma. também independente dos valores dos pontos de dados. espera-se que a krigagem ordinária reproduza não só o histograma. estudando o assunto. o que demonstra que as fórmulas empregadas estão corretas. chamar a atenção para as medidas de incerteza. nos quais se calculam blocos de cubagem acima de um dado teor de corte. propuseram algoritmos distintos para correção do efeito de suavização 82 Geoestatística: conceitos e aplicações . inverso da distância). 2007) e.510 + 2. que poderá ser ora positivo. superestimados. Além disso. tem-se a variância global do depósito: si= 1. para que possam ser usadas para inferir com segurança o fenômeno espacial desconhecido. por causa da restrição imposta. Por outro lado. de natureza homocedástica. mais recentemente. de tal modo que os valores mais altos são subestimados e os valores mais baixos.717 Nesse exemplo.218). calcula-se a média: 1 N -N L:si. 3. A krigagem ordinária.510 Somando os dois termos da variância. para classificação de recursos minerais. Yamamoto (2005. que é fundamental para estudos de viabilidade técnico-econômica. por outro lado. a distribuição e variabilidade espaciais do fenômeno em estudo. ora negativo. dependendo da geometria do arranjo de pontos de dados. A técnica da krigagem ordinária foi descrita nesta seção com o objetivo de mostrar como se pode aplicá-la para o cálculo de estimativa e. Evidentemente. não pode ser usada como medida de incerteza e muito menos para fins de cálculo do intervalo de confiança da estimativa e. ao mesmo tempo. mas de todos os demais métodos baseados na média móvel ponderada (p. i=l = 1. produz estimativas suavizadas. 5. A variância de interpolação. entretanto. ou seja. A correção do efeito de suavização pode ser feita pela aplicação de algoritmos de pós-processamento das estimativas. a média do depósito foi exatamente igual à média dos pontos de dados. Como exposto. Foi demonstrado que o multiplicador de Lagrange resultante da resolução do sistema de equações da krigagem ordinária não pode ser usado como uma medida de variância. em casos reais. ela pode ser usada para o cálculo da variância global do depósito mineral. que pode estar sub ou superestimada. os quais adicionam ou subtraem uma quantidade dependendo da estimativa. Do histograma das variâncias de interpolação (Fig. parece ser a única solução viável para determinação da incerteza associada à estimativa por krigagem ordinária. consequentemente.207 = 3. Asghari e Yamamoto (2011}.. ex. pois. Trata-se de um efeito colateral da krigagem conhecido como efeito de suavização. como será visto no Cap. é importante que as características das amostras sejam reproduzidas. que corresponde a uma variância. A única exceção é o multiplicador de Lagrange na krigagem da média. Rezaee. a variância de krigagem. No processo de inferência espacial.

como a variância de krigagem n ão é uma medida de incerteza. esse termo de não viés é baseado na teoria lognorrnal e usa a variância de krigagem Oournel. para o caso da transformada lognormal. 295). e sim uma distribuição simétrica com forma de sino. que trabalha com estimativas feitas no domínio dos dados transformados. Entretanto. 220-222) e está fundamentada na correção do efeito de suavização da krigagem ordinária. o ordinal decorre da classificação dos dados em ordem crescente. 3 Estimativas Geoestatísticas 83 . p. p. Resulta. a inferência.22 da transformada reversa das estimativas de krigagem enfileirada (Yamamoto. Deve-se somar um termo de não viés antes da transformada reversa. A transformada enfileirada nada mais é que a classificação dos dados em ordem crescente. que é usado para fazer a transformada gaussiana: ( ~~~ ). a transformada reversa é feita usando-se a função inversa da transformação não linear. não mostram mais a distribuição uniforme. 3.14). As estimativas são corrigidas do efeito de suavização para em seguida serem submetidas à transformação reversa. todos esses métodos fazem uso do estimador da krigagem ordinária (Eq. em razão da supressão dos extremos pelo efeito de suavização. 108). p. 3. sendo mais eficientes se aplicados a dados transformados em vez dos dados originais. cálculo e modelagem de variogramas experimentais para os dados transformados e estimativa em pontos não amostrados n o domínio da variável transformada e transformada reversa para a escala origin al. se essas estimativas forem transformadas de volta para a escala original dos dados. as transformadas reversas continuam apresentando vieses.1 Correção do efeito de suavização da krigagem ordinária Geralmente. Tais algoritmos serão descritos na seção sobre krigagem não linear. para retomá-las à escala original de medida. 1980. mas para dados transformados. 3. Esses métodos de estimativa envolvem a transformação dos dados originais. lognormal e indicadora serão descritos nesta seção. 3. ainda no domínio dos quantis. a transformada reversa é obtida aplicando-se a função exponencial. 3. não será confiável. Para justificar a necessidade da correção do efeito de suavização da krigagem ordinária.22.da krigagem ordinária. No caso da krigagem lognormal. Na verdade. conforme se pode verificar na Fig. com a base igual à usada na função logarítmica e o expoente igual à estimativa resultante no domínio lognormal.3 KRIGAGEM NÃO LINE AR Os métodos de estimativa que usam os dados transformados não linearmente são agrupados na categoria de krigagem não linear. portanto. as estimativas. n o quantil.3. A transformada reversa produz resultados enviesados em relação aos dados amostrais. Na verdade. considerar o exemplo mostrado na Fig. Essa transformação produz uma distribuição uniforme. Por exemplo. 2010a. se as estimativas apresentarem vieses em relação ao conjunto amostral. a distribuição resultante não será semelhante à distribuição amostral. Uma proposta diferente foi feita por Yamamoto (2007. Como a inferência espacial é feita usando-se a amostra. Os métodos das krigagens multigaussiana. Portanto. Por cau sa do efeito de suavização da krigagem ordinária.

Essa é a principal justificativa para a correção do efeito de suavização da krigagem ordinária de dados transformados não linearmente.6 0. O primeiro.58 6. caso as estimativas sejam corrigidas por meio do pós-processamento. Por outro lado.56 7.0 Zgauss(x) V(x) 1 Solução clássica Krlgagem ordinária l % 1 % .61 4. 3.54 0..55 7.2 0. Serão descritos dois algoritmos completamente diferentes para correção do efeito de suavização. 108). proposto por Rezaee.. Asghari e Yamamoto (2011). %.4 0. 2007). verifica-se que o histograma das transformadas reversas é muito semelhante ao histograma amostral.8 1.a 1. p.0 z•~oK v··•oK Fig.- Histograma upós reversa Estimativas OK 25 8 20 6 15 Reversa 10 2 5 6.------------. % .4 0.2 0.6 o.-- Histograma enfileirado 8 15 6 Enfileirar 5 3.61 4.59 5. e o segundo.00 z·oK v·oK Solução proposta l Pós-processamento o/o r-. proposto por Yamamoto (2005.59 5. %...54 ~20 ~40 ~60 ~80 1. mais recente. 84 Geoestatistica: conceitos e aplicações ... antes da aplicação da função inversa para retornar à escala original dos dados amostrais.----.54 0.56 7..-.57 6. l Hlstograma após reversa Estimativas OK corrigidas 8 15 6 Reversa 4 5 2 3.22 O processo da transformada reversa sem e com correção do efeito de suavização da krigagem ordinária Fonte Yamamoto (2010a.

Considerando Y (x) a variável aleatória resultante da transformação não linear (gaussiana ou logarítmica) da variável aleatória original Z (x).Y(xo) (3.30) { Yô: (Xo) = YôK (Xo) +delta· fator em que fator é uma constante que faz com que a variância das estimativas corrigidas var [Yô: (x 0 )] seja igual à variância dos pontos de dados transformados var [Y (X)]. a quantidade de correção Ns. Substituindo-se as quantidades de correção nas expressões da Eq.29) Observar que. respectivamente. e por delta= ymax-YôK(xo). se Ns. (Xo) = Y:o (Xo) + NS~ • So (3. 221).So. As duas variáveis serão interpoladas em pontos não amostrados. 3.29) pode estar supercorrigida. A multiplicação de Ns. o erro de estimativa é: Erro= y• (Xo). algumas vezes a estimativa corrigida (Eq. a estimativa corrigida pode ser expressa como: Y~. Nesses casos. associada à estimativa Y* (xo). Assim. transforma-se o erro em unidades de desvio padrão. têm-se. e o desvio padrão de interpolação So. para cada ponto amos- tral. fazendo com que ela caia fora dos limites mínimo (Yô: (Xo) < ymin) e máximo (Yô: (X 0 ) > ymax) dos valores dos pontos vizinhos próximos. as estimativas corrigidas podem ser calculadas como: Yô: (Xo) = YôK (Xo) + Ns. (Xo) = Y~K (Xo) + Y~50 (Xo) ·fator (3. fator (3. em cada ponto amostral. com So resulta na quantidade de correção do efeito de suavização.28). Yamamoto (2005. com o sinal trocado. p. Assim. ao multiplicar o número de desvios padrão Ns. Dividindo-se o erro de estimativa {Eq.28) Ainda como resultado do processo de validação cruzada. tem-se o número de desvios padrão NS 0 .30 por uma nova variável aleatória Y~50 (x 0 ). para cada ponto amostral têm-se o valor estimado e o valor original. Subtraindo-se o valor original do estimado. pelo desvio padrão de interpolação.. pelo desvio padrão 5 0 . 3. . chega-se ao erro de estimativa.0 (x0 ). cujo valor original é retirado do conjunto. < O. a incerteza So. p. A estimativa corrigida é então obtida como: r. A quantidade de correção poderá ser positiva ou negativa.31) 3 Estimativas Geoestatísticas 85 .- So Após isso. a quantidade resultante estará na mesma unidade da variável transformada Y (x). Assim. além da informação do ponto de dado Y (x). >O.y min. tem-se. dependendo da ocorrência de subestimativa ou superestimativa. O primeiro método tem como ponto de partida o processo de validação cruzada dos dados. após a interpolação. 3. a estimativa r. para cada nó da malha regular. 73) propõe chamar essa nova variável aleatória NS 0 de número de desvios padrão: -Erro NS0 = . com base nos vizinhos mais próximos. Ns. · 50 é substituída por delta= YôK (Xo) . se Ns. expressa como desvio padrão de interpolação. que consiste na estimativa sobre cada ponto amostral. Segundo Yamamoto (2007.

. A transformada gaussiana dos dados originais garante que a distribuição resultante seja normal. pois o termo entre parênteses nessa equação é a variável normal reduzida. 2007) e Rezaee. Embora a simulação estocástica tenha sido proposta em Geoestatística para correção do efeito de suavização da krigagem ordinária.33.. 3. p.. p. tendo em mente a necessidade de calcular corretamente o termo de não viés antes da transformada reversa.cxo)= (YõK(Xo}-E[YõK(Xo}]) ·VarJY(x)+E[Y(x)] (3. 221). Assim..2 Krigagem multigaussiana A krigagem multigaussiana é baseada na transformação dos dados para escores da distri- buição normal. conforme a notação usada neste livro.. a correção de Rezaee et al. fator é a raiz positiva dessa equação de 2° grau: -2cov ( YôK (Xo). p.3.32. enquanto para krigagem lognormal pode-se aplicar somente a correção de Yamamoto {2005.. e o escore bruto nada mais é que o dado transformado Y (x). O seu valor pode ser encontrado em Yamamoto (2007. 3. há necessidade de testar se a distribuição de dois. Asghari e Yamamoto {2011). p./K fator= -----'---=----. Asghari e Yamamoto (2011. Assim. tem-se: y~. 2007). três ou mais pontos é gaussiana. Substituindo-se as variáveis. a correção é baseada na bem conhecida equação de transformação: X= (Z). que trabalha sob a hipótese da multigaussiani- dade dos dados. Sx é o desvio padrão e X é a média do escore bruto X.. 3. (2011. essa condição não é suficiente para a krigagem multigaussiana. Yamamoto (2007. Pela natureza da correção proposta na Eq. Como essa verificação é muito difícil 86 Geoestatística: conceitos e aplicações . 26-28). Y~50 (Xo)) + .33) Jvar [YôK (xo)] Observar na Eq. As propostas descritas utilizam a correção do efeito de suavização. com média zero e variância igual a 1. Uma proposta completamente diferente à descrita foi apresentada por Rezaee.33 que o termo entre parênteses do lado direito é o escore Z da Eq. Segundo esses autores. 121). ela nunca deve ser aplicada para cálculo do termo de não viés da krigagem não linear. p.--- 2Var [ Y~ 50 (Xo)] em que A é o discriminante da equação de 2º grau. Para a krigagem multigaussiana têm-se as correções de Yamamoto (2005. 3. 221) mostrou que a igualdade Var [Y(x)] = Var [Yõ: (Xo)] resulta na seguinte equação de 2° grau: Assim.32) em que Zé o escore conhecido. Entretanto... segundo Yamamoto e Chao (2009.Sx +x (3.. 26-28) é aplicada somente para fazer a transformada reversa da krigagem multigaussiana. deve-se trabalhar sempre no domínio gaussiano.

pode ser obtida com: n 2 s~ = LÀi [Y(x1)-Y~G (Xo)] i=l Tradicionalmente. 0.yp).80 0. 0.4). e que pode ser resolvida numericamente usando a regra 0. neste livro será adotado o teste de bigaussianidade dos dados proposto por Goovaerts. 3.50 0. a hipótese de multigaussianidade. deriva-se a função covariância Cr (h) = Cr (O) - 'Yr(h). por meio da comparação de variogramas. os variogramas experimentais e teóricos correspondentes aos percentis são 0. 3. 128).28155 • para os mesmos escores Yp. a variância de 3 Estimativas Geoestatísticas 87 .52440 • finalmente. os quais foram propostos por Goovaerts (1997. como termo de não viés. a solução adotada para fazer a transformada reversa do resultado da krigagem multigaussiana leva em consideração.1).13 derivam os escores da distribuição normal acumulada Yp (por exemplo. 0.40 -0.84162 'Yr(h.70 0. adota-se o teste de bigaussianidade.20 -0.para distribuições multipontos. • em seguida.1 e Fig.52440 • em que a função de distribuição acumulada gaussiana é calculada como: G ( h. estabelecem-se alguns percentis p (por exemplo.60 o 0. Segundo Yamamoto e Chao (2009. nove decis • com os escores. então se aceita a hipótese de 0. • com o modelo da função variograma.84162 comparados entre si. 3. os escores da Escores da distribuição normal acumulada para distribuição para os nove decis na Tab.90 1. nove decis). consequentemente. medida pela variância de interpolação. determinam-se as respectivas variáveis indicadoras (Eq. consiste em testar se a distribuição de dois pontos é também gaussiana. cujo estimador é: n Y~G(Xo) = LÃtY(xt) (3. Decis Escores mentais y* (h. na prática. mas a variância dos dados após a transformada gaussiana tende a 1 quando o número de pontos de dados tende ao infinito (Tab.6).yp). Se os pares mostrarem boa aderência. p. Em vista disso. 3. pode-se proceder às estimativas por meio da krigagem multigaussiana.25335 de integração de Simpson. • as variáveis indicadoras assim obtidas são usadas para calcular os variogramas experi.1.10 -1. 271-275) e Emery (2005. que. Yp) = p2 + 0.28155 bigaussianidade dos dados e. A incerteza associada à estimativa. 167-169). p. existem dois métodos para realização desse teste.yp) =p-G(h. o patamar da função variograma não é necessariamente igual à variância amostral.25335 2~ I arcsinCr(h) [ -y2 ] exp l+s:ne d8. p. o teste proposto por Goovaerts mostra-se mais robusto em relação ao de Emery.13). Além disso. calculam-se os variogramas teóricos da variável indicadora: 0. dos quais se TAB. Basicamente. 3. A função covariância deveria ser calculada como Cr(h) = 1. • os dados transformados Y(x) são usados para cálculo e modelagem do variograma experimental Yr (h).34) 1=1 Os ponderadores são obtidos conforme a metodologia descrita para a krigagem ordinária. que consiste no seguinte: • os dados originais Z (x) são transformados para o domínio gaussiano Y (x) (seção 3.30 -0.yy(h). Após a verificação da multigaussianidade dos dados.

os o • º·ººo 10 20 30 50 "º Leste 5 10 15 20 25 h Fig. Inicialmente. C) mapa de pontos da variável indicadora para a mediana (círculo cheio vermelho tem indicadora igual a 1 e círculo vazio.23A). B) variograma experimental e modelado dos dados após transformação gaussiana e o modelo da função covaríância.yp)=p 2 +-. portanto. Exemplo de aplicação da krigagem multigaussiana Para esse exemplo foi escolhido o Arquivo 12 (Figs.1 • 0.23 Síntese do procedimento do teste de bigaussianidade dos dados: A) transformação gaussiana dos dados. tanto por meio da Eq. apropriada para fazer a transformação gaussiana e. 3.15 o • • •• o 0.0 o. l dO ·~ 40 • o o • 2 o o o 30 o o o o o ~ 0.30 • 20 o • • o • "' e> 0. essa opção não será considerada neste livro. 2010.4 e> 0. A 'â' ~ -0.rf 1 0 '~''"'J Ih! exp [ . que apresenta uma distribuição lognormal e.0 -1.31: (3. A transformada reversa pode ser obtida aplicando-se a função inversa da estimativa corrigida. indicadora igual a zero).33 como pela Eq.35) em que cp. 2.0 3x0 5 10 15 20 h 25 ~ o z so ~ e • • • • o o o ºo o o G(h. Assim. ~ 1.10 • o • o.21 e 2. consequente mente.3 _ º·ªj 0.5 -. faz-se a transformação dos dados para uma distribuição normal.24). o.20 10 o • o • • • o 0.3 /1 )( "'~ 1.0 ·2.0 2.5 1 0.25 o • o ••• 0. 0.1 ( ·) é a função inversa da transformação gaussiana.2 · 0. 3. Anexo B.o 1. 3. 3.3. Pelos motivos já expostos e principalmente porque a variância de krigagem não é uma medida efetiva de inceneza. com média zero e variância tendendo a 1 (Fig.35 ® o o o • • • "'E 0. D) variograma experimental da indicadora (em vermelho) e variograma teórico obtido com base na distribuição normal (equação entre Be D) (linha cheia azul) 88 Geoestatística: conceitos e aplicações . p. a krigagem multigaussiana. o primeiro passo para a krigagem multigaussiana é fazer o teste de multigaussianidade dos dados. 213).o -3. krigagem e o multiplicador de Lagrange (Emery.0 .l +~no Y Y~.

250 0.000 0. O variograma teórico da variável indicadora da distribuição normal é ob tido como (Fig.840 0.751 0.028 0. calcula-se o variograma teórico da variável indicadora de uma d istribuição normal.250 16.135 3.058 0.000 0. conforme o procedimento descrito.182 6.0.000 0.217 9.000 0.5 11 16 .227 10.725 0. 3.266 0.000 0.000 0.000 0.250 0. ? 1 0.84 [ 1. 3.250 0.000 º·ººº º·ººº 0.5 ( 1: 16 ) ].000 0. Com os dados transformados .348 0.000 0. 3.yp) -Yz(h.205 0.250 21.000 18.426 0.yp) 0. TAB .000 0.000 0. 3 Com base na função covariância modelada (Fig. determina-se a covariância Cy (h) que será utilizada n a integral (vide equação da Fig.207 8.271 0. cujo modelo é descrito por yy(h) = 0.147 0.000 0.663 0.250 20.409 0.250 24.84 .168 5. para cada distância h.250 17.250 0.000 0.250 0.250 0.000 0.000 0.000 0.5 14~16 .385 0.365 0.000 0.251 0.293 0.238).098 0.000 0.000 º·ººº 0. 14 Valores usados no cálculo do variograma teórico da indicadora da mediana da distribuição normal h Cy (h) arcsenCy ( h ) G (h.318 0.516 0.23D): A Tab.250 15. 3.028 0.000 0.000 0.204 0.000 º·ººº 0.249 14.000 0.246 13.000 º·ººº 0.195 7. e a função covariância é: Cy (h) = 0.283 0.000 0.250 19. 3.250 0.5 (i 4~16 )3].250 0.494 0.000 0.098 0.254 0.000 0.268 0.250 22.997 0.000 0.250 0.241 12.091 1.338 0.250 3 Estimativas Geoestatísticas 89 .000 0.250 0.058 0.259 0.000 0.000 0.250 0.84 [ 1.000 0.577 0.414 0.238).008 0.14 mostra os valores usados para o cálculo do variograma teórico da variável indicadora da mediana da distribuição normal.148 0.615 0.273 0.850 0.008 0.000 0.250 25. 3.000 0.115 2.000 0. 0.000 0.234 11.305 0.332 0.250 23.152 4. O exemplo mostra o variograma da variável indicadora para a mediana da distribuição.250 0.345 0.000 º·ººº 0.000 0.000 0.000 0. calcula-se o variograma experimental (Fig.250 0.000 0. Assim.23).000 0.

em geral.14 Vl Vl Ili 0.24).14 Ili VI VI ll ~ • . Círculos cheios = pontos dos variogramas experimentais.o 0. 92).07 0. Evidentemente.00o 5 10 15 20 25 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 Distância Distância Distância "'0. O variograma teórico é comparado com o variograma experimental obtido com os pontos de dados (Fig.14 -~ 0.o 0.14 ·~ 0. existem diferenças. 3.07 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 Distância Distância Distância Ili E 0. "'a._--=--. Ili E 0.21 ·~ 0...21 ·~ 0.07 0.35 E 7º Decil E 8º Decil E 9º Decil "'a.Q7 0. é importante que a estimativa tenha uma distribuição próxima da distribuição amostral. 3.21 ·~ 0.28 o ·~ 0.28 ~0.28. 0.14 ·~ 0.07 0.23C).35 E Ili eo..:! ~ 0.28 o ~ 0. mas constata-se que.24 Teste de bigaussianidade da amostra do conjunto lognormal. por causa da maior quantidade de pares possíveis para o cálculo dos variogramas experimentais.07 1 o. 3. o ajuste entre os pontos do variograma experimental e a curva do variograma teórico pode ser considerado bom.230. assim como suas estatísticas.21 ·~ 0.35 lº Decil Eo. elas estão correlacionadas entre si (Fig.. Existem algumas diferenças nas imagens resultantes. e as maiores ocorrem para valores baixos (até Z(x) = 5).o 0.21 > > > ·~ 0. As estimativas transformadas de volta para o domínio original usando as Eqs.21 > > > ~ 0.880).21 -~ 0.25 (p. 3.33 encontram-se na Fig.14 -~ 0.14 ·~ 0. 3.14 Vl Vl Vl O.31 e 3. p.14 ·~ 0.21 > > > -~ 0.35 4º Decil "'0. no processo de inferência espacial.28 ~0.07 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 Distância Distância Distância Fig. 92). linha contínua =variograma teórico deduzido do modelo de covariância e distribuição normal O melhor ajuste sempre ocorrerá com o variograma da indicadora da mediana. mas a condição mais importante a ser verificada é a aderência das distribuições calculadas em relação à distribuição amostral.35 Ili 3º Decil "'a.35 "'0.07 0. diferenças existirão entre as duas alternativas usadas. uma vez que. 3.07 0.28 a.28 o a.26. 3.28 o ·~ 0. 90 Geoestatística: conceitos e aplicações . Essa verificação é feita para o conjunto de variogramas experimentais e teóricos (Fig. 0.o 0.21 ·~ 0. que mostra um razoável ajuste para os demais decis. Embora a correlação seja razoavelmente boa (0.35 2º Decil E 0.o 0.35 Ili 6º Decil "'a.35 "'0.28 "'a. Como se pode observar na Fig.

32).33 Pode-se verificar nessa figura que.27 mostra as curvas acumulativas da va. a reprodução das características da amostra seja importante. produz resultados muito diferentes daqueles obtidos após a correção da suavização.095 gens (Fig.28 (p. 94).923 próximos em termos de reprodução do histograma Quartil inf. 3.16 a 3.TA B.19 (p.107 0.33. os dois resultados podem ser considerados satisfatórios. Qualquer uma dessas propostas produz estimativas transformadas sem viés em relação às estatísticas amostrais. Considerando que as distribuições das transformadas reversas.27).348 0. 3. 3.19.348 0.117 1.131 de correção da suavização produzem resultados muito Mediana 1.100 0. 2.25) se devem às metodologias completa - mente distintas usadas na correção. Pode-se observar que a transformada reversa.16 a 3. como se trata de uma amostra com apenas 64 pontos. 3.906 2. 3. 3.33 é a simplicidade de implementação. embora requeira o trabalhoso teste de bigaussianidade dos dados.15 Estatísticas amostrais e das estimativas riável original e das estimativas transformadas para transformadas por krigagcm multigaussiana o domínio original de medida. 3. conforme listagens dos pontos de dados nas Tabs. 93). sem a adição do termo de não viés.089 1. em que blocos de grandes dimensões são avaliados por amostras de testemunhos de sondagens localizadas na vizinhança destes.095 0. As diferenças verificadas nos mapas-ima- Mínimo 0. Os resultados apresentados mostram claramente que as distribuições resultantes têm excelente aderência à distribuição amostral. var. para a inferência espacial. na Fig.004 estatísticas dessas distribuições podem ser compara- Coef. 3. quatro pontos não amostrados que foram interpolados usando-se a krigagem multigaussiana. As Desvio padrão 1. 0. Nessas tabelas. 3.707 1. Evidentemente. Com o objetivo de examinar as correções envolvidas e permitir ao leitor acompanhar os cálculos envolvidos.126 1. As transformadas reversas foram feitas sem e com os termos de não viés.168 das (Tab. em termos qua- N 64 334 334 litativos. a aderência das distribuições das estimativas Média 1. isso não se aplica diretamente no cálculo de recursos minerais. as estatísticas descritivas muito próximas das estatísticas amostrais. portanto. pois consiste na aplicação da equação de transformação (Eq. 3. conforme relacionadas nas Tabs. com.125 2.15). A krigagem multigaussiana.708 1. 3. Estatística Amostra Eq. pode produzir resultados interessantes quando a distribuição amostral for lognormal ou apresentar assimetria positiva. verifica-se que qualquer um desses métodos proporciona resultados interessantes. 3. Mas.923 1. satisfazendo a hipótese adotada para a inferên- cia espacial do fenômeno em estudo.781 8. de acordo com as Eqs.781 As estatísticas confirmam que as duas propostas Quartil sup.348 amostral. Máximo 8. a variável Z~G (Xo) é obtida por transformação reversa de Y~K (x 0 ) .113 2. após aplicação dos termos de não viés.31 e 3. apresentam-se. A vantagem da correção proporcionada pela Eq. Pode-se afirmar que a transformada reversa sem a 3 Estimativas Geoestatísticas 91 .781 8. 3. Cabe salientar que essas conclusões são válidas à luz da hipótese de trabalho em que. reproduzem a distribuição amostral (Fig.31 Eq.716 transformadas para a distribuição amostral é boa. A Fig. 1.

00 50.31.-f + + s.95 § 99.00 :>lo 10 J 95.--~~-~ 0.0 0 40.-.880 + 90.0 10 (Zlog) + (Z**OK) + (Z***OK) 0.00 ..25 Mapas-imagens das transformadas reversas das estimativas corrigidas da suavização da krigagem ordi- nária segundo: A) a Eq.1 1. conforme as Eqs... 3. ..00 20......78063 0.10 o.50 o 99.00 Coef..09479 4.. 3... 3.00 º·ºº 10._ •lllCJIJI[IJil~IIJ[D~ 4 0 .00 50.26 Diagrama de dispersão entre as transformadas rever......os + + O.00 30.. 50.r-l""l'"""T-r-.31 e B) a Eq..-r-r-r.43771 8.00 40 ..00 40...99 ro j Diagrama P-P: 0.00 . 3.0 + +++ .00 20.0 10 Fig. 3.00 10.31 (eixo das ordenadas) e 3.. -if*+ 10.09479 4.0 0 lO OO l + + 0 .00 20.00 o...00 º·ºº 10.00 º·ºº Fig.0 0 1..90 ~ ~ 99..00 20.00 30.00 20... 3..69 1.00 :Ili> .1 0.00 30.00 " + + ~ +* +++ +J!=t- ~ + + ** + 30.43771 8. 3....00 30.._~ :t -!f-+ + 0.oo ++ + +:I= -ii-+ + 17+ ·+ A + + + + 1.78063 .33 (eixo das estimatvas transformadas conforme Eq.. correlação=0. 99. gaussiana.01 0. quadrado azul = esti- abscissas) mativas transformadas conforme Eq...Ol f-----~~--~~~~. 10 1.-.42 :....so .27 Distribuições acumulativas da distribuição amostral e das Z***OK transformadas reversas de estimativas obtidas por krigagem multi· Fig.---- ~ 0.00 "4..33 ~ 99.33 92 Geoestatística: conceitos e aplicações .: 70. Cruz vermelha = distribuição amostral.00 · + + 40. 3... círculo verde = sas.' + 60.001 N + 00.

25.17307 40. 3.08726 0. 3.50 32.50 17.03363 0.31 e 3.68335 7. (Xo ) Z!.50 18.50 42.84162 2.00000 0.40712 5. 3.78788 2.86961 8.02419 -1.73018 adição do termo de não viés correto (Eqs.50 0.68664 0.83829 8.90139 23.50 41.27311 .63162 0.50 0.35 1.11924 19.68335 0.23889 0.01928 1.12961 1.50 36.50 12. 3. 3.00000 0.90139 26.68264 30.13538 0.51808 .50 41.05911 -1.50 0.50 0.32668 4.09423 39. y = 21.01516 0.i~ (Xo) Método de correção Yô.50 0. 3 Estimativas Geoestatísticas 93 . 19 Pontos de dados para interpolação do ponto (X = 33.33389 0. (Xo) Z~G (Xo ) Eqs.50 0.59201 0.08914 8.50 31.63392 24.50 0. (Xo) Z~~ (Xo ) Método de correção YÔK (Xo ) Z~(.35 1.15974 3.01138 0 . y = 8.50 0.06309 1.50 0.25) X y Pesos Y( Xi) Z(xi) X y Pesos Y(X i) Z (Xi) 39.50 0. 3 .50 43.05412 0.51869 33.44066 27.39967 1.13538 1.08726 3.3.50 4.04594 -0.50 15.25. 18 Pontos de dados para interpolação do ponto TAB . 3.50 0.95721 0.10225 0.50 21.00000 -0.50 0.18062 Eqs.35 -1.50 0.50 0.18582 26. 3.04470 0.50 6.86961 8.17239 36.50 30.04430 2. (Xo ) Eqs.50 0.36288 45.35047 31.48647 5. 17 Pontos de dados para interpolação do ponto (X= 16.31 e 3.17442 1.31 e 3.11846 44. 3.35047 38.38574 Eqs.0. 3.27194 35.50 0.25) (X= 36.50 4.33 e 3.15974 3.31 e 3.50 14.50 28. em termos da distribuição e variabilidade espaciais do fenômeno espacial em estudo.03073 -0.0.33 e 3.49132 26.59582 0.50 48.42291 14.50 7.75) X y Pesos Y(X i) Z(x1) X y Pesos Y(x1) Z (x1) 21.3 Krigagem lognormal A krigagem lognormal se destina à solução de problemas de estimativa quando a variável de in teresse Z (x) segue uma distribuição lognormal.50 0.iG (Xo ) Sem correção YôK (Xo) z:.65087 7.50 0.95721 3.44490 Eqs.25253 33.50 22.12984 Eqs.16948 1. 3.50 34.35 1.66105 .23884 Mé todo de correção Yô.75.44395 14.38656 33.17011 1.0.34801 27.50240 0.50 0. y = 41 .11882 -0.50 0.50 31.60596 41.50 42.23221 1.1.52730 1.50 0.23167 14.33 e 3.50 0.50 39.iG(Xo) 1.31 e 3.36170 Eqs. 3.00000 -1.50 0.33 e 3.10060 Eqs.TAB. originando uma forte assimetria positiva na distribuição de frequências.50 18.37496 1.50 36.50 0.24029 0.18961 Método de correção Yô.67654 0.61202 Sem correção YÔK (Xo ) Z~G (Xo) Se m correção YÔK (Xo) Zt~G (Xo ) -0.50 0.50 34.84162 0.50 28.17362 TAB.54199 0.68664 2.33389 1.1 6 Pontos de dados para interpolação do ponto TAB.25.02199 0.17275 3.25) (X = 31.73964 40.50 0.50 0.50 0.35 2.00244 -0.49132 Sem correção YôK(Xo) Z!.31247 29.16004 0.50 13.84162 2.11842 1.50 0.44066 33.1. A distribuição lognormal se caracteriza por uma distribuição com grande quantidade de valores baixos e uns poucos valores altos.08361 -1.50 0 .46113 0.27371 1.35 -0.50 40.50 0.51869 29.08726 3.50 14.86961 0.29004 9.50 0.33) pode levar a resultados discordantes da realidade. y = 36.20912 0.61202 33. 3.05880 1. 3.32668 4.48107 0.35 .44579 -1.35 .

28 Pontos não amostrados e arranjo de dois pontos mais próximos por quadrante para estimativa por meio = = da krigagem multigaussiana: A) Xo (16. há o grande risco de algumas estimativas serem negativas. p. Os valores representam os dados após transformação gaussiana Na análise estatística. B) Xo (36.20 16 -0. Estimadores baseados na transformação logarítmica são denominados krigagem log- normal. ® >. C) Xo = (33. 6)..50 ® 45 46 1. 3. Tanto a krigagem simples como a ordinária podem ser usadas como estimadores. Além disso.334 -0. nesses casos.160 25+-~~~~~~~~~~~~_.25). o que é inaceitável se a variável de interesse for estritamente positiva (p. 41.25.592 12 8 14 0.25. Assim. 75). teores).087 40 42 38 34 2.50 © >. ex. 8. 36. 3. a solução é a transformada logarítmica baseada na Eq. que deve preceder qualquer estudo de natureza geoestatística.375 4 0.25). 21.25.25). se o algoritmo da krigagem ordinária não incluir a eliminação de pesos negativos.75. 94 Geoestatística: conceitos e aplicações . haverá o risco dos poucos valores altos contaminarem regiões com valores baixos.2). D) Xo = (31. segundo Yamamoto e Furuie (2010. 30 25 30 35 40 45 50 20 24 28 32 36 40 X X Fig.3. pode-se verificar o tipo de distribuição de frequências da variável de interesse examinando o histograma e as estatísticas (média maior que a mediana e coeficiente de variação maior que 1. Se for conduzida uma interpolação espacial dos dados originais da variável Z(x).502 10 o 8 12 16 20 24 28 25 29 33 37 41 45 X X >.

t (Xo} = exp ( r:o (Xo) + y~So (Xo). Assim.~L (Xo) = exp (r. p. 6): z. somente o termo de não viés obtido segundo proposta de Yamamoto (2005. A fórmula clássica usada em Geoestatística para fazer isso é aquela proposta original- mente em Journel (1980. 3.n}. ou seja. como já exposto. o termo de não viés é igual à metade da variância de krigagem menos o multiplicador de Lagrange. por meio da técnica da krigagem ordinária. 2007) será considerado. A transformada reversa dessa estimativa é obtida com: z.porém a variável de interesse Z (x} deve ser substituída por sua transformada logarítmica Y (X) para estimativa de pontos. ela estará sujeita a uma incerteza.36) poderia ser transformada de volta para a escala original de medida da variável Z (X} sem levar em conta o termo de não viés: (3. i = 1. p. seguida depois por Rivoirard (1990. áreas ou blocos. 1. 217) e Roth (1998. 295). 222. p.36) A transformada reversa é obtida aplicando-se a função inversa da logarítmica. p. A origem desse problema é o termo de não viés que não é adequado para fazer a transformada reversa de maneira correta. 3. a quantidade de correção da suavização da krigagem. que usa o escore padrão da distribuição normal.31 será usada para fazer a transformada reversa da krigagem lognormal. Como a estimativa Y~K(x 0 ) foi obtida com base em valores vizinhos próximos· { Y (xi). pois a transformada foi feita após a divisão do valor original pela mediana (Eq. Para a krigagem lognormal. Essa estimativa (Eq. pela natureza da equação de transformação (Eq. Yamamoto. entre outros: (3.001).38) Nessa expressão. p. a função exponencial. O estimador da krigagem lognormal é: n Y: 0 (Xo)= 2:ÀiY(Xi) i=l (3.32). pois a correção de Rezaee. 221). 3. 572). Furuie. e há necessidade de se adicionar um termo de não viés antes da transformada reversa. p. p.3).0 (xo} +0~<12-µ) ·Xso (3. A mediana multiplica o resultado da exponencial. ou seja. Dessa forma.39) As transformadas reversas da krigagem lognormal. Asghari e Yamamoto (2011) opera melhor no espaço normal. produzem resultados enviesados cuja média é inferior à média amostral. 2010. a Eq. 3.37) Essa expressão será usada apenas para que seu resultado seja comparado com as transformadas reversas corrigidas dos termos de não viés.40) 3 Estimativas Geoestatísticas 95 . fator). segundo Joumel e Huijbregts (1978. conforme segue (Yamamoto. será usado como termo de não viés aquele proposto por Yamamoto (2007. 2007. Xso (3.

40 96 Geoestatística: conceitos e aplicações . 3. p. .. 3. Pode-se verificar n ess a figura que a distribuição de frequências das transformadas reversas....30..20).55 e 1.Figs.-----1 o 5 10 15 20 25 Distância Os resultados da krigagem lognormal encontram- Fig.78063 0. No canto superior esquerdo da Fig. com os resultados da proposta de Yamamoto (2007. O modelo de variograma é descrito pela seguinte 0 ..29. 3. 3. que pode ser confirmada comparando-se com as estatísticas amostrais (Tab.. p. segundo proposta de Journel (1980. A essa altura..03 Para a krigagem lognormal é necessário o modelo de >"' variograma dos dados transformados para o domínio 0.-.. extraída do conjunto lognormal composta por 64 pon- e Ol tos de dados (Arquivo 12. 3.-.. 222).g 1.05. 2.32 há o diagrama probabilidade-probabilidade (P- P) .OOt'.51 equação: 0 .. representam as distâncias médias dos pontos no 0 ® 0. A correlação entre as imagens pode ser junto lognormal após transformada logarítmica verificada n a Fig.39 e B} a Eq. no qual os dois valores. 3.. é completamente diferente da distribuição amostral. na qual é possível observar que há uma boa correspondência entre elas. 295).29 Modelo de variograma para os dados da amostra do con· se na Fig. indicando ser esta uma melhor opção..29).31. 3..-.09768 8.-. A Fig..09768 4.43916 8. porém... Exemplo de aplicação da krigagem lognormal Para mostrar o procedimento da krigagem lognormal é tomado como exemplo a amostra El.77 logarítmico (Fig.5 -11. O mesmo não acontece.24). 3. 3... pois os result ados não foram confrontados com a distribuição amostral..21 e 2..52 ] O.. ainda não é possível afirmar qual a melhor proposta para a transformada reversa. Anexo B . que são mais próximos das estatísticas amostrais...26 3 y(h) =1.r .78063 ISl!iJ l 50 50 40 40 30 30 20 20 10 10 o o 10 20 30 40 50 10 20 30 40 50 Fig.. 5.30 Transformadas reversas das estimativas por krigagem lognormal segundo: A) a Eq.52 h. .5 (-h-) 11. 3. o..12 [1.-.32 ilustra essas comparações.

Med iana 1. 3.3.00 das trabalha com a variável indicadora.668 0. 3. 3.~-~----- na interpolação de regiões com valores baixos. -g"' 99.-~~--. que o propôs 1. circulo verde = estima· Dada uma variável aleatória Z (x).845 1.20 Estatísticas amostrais e das transformadas reversas 10 Q Coef. quadrado azul = estinativas teor de corte. 3.40 conforme a Eq.335 8. 0. 3.00 Uma técnica completamente diferente das já apresenta- 20.01 0.01 0..0 0 1.428 1. 3.. 0.00 como adequado para modelar distribuições lognormais.708 1.134 0.90 . 01agrama P·P: 5.99 .694 1. pode-se definir um tivas transformadas conforme Eq. conforme a Eq.so o o A krigagem de variáveis indicadoras evita o problema 0.00 70.089 1. a transformada reversa usando a Eq..40 X UJ N 64 334 334 Média 1.098 0. o.00 os cálculos.39. 3.40.126 0.781 7. ou seja. 2.690 1. 80. 99.89 0 de estimativas obtidas por krigagem lognormal o '' >- õ:" Estatística Amostra Eq. 3. EXP(Y" OK + SIGMA 20K/2) a reta bissetriz. zc.) u reversa. 1.os l da contaminação pela presença de poucos valores altos 0.39 nas abscissas e a Eq.00 um a transformação não linear. considerar a mediana dos dados igual a 90.oo método se deve a Joumel (1983.10 o.348 0. 3. mal.923 1.33 e conforme dados apresentados nas Tabs.170 0.01 .4. como desenhados na Fig.095 0.9 5 cedimento da krigagem lognormal e da transformação E 99. de tal modo que este esteja no intervalo transformadas conforme Eq. 450-454). Com o objetivo de apresentar passo a passo o pro.32 Distribuições acumulativas da distribuição amostral e das transformadas reversas das estimativas obtidas por krigagem lognor· do teor de corte/cutoff.157 0. corre lação = 0.05 :.4 Krigagem indicadora 40. 3. 3..40 de amostragem da variável Z (x ). Esse 1 s.315 2. trabalha-se com o conceito Fig. 99.0 10 diagrama P-P em relação à distribuição amostral.113 2.00 60.0 10 (Zlog)+ (EXP(Y " OK+SIGMA 20K/2))+(EXP(Y " ' OK)) Para a transformação de uma variável aleatória conti- nua em uma variável binária. 3.00 50.31 Diagrama de dispersão entre valores obtidos aplicando-se entre os pontos obtidos conforme a Eq..00 3.1 1.781 ++ Quartil sup. 3.TAB.39 Eq.105 + Máximo 8.55 1. foram usados os mesmos quatro pontos não <t 99.417 Mínimo 0. que é obtida por 10.957 Qua rtil inf. 3.00 amostrados.0 Desvio padrão 1. Assim. o menor valor significa a nas ordenadas maior aderência em relação à distribuição amostral. Cruz vermelha = distribuição amostral. var. termo emprestado da mineração. Para aferir 95. p.21 a 3.08917.871 Coef.24.10 1.39 e o segundo.50 '$.10 .00 30. 3 EsLimativas Geoestatíslicas 97 . O primeiro valor se refere à distância Fig.

principalmente para teores de corte nos extremos da distribuição. estimar a probabilidade do teor em um ponto não amostrado ser menor que o teor de corte: 98 Geoestatística: conceitos e aplicações .4 62 40 35 30 2.25 ).435 0.087 25 1--~~~~~~~~~~~~--1 25 30 35 40 45 50 20 24 28 32 36 40 X X Fig.25). 1983. 452). 3. A Fig. Assim. nem sempre é possível obter um variograma da indicadora. 3. B) X o = (36. A krigagem indicadora pode ser usada para derivar a função de distribuição acumulativa condicional e.34 esquematiza uma distribuição lognormal sendo discretizada em qua tro teores de corte. 41. 3. igual a zero Ooumel.25) . obtendo-se K funções indicadoras. o melhor variograma da variável indicadora corresponde ao teor de corte igual à mediana da distribuiçâo. assim. p.897 1 0 "--~~~~~~~~~~~~---1 o !--~~~~~~~~~~~~--" 8 12 16 20 24 28 25 29 33 37 41 45 X X © ® 45 1. Como a função variograma é calculada como a média das diferenças entre pontos separados por uma distância h. A krigagem indicadora requer um variograma da variável indicadora para cada teor de corte zc. 36.25.3) A ideia básica é discretizar uma distribuição contínua em K teores de corte.25.75). 8. 21.25. Os valores representam os dados após a transformação lognormal (Eq. C) Xo = (33. pois metade dos valores é igual a 1 e outra metade.150 2.406 -0.33 Pontos não amostrados e arranjo de dois pontos mais próximos por quadrante para estimativa por meio da krigagem lognormal: A) Xo = (16.75.057 -1. ® 14 0. O) x 0 = (31.

27194 35.51869 33.02251 0. (Xo) ZKL (Xo) Método de correção Yô.04734 0. 3.83046 0.23167 14. 3.50 0.02653 1.24838 1.50 0.22 Pontos de dados para interpolação do ponto (X = 16.50 14.50 15.03143 -1.50 43.84341 0.04515 0.25) (X = 36.61202 Sem correção YÓK (Xo) ZKL (xo) Sem correção YóK(Xo) ZKL (Xo) Eqs.36 e 3.46165 0.51929 Eqs.38 e 3.66564 2.39 -0.36288 45.16486 3.50 7.26221 Método de correção Yô.50 22. (Xo) ZKL (x0 ) Eqs.08713 0.22084 3.61202 33.50 0. 3.85731 6.04760 1.74072 0.42403 0.25) X y Pesos Y(x1) Z(x1) X y Pesos Y(x.42291 14.31 e 3.50 0. 3. 3. 3.75.50 41.L (Xo) Eqs.) Z(x.44395 14.50 0.08503 -1.14094 0.49132 26.00554 -1.) Z(x1) 39.50 0.39 -1.50 0.50 31.50 0.31 e 3. Para cada teor de corte estima-se a probabilidade do ponto não amostrado ser menor que o teor de corte.12535 2.46366 Eqs. 3.50 0.94351 7.39 1.49897 -1.50 0.50 41.50 0.90139 23.40 -1.04614 -0.38 e 3.38759 0.50410 4.50 0.76837 0.38 e 3.04412 3.50 0.73964 40.16486 3.50 0.02494 1.50 48. 3.50 0.50 0.36 e 3.30701 1.50 0.00000 -1.65485 5.76943 3 Estimativas Geoestatísticas 99 .24 Pontos de dados para interpolação do ponto (X = 33.90139 26.60596 41.50 0.94601 0.31 e 3.54788 0.50 32.89746 0.50 34.29004 9.57882 5.10685 0.17307 40.28165 Eqs.69890 Método de correção Y0K (Xo) z.11924 19.50 30.75290 2.50 0.34801 27.65899 Eqs.50 12.17464 TAB.21563 0.40 -0.36 e 3.50 0.50 6.00000 0.12024 -0.50 28.16537 1.50 42.32316 0.38701 0.50 34.25) (X= 31.25.63392 24. 3.39 1.08585 8. TA B.97779 Eqs.31247 29.50 28. 3.38 e 3.23 Pontos de dados para interpolação do ponto TAB.45338 4.05684 8.05684 8. 3.50 13.83946 0.37 -0.17630 1.52513 0.11846 44.50 0.50 0. y = 8.25.t (xo) Método de correção Y0K(Xo) z::L• (Xo) Eqs.01009 2.09423 39.42129 2. 3.00000 -0. 3.50 0.44066 33.31 e 3.75) X y Pesos Y(x1) Z(x1) X y Pesos Y(x. y = 21.37 1.44066 27.50 40.50 0.50 39.35047 31.01372 0.21 Pontos de dados para interpolação do ponto TAB.50 0.24140 1.25.04009 0.05849 1.40 1.50 0.43494 1.64422 Eqs.50 0.50 36.51869 29. Isso significa subdividir o intervalo de variação de Z (x) em tantos teores de corte quantos forem necessários.50 21.50 31. é necessário que toda a distribuição da variável de interesse seja amostrada em termos de teores de corte zc.50 0. y = 36.50 18.50 17.00000 -1.11079 1.37 1.38656 33.57640 0.49132 Sem correção YóK(Xo) ZKL(Xo) Sem correção YÔK (Xo) z. 3.0.32297 Eqs.76920 2. 3.50 14.64730 -1.22418 1.18582 26.37 -1.01845 0.) 21.85403 0.25253 33.50 0.26649 .40 2.50 0.69223 Eqs.50 18.68264 30.17239 36.76920 2. y = 41.36 e 3. 3.06360 -1. P(Z(Xo) ~ zc) Para a construção da função da distribuição acumulativa condicional.40556 1.50 0.50 4.50 0.50410 4.50 42.50 36.24551 0.15024 3.50 4.35047 38.15024 3.

74-75) propuseram o uso da indicadora da mediana. < ZCK. Pelos motivos expostos. 156-157). As probabilidades calculadas devem ser monotônicas crescentes.. .6 0.. P(Z(xo) ~ zc2). ou seja. . 0. para a qual se calcula e modela um único variograma..6 0.. C) zc = 3.2 0.0 u 1. Deutsch e Journel (1992.8 0.ZCK constituem a distribuição de probabilidade de Z(x).2 0. Esse modelo de variograma da indicadora da mediana é aplicado para a estimativa de todas as probabilidades P (Z (x 0) ~ zc1). As áreas destacadas emcinza indicam variáveis indicadoras iguais a 1 As probabilidades P(Z(xo) ~ zc1). pois a estimativa da pro- babilidade associada a cada teor de corte é feita com base em um modelo de variograma diferente.4 0. D) zc = 4. P (Z (x 0 ) ~ ZCK ).8 o. ou seja..a 0. . pode-se determinar a probabilidade P (Z (xo) ~ zc) para qualquer valor de teor de corte. 0. podendo ela ser obtida por interpolação linear entre dois pontos da função de probabilidade de Z (x).. para evitar problemas de relação de ordem. as quais são usadas para compor a função de distribuição acumulativa condicional. Se houver algum caso em que P(Z(x 0 ) ~ ZCk) > P(Z(x 0 ) ~ ZCk+1 ) com ZCk < ZCk+1.2 2 4 6 8 10 2 4 6 8 10 Z(x) Z(x) Fig. Problemas de relação de ordem acontecem frequentemente.zc2 •. Com essa função.. mesmo que este não tenha sido amostrado. com diferentes patamares e amplitudes. 450): 100 Geoestatística: conceitos e aplicações . p. o.8 0.6 0. P (Z (x 0) ~ zc2).6 0. @ ® ~ 1. diz-se que houve problema de relação de ordem (Hohn.4 0 . B) zc = 2.0 o. p. p. O estimador da krigagem indicadora pode ser escrito como Oournel. 1998...0 u 1. ...0 o. Assim. neste livro será considerada apenas a krigagem indicadora da mediana. < P(Z(Xo) ~ zcK) para ZC1 < ZC2 < . P (Z (xo) ~ zc1) < P(Z(Xo) ~ ZC2) < .. 1980. 3. o.34 Distribuição lognormal discretizada em quatro teores de corte: A) zc = 1..2 º·ºo 2 4 6 8 10 2 4 6 8 10 Z(x) Z(x) © @ u 1.4 0.. P(Z(Xo) ~ zcK) associadas aos valores de teores de corte zc1..

zcl) ~~~~:::::::(=-_j__L-! _ _l_ _j__L_j k=2 (3. Com base nessa curva.ZCk)-F* (xo.44) média . 1988.41 faz a estimativa da função de distribuição acumulada condicional. 147): Como se pode verificar. 1992. p. 164): média + lu4> = 4'84 (3. Fig. 3. Além disso. ou seja: Assim. n 1.35).k-1 (F* (Xo.. zc) (3. 3. ZCk)-F* (Xo. Joumel.lu4> = 4'16 (3. p. Furuie. p. como segue (Hohn.6. (xo)) 2 (3.ZC1c-1)) F*(x.k-1 = zct+{ck-1 é o ponto médio da classe. chega-se a (Yamamoto et al.0 (xo. pode-se obter a probabi- lidade da variável aleatória Z(x) ser menor que um teor de corte zc qualquer.45) 3 Estimativas Geoestatísticas 101 . a Eq..35 Função de distribuição acumulada condicional obtida pela guinte forma (Yamamoto.42) zcl zck zcK Z(x) em que ZCk. por meio dos percentis 84% e 16%.5 e 3. 3.41) l=1 A incerteza associada à estimativa indicadora pode ser medida por meio da variância de interpolação (Yamamoto et ai. Na realidade. 76): K z. a curva da função de distribuição acumulada condicional pode ser construída (Fig.ZCk-tl) (zck. 147): Desenvolvendo o termo entre colchetes e simplificando. a estimativa da krigagem indicadora e sua variância nada mais são que as estatísticas da distribuição de Bernoulli. (Xo) = L ZCk. A mé- dia condicional é uma estimativa do tipo E (Deutsch. da função de distribuição acumulada condicional podem-se derivar a média condicional e a variância condicional.43) k=2 Pode-se derivar também outra medida de incerteza usando-se as propriedades da distribuição normal. zc) = LÀil(Xi. A variância condicional pode ser calculada da se. 2012. 3. p. considerando-se que a variável Z (x) foi discretizada em K teores de corte.k-1-z. 8): krigagem indicadora da mediana K u~(Xo) = L (F* (Xo. conforme as Eqs. 2012. 2010. p.

~ 99.99 .,...--- - - -- - - - -- -- -- ---t-i Substituindo-se a Eq. 3.45 na Eq. 3.44, obtém-se o
"' 99.95
~ desvio padrão condicional:
::1 99,90
V
<t
</>84 - </>16
?t 99. 50 a~= (3.46)
99.00 2
+
+ Essa fórmu la tem a desvantagem de usar apenas
95 .00;
. t+ dois pontos da função de distribuição acumulada con-
9º·ºº]
80.00•
/+I dicional, mas dá uma boa noção da incerteza associada
70,00 à estimativa do tipo E (Eq. 3.42).
~00
,;t -.,.
I
I *'
50.00+-- - -- - - - - - - -
40.00 ..pF
Exemplo de aplicação da krigagem indicadora
30,00
da mediana
2º·ºº
10.00 :j: Para ilustrar o procedimento da krigagem indicadora
5,00 .: da mediana, ver a amostra do conjunto lognormal
+
+ (Arquivo 12, Anexo B). O primeiro passo é a determina-
1.00
0.50 ção da mediana da distribuição, como se apresenta na
0.10 Fig. 3.36.
o.os
Em seguida, faz-se a codificação binária dos dados
0. 01 +----~~,.,.---~~~,,.._---~~..;
0.01 0,10 1.0 10 (Eq. 3.4), conforme o mapa de localização da Fig. 3.37A,
Zlog
com os quais se calcula o variograma da variável indi-
Fig. 3.36 Distribuição de frequências acumuladas da amostra do cadora da mediana (Fig. 3.378).
conjunto lognormal (Arquivo 12, Anexo B), com indicação da mediana O modelo de variograma da indicadora da mediana
igual a 1,089 é descrito pela equação:
3
y(h) =o,244 [1,5 -12,096
h- -o,5 ( - h - )
12,096
] (3.47)

(à\
0 "-:::/
50 0.30
o o
êo
z o • •o 2
~ 0,24 1
• • oo
oºº
40 o
o
• 0,18

o o
30
o o o o 0,12
o o •• o
0,06
• • • •
20 o
o •
• ••• o º·ºº<> 4 8 13 17 21 25
o
• o • • •o
h

10
o
• o
o
o
• • • • o •• • ºI
o 10 20 30 40 50
Leste

Fig. 3.37 A) Mapa de localização dos pontos de dados da amostra do conjunto lognormal (Arquivo 12, Anexo B),
no qual os círculos cheios indicam valores menores que a mediana e os círculos vazios, valores maiores que a
mediana; B) variograma da variável indicadora da mediana

102 Geoestatística: conceitos e aplicações

As curvas de distribuição acumulativa condicional são calculadas por meio da discreti-
zação do intervalo de variação da variável aleatória Z(x) em 9 decis, 10%, 20%, 30%, 40%,
50%, 60%, 70%, 80% e 90%, que correspondem, respectivamente, aos seguintes teores de
corte: 0,221; 0,282; 0,429; 0,663; 1,089; 1,456; 1,937; 2,320; 3,618. Os mapas de probabilidade
ob tidos por meio da krigagem indicadora da mediana para quatro decis (20%, 40%, 60% e
80%) encontram-se na Fig. 3.38.

o
o
o
®
50 .--~~~~~~~~~~~~
o
o
o
o o
q q
.... ....

30 o
o o
o o
o o
o 11'1
11'1
à 20 à

10
o o
o o
o o
o o
o o
o 10 20 30 40 50 à o 10 20 30 40 50 à

e o
o
o
® o
o
o
o o
q q
..... ....

o o
o o
o o
o o
11'1 11'1
o o

o o
o o
o o
o o o
o 10 20 30 40 50 o 10 20 30 40 50 o
o o
Fig. 3.38 Mapas de probabilidade calculados pela krigagem indicadora da mediana: A) teor de corte = 0,288;
B) teor de corte = 0,663; C) teor de corte= 1,456; D) teor de corte= 2,320

Observar que em cada ponto da grade regular tem-se uma função de distribuição
acumulativa condicional, ou seja, a função de probabilidade com nove pares ordenados
(ZCk , F* (Xo; ZCk)), k = 1,2, . .. ,9. Com base nessas funções, podem-se calcular a média
condicional (Eq. 3.42) e as incertezas associadas fornecidas pelo desvio padrão condicional
(Eqs. 3.43 e 3.46). A Fig. 3.39 apresenta o mapa de estimativas do tipo E e a Fig. 3.40, os mapas
de incertezas.
Como se trata de uma distribuição lognormal, pode-se verificar o efeito proporcional
(Fig. 3.41), no qual a incerteza aumenta com a estimativa do tipo E.

3 Estimativas Geoestatísticas 103

A verificação final consiste em comparar a distribuição das estimativas do tipo E com a
distribuição amostral (Tab. 3.25).

6.76385 TAB. 3.25 Estatisticas amostrais e das estimativas do tipo E
obtidas por krigagem ind icadora da mediana

Estatística Amostra Eq. 3.42
N 64 334
Média 1,708 1,574
Desvio pad rão 1,923 1,173
3.43625
Coef. var. 1,126 0,745
Máximo 8,781 6,764
Quartil sup. 2,113 2,064
Mediana 1,089 1,195
Quarlil inf. 0,348 0,714
0.10865 Mínimo 0,095 0,109
o 10 20 30 40 50

Fig. 3.39 Mapa de estimativas do tipo E
As estatísticas para a distribuição de estimativas do
tipo E mostram grandes diferenças em relação às estatísticas dos dados reais, significando
que a estimativa do tipo E não pode ser usada para fazer inferência espacial. Essa conclusão
pode ser confirmada comparando-se a distribuição amostral com a calcu lada por meio
das curvas acumulativas (Fig. 3.42), em que as estimativas do tipo E não reproduzem as
características da amostra.
Em seguida, o processo de cálculo da krigagem indicadora da mediana será apresentado
passo a passo. Para isso, considerem-se dois pontos não amostrados nas coordenadas (16,25;
21,25) e (13,75; 33,75) (Fig. 3.43).
Dado o conjunto de pontos de dados e a localização do ponto não amostrado, e com
base no modelo de variograma indicadora da mediana (Eq. 3.47), procede-se à solução do
sistema de equações da krigagem ordinária. Os pesos encontrados, bem como a codificação

(A o o
,..
N ,...
N

,..
11'1
"'
....
,.;
"'
40

30 o 30 o
IO
'°,..
CX)
,..a>
oo. a>
20 .... 20 ....

10 10

o o
o o
o o
40 o o
o 10 20 30 50 o o 10 20 30 40 50 o
o o
Fig. 3.40 A) Mapa do desvio padrão condicional e B) desvio padrão baseado nos percentis 84% e 16%

104 Geoestatística: conceitos e aplicações

0 ®
;;; 3,05 \ô 3,76
e
o + '";'
Coef. correlaçã o= 0.141
ü Coef. correlação= 0.755
+
~
e + + +
'õ + +
e - +
8 2.45 ++ ++ + +
+ +
·~ 3,01 ~ +
+
o "O + +
·e + -++·r
+ ... + ++ ~ "'o.o + + +
+
1
"O
~ ++
"'~ 1,85 + + ·~ 2,26 + +
> o"'
"' +
o"' + ++
T+
1.25 1,51 +

+
0,65 0,76

o.os 0,01
0,11 1.44 2.77 4,10 5.43 6.76 0.11 1.44 2.77 4,10 5,43 6,76
Estimativa tipo E Estimativa tipo E

Fig. 3.41 Diagramas de dispersão entre incertezas e estimativas do tipo E: A) desvio padrão condicional (raiz
quadrada da Eq. 3.43) e B) desvio padrão dos percentis 84% e 16% (Eq. 3.46)

binária para os pontos não amostrados, encontram-se nas Tabs. 3.26 e 3.27. As Figs. 3.44
(p. 108) e 3.45 (p. 109) apresentam graficamente os resultados da codificação binária.
Com esses dados, pode-se calcular os valores estimados por krigagem indicadora para
cada um dos nove decis (Tab. 3.28).
99,99
Os resultados da Tab. 3.28 poderão ser aferidos so- "'
"O
~
:i99,95,
mando os resultados das multiplicações dos pesos pelas E 99,901
:i
u o
funções indicadoras (Eq. 3.41) para cada um dos nove <{
99,50. o
o~ 99.00
decis (Tabs. 3.26 e 3.27). As fun ções de distribuição acu- +
m ulada condicional encontram-se na Fig. 3.46 (p. 110). +
9 5,00
A Fig. 3.468 mostra que a função de distribuição 90,00

acumulada condicional no ponto (13,75; 33,75) não tem 80,00~
70,00~
fechamento em 1, pois há um ponto de coordenadas 60.00:
(10,50; 28,50) cujo valor é igual a 3,702, mas o último
so.oo:
40.00 j
decil (90%) é igual a apenas 3,618. Assim, com apenas 30.00,
20.001
nove decis não é possível fazer o fechamento em 1. A
10,00
solução seria aumentar o número de percentis, mas esse 5,00
problema deverá permanecer em algum outro ponto, no
1,00 + /
qual o valor máximo está acima do último percentil. 0,50 o
o
Com base nessas curvas pode-se derivar a média 0,10
condicional ou a estimativa do tipo E (Eq. 3.42), bem o.os
0,01
como a variância condicional (Eq. 3.43), como segue. 0,01 0,10 1.0 10
Primeiro, deve-se calcular os pontos médios das classes (Zlog)+(Est imat iva tipo E)

(entre dois teores de cortes sucessivos). Assim, para Fig. 3.42 Distribuições acumulativas da distribuição amostral e das
os nove decis (0,221; 0,288; 0,429; 0,663; 1,089; 1,456; estimativas do tipo E obtidas por krigagem indicadora da mediana.
1,937; 2,320; 3,618), os pontos médios das classes são: Cruz vermelha = distribuição amostral; circulo verde = estimativas
0,254; 0,358; 0,546; 0,876; 1,273; 1,696; 2,128; 2,969. Da do tipo E(Eq. 3.42)

3 Estimativas Geoestatísticas 105

B) (13. 3. calculam-se as diferenças entre duas probabilidades sucessivas.50 0 .06819 1 1 1 1 1 1 1 1 1 26.29.50 28. 33. 3.50 18.50 21.---~~ 25 -1-~~~~-.50 0. respectivamente.50 0. ou seja.50 0.683 29 3. conforme a Tab.387 10 +-~~~~-. 25).50 0.702 1.50 15.50 28.50 22. Se o objetivo é a estimativa na presença de assimetria positiva. Círculos cheios = pomos amostrais. então há técnicas melhores e mais apropriadas para esse fim. 21.43 Mapas de localização dos pontos com anotação dos valores da variável aleatória Z (x): A) (16.25.-~~~~~-.50 0.43 para o cálculo da estimativa do tipo E e da variância condicional. 3.50 17. aplicam-se as Eqs.01094 o 1 1 1 1 1 1 1 1 14.50 18. como a krigagem multigaussiana e a krigagem lognormal.10841 o o o o o o 1 1 1 24.decis X y Ài 1 2 3 4 5 6 7 8 9 21. 3. Em seguida. pode-se a firmar que a krigagem indicadora é uma técnica que deve ser considerada para estimar probabilidades e nâo para derivar mapas de média e variância condicionais.25.4 INTERPOLAÇÃO DE VARIÁVEIS CATEGÓRICAS A krigagem indicadora seria o método geoestatístico para estimativas de variáveis cate- góricas. 0 © 41 37 33 1.50 0.42 e 3.00000 1 1 1 1 1 1 1 1 1 mesma forma. mas essa aplicação exige K variogramas (Leuangthong.75. 3.04289 o o o o o 1 1 1 1 14.26497 o o o o 1 1 1 1 1 14. 21.26 Pesos da krigagem ordinária e codificação binária dos pontos para os nove decis (16. Como foi apresentado e com base nos resultados.25) Coordenadas Pesos Codificação binária .75). Deutsch. 106 Geoestatistica: conceitos e aplicações . círculos vazios = pontos não amostrados TA B.852 14 1.50 0 . 2008).-~~~~~-.02013 o o o o o 1 1 1 1 19.48450 o o 1 1 1 1 1 1 1 9.---~--1 8 12 16 20 24 28 3 7 11 15 19 23 X X Fig. Khan.

zc) 1 0.75.06302 0.00000 0.01094 o 0.10841 0.25) (13. 33.26413 7 1.50 28.F • (Xo.50 0.969 o o Média 0.273 0. 3.50 33.89159 0.75) ZCk + ZCk-) 2 F' (Xo .21210 1. 21.05203 o o 1 1 1 1 1 1 1 10.07913 o 3 0.50 35.05203 5 1.43024 8 2.08701 o o o o o o o o o 7. 33.48275 2.25) Xo = (13.288 0. conforme Eq.06819 o 2 0.91299 9 3.50 31. 3.91299 TAB.427 0.50 0.75) Coordenadas Pesos Codificação binária .75) Classe (16.937 1.50 0.56363 0.320 1. ZCk-t) 0.25. ZCk) .25.50 38.26494 o 1.696 0.82857 0.21.48450 0.089 0.254 0.00000 0.25) e (13. zc) 1.50 0. 3.25.16611 2.197 0. 33.50 0.27 Pesos da krigagem ordinária e codificação binária dos pontos para os nove decis (13.05203 6 1.1) F' (Xo.50 0.221 0.50 0.33.75) Decil zc 1.546 o o 0.01088 o o o o o o 1 1 1 TAB.50 41.0 (x 0.41 Xo = (16.21210 o o o o o 1 1 1 1 21.663 0. 21.876 0.00000 o 1 1 1 1 1 1 1 1 11.0 (x 0.358 0.F' (Xo.456 0.75.50 38.240 3 Estimativas Geoestatísticas 107 . ZCk) .05203 4 0.50 0.75.598 Variância 0.672 1.29 Dados para o cálculo da média e variãncia condicionais nos pontos (16.05203 0.TAB.15522 o o o o o o 1 1 1 17.618 1.deds X y )q 1 2 3 4 5 6 7 8 9 15.75. 3.28589 o o o o o o o 1 1 4.56363 0.28 Indicadoras estimadas para os nove decis.19685 o o o o o o o 1 1 14.00000 0. ZCk.128 o 0.50 28.

288.-~~~-.-~~~--' o o 13 1--~-. A proposta original de Hardy estava baseada no con ceito de interpolação global.25. o o o 13 ~~~~~~-. 1.907-1. p. estar sujeitos a grande flutuação estatística (Ya mamoto et al. zc é igual a: A) 0.320. D) 0.429.-~~~--< 13~~~~-.663.-~~~--i 8 12 16 20 24 28 8 12 16 20 24 28 20 24 28 X X X ( Êl 29 o o 29 o o 29 25 • 25 25 21 21 21 17 • 17 17 . assim. 1) 3. então. H) 2.908) propôs o uso de equações multiquádricas para a representação analítica da superfície do terreno com base nos pontos amostrais. 1 3 +-~~~-.-~~~~~--l 8 12 16 20 24 28 8 12 16 20 24 28 8 12 16 20 24 28 X X X 29 1 29 l 25 25 21 21 21 17 17 17 l 1 13 '-~~~-.-~~~~~--l 13 .-~~~--.456. Na década de 1970. 2012. Hardy (1971. F) 1. -A . p. pois alguns tipos podem apresentar poucos pares de pontos e. A opção pelas equações multiquádricas é. 21. 13 --~~~~~~~~~--. C) 0.089.B 29 29 o o 29 o o 25 25 25 21 21 • 17 17 17 1 13 1--~-. 3.-~~~~~--< 8 12 16 20 24 28 8 12 16 20 24 28 8 12 16 20 24 28 X X X Fig. ~ .221 . a melhor entre os métodos de interpolação disponíveis.-~~~-.937. G) 1.. B) 0. em que 108 Geoestatística: conceitos e aplicações . Isso é impossível na prática..618 um variograma para cada tipo que compõe a variável categórica. 147).44 Codificação binária dos pontos de dados vizinhos para estimativa do ponto não amostrado (16.25). E) 1...__~~~~~-..

618 todos os pontos de dados eram considerados simultaneamente..288. G) 1.45 ® >. cuja função de base radial é a função variograma calculada e modelada com base nos pontos experimentais. F) 1. 1) 3. as quais foram denominadas funções de base radial.. Há uma semelhança muito grande das funções de base radial com a krigagem ordinária.937.456.75).75.663.45 0 1 1 41 41 41 l 37 37 37 • 33 33 33 29 29 29 o 1 o 1 o 1 25 25 25 3 7 11 15 19 23 3 7 11 15 19 23 3 7 11 15 19 23 X X X Fig.. Trabalhos posteriores generalizaram as equações multiquádricas. B) 0. 3. fAJ ® © >. E) 1.45 1 1 l 41 41 41 37 37 37 33 33 33 29 29 29 o o o o o 1 25 25 25 3 7 11 15 19 23 3 7 11 15 19 23 3 7 11 15 19 23 X X X . assim.22 1.089.45 o o 1 41 41 37 37 37 33 33 33 29 29 29 o o o o o o 25 25 25 3 7 11 15 19 23 3 7 11 15 19 23 3 7 11 15 19 23 X X X © ® © >. o núcleo multiquádrico se toma um dos muitos núcleos possíveis. esse método foi estendido para interpolações locais.. usando apenas os pontos da vizinhança mais próximos ao ponto a ser interpolado.45 >...45 & >.320. >.45 >. zc é igual a: A) 0. D) 0. H) 2.429. A equação geral para dados 20 é: 3 Estimativas Geoestatísticas 109 . C) 0. e.45 >.. 33. Mais tarde.45 >.45 Codificação binária dos pontos de dados vizinhos para estima1iva do pomo não amostrado (13..

a 0. C2 é uma constante positiva e N é o número total de pontos de dados. a Eq. é possível a resolução de sistemas muito grandes.25.N} são a solução de um sistema de equações lineares: (3. Por outro lado. 21.Xj) + (Yi . como: n L z• (Xo) = C14' (Xi .0 . 1. Hoje. B) (13.48) em que {C..49 pode ser escrita em forma matricial: Q11 Q12 QlN C1 Z(X1) Q21 Q22 Q2N C2 Z(X2) = QNl Qf\12 QNN CN Z(XN) 2 2 2 em que Qij = [(x1 .50) 1=1 110 Geoestatística: conceitos e aplicações .46 Funções de distribuição acumulada condicional obtidas pela krigagem indicadora da mediana para os pontos não amostrados: A) (16.4 0. quando o sistema é muito grande..N} são os coeficientes da equação multiquádrica..0 ® .2 0. apresentavam uma restrição quanto ao tamanho do sistema de equações lineares para sua resolução em computador.25)..6 0. que é a prática adotada há muitos anos. 1. i= 1.8 0. p.Yi ) + C 2 Jv é o núcleo multiquádrico calculado entre os pontos i ej.2 o..o o. segundo Yamamoto (2002.Xo) (3. com a disponibilidade de memória em computadores. As equações multiquádricas definidas globalmente. 3. 30-31). a melhor solução é a utilização das equações multiquádricas como método local de interpolação.75. as operações aritméticas envolvidas produzem erros de arredondamento e trunca- mento dos valores intermediários. Em termos de funções de base radial. ou seja. Assim.6 0.4 0. 3.o o 1 2 3 4 o l 2 3 4 zc zc Fig. 33. i = 1.48 pode ser reescrita. Os coeficientes {C. deteriorando a precisão computacional. 3.. 75) (3. sobre todos os pontos de dados.49) A Eq.0 ou o u u u o.

50 pode ser escrita de uma forma mais geral com a adição de uma constante ao (Madych. condição igual à usada i=l na krigagem ordinária.Xi) </> (X1 . ou seja. p. 32): </>(X1 . p.Xo) + Oo (3. Esse procedimento tem inúmeras aplicações em Geologia. 3. Segundo Yamamoto (2002.0. como se verá. que propuseram a codificação binária para tal interpolação. pode ser escrita na forma dual como: n z* (xo) = L:wiZ(x.) (3. 1992): n Z* (Xo) = L Ci</> (x1.X2) </>(Xn -Xn) 1 Wn </>(Xo-Xn) 1 1 1 o µ 1 em que µ é o parâmetro adicional para incluir-se a condição de não viés no sistema de equações multiquádricas.X1) </>(X2 . Os pesos da Eq.53) </>(Xn-X1) </>(Xn . as funções de base radial mais usadas são: Linear <f>(x)=lxl Cúbica <f>(x) = lxl3 (2kt1) Multiquádrica generalizada <f> (x) = (e+ lx12 ) para k = -1. Splines <f> (x) = lxl 2 log lxl <f> (x) =exp (-e lx1 ) 2 Gaussiana em que l·I é a norma de um vetor em Rn e e é uma constante positiva. 31). substituindo o N (conjunto de pontos de dados) por n (n pontos vizinhos mais próximos ao ponto a ser interpolado).51. p. 3 Estimativas Geoestatísticas 111 .X2) 1 = (3.. inclusive para obtenção de um mapa geológico preliminar de uma área com base em pontos coletados no campo. se- guindo a notação geoestatística. 3.x 0 ) é a distância entre oi-ésimo ponto amostral e o ponto a ser interpolado.52) i=1 n Essa equação tem como condição de restrição L: W1=1. 3. A Eq.X1) </>(X2 .52 são obtidos da resolução de um sistema de equações (Yamamoto. 30-32) demonstrou que a Eq.em que (Xi . considerando todas as condições de restrição impostas.Xn) 1 W2 </>(Xo ..X2) </>(X2 . e </> é a função de base radial. Com base nessas informações. 2002. A interpolação de tipos de uma variável categórica foi possível graças ao trabalho pioneiro de Koike e Matsuda (2005).X2) </>(X1-Xn) 1 W1 </> (Xo . .51) i=1 Yamamoto (2002. a equação multiquádrica pode ser usada como método local de interpolação.

k)] =Pk . k)) (3. pode ser calculada como {Yamamoto et al. p. De acordo com Yamamoto et al... que resulta numa função indicadora para o k-ésimo tipo.56 mostra que a variância associada à interpolação de um tipo da variável categórica é igual à probabilidade de ser o k-ésimo tipo multiplicada pela probabilidade de não ser o k-ésimo tipo. 2012.7 podem ser manipuladas numericamente para interpolação de um tipo em um ponto não amostrado: n i. ou seja..0 (Xo. 3.. A variância de uma variável categórica composta por K tipos pode ser calculada. k) ) 2 = i. 3. é necessário introduzir algumas estatísticas para as variáveis categóricas. 148).54) i=l A variãncia associada à estimativa (Eq.0 (Xo: k) .(E [I(x. A média da função indicadora.56) A Eq. Antes de prosseguir na metodologia. (2012. as funções indicadoras obtidas conforme a Eq.k)] = ÍkN =Pk em que Pk é a média e N = LkÍk é o número total de pontos da amostra. 112 Geoestatística: conceitos e aplicações . como: µ2 =L: Pk (1.0 (xo: k) ( 1.55) A Eq. tem-se: Var [I(x.. A codificação binária de tipos de uma variável categórica é feita com base na Eq. As litologias interpoladas poderiam ser usadas para restringir a busca de vizinhos próximos conforme a litologia do ponto não amostrado.0 (x 0. k) = L: WjL(Xj. p. a variância é igual à proporção do k-ésimo tipo multiplicada pela proporção de tipos diferentes de k. 2012. evidentemente. segundo Kader e Perry (2007). 147}: s~ (Xo: k) = i.54). cabe ao geólogo fazer o mapa final a partir das observações e do seu conhecimento sobre a geologia da área.Pk) ou seja. p. A variância da função indicadora. 3. 3. que pode ser desenvolvida como (Yamamoto et al. k) (3. 147): E[I(x. trata-se da soma das variâncias parciais. k)] =E [12 (x. 2000. 3. segundo esses mesmos autores.55 é a expressão da variância de interpolação {Yamamoto. k)]) 2 Como E [12 (x. a proporção do k-ésimo tipo presente. segundo esses autores. k)]. k) J =E [l (x. 491). p~ =Pk (1.. mas. pode ser calculada como: {3. p.i.o (Xo.Pk) Assim.7.. (i. é: Var [l(x. k) J . Outra aplicação seria interpolar a litologia de um bloco de cubagem com base na infor- mação litológica dada pelos pontos amostrais observados nos furos de sonda.

50 A 2 20.50 B 5 80. 3.50 1 o o o o 2 20.16 Variância total 0.30 Pontos de dados de uma variável categórica Ponto X y Tipo 1 9. 3.30 0.50 o o 1 o o 7 19.50 e o 20 40 60 80 100 7 19.Exemplo de aplicação d a interpolação de variáveis categóricas Para e nte nder como é feita a interpolação de tipos de uma variável categórica.10 0.31. 3.50 30. TAB. o objetivo 3 Estimativas Geoestaústicas 11 3 .31 Codificação binária dos pontos de dados da Tab. (2012.50 20. composta por 10 pontos de dados (Arquivo 20. p.09 0.50 o o o 1 o 8 28. 148).16 0.21 0. 3 .50 D Fig.50 o o o 1 o 9 72. pois a função indicadora transforma o evento em probabilidade.50 o 1 o o o 4 62.50 30. conforme a Tab.50 o o o o 1 Proporções 0.50 21.30 Coordenadas Tipos da variãvel categórica Ponto X y i(Xi .50 5.47). 148).50 37.30 e Fig.50 E Fonte: Yamamoto et ai. (2012.20 0.50 B 4 62.50 9.50 37.7). Anexo B .Tab.50 9. 3.50 o 1 o o o 5 80.20 Variâncias 0.50 17.50 44.50 28.31 que a codificação binária garante que os eventos sejam mutuamente exclusivos. p.50 o 1 o o o 6 51.50 5. k = B) i(Xi. k = C) i(x.16 0.50 D e os contaios entre os 1ipos.50 1 o o o o 3 44.47 Mapa de localização de tipos de uma variável categórica 8 28..50 44. TAB. variâncias e variância total.20 0..k=E) 1 9.50 o o o o 1 10 98. Assim.50 17. que mostra também as proporções calculadas. A primeira etapa é a transformação de variáveis por meio da codificação binária (Eq.50 A 3 44..50 21.k=A) i(x.50 41.50 41. Os círculos vazios numerados (' ) se 9 72. 3. 3. ve r uma amostra usada por Yama moto et al.k =D) i(x.50 28.78 Observar na Tab.50 20. 3.50 B 6 51. 3.50 E referem aos pontos a serem interpolados 10 98.

3.792 22.57) 28.5 37. como indicado na Fig.5 22.32.50 o o 1 o o 72. k =O) i(X. da interpolação de K tipos de uma variável categórica é determinar a probabilidade que o ponto não interpolado tem de pertencer ao k-ésimo tipo da variável categórica.48 Mapa de localização de pontos e o ponto a ser interpo· 5· 75. considerar o ponto 2. 3. Na Fig.5 lado. dentro de um raio de 36. 3.50 o 1 o o o Com esses pontos (Tab.50 30.757 o 22.472 o 15.50 o 1 o o o 44.5 o 20 40 60 80 100 4• 25..472 35.688 32. 3.5 3· 50. 3. que tem cinco vizinhos mais próximos.765 = (3.50 41. Para ilustrar passo a passo a interpolação de tipos da variável categórica. 3.804 1 W1 8.53): o 18.805 15. k = B) í(Xi. TAB .5.361 36. TAB.5 31.33..792 36.643 35. 2*.5 Fig. 3.48.33) pode-se organizar o sistema de equações multiquádricas (Eq.248 o 32.062 18.878 37.757 36.33 Vizinhos mais próximos ao ponto r (X= 66.5. As coordenadas dos pontos a serem interpolados encontram-se listadas na Tab.805 1 W3 31. Y = 37.5) X y i(x. Ao interpolar probabilidades.881 22.9. k = C) i(x. com indicação dos vizinhos mais próximos O procedimento para busca dos dois pontos mais próximos por quadrante.264 1 W4 20.688 28.643 1 W2 22. conforme a Tab.5 22. os resultados não podem apresentar valores negativos ou a soma dos tipos interpolados não pode ser maior ou menor que 1.248 36. 3. Por isso.47 estão localizados também cinco pontos (numerados de 1· a 5·) que serão interpolados de acordo com a metodologia das equações multiquádricas. os pesos encontrados são corrigidos na eventual presença de pesos negativos.804 37.50 44.1.5 10 · A 2· 66. encontrou cinco vizinhos.5 22. k =E) 62.50 o 1 o o o 51.50 17.878 22..k=A) i(x.32 Pontos não amostrados para E 40 2 interpolação de tipos da variável l* D categórica 30 J. conforme o algoritmo descrito na seção 3.50 9. 3. o e Ponto X y 20 B 18.652 1 1 1 1 1 o µ 1 114 Geoestatistica: conceitos e aplicações .50 o o o o 1 80.264 o 1 Ws 15...

23639 o 1 o o o i!. 5-44. e o tipo interpolado não está na zona 3 Estimativas Geoestatísticas 115 . Por exemplo. a variância. Na Tab.5) 2 = 8. k = B) l(x1: k =C) i(x1: k =D) i(x1: k =E) 0. Nesse caso. 3. o valor mais provável ocorre para o tipo B (0.03992 o 1 o o o 0. a distância entre os pontos 1 e 2 na Tab. 3. pode-se interpolar os tipos nos demais pontos não amostrados.33) e o ponto 2' é: d(X1 . 2007. conforme resultados mostrados na Tab. dado pelo valor mais provável (Teng.34 Funções indicadoras nos pontos amostrais para interpolação do tipo categórico no ponto 2· e resultados Wi i(x1. 533): i~0 (Xo. Como a constante multiquádrica usada é igual a zero. . deve-se retomar com o tipo correspondente ao ponto não amostrado.34 é fácil verificar que essa condição é satisfeita.59458.59458 o 1 o o o 0. o núcleo multiquádrico toma-se a distância euclidiana entre os pontos.5) 2 + (37.54) no ponto 2·.5) 2 +(44.23639.5 .11244. µ = -2.X2· ) = JC66.09790 o o o o 1 0.03024 o 0. •K) Na Tab. não garante a condição necessária em probabilidade que L~ i* (x 0 .34.09790 s~ (x 0 .k =A) i(x1.03121 o 0. 3.09790. kmax) = max (1~ 0 (x 0 . TAB.02062 Esses coeficientes sâo utilizados para interpolar o tipo não amostrado (Eq. 3.57) é resolvido uma única vez e que os coeficientes resultantes são aplicados para todas as K funções indicadoras. p.. Se fosse utilizada a a proximação pela krigagem indicadora.11244 0. 3. 3._ Além disso.5) 2 =18. Koike.03121 o o 1 o o 0.03992. W3 = 0. k). 3.. 3.62. pode ser considerada baixa.062 Resolvendo o sistema de equações.x2) = JC62. pois o variograma para cada tipo seria diferente em função da distribuição espacial dos pontos amostrais. ou seja. seria necessário resolver tantas vezes quantos fossem os tipos.k = 1.5-41.08831 Observar que o sistema de equações (Eq. 3.248 e a distância entre o ponto 1 (Tab. coletivamente completo. basta multiplicar os coeficientes pelas funções indicadoras da Tab.5 -44. k) o 0. W4 = 0.34. k) = 1. igual a 0. W2 = 0.03121. assim. obtêm-se os coeficientes: W1 = 0. Dessa forma.iQ (Xo : k) o 0.35.87089) que é o tipo interpolado para o ponto 2. deve-se analisar também a incerteza associada. Uma vez calculadas as probabilidades. Ws = 0. Assim. O problema da utilização de variogramas diferentes resulta em conjuntos de pesos diferentes para cada tipo e.87089 0.33 é: d(x1 .

38435 o o 0.14292 0.Q (Xo .08831 i!. conforme demonstrado por 0. 151).88898 o 4· s~ ( x 0 .17277 0.00247 0. k) 0.26611 o 1· s~(xo.6.Q(Xo.k) o 0.23663 o o 0.os por causa da alta variâ ncia.02363 0. kmax ) > 0. k ) > O. e que. kmax) < 0.09869 o ii. (2012.k) 1. 2· e 4· foram atribuídos os tipos A.72.Q (Xo. pode-se interpretar os demais pontos interpolados conforme a Tab.35 Resu ltados da interpolação dos tipos nos pontos não amostrados (i• as•) Ponto Estatísticas k=A k=B k=C k=D k=E i. 3. com o aumento do tamanho da amostra. (2012.20 zonas de certeza: i~ 0 (xo. k) < O.276.87089 0.. T A B.03024 o 0.35.08149 0.25 da indicadora interpolada. há indicação correta do tipo da incerteza variável categórica. 3. Isso significa que.49 mostra o gráfico da variância em função 0. é certo que o valor encontrado não indica o tipo.k) o 0.4 0. k) 0. o. ~ V\ É interessante verificar que no grá fico ocorrem duas 0. Todos os tipos interpolados e a zona de incerteza associada encontram-se na Fig.00247 0.61565 5· s~(x 0 .8 l~1o<xo.49 Zona de incerteza definida no intervalo a zona de incerteza diminui.10936 i.03121 o 0. com a delimitação da zona de ""'õ )( incerteza. Com base nisso.34342 0. que foi definida por Yamamoto et ai.22548 0.. 3..19530 o i1~Q (x 0 .73389 o o 0. 151) como sendo a região com interpolações iZt0 (xa: kmax) < 0..0 é grande pelo pequeno número de pontos na amostra.12497 3• s~ (Xo . k) o 0.6 e 5~ (xo: k max ) > 0. 276 e i. 0 (Xo. Aos pontos 1".19530 o o 0. p.6 0. 3. kmax) <O..o 0. (2012.276 < i:. a zona de incerteza fica definida como: A Fig. Fig.k) 0.09790 2" s~ (x 0 ._.k ) 0. 724 Yamamoto et al.11244 0. Assim.02633 0.Q (x 0 .724._. B e D.20 e i~ 0 (x 0 . respectivamente.20. 0 116 Geoestatística: conceitos e aplicações . enquanto os pontos 3• e s· caíram na zona de incerteza. p. Evidentemente.22284 0.07485 0. k) o 0. 3.k) 0.02307 0.2 0. 724.. de incerteza. p.k) 0.r (x 0 .15 Zona de quando maior que 0. este ú ltimo valor deve ser corrigido p ara 0 .33520 0.02706 0. 151) tenham definido a zona de incerteza com 5~ (x 0 .23663 Embora Yamamoto et ai. em que se pode verificar que a zona de incerteza º·ººo. quando a indicadora é menor que 0.50. 0.

Também foi demonstrada que a aproximação tradicional usando-se a variância de krigagem não funciona. em azul: contatos do mais prováveis daqueles improváveis. foram consi- deradas estimativas de dados transformados não linearmente: krigagem multigaussiana. Em preto: con· associada é de grande importância para separar eventos tatos interpolados pela máxima probabilidade. As duas primeiras procuram normalizar a curva de distribuição de frequências. A aproximação por funções indicadoras também pode ser aplicada para variáveis categóricas. a delimitação da zona de incerteza Fonte: modificado de Yamamoto et ai.5 CONS I DERAÇÕES FI NAIS Foram apresentados os métodos correntes para estimativas geoestatísticas. (201 2. enquanto a última transforma teores em proporções que se encontram abaixo de um determinado teor de corte. lognormal e indicadora. 20 40 60 BO 100 polação propriamente dita. para fins de estimativa da incerteza volumétrica em avaliação de recursos minerais ou na separação de plumas de contaminação e o seu entorno. 151 ). As estimativas geoestatísticas foram subdivididas em krigagem linear e não linear. conjunto completo Nesse sentido. 3. Zona de incerteza lação de tipos de uma variável categórica por meio das equações multiquádricas. p. as quais foram subdivididas em krigagem linear e não linear. Com relação aos métodos da krigagem multigaussiana e lognormal. Nesta seção.51 resume os procedimentos para as estimativas geoestatísticas. 3. Na krigagem não linear. principalmente para fins de estimativa de teo- e res condicionada aos pontos vizinhos próximos com a 20 B mesma litologia do bloco a ser estimado. Nesse sentido. foram apresentados diversos exemplos ilustrando situações em que a variância de krigagem foi exatamente igual. mas com potencial muito D 30 grande. 3 Estimativas Geoestatísticas 117 . mostrou-se como é possível a interpo- . foram considerados os métodos geoestatísticos de krigagem simples. poderia ser aplicada. logarítmica e indicadora. n a separação de minério e rocha encaixante. foi ressaltada a importância da inclusão do termo de não viés para as transformadas reversas para a escala original de medida da variável de interesse. por exemplo. 3. Distribuições de frequências com assimetrias positivas devem passar por transformação de dados para atenuar a influência dos poucos valores altos em regiões com valores baixos. Trata-se de uma metodologia E 40 ainda não muito empregada. da média e ordinária para os dados brutos ou originais. 10 Outra aplicação seria o mapeamento de tipos de solo A com base em observações de campo. Além da inter. mesmo para valores e arranjos de pontos completamente diferentes. Três transformações de dados não lineares foram discutidas: gaussiana.50 Tipos interpolados e a zona de incerteza. pois se trata apenas de uma medida da configuração espacial de dados vizinhos. A Fig. a utilização da incerteza Fig. bem como aplicações típicas. Na primeira parte.

..03 o § 1. 118 Geoestatística: conceitos e aplicações . A interpolação por equações multiquádricas foi escolhida para variáveis categóricas por apresentar grande similaridade com a krigagem ordinária quando esta é feita usando-se um variograma omnidirecional (fenômeno isotrópico)...29 © 1 "'1.19 o o "' > 10 a ~ 0.31 o o E ~ 0. as propostas apresentadas. e K) krigagem indicadora . devem ser vistas como aproximações possíveis.51 Esquema dos procedimentos de krigagem linear e krigagem não linear: Transformação A) gaussiana. J) krigagem lognormal. B) logarítmica.64 0 © "' 0.52 o ~ 0.-------=-. 3. o o u o ·. Krigagem Krigagem Krigagem Krigagem ordinária multígaussiana lognormal indicadora 25 ® "' 1. F) variograma para dados logarítmicos. apesar de não usar a krigagem indicadora como proposta originalmente.. notadamente aquelas envolvendo a correção do efeito de suavização das estimativas gaussianas e lognormais..~0. H) resultados da krigagem linear. "'E 20 r.: 240 g 40 .66 ~ 0. G) variograma da variável indicadora da mediana.13 5 0.. Krigagem linear Kr igagem não li near Não transforma Trans formação não linear Dados originais Gaussiana Indicadora ©..... Finalmente.. pela impossibilidade de cálculo e modelagem de variogramas experimentais para tipos com poucos pontos de dados.06 o °· () º ·ººo 00 o 5 10 15 20 25 º·ººo 5 10 15 20 25 5 10 15 20 25 o 5 10 15 20 25 Distância Distância Distância Disti!ncia ~ 500 50 CD 50 @ ~ CJ o ~ t'. 1) krigagem multigaussiana. o o ~ 1.33 0.26 0..: g 40 .::: 15 g'0.estimativas do tipo E A interpolação de variáveis categóricas foi incluída neste capítulo.: . e . 26 ~ O> o0 o vo . mas não como as melhores soluções.98 ( ' 1 o g'0. bem como para mapear a zona de incerteza entre os tipos.77 .: 30 30 30 20 20 20 10 10 10 o 10 20 30 40 50 o 10 20 30 40 50 o 10 20 30 40 50 o 10 20 30 40 50 X: leste X: leste X: leste X: leste Fig..32. Foi demonstrado que a variância de interpolação pode ser usada para medir a incerteza em tomo do valor interpolado do tipo da variável categórica.. D) variograma dos dados originais. E) variograma da variável transformada para escores normais.---.. C) indicadora.

De qualquer forma. Deve-se lembrar. Futuramente devem surgir novas propostas que poderão melhorar os resultados apresen- tados. elas devem ser testadas à luz dos dados disponíveis para que sua eficiência. 3 Estimativas Geoestatisticas 119 . precisão e versatilidade sejam comprovadas. novamente. que o objetivo da Geoestatística é fazer o melhor uso da informação disponível.

Geralmente. • heterotopia total: as variáveis primária e secundária foram medidas em diferentes localizações.1). serão vistos os métodos conhecidos genericamente como cokrigagem. deve-se ter conjuntos de dados contendo variáveis primária e secundária que sejam correlaciona- das entre si. Denomina-se corregionalização a existência de duas ou mais variáveis regionalizadas medidas sobre um mesmo campo aleatório (Olea. 209). foi obtida uma amostra com 289 pontos. 144). a qual foi usada para deteriorar a informação original de forma controlada e. bem como um tipo especial de krigagem denominado krigagem com deriva externa. p.br/geoestatistica/anexob/download/Bell. o padrão de amostragem da variável mais bem amostrada é mais regular que o da variável subamostrada (Olea. 401). se essas variáveis subamostradas e superamostradas apresentarem alguma correlação. 1. p. então as variáveis superamostradas podem ser utilizadas para fazer uma melhor estimativa das variáveis subamostradas (Isaacks. Para fins de ilustração das técnicas geoestatísticas de coestimativas. • heterotopia parcial: as variáveis primária e secundária compartilham alguns pontos comuns. superamostradas. 1999. duas variáveis secundárias com alta e média correlação foram geradas. p. Nesse processo. nesse caso. p. a cokrigagem ordinária e a cokrigagem colocalizada.at~vas Geoestat1st1cas • 4 li li No estudo de um fenômeno espacial.1): • isotopia: as variáveis primária e secundária foram medidas nos mesmos pontos de amostragem. 400). Neste capítulo. as variáveis primária e secundária podem ser medidas nos mesmos pontos ou em pontos diferentes. O ponto de partida.usp. assim. diversas variáveis podem ser amostradas simultanea- mente nas mesmas localizações ou por métodos distintos de pesquisa em diferentes pontos. cuja informação foi considerada como variável primária.txt>. Segundo Wackemagel (1995. configurando três situações (Fig. Com base nesse arquivo.• 1 Coestim. Algumas dessas variáveis podem estar subamostradas e outras. gerar a variável secundária apresentando correlação com a primária. foi o Arquivo completo 1 (disponível em: <http://lig.igc. Fig. 4. e variáveis secundárias aquelas que podem ser usadas para melhorar a estimativa das variáveis primárias. Para essas situações. 1999. . Srivastava. mas subamostradas. São denominadas variáveis primárias aquelas de interesse na pesquisa. Contudo. a Geoestatística proporciona um conjunto de ferramentas para coestimativas. 1989.

B) variável secundária com alta correlação (VSJ)..----.. p. C) variável secundária com média correlação (VS 2) (Arquivo completo 2..55625 w : 1 1 1 1 1 1 1 1' l 1 1 1 1 1 1 !iiM LI 1 1 1 1 1 1 1 I' 1 I' 1 l 'I 1 1 1 L M 11 1 1 1 1 1 1 1 11 III1.2) compostos por 2. 4. 1.724). sinal de mais = variável secundária A variável com alta correlação foi obtida graças ao ajuste de equações multiquádricas (Hardy.50 >.. 1971.907-1.50 ffi ffi o ffi o o + ffi ffi ffi ffi ffi oED ffi ffi o +o o+o 40 ffi ffi ffi 40 ffi 40 ºº+ o ººo ººo + ffi ffi o o 30 ffi ffi ffi 30 ffi ffi o 30 o o o ffi o o ffiffi ffiÜ ~ Q ºº Q 20 20 20 + o ~ ffi 9 Q o ffi Q o ffi@J ffi ffi oº o o oº o +!-O 10 ffiffi 10 mº 10 oº o ffi ffi ffi ffi o ºº o o +ºo o + o 10 20 30 40 50 o 10 20 30 40 50 o 10 20 30 40 50 X X X Fig.. disponível em: <http://lig.br/ geoesta tistica/anexob/download/bellTrend289. Círculo = variável primária.txt>) A Fig. 40 40 40 30 30 30 20 20 20 1 10 10 10 o 10 20 30 40 50 o 10 20 30 40 50 o 10 20 30 40 50 Fig.2 Base de dados completa: A) variável primária (VP). VS2. 4.igc.50 >. 4. .= =--.916) e média correlação (p = 0... ® ® © 0..50000 30.09566 3...c-:-::-:. A variável primária e as duas variáveis secundárias geradas formam conjuntos completos (Fig.40956 15.igc.br/geoestatistica/anexob/downloadlbellTrend289. tx t>).. .1 1 1 1 50 50.92337 1.500 pontos distribuídos em uma malha regular de 50 por 50.usp. com média correlação..07663 15. 122 Geoestatística: conceitos e aplicações .908) usando uma constante elevada (C 2 = 100) que deteriora a precisão da interpolação. foi sintetizada por meio do ajuste de uma superfície de tendência de grau 5 aos pontos da amostra.1 Amostragens possíveis para as variáveis primária e secundária: A) isotopia.77124 34..3 mostra as correlações entre a variável primária e as variáveis secundárias com alta (p = 0...98290 28. disponível em: <http://lig... A outra variável secundária..usp. A variável secundária com alta correlação foi denominada VS1 e a com média correlação.44682 17. os quais constituem os dados sintéticos deste capítulo (Arquivo completo 2. 0 ® © >. 4. B) heterotopia parcial. C) heterotopia total.

58 18.42 6.92 30.57 34. como cada técnica requer uma configuração dos pontos da variável secundária. o que é feito utilizando-se a correlação da variável primária com variáveis secundárias mais densamente amostradas.916 Q. serão necessários n(n + 1)/2 variogramas e covariogramas cruzados.. não se obtém uma melhoria substancial na aplicação da cokrigagem em relação à krigagem ordinária. obtém-se um vetor de valores em lugar de um único valor.44 13. No caso de mais de duas variáveis secundárias.53 28. essas amostras serão extraídas quando forem necessárias para ilustrar o procedimento. Coe r. 12.04 27.724 > > 24. 209). Fundamental na utilização da cokrigagem é a verificação prévia da correlação existente entre a variável primária e as variáveis secundárias.3 Diagramas de dispersão mostrando a correlação entre as variáveis primária e secundária: A) alta correlação (VS1) e B) média correlação (VS2) Desses conjuntos completos é possível extrair amostras aleatórias estratificadas.75 ++ 18. Para n variáveis primárias e secundárias.10 3. Ã' .41 8.. Uma de suas mais frequentes aplicações ocorre quando a amostragem de uma variável primária é insuficiente e o objetivo é melhorar a sua estimativa.42 12.08 ----~-------------< 1. p. 1999.50 23. 0. 's" ~ 30 .56 VS1 VS2 Fig.1 (OKRIGAGEM A cokrigagem é um procedimento geoestatístico pelo qual se pode estimar diversas variáveis regionalizadas em conjunto com base na correlação espacial entre si. A cokrigagem é um procedimento verdadeiramente multivariado de estimativa porque o modelo trata com dois ou mais atributos dentro do mesmo campo aleatório (Olea. Coef. o sistema de cokrigagem torna-se extremamente instável em termos numéricos. 2009). 4.92 Q. É. correlação = 0.47 18. portanto. Quando os pontos de amostragem são totalmente coincidentes (isotopia}.25 0. Ela também é utilizada quando a variável primária exibe uma baixa autocorrelação espacial e as variáveis secundárias apresentam uma alta continuidade. 4. a qual deve ser alta para que as estimativas sejam consistentes (Watanabe et ai. para cada local amostrado..45 7. o estudo é feito considerando uma variável primária e apenas uma secundária.58 1 -ti.08 . Normalmente.98 14.:::. Por 4 Coeslimativas Geoestatísticas 123 .75 24. Entretanto.51 21. correlação= 0. uma extensão multivariada do m étodo da krigagem quando.____ _ _ _ _ _ _ __ _ __ ____.

é impossível estimar covariâncias cruzadas com todos os dados não coincidentes (heterotopia total). 222): 1 1'12 (h) =-E { [Z1 (x).1.1. 1978. O grande problema dessa técnica está no cálculo dos variogramas resultantes das combinações entre variáveis primária e secundária. (x} pode ser escrita como Ooumel. os quais não podem ser modelados independentemente (Goovaerts. os variogramas cruzados. De acordo com Joumel e Huijbregts (1978.1) 2 Ao se examinar a Eq. 172): 124 Geoestatística: conceitos e aplicações . pois devem satisfazer o modelo linear de corregionalização.1. verifica-se que o variograma cruzado. ou seja. k = l.2 Modelo linear de corregionalização A cokrigagem requer a informação de n<n. Kij (h) =O. dadas n funções aleatórias estacionárias de 2" ordem { Yi (x}. outro lado. permite valores negativos caso a correlação entre a variável primária e a variável secundária seja negativa. 171). em que n são os variogramas diretos e n Cn. o número total de variogramas será igual a n Cn~t). Evidentemente. 4. i = l.K}. o variograma cruzado delas pode ser calculado como (Olea. p. 4. deve-se fazer a modelagem dos n<n.ak'jK11(h) i=lj=l n = l:ak1ak'Ki(h) 1 i=l Observar que a matriz resume-se à sua diagonal principal. A melhoria de interpretação somente é significativa quando a variável primária tem um número extremamente reduzido de casos em relação às variáveis secundárias (heterotopia parcial).n} com covariâncias Ki (h} e ortogonais entre si. 107).1 > variogramas diretos e cruzados. 1>. Agrupando as funções aleatórias Yf (x) com a mesma covariância direta Ki (h }. ao contrário do variograma normal. Huijbregts. p.Yi(X) i=l Segundo esses autores. 1> variogramas diretos e cruzados. 1999.Z1 (X+ h}] [Z2 (x} .Z2 (X+ h}]} (4. ou seja. a cova- riância cruzada entre Zk (x) e zk. p.1 Função variograma cruzado Se Z 1 e Z2 são funções aleatórias estacionárias ou intrínsecas. p. que devem satisfazer o modelo linear de corregionalização. e K funções aleatórias estacionárias de 2° ordem {Zk (x}. 1997. o conjunto dessas K funções aleatórias tem uma matriz positiva definida: n n Ckk' (h} = l:l:ak. 4. pois as covariâncias cruzadas Kij (h) são nulas (funções ortogonais). essas podem ser escritas como combinações lineares: n Zk(X} = l:ok.

n}. eom bkk' i " l l .)] l. 1= 1. 4 Coes ti ma tivas Geoestatisticas 125 . 4. para confirmar se a matriz [ bkk'] é positiva definida. 172}. >O b 2t b22 bK1 bK2 bKK O modelo linear de corregionalização também pode ser escrito em termos da função variograma Oournel. L LWa E [Z. p..k para 't/i.Zl (xa. de acordo com esses autores: Portanto. basta verificar se o determinante é positivo: bu b12 b1K bu b 12 b21 b22 b2K bn >O. .. (xa.) (4.L:wa10 E [Z10 (xa10 ) ] a 10 . pode ser escrito como: N n1 zi: (Xo) = LL Wa. =1ªk1ªk' i' vi.(h) i=l Com b~k' = b~. >O. k para 't/i. .N}. Finalmente.f.Wa.. 173): n rkk' (h) = L:b~k' r. . segundo eles. Huijbregts. para que a esperança do erro seja nula. como se pode ver no modelo linear de corregionalização a seguir: n Ckk' (h) = L>ik' K. A esperança do erro envolvido Oournel. 1978. tem-se. .. por sua vez.1. 145). 1978. o estimador da cokrigagem ordinária.2) i=l ª' em que o índice io refere-se à variável primária do conjunto de N variáveis. segundo eles.Wa10 =1 e La. Ainda de acordo com Joumel e Huijbregts (1978. que são as duas condições de restrição impostas aos pesos da cokrigagem ordinária.. p.Z1: (Xo) ] =E [Z10 (Xo)] . i = 1.n . é: E [z. [ b~k' J é a matriz dos coefi- cientes e todas as covariâncias diretas e cruzadas podem ser derivadas de combinações lineares de n covariâncias diretas {K. Huijbregts. (xa1) ] = m. 0 e E [Z. 325). segundo Wackemagel (1995.3 Cokrigagem ordinária Dado um conjunto de N variáveis {Z1(x).(h) i=l Com b~k' = b~.. i = 1..0 (xo )] =E [Z10 ( Xa10 ) ] = m. (h).i0 a1 1 Como E [Z. p. = O. p.. 0 (Xo) . deve-se fazer La.

4.5 mostra os diagramas de dispersão com X correlações iguais a 0. 4. esse conjunto foi analisado para determinar o modelo de correlação espacial para as variáveis primária e secundária. p. 224). ainda segundo Wackernagel {1995. 126 Geoestatística: conceitos e aplicações .3) Para a determinação dos pesos da cokrigagem ordinária que permitam fazer a estimativa conforme a Eq. Exemplo de aplicação da cokrigagem ordinária Da base de dados completa {Fig. a qual. resulta.951 e 0. o 10 20 30 40 50 A Fig. 4. 4. 4. p. 1995. Os modelos de variogramas dessa figura são descritos pelas Eqs.6.Nea=1. Tais condições também podem ser descritas pela seguinte relação (Wackernagel.777 para. 4.N /J=l A lagrangiana para N = 2 variáveis pode ser confe- rida em Isaaks e Srivastava {1989.3).5 e 4. 1995. conforme os resultados da Fig. 403) e Goovaerts (1997. p. (Arquivos 14 e 15.4 Mapa de localização de pontos para cokrigagem ordinária. 4. que dá a heterotopia parcial a esse conjunto de dados. dos quais 70 são pontos com informação tanto da variável primária quanto da variável secundária e 30 são pontos com informação secundária. chega-se à lagrangiana com N multiplicadores de Lagrange. 145): (4.4) Desenvolvendo-se a expressão da variância do erro {Eq.4) e impondo-se as condições de restrição {Eq. respectiva- Fig.6. Anexo B) Assim. encontra-se a variância do erro (Wackemagel. mente. p.2) foi extraída uma amostra aleatória estratificada com heterotopia parcial {Fig. que demonstram que a minimização dessa função objetivo resulta no sistema de equações de cokrigagem ordinária.2.ni j=l/J=l n.4). 146). p. 4. no sistema de equações de cokrigagem ordinária: N n1 L L Wp1Yii(xa-xp)+µi=Yu 0 (Xa-Xo) parai=1. { E wp 1 = 6u0 para i = l. Essa amostra é composta por 100 pontos. as variáveis secundárias com alta (VS1) e mé- Círculo = variável primária. derivada em relação aos pesos e aos multiplicadores de Lagrange. sinal de mais = variável secundária dia correlação (VS2). 4. 145): (4. bem como para as variáveis cruzadas.

66 25.23 @ E 21.67 "'g 24.t + + + 5.69 VS 2 Fig. > > 21.42 6.5 Diagramas de dispersão entre a variável primária e as variáveis secundárias para a amostra estratificada com 100 pontos de dados: A) V51 (Arquivo 14.60 15.18 6.08 12. correlação = 0.6 Modelos de correlação espacial para: A) variável primária 3.12 5.59 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 Distância ® e1 5 .40 ++ 9.78 5 .47 9.. E} variáveis cruzadas VP x VS2 Distância 4 Coestimativas Geoestatisticas 127 .40 + + .18 10..66 Coef..65 5.06 V P.951 e.91 ~ ~ g' 10 .47 13. Co ef.06 24.91 10.65 20.17 22.3o .83 12.60 21. 4. ® ® 25.25 >"' 18.08 ® E3o.22 21..38 17. 12 Fig. Anexo B) e B) VS2 (Arquivo 15.60 17.. 4.94 >"' 16.34~---------------< 5 .53 13.24 >"' 9.59 g ·e 22.. 341------~---------' 5.53 13.19 2.53 17. Anexo B} ® E27. C) variável secundária VS 2 .69 9.g 12..----l 5 10 15 20 25 riáveis cruzadas VP x VS1.38 ·e ~ 7. B) variável secundária VS 1 . correlação = 0 .777 e. ·e 1::: >"' 16.---------------~ Distância ~ OI ..29 11.24 .--------------~ "' g 21.13 17.06 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 Distância Distância © e 13. D) va- º·ºº o ~--~--~--~----..30.

84 e YvP (h) = 22.5 ( 27~36 )3) para h < 27. a reprodução da variável primária é muito boa quando comparada com os dados completos (Fig.36 e rvs 2 (h) = 12 para h ~ 27. procedeu-se à cokrigagem ordinária.18143 r:.4 para h ~ 29.s2 -0.5 1s?s4 .7 Resultados da estimativa da variável primária por cokrigagem ordinária com base na: A) variável secundária VS 1 e B) variável secundária VS2 128 Geoestatística: conceitos e aplicações .7. que teve por objetivo a estimativa de uma malha regular com abertura de 2.448 para h ~ 15.5 ( 15~184) ] para h < 15. Os sistemas de equações de cokrigagem ordinária usados para o cálculo dos pesos das variáveis primária e secundária encontram-se nas Eqs.2 [ 1. Os vizinhos mais próximos ao nó mencionado encontram-se listados na Tab. 4.448 [ 1.0.32002 24. os quais somam 1.84742 6.7 e 4.1.84 e Yvp(h) = 22.52 e YvP vs2 (h) = 14.25) da malha regular. dos quais 354 foram estimados por estarem dentro da fron teira convexa.4 [ 1.448 para h ~ 15. 4. Para ilustrar o procedimento da cokrigagem ordinária. de certo modo.448 [ 1. Em linhas gerais.08510 25. Os resultados da cokrigagem ordinária estão representados no mapa-imagem da Fig.5 2.0. 0.5 15?84 .8.84 3 YVS 1 (h) = 23.6) ! YVPVS2(h)=14.5 (-A) ] para h < 12 e Yvs 1 (h) = 23.0. 36 .2).5 (is?s 4 )3] para h < 15.1111 1 50 50 40 40 30 30 20 20 10 10 o 10 20 30 40 50 o 10 20 30 40 50 Fig.5 (-A) ] para h < 12 e YVPVS1 (h) = 20 para h ~ 12 YvP (h) = 4 + 18. @ ® 6. enquanto a ponderação da variável secundária tem uma influência menor e os pesos somam zero.5-A . 3 YVP (h) = 4 + 18.5 2:. Esse resultado se deve à ponderação preferencial da informação primária com pesos muito maiores.5 3 (2:.5-A .25.84 1 Yvs1 (h)=12 [ 1. atenua a influência da informação secundária. totalizando 400 nós. 4.s2) ] para h < 29. foi considerado o nó de coor- denadas (26. 4. Como se pode verificar nessa tabela.2 para h ~ 12 (4. enquanto os pesos associados à variável secundária somam zero. o que.5 em ambos os eixos.52 Com esses dados. os pesos associados à variável primária somam 1. 0. 4. 16.5) ! YVPVS 1 3 (h) = 20 [ 1.36 (4.

(xo). 1 23.280 12.50 14.722 22.425 1 1 1 1 o o o o o o µ1 1 o o o o 1 1 1 1 o o µ2 o 22.647 11.549 sobre o ponto a ser estimado (isto é.577 0.135 11. 1997.1 .448 11.570 1 o W11 5.403 5.169 4.792 7.16.169 22.9) a=t em que z.420 23.7) o o 6. 835).323 0. p.015 22.223 9.132 0.247 6.315 0.362 4.580 7.353 23.50 14.153 1 o W 41 14.805 o 1 W12 13. a= l.221 0.247 6. da- 1 20.096 2.403 10. {Z1 (x 0 ). 189 6.681 (4.1 Informações dos pontos vizinhos ao nó de coordenadas (26.035 -0.542 10. 580 7.223 6.363 3.098 8.176 dos secundários muito próximos ou a té colocalizados 1 27.722 0.099 Goovaerts.169 5.50 13.007 0.527 o 1 W 22 = 12.193 15.714 4. 16.664 0.50 11.097 é o caso-limite em que a variável secundária é comple.448 7.000 5.610 1 o W 31 8.118 13. esse 2 21.448 1.834 3.647 10.366 o 1 W 12 12.50 12.787 o 6.792 6.200 1.474 0.015 22.027 4.835 2.078 6.959 10.829 (4. 2 31.200 o 1 W42 5.137 9. (1992.714 9.877 8.25.929 4. 4. 835.176 Na verdade.370 9.25) 8.50 18.080 tendem a filtrar a influência dos dados secundários 2 24. 527 o 1 W 22 = 14.776 10. 153 7.50 17.337 1 o W4 1 14.169 5. 235).009 12.4 Cokrigagem colocalizada TAB. 368 0.50 7.223 2.710 0.325 7.413 6.363 11. a variável é secundária -se instável.107 12.121 tamente conhecida inclusive sobre os nós da malha z.413 10.098 o o 1 o W 21 8. uma vez que a correlação entre dados secundários próximos é muito maior que a correlação Tipo Coordenadas VS1 VS2 k X y Zk(x) Pesos Zk(X) Pesos entre dados primários distantes (Xu et ai.722 22.50 15.007 0.526 7.787 10.370 23..50 4.033 0.247 6. o estimador da cokrigagem ordinária colocalizada é: n1 z.570 o 0.877 10.012 8. 235).776 11. Quando k = 1. a variável é principal. não amostrado) 2 27.420 2.937 5.315 0. (x0 ) é a variável primária estimada no ponto x 0.368 8. primária.169 5.448 10.200 14.50 8. as médias das variáveis primária e secundária.452 6.527 0.452 6.096 0.091 regular a ser estimada.223 10.50 17. 4.448 7.25).50 7.577 0.491 12.337 4.189 5.138 distantes.009 6.0.242 0.m 2] (4.169 9.25. m 1 e m 2 são.193 22.50 21.722 0. 957).078 1 o W 21 8. 01 (26. 1992. e quando k = 2.366 6. p.169 22.0. 189 1 o W 11 5. segundo Goovaerts (1997.242 23.000 o 1 w 4i 9.219 1. 16.317 8. respectivame nte.015 2.448 1.448 6.573 .325 10.000 9.353 o 1 W 32 1.448 6.034 -0.754 1 1 1 1 o o o o o o µ1 1 o o o o 1 1 1 1 o o µ2 o Segundo Xu et al.322 0.580 10.219 1.146 12. 1 34.580 8. p.247 6. p.012 6.610 11.015 8.027 1.221 0.m1] + >.805 2. 2 [Z2 (Xo).50 15.m1 = L ÀZr [Z1 (xa).317 9. valores das variáveis Quando as variáveis secundárias ou auxiliares são primária e secundária (V51 e VS2) e resultados da muito mais amostradas que a variável primária ou cokrigagem ordinária.n 1 } são os n 1 dados primários e Z2 (x 0 ) é o valor secundário conhecido no ponto x 0 • 4 Coestimativas Geoestatísticas 129 .835 14.137 13. o sistema de equações de cokrigagem toma. p.527 5.937 10.521 7.322 9.491 11.25) 2. 622 6.25.754 .280 o 1 W 32 7.145 11.50 9.033 0.000 6.137 1 o W 31 8.200 0. (26.362 11. De acordo com Joumel (1999.8) 3.776 11.776 8.929 12.

p. 237}: n1 l: À~Cu ( Xa . Aqui surge a maior vantagem do modelo de corregionalização de Markov: a função correlograma cruzado P12 (-) pode ser estimada diretamente da função correlograma dava- riável primária. 'rfh Cu (O) em que C12 (O) é a covariância cruzada entre as variáveis primária e secundária para distância nula e C11 (O} é a covariância da variável primária para distância igual a zero. o modelo de Markov expresso na Eq. 835. 130 Geoestatística: conceitos e aplicações . 2 são obtidos da solução de um sistema de equações de cokrigagem colocalizada (Xu et al. 237).~. que filtra a influência de qualquer dado primário distante de x. C12 (·} e C21 (·} são as funções covariância cruzada e µ é o multiplicador de Lagrange. 1992.1+>.Xo) + Ã 2C22 (O)+µ= C21 (O) (4. O sistema de equações da cokrigagem ordinária colocalizada requer o conhecimento das funções covariância cruzada C12 (-)e C21 (-). pois. 955). Goovaerts. p.Xo) +µ=Cu (Xa -Xo) para a= l. No sistema da Eq. Os pesos {>. 'rfh (4. 1999. 4. p.10) fJ=l n1 l:>. utiliza-se apenas o ponto colocalizado em x 0 . esse problema pode ser resolvido por meio do modelo de corregionalização de Markov. conforme Qoumel.1997.2=1 fJ=l fJ em que Cu(-) e C22 (-)são as funções covariância das variáveis primária e secundária. a condição de restrição imposta é que a soma dos nl pesos da variável primária com o peso da secundária seja igual a 1(Goovaerts. Esse modelo permite o cálculo da covariância cruzada C12 (h) = C21 (h) com base na função covariância Cu (h}. em vez de n2 pontos da variável secundária. o qual requer a inferência da função covariância da variável primária Cu(-) e o coeficiente de correlação colocalizado P12 (O) entre as variáveis primária e secundária. 1997.. 1992.11 implica que Qoumel. p.Nesses termos.. p. p. a= 1.Xp) + Ã 2C12 (Xa . Segundo Joumel (1999. tal como Z1 (x') = ~. respectivamente. 836}: P12(h)=P12(0)pt(h).n1 fJ=l n1 l: À~C21 ( Xp . 835}: C12 (O) C12 (h) =--Cu (h). p. que apenas requer o cálculo e modelagem do variograma experimental da variável primária.n 1 } e >. 4. 957}: que significa o condicionamento da variável secundária Z2 (X) pelo datum primário Z1 (x} = z 1. 1999.10. a cokrigagem ordinária colocalizada é apenas uma simplificação da cokrigagem ordinária.11) em que p 1 ( ·) é a função correlograma da variável primária e P12 ( ·) é a função correlograma cruzado entre as variáveis primária e secundária. De forma equivalente (Xu et al.

assim.= L.J Àª1 ~ [Zi(Xa)-m1] +À 2 [Z2(Xo)-m2] (4. considerar o conjunto de pontos de dados já usados na cokrigagem ordinária. Na forma padronizada (Eq. de acordo com Joumel (1999. Como os dados secundários são amostrados intensivamente. 958) denomina a Eq. as variáveis primária Z1 (x) e secundária Z2 (x).14) { L >-pP12 (O)p1 (xp -xo ) +>. 4.13) proposta por Xu et al. e. Exemplo de aplicação da cokrigagem colocalizada Como exemplo do procedimento da cokrigagem colocalizada. /3=1. 4. p. Observar que. 4. o estimador da cokrigagem colocalizada pode ser reescrito na forma padronizada (Xu et al.11. implica que: que mostra que o condicionamento da variável primária Z1 (x) pelo datum secundário Z2 (x) = z2 filtra a influência de qualquer dado secundário distante Z2 (x') = z~ e. 4. haja vista tratar-se de informação abundante.n1 11~ 1 (4. conforme o modelo de Markov 2 (Eq. a inferência de P2 (h) é muito mais fácil que a de p 1 (h). p. p.13) 01 a=t 01 02 em que 0 1 e 02 são os desvios padrão relativos às médias m 1 e m2 para. p. 957). 2p12 (0)p1(Xo-Xa)=pt(Xo-Xa) paraa=l.12) Journel (1999. segundo ele. (Xo)-m1 ------. respectivamente. 1992. 836): z. ÀpP1(x13-xa)+>.11. é suficiente reter a informação colocalizada Z2 (x) =z2. os pesos não estão sujeitos a nenhuma condição de restrição.. e sob a hipótese do modelo de corregionalização de Markov. de modelo de Markov 1. Contudo. p. permitindo filtrar a influência do dado primário Z1 (x') = z~. 2 . é razoável se o suporte da variável primária Z1 (x) é igual ou maior que o suporte da variável secundária Z2 (x). a função correlograma da variável secundária é muito mais fácil de ser obtida. 2 = P12 (O) /3=1 Como se pode observar no sistema de equações da cokrigagem colocalizada (Eq. O modelo de Markov 2. 4. pode-se obter a função correlograma cruzado substituindo-se P1 (h) por P2 (h) na Eq. em muitas aplicações práticas a variável primária Z1 (x) é definida em um suporte bem menor que o da variável secundária Z2 (x). O sistema de equações da cokrigagem colocalizada torna-se (Xu et al. (1992. 836). Sob a hipótese de Markov. o estimador e o sistema da cokrigagem colocalizada ficam na forma simples. o coeficiente de correlação p 12 (O) tem um papel importante no cálculo dos ponderadores {>. 836): I. 1992.n1} e >. dessa forma. segundo ele. p. 957-959): P12 (h) = P12 (O)p2 (h) (4. ao contrário da variável primária. no qual foram mantidos somente os 4 Coestimativas Geoestatísticas 131 . conforme Journel (1999. p. ou seja. 4.12 de modelo de Markov 2 e a Eq.14). Esse modelo.12).

na qual é possível observar a in- 1 o 20 j o o fluência da variável secundária nessas coestimativas. e os pesos são calculados con- forme o sistema de equações de cokrigagem colocali- o o zada (Eq. enquanto no caso da VS2 observa-se uma continuidade muito grande na 10 o o o 00 o superfície resultante. o ! o o oo o No caso de VS 1 . 70 pontos com as variáveis primária e secundária (Fig.84 50 Os modelos de correlograma encontram-se repre- o o o o sentados na Fig.13. houve a necessidade de que os dados secundários fossem fornecidos sobre os nós da malha regular a ser coestimada (Fig. 4. 4.563 Desvio padrão 4. considerar a estimativa do ponto de coorde- Fig. 4. herdando as características da 00 o superfície de grau 5 que foi usada para gerar essa o o o ºº variável secundária. como feito para a cokrigagem ordinária. 4.951 0.84 { 'Y1 (h) = 22. Segundo o modelo de Markov 1(Eq.6A e descrito pela seguinte equação: 'Yt (h) = 4+18.10.448 [ 1. Anexo B). forai:n considerados também dois conjuntos de variáveis secundárias.2. 4. o 10 20 30 40 50 Da mesma forma.717 3.695 4. 16. 4.777 132 Geoestatística: conceitos e aplicações . 4.5 ( 15~84 ) 3 ] para h < 15.9) (Arquivos 18 e 19. 30 J o o Os resultados da cokrigagem colocalizada são mos- o o trados na Fig. verifica-se um mosaico exibindo a o o ºº o ºo o variabilidade dessa variável.025 Correlação VPx 0.5 15~84 .457 15. conforme modelo ilustrado na Fig.2 Estatísticas das amostras usadas para a cokrigagem colocalizada Variáveis Estatísticas VP VS1 Média 15.25. Nessa demonstração. TAB.448 para h ~ 15. o o o O estimador a ser usado nesse exemplo é aquele o 40 o o o o conforme a Eq.25) pelo procedimento da cokrigagem colocalizada. As estatísticas amostrais para as variáveis primária e secundária.11. encontram-se na Tab. bem como os coefi- cientes de correlação necessários para a estimativa na forma padronizada (Eq.11). 4.8 Mapa de localização de pontos com dados de variáveis pri- mária e secundária (Arquivos 16 e 17. Além dos dados primários e secundários pareados (Arquivos 16 e 17.4.13). 4. 4. 0. necessita-se apenas do correlograma da variável primária. o qual pode ser deduzido da função variograma da variável primária. Anexo B). 4.461 15.8). com alta e média correlação.14). Anexo B) nadas {26.

4.01956 30 20 10 o 10 20 30 40 50 o 10 20 30 40 50 Fig. 4. mais 4 Coestimativas Geoestatísticas 133 .84323 28.3. na matriz dos coeficientes (lado esquerdo). bem como os pesos resultantes da solução do sistema de cokrigagem colocalizada.9 Mapa da malha regular de 20 x 20 nós com informação da Fig.11 Resultados da cokrigagem colocalizada com base na: A) variável secundária VS1 e B) variável secun- dária VS2. 25 + + + + + + + ++ +++ + + ++ ++ ++ .g ro ++ + ++ + + + + +++ + + ++ ++ ++ ~ 20 + + + ++ ++ ++ +++ + + ++ ++ ++ u 20 + + + ++ ++ + + ++ + + + ++ ++ ++ 15 + + + + + + + ++ ++ + ++ ++ ++ ++ + + + + + + + ++ + + + + + ++ ++ ++ + + + + + ++ + + ++ + + + ++ ++ + + 10 10 + + + ++ ++ ++ ++ + + + ++ ++ + + + + + ++ +++ + + + + ++ ++ ++ ++ 5 + + + ++ + + ++ + ++ ++ ++ ++ ++ + + + + + + + + + +++ ++ ++ ++ ++ + + + ++ ++ + + +++ + + ++ ++ ++ o 5 10 15 20 25 o 10 20 30 40 50 Distância Fig. 4. as diferenças estão na última linha e última coluna. conforme modelo de Markov 1 @ ® 2..15 e 4.50 + ++ ++ + + ++ +++ + + + + ++ + + + ++ ++ ++ ++ +++ + + ++ ++ + + ++ + ++ + + + + +++ ++ ++ ++ + + 40 + ++ + + + + + + +++ ++ ++ ++ ++ + ++ + + + + ++ + + + + + ++ ++ ++ + ++ + + + + + + +++ + + ++ ++ ++ ro + ++ ++ + + ++ +++ + + +++ + ++ E ro 30 + ++ + + + + + + ++ + + + ++ ++ ++ (. Os pesos tanto da variável primária como da variável secundária foram obtidos da resolução dos sistemas de equações de cokrigagem colocalizada das Eqs. 4. encontram-se na Tab. verifica-se que. 4. onde entra a informação associada à variável secundária.16. Ao se comparar esses sistemas. 10 Correlograma cruzado (azul) deduzido do correlograma variável secundária da variável primária (vermelho). Os vizinhos mais próximos a esse ponto. respectivamente para as situações de alta e média correlação.41010 2.

113 0. 4.125 Àl 1 0.011 o0.483 0.446 1 0.001 0.375 (4.033 0.249 0.50 12.429 31.077 0. p.446 0.269 Àl 0.249 0.346 8 0.508 0.217 0.290 0.381 3 0.119 0.313 0.381 3 0.50 22.065 0.232 0.951 1 0.138 0. para média correlação a variável primária passa a ter maior peso em detrimento da secundária.508 1 0.102 0.200 0.362 Àl 0.027 0. 1 0.16) o o 0.077 1 0.225 1 0.004 0.180 0.027 0.446 0.504 0.504 Àl 0.50 8.50 12.446 1 0.649 7 0.275 0.033 0.777 134 Geoestatística: conceitos e aplicações .007 20.50 13.50 16.275 0.002 0.102 0.001 0.494 Z2(Xo) 8.290 Àl 0.346 8 0.125 0.225 1 0.127 0.329 Àl 0.836 0.50 15.483 0.001 o o0.127 0.389 0.033 0.304 4 o 0.033 0.313 0.119 0.483 1 0.065 0.119 0.174 especificamente o coeficiente de correlação entre as variáveis primária e secundária.200 0.329 1 À2 0.027 0.50 16.357 Àl 5 = 0.065 0.011 0.143 0.1 0.446 1 0.446 0.291 0.236 0.102 0.372 0. 16.124 -0.275 0.002 0.102 0.508 0.005 34.275 0. no caso em evidência.096 0.096 0.315 0.138 0.138 0.113 0.180 Àl 2 0.25.967 8.357 0.313 0.200 0.50 21.389 0.50 14.096 0.003 0.389 0.50 14.001 o o 0.269 1 À2 0.149 Àl 6 0.192 0.027 0.50 7.275 0.196 0.102 0.446 0.508 1 0.275 0.296 0. e.038 l. (Xo) 8.113 0.50 17.372 0.131 0.291 Àl 5 = 0.011 0.077 1 0.3 Vizinhos próximos ao ponto estimado (26.221 0.131 0.375 (4.013 23.003 0. A soma de pesos da variável primária e o peso da variável secundária apresentam comportamento verificado por Watanabe (2008.007 -0.281 -0.236 Àl 0.065 0. TAB.249 0.003 0.275 0.192 0.208 11.118 19.649 7 0.039 0.232 0.026 0.50 11.446 1 0.119 0.200 0.25) e pesos e estimativas resultantes para as variáveis secundárias com alta (VS1) e média correlação (VS2) VS1 VS2 X y Z(x) Pesos Pesos 34.183 0.296 Àl 0.>.15) o o 0.033 0.102 Àl 1 0.50 13.389 0.149 0.011 o 0.617 0.590 a a >.313 0.372 1 0.249 0. 54): quando a correlação é alta.127 0.617 Àl 0.275 0.362 0.483 1 0.127 0.183 Àl 6 0.990 z.372 1 0.013 -0.096 0.225 0.138 0.078 21.50 18. a variável secundária tem grande influência.003 0.2 0.221 Àl 2 0.007 0.022 27.620 0.225 0.304 4 o 0.077 0.113 0.221 0.

2 KR IGAGEM COM DER IVA EXTERNA Como é objetivo geral de coestimativas geoestatísticas.9 e 4.18 na Eq.21) i=l Como E [Z (x1)] é igual a E [Z (x)].DE (Xo)] = I:>-1E[Z(x1)] (4. O modelo da krigagem com deriva externa consiste. segundo Xu et ai. pois a estimativa da variável primária Z(x) é feita exclusivamente com base nos valores observados {Z(x1L i =1. 4. 1995. a amostragem da variável primária é insuficiente e. O estimador da krigagem com deriva externa pode ser escrito como (Wackernagel. as estimativas sejam iguais aos valores reais: (4. p.n. na estimativa dos coeficientes da reta de regressão (Eq. 4. a= 1. 4. 4.17) o que significa que a variabilidade espacial da variável secundária Y (x) está relacionada a tendências locais da variável primária Z (x) (Xu et ai. p. (1992. que fornece: n E[z. deve-se garantir que.20) que é uma condição de não viés. 4. p.0E(xo) = I:>-1z(x1) i=l (4.13).4. os quais são usados para fazer a b. p. é usada para auxiliar na estimativa da primeira. tal como ocorre com os estimadores da cokrigagem (Eqs. em média. 191): n z. a krigagem com deriva externa também procura fazer a estimativa de uma variável primária Z (x) com base em uma variável secundária Y (x) correlacionada.19) Substituindo-se a Eq. 4. 4.18): n E[z. se Z (x) e Y (x) estão correlacionadas. por isso. mais bem amostrada. a variável secundária. Nesse caso. Esse é um aspecto interessante da krigagem com deriva externa.18).18) Observar que a variável secundária Y (x) não entra diretamente na equação do estimador (Eq. pode-se substituir este último termo pelo lado direito da Eq. 835). Da mesma forma.2. Esse procedimento em dois estágios é simplificado. pode-se aplicar o operador da esperança matemá- tica ao estimador da krigagem com deriva externa (Eq.[a~ + Y(xa)] }. obtém-se: (4.19. 835). pode-se descrever essa correlação por meio de uma relação linear (Wackernagel. krigagem dos dados residuais {z (xa) . Assim. 0E(xo)] =ao+b1 l:>-w(x1) 1=1 4 Coestimativas Geoestatísticas 135 .17. 1992. conforme o desenvolvimento a seguir. 1995.n}. p.17).. como acontece com a krigagem ordinária. 191). Conforme Wackernagel (1995. 4. 190): (4.

{1992. o termo :L~=l >. (n1 + n2).24 na Eq.23) j=l n LÀiy(xi)=y(xo) j=l em que µi e µ 2 são os multiplicadores de Lagrange associados às duas condições de restrição e CR ( x.17) ser verdadeira ou não.25 obtém-se: 2-y(h) =E {[R (x}+ m(x}-R (X +h)-m (X +h)] 2 } (4. Assim. pois os dados disponíveis são os valores da variável Z (X) e não dos resíduos R (x}. 4. A relação entre y(h) e 'YR (h} pode ser deduzida da seguinte forma. os mapas de Z(x) são muito parecidos com os mapas de Y(x). Na realidade.22) resulta nas equações da krigagem com deriva externa (Wackemagel. p. tem-se: n y(xo) = 2:>.[a 0 + b 1 Y(x)]. -xi) .µ2y(x. Segundo Xu et al. Segundo Goovaerts (1997.26) 136 Geoestatística: conceitos e aplicações .) representa o valor da variável secundária que é conhecido no ponto não amostrado (x 0 ). ao contrário da cokrigagem. requer os dados secundários em todos os pontos amostrais dos dados primários e em todos os nós da malha regular a ser interpolada.n j=l n :L >. 1995. pois não precisa das covariâncias C2 (h) e C12 (h).25) Substituindo-se a relação da Eq.22) i=l Essa equação resulta na segunda condição de não viés. de acordo com Goovaerts (1997. as vantagens da krigagem com deriva externa são: algoritmo de fácil implementação. e Xj.[a.) = CR (Xi -Xo) parai= 1.Xj) é a covariância dos resíduos entre os pontos x. as desvantagens são: os mapas de Z(x) serão bem-correlacionados com Y(x). o cálculo do variograma dos resíduos 'YR (h} não é direto.w(x1) (4. 835). µi .. p. + b. o sistema tem dimensão (n + 2) em vez de.24) em que m (x) é a componente de tendência descrita por um polinômio de baixo grau e R (x) é o resíduo. pois essa técnica requer que os dados secundários sejam conhecidos tanto nos pontos amostrais como sobre os nós da malha regular a ser estimada. A minimização da variância do erro Var[z. 191): n L ÃjCR (x.y (x. 0 E(x 0 )-Z(xo)] sujeita às duas condi- ções de restrição {Eqs. 142): 2-y(h) =E { [Z(x}-Z(x + h}] 2 } (4. p. a qual impõe aos pesos {Ài. a krigagem com deriva externa não captura a correlação cruzada entre Z (x) e Y (x). 142). que não pode ser calculada sobre os resíduos experimentais Z (x) . . Ainda de acordo com esses autores.n} a geometria da distribuição espacial da variável secundária. p. 4. requer a covariância dos resíduos Z(x). i = 1. 4.i =1 (4. Observar que a variável regionalizada Z (x) pode ser decomposta como: Z(x} = m(x} + R (x} (4. independen- temente da relação linear (Eq. Y (x)]. 4. como na cokrigagem ordinária.20 e 4.

8) e dados secundários nos pontos da malha regular (Fig. Entretanto.R (x + h):::::: z (X) . 4 Coestimativas Geoestatísticas 137 . 4. 142). 4.26 são nulos: 2E [R (x)(m (x) . para ser solucionado. De acordo com a teoria da krigagem com deriva externa. tais como (Goovaerts. perpendicular à díreção de tendência). m (x + h))] e .28 ímplica que os demais termos resultantes da Eq. p. p.27 deveria ser escrita como: 2y(h) = 2YR (h) +E {Cm (x). a Eq.31. 142): 2y(h) = 2YR (h) + [m (x) . A função variograma residual fica: 2YR (h) = 2y (h) . m (X+ h)) 2} (4. o sistema de equações de krigagem com deriva externa (Eq. E { [m (x) .m (x + h))] (4.29. anulando os termos da Eq. 142): m (x):::::: m (x + h) então (4. da covariâncía residual ou da função variograma residual. 142). 4. Além disso.2E [R (x + h)(m (x) . em termos da componente de tendêncía e seu resíduo (Eq.28) ou seja. a Eq. 4.29) Na verdade.23) necessíta. 4.27) Na verdade.30) ou seja. z (X+ h) Dessa forma.9). 1997.m (X+ h)J2} (4. 4. como descrito na seção anterior. p. Uma solução para a inferência do YR (h) pode ser obtida conhecendo-se pares que não sejam afetados pela tendência. p. segundo Goovaerts (1997. m (x + h)) 2 (4. para distâncias maiores o variograma residual poderia ser inferido com base nos pares tomados em subáreas ou ao longo de direções em que a influência da tendência pudesse ser desprezada (por exemplo. 1997. a obtenção do variograma residual não é um procedimento simples e direto. Ainda segundo esse autor. subtraí-se do variograma de Z(x) a média da diferença ao quadrado das compo- nentes de tendência nos pontos x ex + h.24). faltou o operador da esperança matemática. Exemplo de aplicação da krigagem com deriva externa Para fins de ilustração da krigagem com deriva externa. 4. 4. De acordo com ele.31) { R (x) . significando que o variograma residual equivale ao variograma dos dados originais Z (x) para os primeiros passos. o variograma residual poderia ser inferido diretamente dos pares que satisfizessem a relação da Eq. os mesmos conjuntos usados para a cokrigagem colocalizada serão considerados: o conjunto de pontos com dados amostrais primários e secundários (Fig. 1997. as quais são desconhecidas (Goovaerts. a decomposição da variável regionalizada. garante que a esperança do resíduo seja nula. Da equação anterior obtém-se (Goovaerts. 4. essa relação é geralmente satisfeita para pequenas distâncias 11.

g°' 21. 4. como requer a krigagem com deriva externa. conhecem-se os valores da variável secundária em todos os nós da malha regular a ser estimada.m (x + h)J 2 } (4. subtraído do variograma da variável primária. desenvolveu-se.-----1 5 10 15 20 25 (Fig.. conforme o modelo descrito a seguir e ilustrado na Fig. o problema resume-se ao cálculo do variograma da componente de tendência. uma metodologia mais rápida e direta para o cálculo do variograma residual. pode-se calcular o variograma da componente de tendência. obtém-se: 2'YR (h) = 2y (h) .079 [ 1. o variograma residual pode ser calculado pela diferença Eno8.83 componente de tendência.12 Variograma da variável primária reajustado para garantir bastante razoável. No caso da krigagem com deriva externa.5 (tt.32) Substituindo-se a Eq. Por outro lado. o variograma da variável primária º·ºº + o -----. o variograma residual pode ser calculado como a diferença entre o variograma da variável primária e o variograma da componente de tendência. Os coeficientes da regressão podem ser aplicados aos valores da variável secundária. Dessa forma.5 10\ 2 -0.----. resulta no variograma residual. 4. 4.32 ) 3] para h < 10.30.30..42 Nesse sentido. 5.12. Assim.---------. 4. Assim. resultando na componente de tendência. conforme a Eq. O termo do lado direito da Eq. Com esses dados. Observar que esse reajuste é Fig. :!! .25 grama da variável primária tem de apresentar neces- sariamente um patamar maior que o variograma da 10. a variável primária apresenta uma relação linear com a variável secundária: Z(x) =ao+ bt Y(x) Os coeficientes da reta de regressão ao e bt podem ser calculados facilmente com os pontos amostrais. 'YP(h) = 4+ 18. 4. e com base no variograma da variá- vel secundária VS 1 . a qual passa a ser conhecida em todos os nós da malha regular. especificamente para este livro.33. 4.079parahil:'10.32 yp(h) = 22. equivale ao variograma da componente de tendência. com o objetivo de encaminhar uma solução a esse problema.------------------~ entre os dois variogramas.6A) foi reajustado para garantir valores positivos Distância aos resíduos. 4.m (X+ h)] 2 }.33 mais bem amostrada que a variável primária. conforme segue: 2'YM (h) =E { [m (x) . E { [m (X) .32 na Eq.32 138 Geoestatística: conceitos e aplicações . como descrito pela Eq. 4.2'YM (h) (4.. haja vista a variável secundária ser resíduos positivos. que. Isso significa que o vario- 16.33) Portanto.67 A única e principal restrição é que os resíduos ~ calculados sejam positivos.

77 >"' 10.20 OI .13 ~ 6. O variograma residual para a variável secundária V5 2 (Fig. dos quais se obtêm os coeficientes da regressão.5 (io.42 Ê 12.13. respedivamente. Os variogramas das componentes de tendência. os dados amostrais. ou seja.74 ·e >"' >"' 0. 4.g 15..8 [ 1. respectivamente 4 Coestimativas Geoestatísticas 139 ..32 g' 9.13 Em A) e B). É importante ressaltar que a componente de tendência estimada dessa forma usa a informação disponível. 'YVS 1 (h) = 0.53 © "'E 0.11 3.477 para h. variogramas das componentes de tendência para as variáveis secundárias VS1 e VS 2.477 [ 1.~49 ) 3 ] para h < 10.99 ~ OI "'. mas certamente é melhor que uma aproximação subjetiva como a proposta por Goovaerts (1997.35.. 142).~13 -0.813. bem como dos dados da variável secundária conhecidos em todos os nós da malha regular a ser interpolada.5 8.g 0. 4.51 5 .00 o 5 10 15 20 25 5 10 15 20 25 Distância Distância Fig.--~----1 º·ººo 5 10 15 20 25 o 5 10 15 20 25 Di stância Distância 0.~49 . respectivamente para as variáveis V51 e VS2..07 3.5 10.. variogramas residuais para as variáveis secundárias VS1 e VS2.34) { YVS1 (h) = 0. 14.00---~-~---. @ ® 25.26 0..813 (4. 0. 10.25 º·ººo 0..49 0. 349 (4. Os modelos dos variogramas residuais encontram-se descritos pelas Eqs.33 Ê 20. 21 6. em C) e D).35) { Yvs 2 (h) = 14.8 Essa solução pode não ser exatamente correta do ponto de vista teórico. a qual foi obtida por uma superfície polinomial de grau 5. 4.g 9. encontram-se na Fig..~13 ) 3 ] para h < 8.26 Ê 13. bem como os variogramas residuais resultantes. .. p.02 ~ "'o..349 'Yvs 2 (h)=4+10. ..5 ( 8. Isso se deve à distribuição dessa variável secundária. 4..34 e 4.130) ilustra o limite do campo estruturado para uma amplitude igual a 8.8 para h.

314 0.052 20.217 0. 16.281 0. 4.361 140 Geoestatística: conceitos e aplicações .151 27. na Fig.50 17. TAS.000 34.033 0. 4.45418 o 10 20 30 40 50 o 10 20 30 40 50 Fig. 4.50 12. 16.157 0.099 0.11A}.012 0. considerar o ponto de coordenadas (26. Para mostrar como se faz a estimativa de um ponto não amostrado.50 13.148 fica evidente a influência da geometria de um polinômio bivariado de grau 5 que deu origem à variável secundária VS2. ® 7.50 15.97001 22.50 18.25).000 0.184 0.331 10.152 0.34 e 4.50 12.50 22. tal qual a cokrigagem colocalizada (Fig.50 13.315 0.4.25.50 16.620 0.524 31.076 19.50 7.50 11.50 21. Por exemplo.007 0.07774 14. Entretanto.35). conforme os pontos da Tab.50 14.50 16.58408 15.14 Resultados da krigagem com deriva externa com base na: A) variável secundária V5 1 e B) variável secundária VS2 Como se pode verificar.221 0.083 0.14.124 0. 4.25.8622 7 7.DE (Xo) 11.122 23.50 8. as superfícies estimadas por krigagem com deriva externa herdam as características da variável secundária.044 z.01913 22. 4.50 14. 4. Os resultados encontram-se na Fig. Assim. a krigagem com deriva externa não sofre forte influência da variável secundária. procedeu-se ao cálculo da krigagem com deriva externa com base nos variogramas residuais obtidos (Eqs.25) e pesos resultantes da krigagem com deriva externa VS1 VS2 X y Z (x) Pesos Pesos 34.4 Dados vizinhos ao ponto de coordenadas (26. 4.030 21.

031 o o 0.806 12.279 14. é uma técnica que simplifica o procedimento da coestimativa. Além disso.800 o o o o 0.116 (4.37) o o 0.800 o 3.547 o 1 11.219 0.754 o o µ2 11.487 0.25) encontram-se nas Eqs.164 14.540 À4 0.222 À2 0. 152 À3 0.472 o 0.035 11. Os sistemas de equações de krigagem com deriva externa utilizados para as estimativas no ponto de coordenadas (26.071 o 0.487 1 9.573 Às 0.074 0. A cokrigagem colocalizada.125 1 12.216 0.294 À6 1.016 0.062 12.009 (4.800 2.487 0.070 o o o 0.015 o o 0.573 o o µ2 8. cokrigagem colocali- zada e krigagem com deriva externa.990 1 1 1 1 1 1 1 1 o o µ1 1 13. os resultados da cokrigagem ordin ária são muito bons.074 o 1 13. 4 Coestimativas Geoestatisticas 141 . A cokrigagem ordinária é um procedimen to que requer o cálculo e modelagem de variogramas experimentais diretos e cruzados.487 0. dependendo do suporte amostral da variável primária em relação à variável secundária.25.540 13. A modelagem desses variogramas não deve ser feita individualmente.002 0. enquanto os pesos da variável secundária somam zero.167 0.125 o o o o 0. 208 14. em que os pesos da variável primária somam 1.196 1 10.052 0.167 0.001 0. Isso acontece por causa das condições de restrição do sistema de equações de cokrigagem ordinária.034 Às 0.005 0.527 11. pois não requer o cálculo do variograma cruzado.120 o o 0.052 0.819 11. o qual é deduzido com base no modelo de Markov 1 ou 2. tanto na situação com alta correlação como na com média correlação.196 9.487 0.026 o 1 15. dependendo do número de variáveis envolvido.487 0.279 0.052 0.034 13.164 1 11. de forma que os variogramas satisfaçam o modelo linear de corregion alização.718 o 1.016 o 1 15.219 o 1 0.510 11.800 1 11.472 14.196 À7 0.167 o 0.034 À4 0.052 0.038 0.800 0.37.800 2.026 0.335 o 0.038 o 1 12.222 14.219 3. mas sim em conjunto.216 0.071 14.034 15.005 o 1 13.472 14. há o problema de estimativas discrepantes da distribuição inicial da variável primária.219 1 1.487 0.062 À3 1.001 0.800 3.656 o o 1 12. 0. O procedimento da cokrigagem ordiná ria pode se tomar muito trabalhoso à medida que aumenta o número de variáveis secundárias.035 Às 0.754 Àg 0.800 1.097 1 1 1 1 1 1 1 1 o o µ1 1 12.819 À7 6.36 e 4. 16.152 15.487 o o o o 0.547 14.36) o 0.365 12.924 11.3 C O N SIDERAÇÕES FI NA IS Foram apresentados três métodos de coestimativa: cokrigagem ordinária.510 À1 o 2.113 0.472 o o o o o1 o 13.656 1.196 0.528 o o o o 14.376 o 0.351 10.527 o o o o 3. No exemplo apresentado neste capítulo.113 0.456 o o 2.167 o o o o o o 1 12.351 À6 = 0. 4.365 À2 0.806 )q 0. por sua vez.990 4.084 o o 14.

151e4. 4. Nesse procedimento. e a segunda. No caso da cokrigagem colocalizada.15E).158). e por meio dela são calculados os variogramas diretos e o variograma cruzado {Fig. com dados secundários sobre os pontos em que se deseja estimar a variável primária (Fig. A cokrigagem ordinária trabalha com uma base de dados com. heterotopia parcial (Fig. preferencialmente.4. que foi determinado de acordo com a metodologia descrita na seção 4. A krigagem com deriva externa precisa do variograma residual (Fig. A cokrigagem colocalizada e a krigagem com deriva externa usam duas bases de dados: a primeira. Os exemplos utilizados para ilustrar esse procedimento mostram como a geometria da variável secundária influencia a estimativa da variável primária. 4.lSA). 142 Geoestatística: conceitos e aplicações .2. 4.15C). para. cokrigagem colocalizada e krigagem com deriva externa. por meio dos pesos das variáveis primária e secundária.15 apresenta uma síntese dos métodos de coestimativas geoestatísticas. derivar o seu variograma.15]. Trata-se de uma técnica que faz a estimativa usando a informação secundária em caso de alta correlação ou a informação primária em caso de baixa correlação. e daí. 4. Foi desenvolvido.15H. há uma condição de restrição que força os pesos da variável primária a seguirem a geometria da variável secundária. Os resultados obtidos encontram-se nas Figs.15F). subtraído do variograma da variável primária. ou seja. 4. conforme o modelo de Markov 1(Fig. resulta no variograma residual. 4. Em situações de correlações médias. que.15G). com amostragem das variáveis primária e secundária nos mesmos pontos. a base é isotópica {Fig. A krigagem com deriva externa é também uma alternativa interessante em situações em que a variável secundária é fartamente amostrada. então. 4. os métodos de cokrigagem ordinária. a cokrigagem colocalizada faz uso tanto da informação primária como da secundária. parte-se do covariograma da variável primária para estimar o covariograma cruzado. 4. A maior dificuldade da krigagem com deriva externa está no cálculo da covariância residual com base no variograma residual. respectivamente. A Fig. um procedimento que permite calcular a componente de tendência sobre a malha regular contendo a informação secundária.

: 40 . o o o z z z . 4. : 40 30 30 30 20 20 20 10 10 10 ºo 10 20 30 40X: Leste50 10 20 30 40 50 10 20 30 40 50 X: Leste X: Leste Fig.i=+::i:::i.::i=i::. F) covariograma da variável primária {vermelho) e covariograma cruzado calculado pelo modelo de Markov 1(azul). D) correlação entre as variáveis primária e secundária. : 40 . C) mapa de localização de pontos da variável secundária sobre os nós de uma malha regular.g 10 10 >"' 5 s 0. .:::i::i:++i ~ ++tt++tttt ++ttttt++ ~4o :j:::j:itt+t+ttt+ttt++++ tttttttt+tt+t:t+tt tt 30 +++++++++++++++++ ++ tt:t+tttt:t+t+t++tt+t + 2 +t++t+ttt+++ttttttt º ttt++t +tt+t++tttttt 10 10 ttt++++++++++tttttt ttttttttttttt++++++ tt+++++++++++++t+++ 10 20 30 40X: Leste50 10 20 30 40X: Leste50 0 o 10 20 30 40X: Lest5e0 ~--~--~~ @ Cokrl gagem Cokrigagem Krigagem com ord inária co loca li zada deri va externa Variog ramas Variograma direto Variogra ma diretos e cruzados VS 1 Primária ou secundária resid ual E30 ® E30 ® i5 0. B) mapa de localização de pontos com isotopia.: 20 o o > 20 ":ii "'~ 0. verde = variável secundária) e variograma cruzado (azul). .5® ~25 • • ~25 :i "O -~ 0. t:'.15 Síntese dos métodos de coestimativas geoestatísticas: A) mapa de localização de pontos com heterotopia parcial. G) variograma residual.2 .1 o 5 10 15 20 25 Distància ºo 5 10 15 20 025 Distância 5 10 15 20 Distância 25 50 CD Q) QI 50 ® QI QI 50 t: t:'.3 15 8 15 "' 0. J) resultado da krigagem com deriva externa 4 Coestimativas Geoestatísticas 143 .4 ·~.::i=i=:i:::i::i:::i::i:+:1. E) modelos de variogramas diretos (vermelho = variável primária. © 5oí. . 1) resultado da cokrigagem colocalizada. H) resultado da cokrigagem ordinária.

1).L. 370). p. segundo esse autor. 493). a suavização não é uniforme. 1997.:. 370).-1--1. Na realidade. calculadas sobre os nós de uma malha regular) não estejam suavizadas.04 8. ou seja: Entretanto. Essa estimativa é feita minimizando-se a variância do erro de estimativa. esse condicionamento não garan te que as estimativas resultantes (por exemplo.---~~~~~~~~~~~~~~~ '* 40 o~ 30 30 20 20 10 10 0'----'-~. 1997.88 7. Anexo B) (Fig.. Essa sua- vização ocorre mesmo que as estimativas sejam condicionais aos pontos amostrais.46 5.t--L~. 5.31 7. porém.. 3. 5..60 3. Por exemplo: para a amostra com os dados da distribuição lognormal (Arquivo 12.17 1. A suavização se caracteriza pela subestimativa de valores altos e superestimativa de valores baixos (Goovaerts. Na verdade.i:. todos os algoritmos de interpolação tendem a suavizar a variabilidade espacial do atributo (Goovaerts..J'--~ o l-. Além disso. como visto no Cap.1 A) Histograma amostral da distribuição lognormal e B) histograma das estimativas por krigagern ordinária sobre os nós de uma malha regular . 1978. verifica-se uma discreta ( A) 50. p.__JL-J_J:=:J:==-.10 1. a minimização da variância do erro envolve a suavização das dispersões reais Oournel. p.57 5.83 3. Huijbregts.C::=. li 1 Simulação Estocástica 5 i •• li li A krigagem proporciona a estimativa z• (x 0 ) em um ponto não amostrado x 0 com base na informação dos n pontos vizinhos. A suavização pode ser facilmente verificada comparando-se o histograma amostral com o histograma d as estimativas por krigagem ordinária..-=d 0.78 0.=i~-L-~~.31 Zlog Teor médio do bloco Fig.03 4. pois é zero nos pontos amostrais e vai aumentando à medida que se distancia dos pontos de dados.

p.01 +----~~.3). em média.84 o o o A simulação estocástica também foi a solução ado- o o tada pelos geoestatísticos para modelar a incerteza 0. as quais + 95..-----~~-...75 simulação estocástica são maiores que os da krigagem o (Olea.. Assim.2 Comparação das curvas acumulativas da distribuição amostral krigagem não reproduz adequadamente as caracte- (cruz vermelha) com a distribuição das estimativas por krigagem ordinária rísticas da amostra usada para fazer as estimativas (círculo verde) em pontos não amostrados.00 curva.00 buições (Fig. 0.00 j>Z-. 5.10 1. o conjunto de realizações {Z1(x). o vario- 0. 5. p.L} proporciona uma medida visual e quantitativa por linha contínua {Arquivo 12.:>--------~. p.00 distribuição das estimativas está suavizada.2)..67 realidade. 1999.50 o disso.. além disso.50 1· o Como pode ser observado nessa figura. Além o § 99.. Nessa figura.90 :> das caudas inferior e superior da distribuição.0 10 tamar bem menor. O modelo de correlação espacial está representado = 1. 146 Geoestatística: conceitos e aplicações . pode-se representar as curvas acumulativas . p.. a simulação não é a solução perfeita: ganha-se em ~ 4. O efeito de 10..00 com menor variância. p. ou seja. 5... Rossi. Entretanto.. Anexo B) da incerteza espacial (Goovaerts. verifica-se que a 80.59 e: precisão global em detrimento da precisão local.i!. De acordo com Olea (1999. segundo ele.os muito maior que o variograma amostral e um pa- 0. pode serve- 5.3 Variograma experimental {asteriscos) e variograma das esti· Na verdade.. O diagrama P-P (probabilidade-probabilidade) 40.00 o ~ 0. 1997. uma vez º·ºº o que a variância de krigagem foi reconhecida apenas 5 10 15 20 25 Distância como um índice de configuração espacial dos pontos vizinhos próximos Uournel.. a simulação estocástica foi a solução adotada pela Geoestatística para resolver o problema da suavização da krigagem. as realizações não estão isentas de erros > l'O na reprodução da realidade e. 141).-----~-. Fig.00 J suavização das estimativas.. 5-1).01 0. 1. 2011.95 e altos não foram reproduzidos. ou seja.99 ~---------.... Na ::: OI .00 j rificado comparando-se o variograma experimental + com o variograma das estimativas (Fig. 783).. (Zlog)+(Teor médio do bloco) A consequência é que o efeito de suavização da Fig. 99.. os erros da 2.00 devem mostrar quão diferentes são essas distri- 90.00 + em escala de logprobabilidade aritmética. 5. o processo de inferência do fenômeno espacial em estudo não pode ser realizado com exatidão.00 30.g 3. 1 mativas (círculos). 141). refletindo a perda da variância. a qual mostra que os valores baixos Diagrama P·P ~ 99. 372).!:! 99.~ 99. a perda ..10 grama das estimativas apresenta uma continuidade o..+ suavização.92 o o associada à estimativa (Deutsch.00 no canto superior esquerdo da figura confirma que 20. 1989..00 ~ essas duas distribuições são diferentes. porque não permite concluir corretamente sobre a distribuição e variabilidade espaciais da variável de interesse._ _ J 60. 70. 1. por causa da inclinação da 50.

conforme se reproduz a seguir: • decomposição LU da matriz dos coeficientes. Nesse sentido. 5. pois algumas realizações podem mostrar cenários distintos da realidade. pode-se simular a função aleatória R (x0 }. mas honrando o histograma amostral e o modelo de variograma amostral. p. Joumel. 118).1 ERRO DE SUAVIZAÇÃO O erro de suavização da krigagem. existem outros algoritmos para simulação estocástica. 5. apresenta apenas precisão local. Evidentemente. principalmente quando a informação disponível ainda é insuficiente.1) em que o sobrescrito l indica a l-ésima realização. 125). 5. Segundo esses autores. p. A reprodução do histograma e do variograma é conhecida em Geoestatística como precisão global (Deutsch. como o processo é aleatório. p. • a função aleatória R (X 0 ) deve seguir a correlação espacial do erro real.2 MÉTODOS DE SIMULAÇÃO ESTOCÁSTICA Os métodos de simulação existentes procuram determinar aleatoriamente a componente de erro com base no conhecido método de Monte Cario. 125): Z~im (Xo} =Z* (Xo) + R 1(Xo) (5. Joumel. que poderia ser adicionada à estimativa (Deutsch. 162). 1992. as realizações serão diferentes entre si. Os métodos de simulação disponíveis devem ser aplicados e os resultados. flexibilidade e razoável eficiência. Segundo Deutsch (2002. ortogonal a z• (x0 ). p. 1992. com média zero e covariância corretas. a qual é definida pela alta correlação entre os valores estimados e os valores dos pontos amostrais utilizados. pois o vetor z• (Xo} . para Deutsch e Journel (1992. que não reproduz o histograma e variograma amostrais. que é desco- nhecida. a krigagem. 5 Simulação Estocástica 147 . a Eq. que é satisfeita. os quais não são extensivamente utilizados por apresentarem restrições e problemas nos resultados.Z(x0 } é ortogonal ao estimador da krigagem simples Z* (Xo). Na seção seguinte será mostrada a causa do efeito de suavização da krigagem ordinária.1 requer duas condições: • a componente de erro R1(x 0 ) deve ser independente ou. no mínimo. algumas aplicações específicas requerem o uso de técnicas de simulação. conforme segue: em que R (X 0 } é uma variável aleatória correspondente ao erro de estimativa. analisados com muita atenção. Para recompor a variabilidade total da função aleatória Z(x0 }. decorre da falta de um componente de erro. o método da simulação gaussiana sequencial {SGS) é o mais utilizado na modelagem de reservatórios por sua simplicidade. Assim. que tem a restrição da ordem N para sua resolução. Ainda de acordo com ele.

148 Geoestatística: conceitos e aplicações . que não é usado por causa dos artefatos que produz. 912-919). p.N}. o objetivo da simulação sequencial é a geração das várias realizações conjuntas dessas N variáveis aleatórias: {z1 (xi).L condicionadas ao conjunto de dados {z(xa). z 1(x2)}. p. 1992. ou não condicional. Seja uma distribuição com N variáveis aleatórias {Zi. • fractais também não têm sido empregados por causa da suposição restritiva da autossi- milaridade.N}. além dos n pontos de dados (Goovaerts. p. 2001. 1997. quando passa exatamente pelos pontos amostrais ou condicionantes. p. 146-152) e a simulação sequencial direta (Soares. 911).n}. a= 1. o valor z 1(x1) é simulado com base na função de distribuição acumulada condicional F(x1:z1 l(n)). • métodos espectrais com base na transformada rápida de Fourier (FFT). 376): (5. Segundo Goovaerts (1997.3 MÉTODOS SEQUENCIAIS DE SIMULAÇÃO Por causa da simplicidade de execução. os métodos sequenciais de simulação tomaram-se os algoritmos mais comuns e populares para a reprodução da distribuição espacial e da incerteza de diferentes variáveis nas Ciências da Terra (Soares. i = 1.L geradas por amostragem da função de distribuição acumulada condicional bivariada (Goovaerts. na qual se incluem a simulação indicadora sequencial (Deutsch. 2001. Journel. de acordo com esse autor: ou seja. O método da simulação gaussiana sequencial pertence à classe de métodos sequenciais. 123}: • os nós de uma malha densa. 1997. alternativamente. que não são usados em razão da necessidade de se fazer a krigagem para o condicionamento dos dados. • método das bandas rotativas.l=1. p.j=1. em seguida. 5. • a representação de uma combinação de K diferentes atributos definidos sobre os N' nós de uma malha com N = KN'. em que N é muito grande e pode ser (Deutsch.2) Ou. 376). da qual se obtém um conjunto de pares de realizações {z1(x 1). 1992. considerando-se as variáveis Z1 como medidas do mesmo atributo. Joumel. p. p. a simulação conjunta dez em somente dois pontos X1 e x2. Considerar. É importante salientar que a simulação estocástica pode ser condicional. • os N atributos medidos na mesma localização (x}. l = 1. a qual é posteriormente atualizada pelo valor previamente simulado z 1(x1}. 376). • métodos de médias móveis são raramente usados por causa da necessidade de tempo de processamento.

• XN. Cada novo ponto simulado é usado para atualizar a função de distribuição acumulada condicional. simples. como foi descrito no Cap. uma realização SGS é obtida conforme os seguintes passos (Goovaerts. '. . 5. testa-se a hipótese de bigaussianidade.L7=1 >. ••• ZN l(n)) = F(x1. . de acordo com ele. a= 1. Z1. •. a distribuição da variável Z (x) é transformada para uma distribuição normal por meio de Y(x) = q>(Z(x)) (em que q> é a função de transformação para os escores da distribuição normal). as quais definem a função de distribuição acumulada condicional (FDAC}. z2 l(n + 1)) .1)) Essa é a fundamentação teórica dos métodos sequenciais de simulação estocástica. Var [Y (X)] = 1. • F(XN-1. então se aceita a hipótese de multigaussianidade dos dados. os pontos amostrais e os nós previamente simulados.4). Considerando a simulação de N variáveis aleatórias {Z(x1). 1 Fm'1 . E[Y(x)] =O. p. a simulação sequencial é feita para a variável Y(x): * define-se um caminho aleatório para a sequência de simulação dos nós da malha regular {Fig.1C(x1. pode ser aproximada como produto de N funções de distribuição acumulada condicional. __. incluindo-se.-. A Eq. Z1 l(n)) • F (x2. 3.Nl(n)} a qual. 380-381): • Inicialmente. Uma importante etapa dessa técnica consiste em testar a hipótese multigaussiana. o variograma experimental da variável transformada Y (x) é calculado e obtém-se o modelo de correlação espacial yy (h) que será usado na SGS. com média nula. ••. e variância unitária. . que requer que a distribuição de dois. como a verificação dessa hipótese é inviável na prática para três ou mais pontos. * procede-se ao nó (Xo) da sequência definida. 1997. ••• •ZN l(n)) = Pr{Z(xi) ~ Zj.2 pode ser generalizada para N variáveis. Mas. i =1. a variância condicional.ZN-1 l(n +N-2)) • F (XN. três e n pontos também seja gaussiana. nesse conjunto. p.SGS Denomina-se simulação gaussiana sequencial (SGS) a aplicação do procedimento de si- mulação sequencial para funções aleatórias multigaussianas (Goovaerts. • Em seguida. ainda segundo ele: FN(X1. para o qual são escolhidos os (n) pontos de dados mais próximos. 5 Simulação Estocástica 149 kUl . em que o valor estimado 5 (Xo) = L7=1 À/Y(X1) será a média condicional e a variância de krigagem simples u~5 (Xo) = C(O) .N} localizadas sobre os nós de uma malha regular e condicionadas ao conjunto de n pontos de dados {z(Xa).n}. Se a distribuição bigaussiana for normal.3. Feito isso. Em seguida...1 Simulação gaussiana sequencial .XN. da qual o valor simulado é extraído por Monte Cario. ZN l(n + N . 380}. 'm' ·-.Xo). 5. 5. que são determinadas sequencialmente: FN (X1. faz-se a estimativa em (x 0 ) por krigagem y.Z1.. i =1. 1997.

50 ). • Ao final da simulação gaussiana sequencial obtém-se o conjunto de valores simulados {y1(Xi). o valor y 1(Xo) é extraído aleatoriamente dela. até que todos os nós da malha regular sejam simulados. p. • o algoritmo é repetido para o próximo nó (Xo) da sequência.i=1. 150 Geoestatística: conceitos e aplicações . mas. Isso r. a covariância está certa.N} que estão no domínio da distribuição de Gauss. O valor simulado é adicionado ao conjunto de pontos de dados.4 Exemplos de caminhos aleatórios para uma malha regular de 5 x 5 nós * determinada a FDAC em (x 0 ). Desse modo. conforme a Eq. 162-163).iE[y(xi)Y(x1)]-o j=1 n = LÀiC(xj-Xi) =C(Xi-Xo) j=1 y. e assim sucessivamente. provando a exatidão da covariância entre o estimador da krigagem simples e o i-ésimo ponto de dado. definido pelo caminho aleatório. 5. uma demonstração feita por Deutsch (2002. como a variância de 5 (Xo) é reduzida pelo efeito de suavização.1. Segundo ele.50 40 40 40 30 30 30 20 20 20 10 10 10 21 7 o 10 20 30 40 50 o 10 20 30 40 50 o 40 X X X Fig. O sistema de equações de krigagem simples é: n LÀiC(xi-Xi) =C(Xi-Xo) parai= 1. como: n =L>. A covariância entre a estimativa 5 (Xo) e oi-ésimo ponto de dado y(xi) pode ser desenvolvida.50 ). a seguir.N i=1 y. a covariância entre as estimativas de krigagem simples não é correta. ). esses valores devem ser transformados de volta para a escala original da variável: Tem-se. equivale a adicionar um resíduo aleatório à estimativa 5 (x 0 ). 5. de acordo com esse autor.

y (x1)} =E [Ys (xo) · y (x1)] . as imagens simuladas apresentam grande desordem espacial. 1997). apesar da simplicidade da SGS. ainda segundo ele. x0 ) j=1 Esse desenvolvimento mostra que a covariância entre Ys (x 0 ) e oi-ésimo ponto de dado y(x1) continua correta. 165) conclui que.x 1) = C(x1. Deutsch (2002. entretanto. após a krigagem ordinária.E [Ys (Xo)] E [y (x1)] . por sua vez. pode-se obter a função de distribuição acumulada condicional diretamente dos pesos da krigagem ordinária. usando. p. E [r(x 0 )] = O. Krigagem simples ou ordinária? Essa é a pergunta feita por Deutsch e Joumel (1992. no qual. conforme segue (Deutsch. Para corrigir a variância das estimativas krigadas. Journel. para isso. calcula-se a covariância entre um valor simulado Ys (xo) e oi-ésimo ponto de dado y (x1): Cov {ys (xo) . os n valores encontrados na vizinhança (amostrais e previamente simulados) e os pesos da krigagem ordinária são classificados em ordem crescente: 5 Simulação Estocástica 151 . a decisão prévia de estacionaridade requer que seja usada a krigagem simples com média zero para a estimativa do nó a ser simulado. p. além daquela imposta pelo modelo de correlação espacial. Com a interpretação dos pesos da krigagem ordinária como probabilidades condicio- nais (Rao. p. 142) sobre que método usar para fazer a estimativa local no processo de simulação gaussiana sequencial.-'1Y(xi) +r(xo)] · y(x.) }-o n = 2:>-iE[y(xi) ·y(x1)] +o i=1 n = LÃiC(xi . mesmo após a adição de uma componente de resíduo com média zero.E{ [t. um número aleatório (entre zero e 1). O processo da simulação gaussiana sequencial. Trata-se de um procedimento bastante simples. amostra por Monte Carla. De acordo com eles. cujo resultado é adicionado ao valor estimado por krigagem simples. deve-se adicionar uma variável aleatória com média zero e variância diferente de zero. multiplica o desvio padrão de krigagem. que é transformado em escore da distribuição normal acumulada. 2002. a função de distribuiçâo acumulada condicional. 163): Novamente. Esse escore.

L:7= 1 À i = 1.01 0. Em seguida os pesos são acumulados.Yo) == LÀi í= l em que {Ai.78 • • 80..n} são os pesos da krigagem ordinária.. • 20.. 0. '° "O '° 99. assim. 95. resultando nas probabilidades condicionais acumuladas (Yamamoto.00 1.10 1. A .00 30.95 5 '$.90 ::i V 30 40 •• e 99.. conforme o mapa de localização de pontos e distribuição de frequências (Fig. rl .99 .. 5. p. após eliminação dos pesos negativos e reescalonados para soma igual a 1 .l-'--t::=1--'-~-=:i-l o .01 0..00 • • • ~ ~ 70. ( B) 50 • • • e \O o co . p.10 1 Fig.5).. a qual é caracterizada completamente pela média condicional (Y. que.10 4..05 L tribuiçâo de frequências simples e acumulada para o conjunto 0...00 10 . Anexo B) do conjunto completo lognormal.. 40 • • ••~ • a) "5 E 99.5 A) Mapa de localização de pontos e B) gráfico de dis..00 20 • •• • • 60. A função de distribuição acumulada condicional obtida dessa forma pode ser amostrada aleatoriamente pelo conhecido método de Monte Cario..00 o • • 10 • 20 • • 30 • • • 40 50 . Exemplo de aplicação da SGS Para uma aplicação da SGS. 0 (xo)) e pela variância condicional. 491 -493) . em seguida.00 + 0..00 90... 2010. resultando.. são acumuladas. 5... .00 5. O'\ ~ O'\ o o 10. que é exata- mente a variância de interpolação (S~ {x0 )). obtém-se a função de distribuição acumulada condicional.50 l 0. Assim. conforme ilustrado graficam ente na Fig.0 10 de dados Arquivo 12.- 99. 5): o F(Xo.44 8. Assim.00 e ••• 50.00 • • • • 40. e a eles são atribuídas frequ ências simples iguais a 1/(n + 1).6. como proposta originalmente por Yamamoto (2000. Anexo B Zlog 152 Geoestatística: conceitos e aplicações .00 10 + • + 30 • • • • •• .. os dados originais Z (x) são transformados para os escores de uma distribuição normal por meio de Y (x) = cp (Z (x)).. no valor simulado. considerar a amostra aleatória estratificada com 64 pontos {Arquivo 12.. 5. Os dados originais Z (x) são classificados em ordem crescente. i = 1.00 f-l-.50 <( 20 • • •• '* 99.

-.50 -1.7. em geral. 5. 3. o escore da distribuição normal é -0. (X) . portanto.501 + "O ~ ++ "' :. boa concordância com as imagens krigadas mostradas no Cap. + e " :#'+ ++ E ::J *+ ::J I V V ~ .6 Transformação dos valores originais Z (x) para os escores da distribuição normal Y (x)..51 a Fig. Esse variograma esférico é descrito pelas equações: 0. procede-se à simulação gaussiana Fig. existem diferenças entre as realizações. N o .. o teste de bigaussianidade foi positivo (Fig. O> 20 ++ +"" / I p w ~ o "' w <O !'"' \Jl :>.04 8. 11. 5. 11.24).50 0.09 1.77 variograma dos dados transformados Y (x). 5. no quadrante noroeste. 'I 5 Simulação Estocástica 153 . cujos valores estão transformados para a escala original da variável Z (x) (Fig.. 35. a vizinhança para estimativa por krigagem simples foi definida em dois pontos amostrais por quadrante e mais quatro pontos previamente simulados.83 3.. <ti + + ~ o' o 0.78 -2. Por exemplo..5. 25. 5)..57 5.50. Em seguida.50 ·0 ..31 7.50 * ) 60 l i I 60 I 40 (31. as quais ocorrem pela própria natureza dos métodos sequenciais. mas isso se deve à propagação de valores altos de nós previamente simulados. 26 J -y(h)=0. 5) e (4.. As realizações mostram.16 o. 50. (17.oo ---~---~--~---~-----1 l r (h) = 0.84 para h ~ 14. conforme 0. 35.581. 25.5.375.50 Zlog Es cores normais Fig. Evidentemente.5 e +2. que corresponde a uma frequência acumulada igual a 35.. Foram feitas 20 realizações. Para esse processamento..8)..50 1.5). 5. 3.4%.80 há. 16 o 5 10 15 20 25 Distância Com esses dados. 5. 5. na Fig.5( 14~16 ) 3 ] parah<14. ~ 100 100 14.7 Modelo de variograma para os dados transformados Y (x) sequencial. uma região com valores altos que não existe nos dados originais.50 2. 25. então se procede à modelagem do 0.5) As frequências acumuladas correspondem aos escores da distribuição normal entre -2. ""' . (X) "' . com indicação das transformações feitas para os pontos de coordenadas (31.5o. das quais foram escolhidas quatro para apresentação dos resultados. 5. 5. Como no caso da amostra em estudo. o valor de Z(x) é igual a 0.5 14~16 .o. 80 +* 80 tln. conforme apresentado no Cap. Por exemplo..50 40 J 20 ~ .84[1. 3. para o ponto de coordenadas (31. testa-se a bigaussianidade dos dados.

.-< ... Todas as realizações para o ponto de coordenadas (26.. ..... Como os arranjos são mais ou menos iguais. '"': 00 00 40 40 30 .... .. 16. O> o 10 20 30 40 50 °'oo o 10 20 30 40 50 o o 50 © "'o \O 50 ® "'o \O 00 00 .. o que resulta no valor estimado nesse ponto..25. 5... "'«:.t 20 10 10 O> °'......1. D) realização #7 Da mesma forma.. .. 30 ...430 a 0. '<l" °'."'..9).. considerar o ponto de coordenadas (26...... .25) é processado conforme a ordem estabelecida no caminho aleatório. 00 cÕ 40 40 30 .501..... para o qual foram escolhidas quatro realizações. Como mostra a Tab. Para ilustrar o procedimento da SGS.. . . .25).25) encontram-se na Tab. 16..... 16....... O erro nada mais é que o produto do escore da distribuição normal Z Gauss (p) para um valor p (extraído aleatoriamente entre zero e 1) e o desvio padrão de krigagem simples OKs (x 0 ).. em cada realização o nó de coordenadas (26... . 5.... pode-se verificar que o desvio padrão de krigagem simples varia no intervalo de 0.25........ Ao valor estimado por krigagem simples é adicionado um erro de simulação. 5. C) realização # 12. 30 . 5. conforme os pontos amostrais e nós previamente simulados (Fig..... 0 "' \O o ® 50 "' \O o 50 00 00 ..1.. É preciso ressaltar que se trata de realizações equiprováveis e que elas devem ser analisadas em conjunto...... Nessa tabela....."' ~ 20 . a variância de 154 Geoestatística: conceitos e aplicações .. '<l" o 10 20 30 40 50 °'oo o 10 20 30 40 50 °'oo Fig.. 5. na Fig.8C há valores altos na região sudeste que não se verificam nos dados condicionantes.. ..._ 20 20 10 10 °'..8 Realizações da simulação gaussiana sequencial: A) realização #9....25.. B) realização # 16.. '<l" .."' .

.1.098 a -1--~~~~~~~-.098 0. 16. transformados de volta para a escala original de medidas da variável Z (x).098 0.085...138 -0. menor que o mínimo.138 -0.~~~~~ a -1--~~~~~~~~~~-.~~~~____.138 20 16 0. 5.987 e o valor simulado foi igual a . pois usam exatamente as mesmas configurações de pontos de dados amostrais e previamente simulados. esse valor poderá ser usado posteriormente e influenciar diretamente a simulação de outros nós da malha regular. asterisco = nós previamente simulados. 5.. na qual o menor valor amostral é . mas. 5 Simulação Estocástica 155 . como o método é sequencial.858 -0.10 demonstra para três pontos simulados da Tab.-~~ 14 18 22 26 30 34 14 18 22 26 30 34 X X © @ 24 24 ·0.9B.9 Realizações da SGS para o ponto de coordenadas (26.25. C) realização #12.. 5. Os valores simulados Y1(x0 ) são. Círculo vazio = ponto para simulação.. as realizações 12 e 13 têm a mesma incerteza.381 12 0.-~____. 8 +-~~~~-..25): A) realização #9. Muitas vezes. por causa do caráter homocedástico dessa medida de incerteza.138 ·0. ou seja. Por exemplo.960 ·0. Aparentemente... ® 24 24 -0.. 5.098 9 -1--~~~~~~~-..624 0. o valor simulado está fora do intervalo de valores (amostrais e previamente sim ulados).2. como a Fig. como ocorre na Fig. isso não causaria nenhum problema. 14 18 22 26 30 34 14 18 22 26 30 34 X X Fig. B) realização #16. D) realização #7.1.. círculo cheio = pontos amostrais. então.~~~~~. Os valores representados correspondem aos dados transformados Y (x) krigagem simples permanece em tomo desses valores.

23609 -1.33204 0. é projetada na distribuição acumulada dos valores originais. o valor simulado Y1(Xo) = -1.25) #l Random Y.28252 0. 5.01660 -1. e os resultados obtidos para quatro realizações escolhidas aleatoriamente encontram-se na Fig.75900 4 342 -1.19536 -0.25} encontram-se na Tab. Como apresentado na seção anterior.50720 0.99272 5 365 -1.2.: Random significa a ordem dentro da realização para simulação do nó de coordenadas (26.40125 -0.93794 1.54881 0. 5.10141 0.95703 0.25.70285 -2.29447 0.42696 -2.51995 0.83173 15 301 -1.38902 0.03148 8 115 -1. resultando em Z1(xo} = 0.51192 0. conforme proposto por Rao e Joumel (1997).04688 0.65088 11 378 -1.97280 0.29142 -0.41987 -0.15138 0. 16.00870 3 280 -1.42696 -1.59564 0.43490 0.06685 -1. 16.06581 0.49969 0.46866 -0. A grande vantagem dessa aproximação está na função de distribuição acumulada condicional completamente caracterizada pela média e variância condicionais.44103 -0.05590 -1. TAB.11160 0.10820 -1.29762 10 162 -1.11909 0. Os valores de frequência e de Z(x} foram obtidos por interpolação linear.57375 0.60370 -1. pode-se fazer a SGS com base na função de distribui- ção acumulada condicional derivada diretamente dos pesos da krigagem ordinária.10173 -1.44613 -0.34742 0.1 Resultados da SGS para o ponto de coordenadas (26.32878 0.24663 -1.74082 18 186 -1. As 20 realizações para o ponto de coordenadas (26. Comparando-se visualmente essas realizações com aquelas obtidas por krigagem simples.37854 -2.86264 0.21688 6 160 -1.42985 0.23617 0.69399 0.46344 -0.44103 0.52624 0.47363 0.42985 -0.63766 0.08009 -1.58191 0.20222 0.48516 -0.13825 -1.08524 17 182 -1.25.44476 -0.04556 -1.5 (xo) p Zaauss(P) D'Ks(Xo) Erro yf (Xo) 1 80 -1. este na escala original da variável Z(x}.21802 -1.123%.19694 12 166 -0.22661 0.13321 0. conclui-se que elas são bastante semelhantes.30218 Obs.44893 0.20110 16 76 -1.68671 0.38599 20 394 -1.24118 14 285 -1.13093 -1.85830 0.42979 0.11. 16.54923 0.41676 0. que.57332 -2.42985 -0.45961 -0.265.08994 -1.69785 7 337 -1.10762 19 124 -1.53772 0.46947 -0.36414 -0.47346 0.66089 -0. Para ilustrar esse procedimento foram considerados os mesmos dados usados na aproximação por krigagem simples.82496 9 173 -1.36086 2 395 -1.03721 0.81854 0.03116 -1.42985 -0.53004 -1. por sua vez.72422 0. 5.58964 0.90980 0.42985 0.16928 -0.38420 -0.38877 -0.44613 -0.71693 0.86845 1.54443 0. Por exemplo.031 corresponde à frequência acumulada igual a 15.60791 0.44927 -0. dadas respectivamente pela estimativa da krigagem ordinária YKO (Xo) e pela variância de interpolação 5~ (Xo).25).50089 0.25.46379 -0.57155 13 283 -1. A média e desvio padrão condicionais constantes nessa tabela não são usados diretamente 156 Geoestatística: conceitos e aplicações .49825 0.40446 0.

"'. .... B) realização #1 5... o N 10 20 30 40 50 .. 5....89 Zlog 1. E E :> :> V V <! 40 <! 40 '#. o o 50 © .10 Transformação reversa dos valores simulados para a escala original da variâvel Z (x).. o 10 20 30 40 50 .. D) realização 1113 s Simulação Estocástica 157 .50 -2..00 -1... (X) o ....11 Realizações da SGS com opção pela krigagem ordinária: A) realização li 10... N o o Fig. o 10 20 30 40 50 . 5.. lll N ""' N .---~--~'----t -2.69 0.. @ ... "'..00 º·ºº Escores normais 0.......... (X) cô 40 30 20 10 10 ... (X) o(X) cô a:i 40 40 30 ... (X) o(X) 50 ..... 20 " 20 10 10 o 10 20 30 40 50 ""':::. '#.. "' ...50 -1....29 0. 30 30~ 20 10 10 O +--~--. C) realiza- ção fl 1.09 Fig. ~ . Representação de metade da distribuição total 50 0 . 30 .gi 50 "' :.. "' "O 50------------~ ... 49 0... "' :...

72432 0.0 Cxo) So (Xo) p Erro Y1(Xo) 1 144 -1.51070 -0.06530 -0. significa que o nó a ser simulado coincide com um ponto condicionante e que.71412 0. TAB.56773 15 297 -1.07449 0.84915 0.89644 0. na simulação.45960 4 29 -1.25) #l Random r.84334 0.82184 0.95636 0.25.56379 7 92 -1. Na verdade.32871 -0.69607 0.21654 0. Como se pode verificar. 5.42126 -1.21397 3 389 -1.51400 0.45456 -0.82593 0.80110 0.85501 0. que resultou no valor simulado igual a -0. 5. 16. conforme mostrado na Fig.67792 0.09019 19 216 -0.97387 0.56833 6 113 -1.78681 0.80610 -0.65682 0. 158 Geoestatística: conceitos e aplicações .01212 -1.93353 0.36443 16 233 -1. ele só será simulado se o desvio padrão de interpolação for maior que zero.12617 5 149 -1.89363 0.11838 0.03973 2 1 -1.34497 1.67474 8 86 -1.71445 0. 16.20820 0.70010 0.66706 11 387 -1.12 ilustra o procedimento de amostragem da função de distribuição acumulada condicional com base no método de Monte Carlo para quatro realizações do ponto de coordenadas (26.15355 -0.26571 0.70238 Obs.15498 -1.61456 0.29332 0.11086 0.2 Resultados da 565 com opção pela krigagem ordinária para o ponto de coordenadas (26.02289 0.20945 0.82251 0. se for igual.27927 0. Por exemplo. o valor amostral é atribuído ao nó.25.67638 0.61429 -1.85742 0.63083 0.57227 -0.69738 0. Na verdade. 5.667.63692 -0.03650 -0.25.23932 0.74548 0.04359 13 241 -0.66105 0. o valor aleatório foi igual a 0.: Random significa a ordem dentro da realização para simulação do nó de coordenadas (26. da qual se pode extrair aleatoriamente o valor simulado.47253 0.816. os pesos da krigagem ordinária interpretados como probabilidades condicionais podem ser usados para a construção da função de distribuição acumulada condicional.35631 0.10791 10 11 -1.10.25).59017 -0.60060 18 254 -0.73267 17 391 -0. mas essas estatísticas caracterizam completamente a função de distribuição acumulada condicional.55614 0. pois.76216 0. Os valores simulados que estão no domínio gaussiano são transformados de volta para a escala original de medida da variável Z (X). A Fig. portanto. e assim por diante.08009 0.59879 0.81644 0.12A). e com eles se constrói a função de distribuição acumulada condicional.33420 -0.45410 -0.04593 20 347 -1.24012 0. 5.75415 0.51421 -0.65314 0.27554 0.83012 0.09918 14 239 -0.57962 9 194 -0.26400 1.05185 0.73771 0.40906 -1.77666 12 35 -1.48839 -0.81149 -0.47148 1. 16.56538 -0. os pesos da krigagem ordinária (após eliminação dos pesos negativos) são acumulados.32095 -0.25}.60901 0. na realização 10 (Fig.67710 -0.

o 0.O <{ <{ o o ". D) realização # 13 A maior vantagem dessa alternativa está justamente na utilização da função de distri- buição acumulada condicional.0 -0.4 <t 0.. y 1 ).0 ® u l.5 -1. pois o valor aleatório é limitado inferiormente ao menor valor de probabilidade acumulada F (x 0 .0 -0.6 0.o o.3.o. p.o -2.2 "'"'q r. o.6 0.o 0. [z(x. 912-915). o modelo de correlação espacial é reproduzido pela simulação se as funções de distribuição acumulada condicional forem centradas na estimativa de krigagem simples: n z.' o.5 (Xo) = m + L:. que não necessita de prévia transformação dos dados da variável de interesse.0 -0.6 0. de acordo com a programação feita por Rao e Joumel (1997): 5.>.8 lL 0.5 Y(x) Y(x) © @ u l.5 o. conforme proposta de Soares (2001.5 o. Segundo esse autor.. 0. não ocorre extrapolação de valores.).0 -0. Entre os métodos sequenciais.4 0.2 Simulação sequencial direta . a q ual requer que não apenas o histograma seja gaussiano.12 Amostragem da função de distribuição acumulada condicional pelo método de Monte Cario: A) realiza- ção # 1O.8 0..5 -1.O u 1.2 0. 0. C) realização #1.5 o.o -2. B) realização# 15.5 -1.m] i=l 5 Simulação Estocástica 159 .0 -1.8 0.o o.4 0. mas que a distribuição de dois pontos também o seja. 0 u 1.0 <{ <{ o o u.5 Y(X) Y(x) Fig. destaca-se a simulação sequencial direta (SSD)..2 0.o 0.5 o. 5. que é completamente caracterizada pela média e variância condicionais resultantes da krigagem ordinária.5 -2.2 ID "' .0 -1.a u.SSD A SGS trabalha sob a hipótese da multigaussianidade dos dados.0 -1.0 -1.5 -2.o 0. Além disso.5 -1.

n}.SIS Como já visto. No caso da SGS. como o valor amostrado está no domínio gaussiano. O que diferencia as duas aproximações descritas é a forma pela qual são definidas essas funções de distribuição acumulada condicional.3 Simulação indicadora sequencial . A função de distribuição acumulada gaussiana é. 2001. De qualquer modo. a simulação sequencial direta é uma aproximação perfeitamente válida e teoricamente correta. portanto. a qual é amostrada por Monte Carlo e resulta no valor simulado.google. esta sem a necessidade de transformação dos valores originais para os escores da distribuição normal. (2003). Contudo. pode ser recomendado o pacote de programas GeoMS. essa função é determinada pela média e a variância condicionais resultantes da krigagem simples dos valores transformados para os escores da distribuição 160 Geoestatística: conceitos e aplicações . Para o seu cálculo. i = 1. p.3. esse autor propõe selecionar um conjunto de valores condicionantes {z(xi). de domínio público e distribuído gratuitamente (https://sites. 913). v. 5. Mas. Soares (2001. Essa transformação é usada apenas para localizar o inteivalo de valores para a construção da função de distribuição acumulada gaussiana. respectivamente: z. então. p. que pode ser caracterizada pela média e variância condicionais: em que tp é a função de transformação para os escores da distribuição normal. amostrada por Monte Carlo. ou o trabalho de Oz et ai. Assim.LÀiC(Xi -x 0 ) i=l Ao contrário da SGS. de tal modo que a média e a variância desses n pontos de dados sejam iguais à estimativa por krigagem simples e à variância de krigagem simples. desen- volvido pelo Centre for Natural Resources and Environment/Cerena do Instituto Superior Técnico de Lisboa. 914}: Z~so (Xo) = 'P. o valor simulado é obtido aplicando-se a transformação reversa (Soares. que usa a média e a variância condicionais para a função de distribuição acumulada condicional. e deve ser considerada como alternativa viável. os métodos sequenciais envolvem a obtenção. essas estatísticas determinam o inteivalo de valores da função de distribuição acumulada global Fz (z). e com variância condicional igual à variância de krigagem simples: n u~5 (Xo) = C(O). de uma função de distribuição acumulada condicional.com/ site/cmrpsoftware/geoms). 2001. pois os dados em Z(x) não estão equiespaçados. em cada ponto a ser simulado. p. 916} propõe usar a função de distribuição acumulada gaussiana. é muito difícil definir o inteivalo de valores centrado em 5 (x 0 ). da qual o valor simulado é extraído por Monte Carlo. de um método híbrido entre uma SGS e uma SSD. Para definir esse intervalo. dentro do qual o valor simulado é amostrado por Monte Carlo (Soares.1 (Ysso (Xo)) Trata-se. 2001.

uma variável aleatória categórica é definida pelos tipos que a compõem. como descrito no Cap.4) a=1 N K em que Pk = ~ E i(xa. estimadas pela técnica da krigagem indicadora. A SSD calcula a média e a variância condicionais dos valores originais. Zk) é a média para o teor de corte Zk. as funções indicadoras são determinadas como: i(x. ainda segundo ele: N PK1 (Xo. p. e as funções indicadoras são assim obtidas: se z(x) is: Zk se z(x) > Zk Por outro lado. Segundo Deutsch e Joumel (1992. a=1 Para variáveis aleatórias categóricas com K tipos.k) = 1 se x e tipo k { i(x. A simulação indicadora sequencial é a técnica não gaussiana mais comumente empre- gada (Goovaerts. 3.Zk) = L Àa [i(xa. Esse método apresenta a grande vantagem de ser aplicado a variáveis aleatórias contínuas ou categóricas. têm-se sempre K vetores binários. p. da qual o valor simulado é extraído aleatoriamente.Zk). Para variáveis aleatórias contínuas discretizadas em K teores de corte.Fzk] + Fzk (5. k) = L Àa [i(Xa) . a principal contribuição do método da indicadora é a avaliação direta das probabilidades condicionais. p. Entretanto. mas com a diferença de que essa função é obtida por meio da krigagem indicadora. Para cada ponto a ser simulado.k)=O se x~tipok Após a transformação. tem-se. o intervalo de variação de Z(x) é discretizado por K teores de corte.Pk] + Pk (5. para esse autor: n FK1(Xo. as quais definem o intervalo de valores para a obtenção de uma função de distribuição acumulada gaussiana. procede-se primeiro à transformação para funções indicadoras. k) é a proporção do tipo k. Deutsch {2002. tem-se. em vez de estimar as funções indicadoras propriamente ditas. Nesse caso.3) a=1 N em que fzt = ~ L i (xa. Assim. Se a variável aleatória for contínua. 393).normal. os valores da vizinhança (originais e simulados) são localizados e as K proporções. 169 e 171) propõe usar os resíduos das indicadoras. A simulação indicadora sequencial (SIS) também faz a amostragem da função de distribuição acumulada condicional por Monte Cario. de tal modo que L Pk =1. 147). a=1 k=1 5 Simulação Estocástica 161 . Para a obtenção da função de distribuição acumulada condicional pela krigagem indica- dora. 1997. as quais são usadas pelo método de simulação sequencial. a média e a variância condicionais devem ser tais que identifiquem a estimativa e a variância obtidas por krigagem simples.

os variogramas paralelos aos contatos são nulos. Além disso. Teoricamente. nesses casos. Como o variograma é direcional. conforme (Soares. podem ser acumulados para o cálculo da função variograma. As Figs. consequentemente. os teores de corte situados nas caudas da distribuição de frequências de Z(x) tenderão a apresentar poucos pares possíveis no cálculo do vario- grama experimental. Observar que a Eq. (2012. o valor simulado é extraído diretamente da FDAC. conforme o número aleatório p (entre zero e 1). No caso de variáveis categóricas. Assim. a krigagem indicadora não garante que as probabilidades calculadas para teores de corte crescentes não apresentem problemas de relação de ordem. pois os tipos tendem a estar agrupados espacialmente. Para o caso de variáveis contínuas. enquanto a Eq. 1970-1908) para a interpolação de um tipo em um ponto não amostrado Xo. quando houver poucos pontos para um determinado tipo k. 148-149) propuseram usar equações multiquádricas (Hardy. 1971. 3. ou vice-versa. o seu variograma não será significativo por insuficiência de pares de pontos considerados no seu cálculo. Dessa forma. k)] Como o procedimento da simulação indicadora sequencial é baseado na krigagem indicadora. 1992.13 e 5. em que a função de distribuição acumulada condicional é discreta. 162 Geoestatística: conceitos e aplicações . serão menos confiáveis por causa das flutuações estatísticas. não tem sentido usar o variograma perpendicular ao contato para calcular a função variograma em outras direções.14 apresentam situações em que os variogramas possíveis são aqueles perpendiculares aos contatos entre os dois tipos de variável categórica. obtendo-se o valor em função dos teores de corte Zk. p. Levando tudo isso em consideração. conforme os tipos que compõem a variável categórica. necessitando que sejam acumuladas para a obtenção da função de distribuição acumulada condicional. 1998. a obtenção de K modelos de variogramas é uma tarefa muito mais difícil. Para variáveis aleatórias contínuas. p. Yamamoto et al. p. 5. Isso significa que os variogramas correspondentes aos teores de corte nas caudas da distribuição terão poucos pares e. Além da dificuldade no cálculo e modelagem de K variogramas experimentais quando modelos diferentes são usados. pois as funções indicadoras deverão apresentar correlações espaciais distintas.PKI (X 0 . 763): Xo E tipo k se p E [PKI (Xo. como descrito no Cap. Joumel. 79-80). a solução é o cálculo e modelagem de um único variograma experimental correspondente ao teor de corte igual à mediana da distribuição de Z (x). haverá K modelos de variogramas diferentes. No caso de variáveis aleatórias discretas. 5. k -1) . Somente os variogramas perpendiculares aos contatos podem ser calculados. o tipo simulado é obtido verificando-se a que classe pertence o número aleatório p. O procedimento que utiliza um único modelo de variograma da mediana chama-se krigagem indicadora da mediana (Deutsch. 5.3 fornece diretamente as probabilidades acumuladas.4 resulta nas probabilidades simples associadas aos K tipos. pois somente pares com indicadoras iguais a 1 e zero. p. isso implica o cálculo e modelagem de K variogramas experimentais.

p. O problema de relação de ordem ocorre quando FKr(X 0 .o o 5 10 15 20 25 h • •• o 10 20 30 40 50 Leste Fig. ou das equações multiquádricas. pois a função de distribuição acumulada condicional é monotônica crescente. •• •• ºº~ .. p. para variáveis aleatórias contínuas.. conforme as equações em Deutsch (2002. com a dispersão entre variância e proporção descrevendo perfeitamente uma função quadrática (Yamamoto et ai. 174 e 187).•..3 30 o ºo oo oº o 0.... círculo vazio direção EW = Essa solução permite obter proporções estimadas iguais ou maiores que zero e sem- pre fechando a soma em 1.2 20 10 • • • .1 o. Certamente. Sinal de mais direção NS. ® ® 50 o 0.. As soluções originais via krigagem indicadora necessitam de repadronizações das probabilidades calculadas para soma unitária.• ·-.. 40 . 5 Simulação Estocástica 163 . p. 171 e 174).. .~ 0.5 .. 150).4 o CI o Q> º ºo o oe o o ~ > 0.. que é inaceitável. 30 • • ~ • • °'B o 0.1 ••••• 10 •• # •••• • • • • •••• .. 5. 2002.. Essas soluções garantem sempre probabilidades condicionais maiores ou iguais a zero e soma igual a 1 e nunca apresentam problemas de relações de ordem.4 ••• .. C) e D) para contato norte-sul entre os tipos.. para variáveis aleatórias discretas. 2012...o QI o Q> o o o o Ili z 40 o o o .. a solução via krigagem indicadora da mediana.~0. •• • • • • g º º o o Ili .Zk-1). ~ o 20 • • •• •• • •• 0.5 QI t • o o ºº 0 00 o z ••• eo..2 ºº o • ..Zk) < FK1(X 0 .13 Mapas de localização com os respectivos variogramas experimentais: A) e B) para contato leste-oeste = entre os tipos. evita o problema de relações de ordem ou probabilidades negativas (Deutsch.. 5 10 15 20 25 h o ··- • 10 30 • •• 40 20 Leste 50 50 © ® 0. caso ocorram probabilidades negativas.3 . • •o o o o o ºº oº o ao 0.

.Cap.... Variáveis contínuas Para variáveis contínuas.lS • o '2i o • • •º ºS 30 • o 0.o o cu o ~ 0. 5.g 0.• o • h • J • • • •• "' 0+---W'l'---~-~---~~·'----l o 10 20 30 40 50 Leste ® so~-----..10 ..g 0.2S .oo • cu ~ 0..··.. Oo~ªº Ç?... C) e D) para contato NE entre os tipos.. Para variáveis contínuas.o~--~0--.os . Nesse caso. 164 Geoestatística: conceitos e aplicações . Sinal de mais = direção NE.OI o oºº .20 ~ O.. a primeira etapa é a categorização dos dados em intervalos de valores predefinidos conforme os teores de corte. ••••• o o ººo 20 º·ºº o +-----~-----~-~ s 10 lS 20 2S 10 • • • ". o... considerar o mesmo conjunto de pontos de dados (Arquivo 12. há necessidade de se fazer a categorização conforme teores de corte previamente estabelecidos.-0-~ i 40 ºo <ô:. tais como krigagem ordinária. s 10 lS 20 2S h • • o---~--~-------------1 • o 10 20 30 40 50 Leste Fig. • •• • • • • •• º·ºº o +--------~-----~------. '·. 2) que foi usado para ilustrar aplicações diversas.os 10 o • . ' . porém com uma diferença na maneira como as funções de distribuição acumulada condicional são construídas. Os exemplos de aplicação a seguir foram separados para variáveis contínuas e categóricas.10 •• .. Anexo B .. círculo vazio = direção NW Exemplos de aplicação da simulação indicadora sequencial A simulação indicadora sequencial segue os mesmos passos da simulação gaussiana se- quencial. o o..OI z • o o 40 • g o o . ® ~ .lS 30 0 o •• 0..14 Mapas de localização e respectivos variogramas experimentais: A) e B) para contato NW entre os tipos.25 ..20 ~ o ºº go • 0. 0 o o o o 20 o~ .. Essa técnica pode ser aplicada para variáveis contínuas ou dis- cretas. krigagem indicadora e simulação gaussiana sequencial.

937 Essas imagens (Fig.42) e a variância associada (Eq.43).1 (x 0 . 5 Simulação Estocástica 165 . distribuição de Os teores de corte extremos redefinidos ficaram iguais a: zcut [1] = 0. apenas 90% da distribuição está representada. que. o qual determina o valor 9 45 0. No caso em para 19 percentis da estudo.113 meio da simulação gaussiana sequencial com opção pela krigagem ordinária 16 80 2. 3. não deverão ser obtidos durante a simulação sequencial. encontram-se representados na Fig.194 amostragem aleatória da função de distribuição acumulada condicional.3 Teores de corte definidos Com isso. Na 17 85 3.095 frequências de Z (x) e zcut[19] = 8.320 (Fig. de acordo com a metodologia descrita nesta 4 20 0. respectivamente.4. Assim.288 seção.429 Ao final.176 Definidos os teores de corte. apenas os valores mínimo e k % zcut máximo não foram incluídos.1% do total.089). As realizações obtidas para o ponto de coordenadas (26.25. 3.781.095 e 8. 1 5 0. portanto. TAB. conforme Fig. das quais quatro foram escolhidas aleatoriamente. calcula-se o variograma da variável indicadora 2 10 0.772. têm-se os percentis definidos a cada 5%. igual a 95%. Portanto.348 Para cada teor de corte.15.089 valor de Z (x). A solução seria aumentar o número de teores de corte. a opção pela krigagem ordinária para a obtenção da função de distribuição acumulada condicional para a amostragem por Monte Carlo se toma uma opção tecni- camente viável. a simulação indicadora sequencial e a simulação gaussiana sequencial 18 90 3. 16. pois se baseiam na 19 95 5. o valor máximo. Dessa forma. 6 30 0. um número aleatório entre zero e 1 é gerado. Assim.47. 5. como é o caso da amostra em estudo.zcutk)).118 verdade.11) do que com aquelas obtidas por krigagem simples (Fig.F. 14 70 1. Com esses novos limites.15) são mais comparáveis às realizações obtidas por 15 75 2. Como se pode verificar nessa tabela. Com isso. 5. estima-se a probabilidade acumulada condicional. corresponde ao 10 50 1.515 a função de distribuição acumulada condicional no ponto simulado x 0 • Em 8 40 0. 5. Essa função de distribuição acumulada condicional é comple- 11 55 1.221 da mediana (igual a 1. que constituem 7 35 0. mas esse esforço não é compensado quando se trata de distribuições lognormais. o que equivale a dividir a distribuição em 20 intervalos. No programa utilizado para esse exemplo foi definido um número de teores de corte igual a 19. Os resultados 13 65 1. optou-se por redefinir os teores de corte inicial e final. 5. 5 25 0. 3.739 da probabilidade acumulada condicional.999 em que zmin é o valor mínimo deZ(x) e zmax. ou seja.456 a estimativa do tipo E (Eq. 3. procede-se à 3 15 0.663 obtidos para 20 realizações. têm-se 19 pares ordenados (zcutk.37 e Eq.8). Os 19 teores de corte estão relacionados na Tab.25) estão reproduzidas na Tab. apenas 3. em que o primeiro percentil é igual a 5% e o último.618 com opção pela krigagem ordinária são muito parecidas.357 tamente caracterizada pela média e variância condicionais. 5.001 • zcut[kcut] = z max 0. 5. 5. conforme segue: • zcut[1] = z min 1. os extremos não estão representados e. por sua vez.663 seguida. os valores mínimo e máximo são iguais a 0.262 simulação indicadora sequencial. respectivamente 12 60 1.3. consegue-se representar a maior parte da distribuição.

42951 20 20 10 10 o 10 20 30 40 50 0. o método da simulação indicadora sequencial apresenta a vanta- gem de a função de distribuição acumulada condicional ser completamente caracterizada pela média e variância condicionais calculadas durante o processo de krigagem indicadora. Por outro lado.15 Realizações da simulação indicadora sequencial: A) realização #6.09492 50 0. na simulação gaussiana sequencial.25) encontram-se representadas na Fig. Como se pode verificar.09492 o lO 20 30 40 50 0. bem como em problemas de estimativa de recursos minerais. apesar de a média e variância condicionais não refletirem as estatísticas da distribuição normal.76410 50® 8.76410 40 40 30 30 4. a função de distribuição acumu- lada condicional é sempre suposta como sendo normal. uma vez que a krigagem indicadora foi baseada em um único variograma da variável indicadora da mediana. Nessa figura é possível observar que não houve nenhuma situação com problema de relação de ordem. As variáveis categóricas têm tido papel importante como variável auxiliar em trabalhos de avaliação de reservatórios.42951 4.76410 30 30 4. 5.09492 o 10 20 30 40 50 o lO 20 30 40 Fig. B) realização #15.42951 4.16. 5. 16. Variáveis categóricas A grande vantagem da simulação indicadora sequencial está justamente na possibilidade de se aplicar a mesma metodologia tanto para variáveis contínuas como para variáveis categóricas. a variável categórica é considerada como secundária e pode ser 166 Geoestatística: conceitos e aplicações . C) realização #1 8.25. D) realização # 11 As funções de distribuição acumulada condicional para as quatro realizações do ponto de coordenadas (26. Muitas vezes.42951 20 20 0. 50 0 8. ou seja. média zero e variância 1.09492 8.

em geral.253 0. p.220 3 241 0.25.205 9 292 0.850 0.130 0.216 0. conforme os resultados de quatro realizações escolhidas aleatoriamente (Fig. que tem custo elevado de aquisição.581 -0.304 -0.050 0.'' 11 n '~"- 5 Simulação Estocástica 167 . procede-se diretamente à simulação indicadora sequencial. 147-148). foi extraída por amostragem aleatória estratificada (Arquivo 21.049 0.151 8 292 0.371 19 363 0.105 0. 5. Como não há necessidade de se calcular e modelar os variogramas experimentais para os tipos da variável categórica.488 0. .441 0.244 -0.158 0. (Xo) o:(xo) p Erro Z 1(Xo) 1 230 0.213 0.238 0.449 0. Anexo B) do conjunto completo gerado por Yamamoto et ai. A amostra composta por 50 pontos (Fig.311 0.361 0.090 0. TAB.205 10 206 0.501 0.646 0.056 0.037 0.25).164 0.042 0.042 0.071 0.864 0.420 0.581 -0.: Random significa a ordem dentro da realizaçilo para simulaçlio do nó de coordenadas (26. com base nos oito pontos mais próximos por quadrante e com até quatro nós previamente simulados.032 0.17).304 -0.063 0.063 0.348 5 31 0.25) #l Random z.797 13 224 0. As proporções são acumuladas.167 0.314 12 266 0.184 0.18).174 17 15 0.035 0. 16. que é amostrada por meio de um número aleatório (entre zero e 1) para simular diretamente o tipo da variável categórica.281 0.253 0.209 -0.410 7 113 0.189 0.436 1.412 4 166 0.418 18 204 0.441 0.931 0.319 0.140 0.207 20 234 0.581 0.401 14 351 0.508 -0.553 -0.163 0.595 -0.552 0.745 -0. As estimativas das proporções são obtidas por equações multiquádricas.210 -0. ao contrário da variável primária.397 11 230 0.366 0.048 0.289 0. As realizações mostram.125 0.339 0.309 0.074 0.314 0.126 0. (2012.052 0.465 -0.363 0.197 6 263 0.4 Resultados da simulação indicadora sequencial para o ponto de coordenadas (26. Foram feitas 20 realizações.415 15 87 0. resultando na função de distribuição acumulada con- dicional.880 0. 16.769 -0. 5.391 2 305 0.071 0.048 0.328 0.316 Obs.152 0. o predomínio dos tipos amostrados em suas regiões.748 0.449 0. completamente conhecida.192 0.860 0.104 0.250 0. para esse exemplo de aplicação. mas inevitavelmente ocorrem contaminações de tipos vizinhos em áreas supostamente pertencentes aos tipos originais.092 0.25. 5.340 16 37 0.954 1.

Com a finalidade de mostrar o procedimento ::1·•.0 Y(x ) Y( x ) Fig. Fig. ..25) e para as realizações representadas na Fig. Esse problema é inevitável.. 0. o tipo II.8 · "º1 u.18 Fonte: Yamamoto et.0 1.o 0.2 .o 0. A Fig.0 1. III e IV.2 o. V os tipos simulados.o 0. 5. C) realização 1118.0 Y(x) Y(x ) (e) (0 -~ o.o 0.4 0.669).. 0.5 2. p. ai..0 1. 168 Geoestatística: conceitos e aplicações . 16. M o o. o tipo I sofre contaminações dos tipos II..0 <t o u.6 0. litologias ou tipos de solos.5 1. 5. sofre influência dos tipos 1.16 Realizações da simulação indicadora sequencial para o ponto de coordenadas (26.. (2012. 5. _j li de construção da função de distribuição acumulada condicional e sua amostragem por Monte Cario.5 2. encontram-se nas Tabs. D) realização 1111 Por exemplo. que o circundam. (Al - ( a) u 1.6 1 0.0 <t o . III e V. 148). 1.75.17 Mapa de localização de tipos da variável categórica 31.25. ela • • • •• •• •• Ili é amostrada aleatoriamente.4 0.5 1.0 o. 5.5 2. e assim por diante. a simulação indicadora sequencial para variáveis categóricas leva frequentemente a transições incontroladas e geologicamente irreais entre 50 '10 30 • • • • • • • • • •• • • • • • ..5 2.. Segundo Deutsch (1996.5 a 5. B) realização 1115. sem nenhuma restri- •• • • •• •• • • • • ção.25): A) realiza· ção 116.0 1.5 1.. 5. uma vez obtida IV a função de distribuição acumulada condicional. os o 20 40 60 80 100 dados obtidos para o ponto de coordenadas (28.18 confirma exatamente essa observação.. 0 .a u 1.8.8 0..6 0.. pois.0 o. da mesma forma. p. • • • • . as realizações obtidas não poderiam ser aceitas como cenários possíveis da realidade.. Se esses tipos representassem fácies.5 1.

1) i(x 0 .50 ® 50 ® 40 40 • V IV 30 30 Ili 20 20 10 10 20 40 60 80 100 ºo 20 40 60 80 100 50 © 1 V 40 40 IV 30 30 Ili 20 20 10 10 20 40 60 80 100 oo 20 40 60 80 100 Fig.5) Ya a 36. por causa do caminho aleatório.250 0.50 0.75 33.50 33.022 o o 1 o o 26.5 Dados para o ponto de coordenadas (28. 6 i(Xa.074 o o 1 o o i~Q (Xa.25) visitado na 435• iteração.25 31.18 Realizações da SIS para variáveis categóricas: A) realização #6. k) 0.50 O.242 o L1c i~ 0 (xa.032 o o o 1 o 39.50 0. verifica-se que os pontos amostrais ou condicionantes são os mesmos para as quatro realizações.4) i(Xo.000 5 Simulação Estocástica 169 .50 0.25 0.3) i (Xa. pesos da realização #6 e probabilidades condicionais simples e acumuladas Coordenadas Pesos Codificação binária dos tipos Xa ).50 0.75 0.045 o o 1 o o 26.50 24.210 o o o 1 o 24. B) realização #16.Q90 1 o o o o 48.75.75 0. 5.165 o 1 o o o 26.165 0.50 37.50 45.176 1 o o o o 20.8 também mostra que não foi possível localizar nós previamente simulados.2) i(Xa.000 o o 1 o o 28. 5.75 0. 5.50 0.50 0.508 0.50 39.108 o o 1 o o 33. A Tab. 31 .758 1.75 28.50 18.50 45. k) 0. C) realização # 1. pois o ponto foi visitado TAB .015 1 o o o o 24.50 30.343 0. D) realização 1118 Ao se observar essas tabelas.343 0.50 0.063 1 o o o o 28.000 1.50 24. e que os pontos previamente simulados são diferentes conforme as realizações.

072 1 o o o o 28.216 o o o 1 o 24.346 0.50 24.50 0.346 0.50 0.75.745 1.50 0.221 o o o 1 o 24.042 1 o o o o 31.75 0.16 Í(Xa. 5..180 1 o o o o 20. TAB.50 0.25 0.003 1 o o o o 24.50 18.346 0.060 o o 1 o o 26.50 24. k) 0.697 1.25 0. pesos da realização #16 e probabilidades condicionais simples e acumuladas Coordenadas Pesos Codificação binária dos tipos Xa >.3) i(xa.034 o o o 1 o 39. k) 0.000 TAB.6 Dados para o ponto de coordenadas (28.097 1 o o o o 48.75 36.25 28.3) i(Xa.1) i(xa.25 36.054 o 1 o o o 28.50 45.227 0.25 0.090 1 o o o o 48.2) i(Xa. k) 0.2) Í(Xa..50 39.059 o o o 1 o 23. 31. 75.4) iCxa.110 o o 1 o o 33.75 26.75 31.183 1 o o o o 20.50 45..25 O.25) visitado na 275• iteração.50 24.50 0. 31.25) visitado na 168• iteração.112 o o 1 o o 33.50 0.50 30.50 0.171 0. k) 0.50 0.50 0.4) i(Xa.1) i(Xa.000 o o 1 o o 31.574 0.25 26.5) 36.50 0.Q (Xo.50 45.50 0.001 o o 1 o o 31.50 37.75 0.50 18.000 170 Geoestatística: conceitos e aplicações .174 o 1 o o o 26.25 31.5) Ya a 36.000 1.255 o Lk i.50 30.Q (Xo.Q30 o o 1 o o 31.Q (Xo.50 39.50 45.25 0.169 o 1 o o o 26.50 0.182 0.25 33.169 0.346 0.000 1. pesos da realização #1 e probabilidades condicionais simples e acumuladas Coordenadas Pesos Codificação binária dos tipos Xa Ya >.25 0.025 1 o o o o 24. 5.50 37.028 o o o 1 o 39.50 0.515 0.040 o o 1 o o i.50 0.50 0.7 Dados para o ponto de coordenadas (28.000 1 o o o o iZ.303 o Lk i.50 0.Q (Xo.1a i(Xa.50 24.

0.50 0.. conforme a Fig.048 o o o 1 o 39.301 o Lk i.139 o o 1 o o 33.50 18.2 0.615 0.1Q(Xo: k) 0.50 0. 31.50 0.4 0.2 ~ w o o o.50 39.o 1 1 1 o.999 ~ <! o u.8 Dados para o ponto de coordenadas (28.50 30.75. @ © ~ 1.0 0.50 0. 5.50 24.6 0. categórica © ® u 1.19 Realizações da simulação indicadora sequencial para variáveis categóricas para o ponto de coordenadas (28. 0. B) realização 1116. são mostradas as funções de distribuição acumulada condicional para as quatro realizações escolhidas sobre o ponto de coordenadas (28.4 0.0 u 1.560 0.139 0.-.19.359 0.5) 36..50 0.Q (xo: k) 0.4) i(Xo. O número abaixo da linha horizontal indica o valor aleatório. 31. que amostra o tipo da variável categórica 5 Simulação Estocástica 171 .50 45.3) i(Xa.4 0.a u.50 37.000 o o 1 o o i.510 0.50 45.2 --.-.75. o. categórica Tipos va r.---. TAB. D) realização f! 18.50 0. 1) i(Xo.253 o o o 1 o 24.o+---~. 0.8 0.--l o..000 na 48ª vez.215 1 o o o o 20.0 <! o "-o..a u. pesos da realização iJ 18 e probabilidades condicionais simples e acumuladas Coordenadas Pesos Codificação binária dos tipos Xo Yo >.75.116 1 o o o o 48.201 0.o 1 1 1 1 li Ili IV V li Ili IV V Tipos var. 18 (J Í (Xo. categórica Fig.699 1.000 1.8 0. 5.50 0.25). 5.027 1 o o o o 24. A seguir.201 o 1 o o o 26. 25): A) realização 116.50 24.---.6 0 .o 1 1 1 1 li Ili IV V li Ili IV V Tipos var.50 0. 0.2 o. C) realização 111.6 ~-------.359 0.6 0. 31.25) visitado na 48' iteração. categórica Tipos var.0 1 u 1.2) i(Xo.4 0.-'--r.

p (Xo .p ( Xo. Por essa razão.21 Tipos mais prováveis interpolados por equações multiquá· et ai.20. tem-se para cada célula ou pixel o tipo mais V 40 provável e a sua variâ ncia. 172 Geoestatística: conceitos e aplicações . 5. a zona de incerteza mapeada por meio da variância de inter- o 20 40 60 80 100 polação. p. De acordo com essa figura.20 Tipos mais prováveis e zona de incerteza (em preto) deri· conforme as Eqs. . que preferencialmente deverá es tar localizada nos contatos entre os tipos da variável categórica. procedeu -se à simulação indicadora se- quencial com cem realizações. 5. notadamente os tipos 1. a amostragem aleatória da função de distribuição acumulada condicional pode levar a resultados geologicamente impossíveis. então. prevalece o tipo mais provável. 5. para os mesmos dados e parâmetros dricas e zona de incerteza (em preto) resultante para variância de da malha regular usados na simulação sequencial interpolação superior a 0. Após o processamento. K)] (5. III e IV. 5. Esse resultado é bastante razoável. a célula recebe uma legenda diferente li 10 indicando pertencer à zona de incerteza. os métodos de simulação baseados em objetos ou processos proporcionam maior controle estrutural (Deutsch. 1 ). Usando os mesmos dados d a amostra com 50 pon- o 20 40 60 80 100 tos (Fig.. Contudo. os domínios de 20 cada tipo ficam reduzidos. Consequentemente.5 a 5. 50 A zona de incerteza derivada das realizações da 40 simulação indicadora sequencial é muito mais ampla que aquela obtida diretamente por meio da variância 30 de in terpolação. considerando-se que o ponto escolhido está sobre o contato entre os tipos 1.7.6) A variância associada à proporção p (x 0 . 1996. Fig. p. 5. em cada realização foi escolhido aleatoriamente um tipo distinto.p (x 0 . III e 10 IV. Se a variância for menor IV que 0. (2012). k) · (1. 30 Ili significa que há incerteza quanto ao tipo mais prová- 20 vel e. 20 indicadora. obteve-se o resultado apre- vada de cem realizações da simulação indicadora sequencial sentado na Fig. As realizações podem ser analisadas em conjunto para determinar o tipo m ais provável..17). k)] (5. bem como a zona de incerteza.20. caso contrário. Para cada célula ou pixel determina-se a proporção do k-ésimo tipo fazendo -se a varredura para as L realizações da simulação sequencial indicadora: (S. 2). k) é calculada como: 5~ (Xo) = p(Xo. A Fig. segundo metodologia descrita por Yamamoto Fig. . 533): Pmax = max [p (X o.669).S) O tipo mais provável é obtido simplesmente determinando-se a proporção máxima.7) 50 Assim. para fins de comparação. 1.21 mostra. 5. conforme proposta de Teng e Koike (2007.

Por exemplo. as funções de distribuição acumulada condicional são obtidas experimentalmente. os procedimentos podem ser: simulação gaussiana sequencial e simulação indicadora sequencial. 1996. indicadora sequencial para variáveis aleatórias contínuas e discretas.670). há ainda boas razões para se usar esse método: estatísticas facilmente inferidas com base nos dados amostrais. Todas as apresentações de resultados são seguidas de tabelas mostrando os procedimentos adotados. pois estão fora do escopo deste livro. há opções pela krigagem simples e krigagem ordinária. 5. pode-se escolher tanto para variáveis contínuas como para variáveis categóricas. pois a amostragem aleatória da função de distribuição acumulada condicional pode resultar em tipos com pequenas chances de ocorrer. os tipos III e IV avançando na área de certeza do domínio 1. p. Em cada ponto da malha regular define-se a função de distribuição acumulada condicional. De qualquer forma. Os métodos sequenciais descritos neste capítulo foram: gaussiana sequencial com opções pela krigagem simples e krigagem ordinária. Finalmente.22 apresenta uma síntese dos métodos de simulação sequencial. 1.4 CONSIDERAÇÕES SOBRE OS MÉTODOS DE SIMULAÇÃO ESTOCÁSTICA Foram apresentados os métodos geoestatísticos mais usuais de simulação estocástica baseados em células ou pixeis. Por fim. 5. Em seguida. a função de distribuição acumulada condicional y. é uma gaussiana com média 5 (xo) e aKs {x0 ) (Fig. a Fig. algoritmo robusto. apesar das críticas legítimas contra a simulação indicadora se- quencial. S Simulação Estocástica 173 . No topo dessa figura encontram-se exemplos de caminhos aleatórios definidos para as realizações. enquanto. transferência direta da incerteza das categóricas com base nos resultados numéricos (Deutsch. para a simulação indicadora sequencial.22E). Os resultados obtidos para a simulação sequencial indicadora para variáveis discretas mostraram a necessidade de se aperfeiçoar esse método.5. 5. No caso da opção por krigagem simples.22. Para os demais métodos. Para a simulação gaussiana sequencial. os resultados são apresentados na base da Fig. Os métodos baseados em processos ou eventos não foram considerados neste capítulo.

4 0.0 u 1.o · ~2.77 g'0.6 0.6 0.2 0 o.52 >O.8 -1.lo ~ 4 ~ 0.o3 o e o.6 0. resultado da simulação gaussiana sequencial . QI 50 QI 50 t:: t:: ~ 40 ~ 40 :>: :>: 30 30 20 20 20 10 10 10 10 20 30 40 50 10 20 30 40 50 10 20 30 40 50 10 20 30 40 50 X: Leste X: Le ste X: Leste X: Le ste Definição dos caminhos aleatórios para as realizações Simulação gaussiana sequencial Sim ulação indica dora sequ encial Krigagem simples Krigagem ordinária Variáve l contínua Variável categórica ® ® (e) @ ~ 1.4 0. resultado da simulação indicadora sequencial .15 ~ 0.os 2 o º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 º·ººo 5 10 15 20 25 ºo 20 40 60 ao 100 D1stânc1a Distancia Distância Distância (G\ u l .0 ® -- <( <( <( 12 o.29 o Êo.5 · 1.20 ""5.29 o Ê 1. 5.s -1.26 0. categórica (K) QI 50 t ~ 40 :>: > > 30 30 30 20 20 20 10 10 10 10 20 30 40 50 ºo 10 20 30 40 50 ºo 10 20 30 40 50 20 40 60 80 100 X: Leste X: Leste X: Leste X: Leste Fig.2 0.26 o.4 ·O.O ® u 1.22 Síntese dos métodos sequenciais de simulação estocástica: no alto.0 ® ~ 1.K) variável contínua e L) variável categórica 174 Geoestatística: conceitos e aplicações .a ~o. l 0. F.77 o OI go.a 0.a 12 o. A e B) variograma da variável transformada para escores normais. 2 0.52 ~ 0.2 0.4 0.a ~o.4 1.a -0.6 0.l ·0. E.2s ~a C> .3o e10 ei.1) opção pela krigagem simples e J) opção pela krigagem ordinária. D) núcleo multiquádrico com constante nula.5 u Ili N V Escores normais Y(x) Y (x) Tipos var.o o.3 0.0 ·0. C) variograma indicadora da mediana.0 -1.6 -~ 0. definição dos caminhos aleatórios para as realizações.2 0.1 º·?2.s º·?2. G e H) funções de distribuição acumulada condicional.5 o.4 0.0 -1.o3 o e l .

podem ser consultados Waltham (2000). O intervalo de valores entre o mínimo e o máximo é dividido em um 5 número de classes.___. 2 e 3) e Borradaire (2003).55 5. Para 1. Para mais detalhes.L. doravante chamado juradata.1 MÉTODOS GRÁFICOS DE APRESENTAÇÃO DE DADOS Como visto no Cap. p. 4-6) será considerado. . dos valores encontrados no arquivo de dados.txt con- tendo diversas variáveis contínuas e discretas.60 Co o exemplo dos dados do arquivo juradata. Davis (2002.98 16. p. a curva de distri- buição acumulada e a distribuição espacial de pontos. de maneira resumida. o arquivo for- '/!. A .---1~-L~-l-~_. Para ilustrar os conceitos estatísticos. entre outros. 1. A. 25 Na realidade. Nesse sentido. que são pro- 10 porcionais às frequências de classes. 15 O histograma é um gráfico de barras. A. A seguir serão expostos. li li 1 Anexo A li li li FUNDAMENTOS M ATEMÁTICOS E ESTATÍSTICOS A utilização de técnicas geoestatísticas requer o conhecimento de alguns fundamentos matemáticos e estatísticos que são imprescindíveis para o melhor entendimento dos conceitos empregados nessa metodologia. A análise estatística tem por objetivo resumir a informação disponível.txt. denominados prediction 20 e validation. foram aglutinados em um único arquivo. os gráficos mais usuais para a apresentação de dados são o histograma. alguns desses conceitos. as quais acumulam as contagens 01----1~~~-L-~-'-~.79 20. ambas apresentando distribuições de valores e usadas para uma análise exploratória dos dados.1}.36 9. Fonte: Goovaerts (1997.1 Histograma da distribuição de frequências da varável co- a representação da variável cobalto em histograma balto (Fig. as variáveis podem ser consideradas como categóricas/discretas e continuas. 4-6).17 12. os dois arquivos. foi feita Fig. Caps. necido por Goovaerts (1997.

2 Distribuição acumulativa da variável cobalto encontra-se representada na Fig.99 rece outra opção para a representação de frequências 99. a relação (percentil 84 . S0. 4-6). o percentil 50 cor- responde à mediana.00 s.ft o. p.36 9.00 los (outliers) etc. for- 20. quando do percentil 50 a distribuição apresentar assimetria positiva.36 9. A.so I que os dados de uma distribuição normal se mostram E :::1 ~ 0.00 ++ simétrica ou assimétrica.60 distribuição normal. a curva acumulativa Fig.os mente se uma amostra se aproxima ou não de uma 0.00 bem de uma linha reta na escala de probabilidade 70. 9S.99 No histograma pode ser verificado o valor mínimo 99.oo 40.00 30. se.00 I "C E o.SS S.2 ofe- 99. pode-se verificar visual- '. l. que corresponde a 9.01 mediana. de modo "' -g 1. Fonte: Goovaerts (1997.90 99. a ~ 0.00 necendo de maneira rápida os quartis ou os valores 10. Em vez de acumular as frequências simples das classes usadas no histograma. o gráfico da Fig. que é igual à média se a distri- -3"' 1.81. há indicação ou não de valores anôma- 90. mostrar um exemplo de uso da curva acumulativa 176 Geoestatistica: conceitos e aplicações .01 1.79 20.1. bimodal + ou plurimodal. Em + 99.3 mostra a curva acumulativa com indicação da 0.10 o. se a distribuição é unimodal.90 e o máximo.00 Também os percentis da distribuição podem ser 40.00 distribuição é praticamente unimodal. essas frequências simples são acumuladas.00 60. Por exemplo.60 Co Podem ocorrer situações em que a escala a ser Fig. pois os pontos se aproximam 80. se a distribuição é 99.so buição for normal. mas pode-se calcular as frequências acumu- 20.oo acumulada. sendo unimodal.00 classes.98 16. A.79 20. pode-se verificar que a 80.17 12. Assim.10 como uma linha reta.percentil :::1 V 16)/2 corresponde ao desvio padrão.00 assimetria. Para Fonte: Goovaerts (1997.98 16. A.00 O histograma mostra as frequências simples por 30. o. so. Na Fig.os Fig.SO + dados recebe uma frequência simples igual a 1/n.00 ++ seguida.3 Distribuição acumulativa da variável cobalto com indicação adotada no eixo horizontal seja logarítmica. no caso de presença de 9S. com uma leve 70. 99.00 60.SO + 99.00 :.9S 99.00 assimetria negativa. A. em que cada valor do conjunto com n 99.ss S. 4-6).oo centrais e de variação da amostra.00 praticamente normal.2. em cujo gráfico o eixo vertical é dimensio- nado em escala de probabilidade aritmética. Co Para o caso da variável cobalto. A.00 aritmética.00 lidos diretamente com base na curva encontrada.00 s. p.9S acumuladas. A.OO Nesse gráfico é possível verificar que a distribuição é 90.17 12.00 ladas e representá-las em uma curva de distribuição 10.

se.00 mulada.99 10'* 60 siderada a variável cobre do conjunto juradata. A. § 99. ou seja. 1. A. pode-se verificar: se a + 0. 99. variância. em forma de histograma e curva acumulativa.50 Pela configuração obtida.00 em Estatística. dão uma boa ideia do tipo de distribuição e dos valores extremos. em que é possível verificar a assimetria 95. A média de uma variável aleatória X pode ser obtida por meio de: n E[X] =X= I:X1 1= 1 Além da média.os qual o padrão de distribuição dos pontos (regular. 1997.95 50 ~ 99. A.00 não é uma maneira gráfica comum na análise de dados 30.50 30 A Fig. o.2 ESTAT[STICA DESCRITIVA As representações gráficas apresentadas na seção anterior.000 mirregular ou irregular).00 60. ªº·ºº 70. A distribuição dos pontos pode ser feita apenas logprobabilidade aritmética mostrando a sua localização. essas obser- vações são apenas de caráter qualitativo. a interpolação não pode ser feita nessa região. pode-se ter outras medidas de tendência central da distribuição. A. p.00 40. seja pela assimetria do histograma ou pela inclinação da reta na distribuição acumulada representada em escala de probabilidade aritmética. de mapas de localização com legendas proporcionais às magnitudes medidas nas localizações amostradas (Fig. foi con. a presença de agrupamentos Cu (clusters). bem como da dispersão.00 A distribuição espacial de pontos de amostragem 50. Entretanto. 4-6). p.00 positiva dada pela linha quase reta da distribuição acu.00 0. o valor referente a 50% da frequência acumulada. 90. bem como pelo histograma no canto superior esquerdo dessa figura. coeficiente de variação. tais como: mediana e moda. A Anexo 177 . 0. A.00 20 ~ variável cobre.6.00 dis tribuição e variabilidade espaciais da variável de interesse. por isso. mas também por meio Fonte: Goovaerts ( 1997.01 l 10 100 1. a localização de valores a ltos e/ou baixos Fig.4 Distribuição acumulativa da variável cobre em escala de etc.txt "' 99. 4·6). 40 (Goovaerts. A mediana corresponde à metade da distribuição.00 quando se trata de qualquer trabalho de análise da 5. Trata-se de uma medida mais robusta que a média.em escala de logprobabilidade aritmética. Nessa figura é possível observar que o quadrante nordeste não foi amostrado e. Outra maneira de se representar a distribuição espacial dos pontos e frequências associadas está exemplificada na Fig.S).90 · :. assimetria e curtose. Uma descrição quantitativa da distribuição de frequências é possível por meio das estatísticas descritivas: média.00 10.4 mostra a distribuição acumulada para a ~ 99. mas é de fundamental importância 20.10 área de estudo foi total ou parcialmente amostrada.

55200 52 = _1=_1_ _ __ o 2 3 4 5 n-1 Fig.60000 pois não é tão sensível aos dados..a• . ou o intervalo de classe com maior frequência. se os .... A. dados são discretos..... A.. • ~.. Assim.. especialmente em •• casos de distribuição assimétrica. . essa 5 4 ~ 25 20 3 15 2 10 1 5 1 o l 2 3 4 5 5 9 13 17 21 Co Fig. da variância.. • '!I ••• •• • ~ . ..·. Dividindo-se o desvio padrão pela média. •• • • ... ...•............ p. ... p 4-6).. .·...· .-. 20._.. se os dados são contínuos .... • ·J··· .. . . •• ••• ~ Com relação ao denominador. 11. . ...6 Distribuição dos pontos de amostragem.·. . 4-6). . .. Define-se moda ••• • ••• como o valor mais frequente da distribuição.1 no lugar de n quando é usada a variância amostral para inferir a variância populacional: • •• • • • • • n L: cx1 . 2 1 ... •• • . ..... .. .5 Distribuição dos pontos de amostragem da variável cobre O desvio padrão (S) é simplesmente a raiz quadrada Fonte: Goovaerts (1997... pois ele é adimensional.·...· . 178 Geoestatística: conceitos e aplicações ..··.: . • • ••••• • . .. obtém-se o coeficiente de variação: 5 CV= = X O coeficiente de variação é uma medida conveni- ente da dispersão de uma distribuição de frequências.. ...07600 pela variância: . ·.. .·.... pode-se usar n . . . . 4 A dispersão em tomo da média pode ser medida 3 . • •• • •• •• ...·.xY 1...... cujas cores são as mesmas correspondentes às classes do histograma Fonte dos dados: Goovaerts ( 1997... 5 .. . ... .

A .. que nada mais é que a representação dos pontos em um sistema 32.-. p.98 +---~---~--~---~---i de dispersão entre Ni e Cr..66 29. o resultado é sempre positivo.. se for zero ou próximo de zero.7 Diagrama de dispersão entre Ni e Cr ente de correlação linear de Pearson. 99): Cov(X.32 16.-. O coeficiente de assimetria é uma medida da dispersão para distribuições assimétricas. p.estatística serve para comparar distribuições de frequências de valores completamente diferentes. Se os pontos nesse diagrama se localizarem próximo a uma reta. quando a cauda da distribuição está à esquerda.33 56. 53.. .47 de análise de correlação entre as duas variáveis. A relação mútua entre elas pode 42. mesocúrticas (com achatamento equivalente à distribuição de Gauss) e platicúrticas (achatadas). A.-. correlação= 0.---. 4-6). . de estimativa do comportamento de uma variável + + 12.22 em relação à outra. isto é. as quais podem ser leptocúrticas (pontiagudas).71 de eixos cartesianos. lada como (Landim. quando a cauda à direita é mais longa.709 Sejam X e Y duas variáveis aleatórias medidas nas mesmas localizações. Fig. pode-se analisar a relação mútua entre as diversas variáveis existentes. 2003.. A medida da relação mútua é denominada coefici. e uma equação linear toma-se apropriada para os fins 22.-.txt.96 + + ser observada em um diagrama de dispersão.7.20 .... como se trata de somatória de diferença elevada à potência par. cuja dispersão mostra uma 3.3 ESTATÍSTICA BIVARIADA Coef. mostra-se o diagrama l.-:X) cc = _í=_l_ __ _ 54 Nesse caso. O coeficiente de curtose mede o grau de achatamento de uma distribuição e é baseado no 4º momento em tomo da média: n 4 2: (x. o coeficiente de assimetria pode ser negativo. significa que a distribuição é simétrica. O coeficiente de curtose mede a dispersão para distribuições simétricas. O coeficiente de assimetria mede a assimetria do histograma e é baseado no 3º momento em tomo da média: n 3 . e pode ser calcu. Na Fig. e positivo. Fonte: Goovaerts (1997. a relação é dita linear. Para a base de dados juradata.2:(x1-:X) CA = _1=_1_ _ __ 53 Como essa medida é uma somatória de diferença elevada à potência ímpar.00 Cr relação linear positiva.99 43. Y) Pxr= • em que Jvar [X] Var (Y] A Anexo 179 . A.66 70.

qua ndo igual a + 1.9).47 6. p.8 Curvas acumulativas e histogramas para as variáveis: A) EXP(Y*OK) e B) exp(So) Ao contrário da covariância.0 1 .os= 0.1---------~- ~l l~ 10 0.698 + + A fórmula de Pearson foi desenvolvida para cálculo >- ():° X + da correlação para variáveis apresenta ndo distribuições UJ 5. p. 100-102). Desse modo.68 9. e. quando as variáveis são lognormais ou su as distrib uições são as simétricas positivas. a fór- /+ mula de Pearson não é adequada.00 20. 100).42 9. com os dados originais.00 50.ooi 70. 30.46 ++ normais.25 exp(So) Em ve z de s e calcular a correlação diretam e nte sobre Fig.10 1. que depende das unidades das variáveis X e Y.00 70.().93 3. que resulta em uma 180 Geoestatística: conceitos e aplicações .10 4.05 ~ 0. ~--'-. Entre ta nto. o coeficiente de correlação é adimensional e pode variar entre -1 e + 1 (Landim. A. O diagrama de d ispersão mostra uma grande con- + cen tração de valores próximo à origem.76 5.50 ~ o.5o ~ + + 0.99fl 1:~40 50(/1 E 99. 0.0 10 EXP(Y"OK) exp(So) Fig. expressa uma relação linear negativa.. usa-se o coeficiente de correlação 0.50• 30 120 ~ 99.10 : 0.8 duas variáveis cujas distribuições + apresentam assimetrias positivas.00 20.00 . quando as variáveis não apresentam distribuição normal.. portanto.14 3.001 1.14 não paramétrico de Spearman (Landim.00 50. de uma transformação dos dados.00 10.00 40. 2003.00 60.698 dados ordenados por postos (rank).59 7.10 1. expressa uma relação linear positiva.47 natureza lognormal dessas variáveis (Fig. 20 ~ · 10 } 10 95001 o 95. Quando Pxr == O.1.13 + presentadas na Fig.oo-!- .00 1:~~1 1. correlaç~o = 0. ~ Coef. são re- 4. A. A.95 99.50 + ::1. -~~~ 0. 2003.00 30. a correlação é calculada sobre os correlação igual a 0.-._=. 100). Por exemplo.90 40 jE ::::: 99.001 80.__ _ _ o 9o:oof .01i .01 0. quando igu al a -1. s ignifica ~ 6.25 90. Nesses casos.00 5.79 que não há correlação entre X e Y (Landim.__.00 1 + 0.00 40. 1Tata-se. p.. A.ooJ 80.9 Diagrama de dispersão entre EXP(Y ' OK) e exp(So). (~ -3~99. por causa da + 1.00~ :/ <11 99.00 : 60. 99.90 <11 :> 30 :> u < 99.001 .10 1 o. 2003.79 .

que resulta em uma distribuição uniforme (Fig. 101). ..-..n d~ i=l rs=1---- n3-n em que d. A. inicialmente é feita a classificação por postos.20 200.YÍ é a diferença para o i-ésimo para dados ordenados.10 Histogramas dos dados transformados: A) variável das EXP(Y*OK) e exp(So) apresentando coeficiente de correlação de exp(So) e B) variável EXP(Y*OK) Spearman igual a O.__....792 o *>- ã:' ~ 280 5 ?.00 67.80 267.11 s o 70 140 210 280 350 0 '---'---'--'----1--_.___.698).. A diferença entre o coeficiente de Pearson e o coefi ciente de Spearman reflete tanto uma relação não linear como a existência de valores extremos (Landim.00 ra nk(EXP(Y*OK)) Fig.{ e: ~ 0 1----'---'--'--'--. consequentemente.. A. Assim. A. Martins e Toledo (1991..60 134. .--r-i----.8. . Na realidade. p.00 67. O coeficiente de correlação de Spearman pode ser calculado para os dados transformados (Fig.--..----. para os dados apresentados na Fig.40 334. o coeficiente de correlação de Spearman resulta em um valor maior (0.. O coeficiente de correlação de Spearman pode ser calculado como segue (Landim.. A. 2003.11).20 200. 0 ~20 ~-------------~ 15 350. 792 O diagrama de dispersão (Fig. pode-se usar tanto a fórmula de Spearman como a de Pearson para o cálculo da correlação.___.80 267.....= xi .792) que aquele determinado pela fórmula de Pearson (0. p. após ordenação dos dados.. conforme demonstraram Fonseca...L--'--1---'---'---l 1. A Anexo 181 . . A. A. 102): 6 r.00 210 ra nk(e xp (So)) + 140 15 lO r-1-~--r--.40 334. 2003.distribuição uniforme. ra nk(e xp (So)) 1. co rrelação = 0. p.._--I-_.11) mostra um espalhamento melhor dos valores nos dois eixos e. pois as duas são equivalentes. 45-47).60 134. Q Coef.10).11 Diagrama de dispersão entre as variáveis transforma· Fig.

p. 2003. e distribuições normal e lognormal. A. 42-43): média:µ~ =u=m=np variância: u. sejam elas simples ou acumulativas. Além disso. p.4. são: distribuições binomial e de Poisson. Segundo esse autor. Existem muitos modelos de distribuição de probabilidades. . = o 2 = npq . 2003. seria interessante verificar o modelo de distribuição teórica de probabilidade ao qual se ajusta a distribuição de frequência observada. p. mas na prática os mais utilizados em Geologia. segundo Landim (2003. para amostras constituídas por dados discretos.2 Distribuição de Poisson A distribuição binomial aproxima-se da distribuição de Poisson quando a probabilidade de acontecimento p é pequena e o tamanho n da amostra. Nesse sentido.4 DISTRIBUIÇÕES TEÓRICAS DE PROBABILIDADES As observações podem ser analisadas em termos da sua distribuição de frequência. suas propriedades são bem conhecidas (Landim. 2003.1 Distribuição binomial Por meio da distribuição binomial é possível calcular a probabilidade Px de x eventos em uma amostra de tamanho n. 41-45).- Jnpq 1-6pq curtose = a4 = 3 + . 41). . Dessas observações pode-se calcular as estatísticas que des- crevem quantitativamente essas distribuições de frequências. a probabilidade de x eventos em uma amostra de tamanho n é Px: Os momentos da distribuição de Poisson são (Landim. 42): média: µ~ = u = np variância: u. considerando np = m. para dados contínuos. ass1metna =a3 = -m1 = -np 1 1 1 curtose =a4 =3 + -m =3 + -np 182 Geoestatística: conceitos e aplicações . sabendo-se que a probabilidade de acontecimento do evento é p e a de não acontecimento. grande (Landim. existem distribuições teóricas de probabilidades que representam todos os valores de uma variável e.x)! pn-xqx.- npq A. q. p. =o =m= np 2 . em que O< X< oo Os momentos da distribuição são (Landim. assim. 2003. 2003. 42): Px =x!(nn!. p. 42-43). conforme segue (Landim.. p. q-p ass1metna = a3 = . A.4.

Na verdade. calcula-se a variável normal reduzida: Xi .. -e-<z2. p. e -V2 [ (x-µ)lo] 1 o. A. A Anexo 183 . Por exemplo.- 0 a qual passa a ter média zero e desvio padrão 1.9937 Os momentos da distribuição normal com base no momento central de grau n µn podem ser calculados como (Landim. 43): 1 f(z) =. tungstênio etc. 43): P(µ-o<x <µ +o) =0. teores de metais raros. 1957. p.4. A distribuição normal teórica é definida com médiaµ = O e desvio padrão o = 1. 2003./21i em que µ e o são a média e o desvio padrão. os quatro momentos são: A. pois sob sua forma ocorrem diversas variáveis encontradas na natureza. 48). geralmente. ou seja. por exemplo. 48): 1 f(x) =.µ Zi = .4 Distribuição lognormal Em Geologia./21i A distribuição normal com média zero e desvio padrão igual a 1 apresenta as seguintes áreas sob a curva da função densidade de probabilidade (Landim.9145 P(µ . p. 2003. Massey. Massey. platina.2) . sob a forma da distribuição normal. e a função densidade de probabilidade é escrita como (Landim. a distribuição normal é a d istribuição teórica de probabilidades mais importante em Estatística (Dixon. p. A função densidade de probabilidade da distribuição normal é descrita como (Dixon. 43-44): µn = O para n ímpar n!on µn = 2 nncg !) para n par Assim. . 1957. 2003. p.2o <X < µ+ 20) =0. prata. os óxidos constituintes principais de uma rocha distribuem-se. Em Geologia.3 Distribu ição normal O modelo de distribuição de Gauss ou normal é o mais comumente empregado.6827 P(µ.30 <X<µ+ 30) = 0. Para variáveis que não apresentam essas estaústicas. estanho. variáveis como teores de ouro. algumas variáveis podem se apresentar com uma grande quantidade de valores baixos e uns poucos valores altos. apresentam essa característica.4.

considerar a função quadrática: 6 y =x 2 -x-6 que tem como derivada: dy -=2x-1 dx Para o ponto Xo =2. Link.12 Gráfico da função quadrática e a representada como: reta tangente passando pelo ponto (2.•)- ª n-oo i=1 • n O intervalo (a.f (Xo)) (Grossman. a integral permite calcular comprimentos. A integral de /(x) no intervalo (a. a derivada. a inclinação da reta tangente que passa pelo ponto x 0 = 2. áreas e volumes.b) é definida como (Grossman. p. à medida que n aproxima-se do infinito. 94). e a quantidade de assimetria depende da variância 132 (Koch.5 DERIVADAS A derivada de uma função f no ponto x 0 é a inclinação da linha tangente à função f no ponto (x 0 . Link. 1971. a equação da reta tangente será: y' = -10+3x A Fig.b] é dividido em n segmentos. 1981./X. Por exemplo. 1981. 215): 1 2 /(X)= e-112[(1ogx-a)/J3] x13ffn em que a e 132 são a média e a variância dos logaritmos de x. considerar a função . A reta tangente é a linha passando por (x 0 . -4) em que a e b são os limites da integração e dx é a variável de integração. A integral definida é Fig. ou seja. a somatória resulta na integral procurada.12 ilustra a função quadrática e a sua reta tangente no pon- to (2. A. 1981. / (x0 )) com inclinação t' (Xo) (Grossman. A distribuição lognormal sempre apresenta assimetria positiva. A função densidade de probabilidade da variável lognormal é descrita como (Koch. A. 213). Link. 1971. Essas variáveis seguem uma distribuição lognormal. é igual a 3. 184 Geoestatística: conceitos e aplicações . 1971. 264}: b-a i b n f(x)dx = lim ~)(x. e. p. os logaritmos das observações seguem uma distribuição normal (Koch. ou seja. p. p. p. p. mede-se a taxa na qual a função/ muda com a variação de x. Por exemplo. 215). por definição. A. -4).6 INTEGRAL Enquanto a derivada trata da taxa de variação da função. Assim. A. 87-88). de tal forma que.

75 e 0.4 0.0 Considerando que a integral definida da função IX "''11 no intervalo [0. nas quais.0 0. quando a matriz apresenta uma única coluna.4 0.5 . São usadas letras maiúsculas para as matrizes e os elementos da matriz são identificados por letras minúsculas.6 0. A. A. aumentando. 1l 1.0 0. Se dividirmos o intervalo [O.8 os resultados obtidos são insuficientes. tem -se o vetor coluna: E. 14 Áreas resultantes sob a função ./X no intervalo I0.8 1.lj. A = [ : :: : :: : : 0 31 0 32 0 33 l Vetores são casos especiais de matrizes.8 0. quando apresenta uma única linha.13 Gráficos da função . ------~----------< o 20 40 60 80 100 N A.1] é igual a: <o.4 0.2 0. respectivamente.6 0.14).0 1.2 0.71----==========---==--~ se o número de segmentos.0.8 0. as áreas obtidas são 0.13). A.2 0.6 teórico (Fig. 0. com os índices correspondentes às linhas e colunas. Assim./Xdx = - 3 0. a área aproxima-se do valor o.2 0.l j em 5 e 10 segmentos (Fig.8 1.4 0.7 MATRIZES Fig.0 Fig.71. 1.para a qual se deseja calcular a área no intervalo [O. A matriz é quadrada quando o número de linhas é igual ao número de colunas./X mostrando aproximações com 5 e 10 segmentos para o cálculo da integral definida no intervalo IO. 11 Uma matriz m x n é um arranjo retangular de números com N variando de 1a 100 (a reta horizontal mostra o valor teórico) com m linhas e n colunas. A.6 0. tem-se o vetor linha: Y = [ Y1 Y2 Y3 ] A Anexo 185 .6 0.9 1 2 1 o .

iguais a zero (Grossman. pode-se somar: A. 1982. { O se t '# J l Ver o exemplo de uma matriz identidade 3 x 3. resultando em At.7.2 Multiplicação por um escalar A matriz A pode ser multiplicada por um escalar a. p. ou seja. resultando em: aA aa11 = [ :::: :::: :::: aa12 aa13 l A. igual a n x p. 336): n Cij = L Ojkbkj k=1 186 Geoestatística: conceitos e aplicações . Vide a seguir: [ ~~ ] X [ ~~ ] = [ ~~ ] A. então o resultado será uma matriz C correspondente a m x p.7. a seguir: 1 o o [3 = o 1 o [ o o 1 Uma matriz quadrada é dita ortogonal se AAt =I. . as linhas tornam-se colunas e vice-versa. com número de linhas e colunas iguais.3 Multiplicação de matrizes As matrizes A e B podem ser multiplicadas entre si quando o número de colunas de A for igual ao número de linhas de B. A transposta de uma matriz A é obtida trocando suas linhas e colunas.7. na qual o ij-ésimo elemento será o produto escalar da l-ésima linha de A pela j-ésima coluna de B (Grossman. Uma matriz quadrada n x n é denominada identidade quando os elementos da diagonal principal são iguais a 1 e os demais elementos. Seja a matriz A igual a m x n e a matriz 8. 358}: 1 sei= j ln= (biJ) em que bij = . ou seja. p.1 Adição de matrizes Se A e 8 são matrizes do mesmo tamanho. 1982.

1982.1) 022 Para calcular o determinante de uma matriz 3 x 3. A. considerar a matriz seguinte: 2 -1 o o -1 2 -1 o A= o -1 2 -1 o o -1 1 Aplicando-se a Eq. A. segundo esse autor. tem-se: detA = a11A11 + a12A12 + a13A13 + 014414 A Anexo 187 .2) 022 023 021 023 021 022 detA = au . 012021 (A. O determi- nante de uma matriz 2 x 2 pode ser calculado como (Grossman. detA12 = . A.4 Determinantes O determinante de uma matriz quadrada é um escalar ou função associada a ela. utiliza-se a definição da Eq. 1982. matriz [ g~~ g~. p. A. 374): detA = a11A11+a12A12+013A13 + · · · + 01nA1n n (A. p.1 para cada uma das matrizes 2 x 2. que foi obtida deletando-se a 1° linha e a 2ª coluna de A. 371): A = [ 011 021 031 012 022 032 013 023 033 l => (A.detM12 e A13 = detM13 (Grossman. o determinante da matriz [ g~~ g~~ que resultou da matriz A com a eliminação da 1ª linha e 3ª coluna. e os seus determinantes são Au =detM11. o determinante de uma matriz n x n é dado por (Grossman. M12 e M13. A. 373): Dessa forma. p. foi obtida eliminando-se a 1ª linha e a 1° coluna de A. essas matrizes podem ser denominadas Mu. Pode-se observar na Eq. 1982. 371): 011 012 ] A= [ 021 => detA =IAI =011022 . p. 1982.7 .3) = Lª1kAlk k=l Para ilustrar o cálculo do determinante de uma matriz 4 x 4.2: que 011 multiplica o determinante da matriz [ g~~ g~~ a qual J. respectivamente. a Eq. Assim. 373). que 012 multiplica o determinante da J. que 013 multiplica J. A.1 para uma matriz 2 x 2 (Grossman. 1982.012 + 013 032 033 031 033 031 032 O valor do determinante é obtido aplicando-se a Eq. o ij-ésimo cofator (Aij) é dado por (Grossman. p.2 pode ser reescrita como: detA = a11A11 + a12A12 + a13A13 Se A é uma matriz n x n.3.

A.8 SISTEMAS DE EQUAÇÕES LINEARES 8 7 Dadas as equações de duas retas y 13 . pode-se desenvolver cada um dos dois determinantes aplicando-se a Eq.67x + y = 0.62. ou 2 -1 o -1 -1 o -1 2 o -1 2 -1 detA =2 -1 2 -1 +1 o 2 -1 +o o -1 -1 -o o -1 2 o -1 1 o -1 1 o o 1 o o -1 Observar que há dois determinantes do lado direito multiplicados por zero.2x Existem diversas formas de resolver sistemas de equações lineares.62. Desse modo. 10 9 A. 3. A. porém. formando um 3 sistema de equações lineares: 2 1 2X+y= 13 (A. A. 3.67 + 0.15 Equações das retas y = 13 . A..2X e y 0.3.67x (linha clara) Nesta revisão. + OnnXn = bn 188 Geoestatística: conceitos e aplicações .67 + 0.1 Método de Cramer Dado o sistema de n equações com n incógnitas: 011X1 + 012X2 + + 01nXn = bl 021X1 + 022X2 + + 02nXn = b2 On1X1 + On2X2 + . y) no qual elas se interceptam. = = deseja-se conhecer o ponto (x.15). que é calculada reduzindo-se às dimensões de 2 x 2 para aplicação da Eq. A.2.2: 2 -1 -1 -1 -1 2 2 +1 +o =1 -1 1 o 1 o -1 2 -1 o -1 o 2 -1 +1 +o =-1 -1 1 o 1 o -1 Substituindo-se os resultados parciais. obtém-se: detA = 1 Determinantes de matrizes de maiores dimensões são obtidos aplicando-se a Eq.4) -0.76) como ponto de 5 intersecção (Fig. 4 As equações das retas podem ser reescritas. os métodos de Cramer e o da triangularização de Gauss e o ponto de intersecção (4.67x. (linha escura) e y =0.67 Fig.8. A.76) serão apresentados.. A solução 6 geométrica é simples e determina o ponto (4.

n novas matrizes são definidas: b1 012 0 1n 011 bi 01n 0 11 0 12 bi b2 022 0 2n 0 21 b2 0 2n 0 21 0 22 b2 Ai = . segundo Grossman (1982.essas equações podem ser reescritas como matriz e vetores: Ax=b em que 0 11 0 12 0 1n X1 bt 0 21 022 0 2n X2 b2 A= .62 ey= = 3...67 1 -0.67 X= =4.X= eb= On1 On2 Onn Xn bn A solução desse sistema é: desde que detA f:. A. O. On = detAn. 1982. An = ' bn On2 Onn On1 bn Onn On1 On2 bn Ou seja.67 1 -0. 394).76 2 1 2 1 -0. 394): A solução do sistema da Eq. . Fazendo- -se O= detA. A2 = . p. 0 2 = detA2. 0 1 = detA1. Pelo método de Cramer.67 1 Seja o sistema de equações 4 x 4 a seguir (fonte desconhecida): 2 -1 o o X1 o -1 2 -1 o X2 o A= 'X= eb= o -1 2 -1 X3 o o o -1 1 X4 1 A Anexo 189 . p.4 é: 13 1 2 13 0. a matriz A i é obtida substituindo-se a i-ésima coluna de A pelo vetor b. · · · · · · . a solução do sistema é dada por (Grossman.67 0.

têm-se: O = 1. p.1)-ésima equação. e assim por diante. e reordenação de equações (Dom. X1 = 1. 02 = 2. conforme já descrito. na qual se encontra o valor da incógnita Xn-1.. Portanto. considerar o mesmo exemplo utilizado anteriormente: 2 -1 o o X1 o -1 2 -1 o X2 o A= . 394).8. 1978. 01 = 1. Conforme foi descrito por Grossman (1982. + OnnXn = bn O método de triangularização ou de eliminação de Gauss é aplicado por meio das opera- ções: multiplicação por uma constante.2 Método de triangularização de Gauss Dado um sistema de n equações com n incógnitas: a11X1 + a12X2 + + a1nXn = bi a21X1 + a22X2 + + 02nXn = b2 On1X1 + On2X2 + . Esse método resulta em um sistema triangular: a11x1 + a12X2 + + a1nXn = bi a22X2 + + a2nXn = b2 OnnXn = bn Observar que nesse sistema triangular a n-ésima equação é resolvida e o valor da in- cógnita Xn pode ser substituído na (n . formam-se quatro novas matrizes: o -1 o o 2 o o o o 2 -1 o -1 o -1 o Al= A2= o -1 2 -1 o o 2 -1 1 o -1 1 o 1 -1 1 2 -1 o o 2 -1 o o -1 2 o o -1 2 -1 o AJ = A4= o -1 o -1 o -1 2 o o o 1 1 o o -1 1 Calculando-se os determinantes.. 04 = 4. substituição da segunda pelo resultado da subtração. McCracken. Essa operação é denominada substituição reversa. 03 = 3. X3 = 3 e X4 = 4. subtração de uma equação de outra. p. A. x2 = 2. 210).X= eb= o -1 2 -1 X3 o o o -1 1 X4 1 190 Geoestatística: conceitos e aplicações . Para ilustrar o método de eliminação de Gauss.

a 22 .1 o o -1 2 -1 o o -1 2 -1 o o o . que.25 1 Todos os elementos abaixo da diagonal principal foram eliminados. pode-se mover para o elemento seguinte sobre a diagonal principal.5 o o o 2 -1 o o o .1.1 2 . multiplicar a 1ª linha por ~ e somar o resultado com a 2• linha: 0.5 -1 o o => => o -1 2 .1 2 . basta eliminar o valor . ou seja.33 -1 o o . Portanto. abaixo do elemento da diagonal principal a 11 temos o valor . Assim. ou seja.1 2 -1 o o o -1 2 -1 o o o -1 1 1 O objetivo é zerar os elementos da diagonal principal para formar um sistema triangular. A primeira providência é anexar o vetor b à matriz A.5 -1 o o o 1.33)x 1. os quais.5 .5 -1 o o o 1.1 o o o 2 -1 o o o o 1. depois. O multiplicador é . que irá multiplicar todos os elementos da 2° linha.1 e os demais. o multipli- cador .5x 2 -1 o o o 1 -0. o elemen to abaixo da diagonal dividido pelo elemento da diagonal com o sinal trocado. é encontrado o multiplicador.1 1 1 o o -1 1 1 o o -1 1 1 Como os demais elementos abaixo da diagonal a 11 são iguais a zero. e o sistema triangular pode ser escrito como: = o = o = o 0. Desse modo.33 -1 O 1 -0.1 1 1 Em seguida.1 o o 1 -1/1. multiplicado por 2 e somado ao elemento igual a -1.1 o o => => .75 o o o 1. resulta em zero. Para fazer isso. resultando em uma matriz 4 x 5: 2 -1 o o o . para o caso dessa coluna. 5 o o o 1.5 -1 o o O {1/1.25X4 1 A Anexo 191 . 5 .5)x 1. iguais a zero.1 o o -1 2 -1 o o o 1.( ~~ ).1 1 1 o -1 1 1 o o .1 o -1 2 -1 o o o 1. o elemento abaixo do elemento a33 deve ser eliminado. Para isso.1 o o o 2 -1 o o o 2 -1 o o o (1/1. serão somados aos elementos correspondentes da 3ª linha: 2 .( ~1 ). e os resultados serão somados aos elementos da 4ª linha: 2 -1 o o o 2 .33 -1 o -1 1 1 -1 1 1 o o o 0. Esse valor é .( 1~3\) irá multiplicar a 3ª linha.

X1 = -2 = 1 A. se para construir um mapa de localização das amostras é necessário o programa locmap. acompanhado de disquetes ou CD com as diversas sub-rotinas em Fortran. o respectivo arquivo de parâmetros deve ser locmap. Para os arquivos em Postscript. um guia para o usuário.com). tendo como autores C. O arquivo de parâmetros pode ser escrito por qualquer editor de textos. há o sistema Geovisual. o programa solicita o nome do arquivo de parâmetros com a sua extensão e.V. Há um suplemento comercial. Quando executado. X2 = -1. 1998).5 = 2.90. chamado GSLib geoestatistical software library and user's guide. os parâmetros que o programa executável pede e o nome do arquivo com os resultados.par. A. por questão de organização. Ghostscript é o interpretador para a linguagem Postscript®. No arquivo de parâmetros são definidos a localização e o nome do arquivo de dados. gravando-os num arquivo de saída em Postscript. que foi desenvolvido com a finalidade de dar suporte às aulas práticas de Geoestatística no Instituto de Geociências da Universidade de São Paulo (USP). Existem à disposição desde pacotes comerciais extremamente sofisticados e caros até programas de livre acesso e com ótimo desempenho. Por exemplo. Joumel. para o ambiente DOS.par.25 =4. como o GSLib® e o SGeMS®.exe) e os correspondentes arquivos de parâmetros (*. A primeira versão do GSLib 2. denominado WinGslib 1. se lido corretamente. são necessários os programas Ghostscripr e GSview (http://www. gera os resultados. Além deles. precedido pelo nome do programa.1. com nome de acordo com o especificado no arquivo de parâme- tros.9 Software A aplicação de métodos geoestatísticos envolvendo um grande número de dados necessita de softwares específicos.G.3. A última versão.wisc.1 GSLib O GSLib (Geostatistical Software Library) é uma biblioteca de programas desenvolvidos na Universidade de Stanford.exe. A solução por substituição reversa resulta em: 1 X3 X2 X4 = 0. escrita em Fortran90. para a interface Windows (http://www. com códigos abertos e facilmente obtidos pela internet.edu/-ghost). nos Estados Unidos. No arquivo executável estão os comandos responsáveis pelos cálculos e algoritmos a que se destina o programa. também é gratuita apenas para os programas executáveis. Joumel (Deutsch. sendo reco- mendado utilizar a extensão •. com uma segunda edição em 1998. em 1992.9. sob a direção de A. Joumel.gslib.par). 2. 192 Geoestatística: conceitos e aplicações . e o GSview é a interface gráfica para Ghostcript em plataforma Windows.0 está disponível gratuitamente. Para trabalhar com o GSLib é necessário ter à disposição arquivos executáveis (". Deutsch e A. G. A escolha desses dois teve como critério serem programas de domínio público. A Oxford University Press publicou. com os programas fontes em Fortran77.cs.

sourceforge. pois ainda se encontram em testes ou em fase de adaptação para o ambiente Geovisual. O site oficial do software é <http://sgems. Todo o sistema é compatível com a plataforma Windows 98 ou superior e está totalmente escrito em Delphi 5 ou superior. Entretanto. tendo como autores Remy. 2007). 2009). Os dados no GSLib são escritos em arquivos em ASCII num formato simplificado do programa GEO-EAS.br>. desenvolvido em 1988 pela Agência de Proteção Ambiental dos Estados Unidos (United States Environmental Protection Agency . e é precursor e modelo de quase todos os softwares de análise geoestatística. e o painel de comandos. e de Pedro Correia. tanto para a graduação como para a pós-graduação. A. do Kansas Geological Survey/EUA (Bohling. cujo e-mail é: <jkyamamo@usp.3 Geovisual O sistema Geovisual foi desenvolvido para dar suporte às aulas práticas de disciplinas envolvendo o tópico Geoestatística. Wu.9. Boucher. A licença acadêmica é gratuita para aplicações acadêmicas e está. A Anexo 193 . em 2009. no qual se encontra um manual. 2010).2 SGeMS O SGeMS (Stanford Geostatistical Earth Modeling Software) é um pacote de progra- mas que sucedeu o GSLlb e também foi desenvolvido na Universidade de Stanford. disponível com o autor. 1991}. A maioria dos cálculos e gráficos resultantes apresentados neste livro foi feita com o uso desse sistema ou programas dele derivados.Usepa. nem todas as aplicações estão disponíveis ao usuário. no Instituto de Geociências da Universidade de São Paulo (USP). do Numist/Instituto Superior Técnico de Lisboa (Correia. Também podem ser citados tutoriais de autoria de Geoffrey Bohling. um guia para o usuário acompanhado de CD sob o título Applied geostatistics with SGeMS: a user's guide. o painel de visualização. A.9.net/>. mediante solicitação. A interface do S-GeMS é composta por três seções principais: o painel de algoritmos. Boucher e Wu (Remy. O código é em e++ e roda interativamente sob Windows. A editora Cambridge University Press publicou.

50 36 . 50 8 .203 y 31. 50 12 . 50 12 .036 42 . 50 14.842 36. 303 3 .50 47.061 28 . 50 18. 50 25 .50 18 .2 13 15. 50 8 .50 40 . 50 31 .668 37 .973 30 . 994 12. 50 19.630 46.50 18 . 066 49.50 37.50 36 . 50 14 .50 18 . 50 43.50 7 . 50 17 .060 10. 350 25.50 26.50 15 .089 48 . 50 2 . 50 28 . 249 45 .50 36 .50 38 .102 19 . 50 26 . 50 18.852 5 .50 17 . 50 17. 613 30. 50 29.50 6 . 399 33 . 160 2.50 40 .282 20.388 34.50 13 .50 10 . 50 15 .50 15 . 50 30 .50 33 . 50 31.479 28. 138 25.50 0 .50 23. 50 15.220 12.480 33. 50 11.50 10. 50 1. 50 14.50 21.367 39. 50 32 . 50 33 .50 35 .50 27 .50 14. 50 49 .841 29.50 49 .50 12.50 10 .50 12.828 24.50 10 .50 17.50 12 . 50 49 . 50 25.50 4 . 676 7.50 49 . 50 19 .50 13. 50 22 .50 23 . 927 26. 50 28 . 50 4.50 15 .50 13 .50 13. 50 18.50 15 .753 49 .50 5.50 3 . 50 26.551 18.50 25 .920 48. 660 4.50 37.677 0.50 15.116 41 . 50 17.740 19.300 1.50 12 . 50 17 . 50 15. 50 20 .50 16. 50 15 .50 28 . 50 18 .50 2.50 12. 50 27 .50 15.134 19.798 17 .50 8 .50 3 . 048 37 . 50 8 . 058 1.341 49.50 15. 50 14.50 7.834 8 .572 48. 317 0 . 634 6 . 608 32 .738 6.50 17 .137 10 .50 13.50 47 .50 29 . 980 32. 50 29 .50 14. 50 14. 50 44 .50 15 .499 28.50 6 .965 23.656 17 . 50 48 . 50 16 . 948 27. 50 3 .290 7 . 50 16 . 50 24.50 49.50 27.556 42 . 50 20.50 13 .50 7.904 11. 50 41.50 16. 50 45. 50 6 . 438 23. 50 17 . 50 20 . 50 46.935 4.50 21. 50 18 .txt 3 5 .50 28 .50 20 .50 12 .50 0 .50 12.501 1. 375 32 .697 22 . 696 1.751 2.50 22.50 6.50 42. 50 14.50 9.50 38. 953 31 .291 41.50 44 .50 3 .50 36.50 9.823 . 50 12 . 50 21 . 677 33 . 50 30.50 9.50 11. 50 16.447 6. 735 5.641 5 .• 1• li Anexo B li • ARQUIVOS DE DADOS Arquivo 1 Amostra=amostraAleatoria.txt . 50 18. 177 17. 043 30.50 16 .50 13 . 141 38.50 13. 191 24. 50 37 . 50 19 .50 42 .031 35 . 50 46 . 50 13.743 8 .50 9. 50 23.50 43 . 944 47 . 50 9. 094 31. 50 34 . 50 35.50 9.50 39 .50 14 .50 31.50 15 .452 44.50 19. 170 6.864 29 . 561 29 .50 40 .50 17. 50 44 . 50 21.50 16 . 50 29 . 741 48 .910 8.283 12 . 498 18 . 244 20. 50 11. 50 23 . 50 15 .343 14 . 50 4 .50 46 .50 15. 50 18. 50 13 .633 X 43 .165 24 .50 10.amostragem aleatoria simples: Bell .833 Zgau ss 44 .50 14. 50 12 . 50 20 .793 30 .060 8 .50 0. 184 42.738 47 .50 28.50 9 .50 20 .50 20. 50 21.50 14.50 11.50 11. 367 31 .942 16.

50 19.50 11.50 2.50 6.60 10.50 21.291 0.50 13.156 12.50 26.50 7.50 28.417 10.225 12.50 35.60 16.txt 3 47.50 12.964 20.495 42.128 X 16.50 11.50 11.214 22.840 37.50 39.50 8.50 12.50 16.786 44.637 46.577 Arquivo 3 AmostraebellSistematica.50 6.50 7.50 2.577 33.470 14.50 13.864 12.608 17.089 2.307 42.60 26.50 32.50 12.50 13.50 13.50 47.50 11.696 44.522 37.158 46.50 28.677 32.155 12.50 23.50 17.50 46.50 16.595 20.50 13.txt 3 16.185 20.50 7.50 29.50 10.752 34.982 27.487 15.50 16.50 15.60 16.50 0.50 19.50 22.50 15.50 38.50 2.436 32.691 17.50 10.50 0.060 y 19.983 44.60 6.50 9.608 10.373 23.50 18.50 9.113 36.50 15.411 16.50 18.591 42.128 48.709 33.805 27.50 37.50 8.884 1.079 40.50 18.50 21.705 10.439 Zgauss 18.190 22.409 17.50 12.50 12.50 30.50 18.50 12.686 9.50 14.50 31.826 18.50 31.50 15.957 25.393 11.455 24.739 48.50 16.50 10.60 2.50 18.285 48.50 17.50 7.50 7.50 7.572 38.50 2.50 44.60 12.342 31.399 22.683 32.50 17.50 44.50 22.50 34.50 17.50 3.765 4.50 4.txt .297 21.50 6.50 17.50 2.50 14.50 15.50 9.50 7.50 18.932 47.50 6.874 12.50 46.50 45.50 14.065 17.094 10.011 29.50 41.50 14.60 7.50 8.770 2.873 47.50 12.133 41.50 23.50 8.444 6.50 20.167 28.708 32.50 3.652 27.50 46.511 35.379 4.257 31.50 7.50 7.50 11.50 43.50 12.751 42.286 7.50 2.50 9.212 9.60 17.50 3.50 15.124 21.50 21.598 35.392 19.50 12.50 26.50 20.50 21.50 7.50 24.amostragem aleatoria estratificada: Bell.50 12.50 13.021 25.631 6.60 14.50 19.50 19.txt .833 45.50 17 .50 16.50 24.50 36.50 17.771 32.50 23.602 44.50 25.50 16.50 9.50 42.50 6.50 15.50 14.50 18.50 40.60 17.50 32.50 22.889 20.925 6.790 43.50 19.50 2.50 20.50 17.50 10.50 27.50 17.246 45.729 47.844 38.50 40.50 24.50 12.50 11.50 16.50 27.50 8.50 11.075 Zgauss 12.60 2.50 46.015 17.50 17.50 30.152 2.50 18.50 15.50 15.50 25.50 16.006 37.50 22.50 25.793 196 Geoestatística: conceitos e aplicações .50 15.50 23.50 4.50 15.275 38.354 1.539 2.50 12.50 39.50 7.50 13.50 18.50 25.627 27.50 16.50 14.034 2.50 11.50 0.149 21.172 39.50 32.50 24.131 27.60 13.amostragem sistematica: Bell.50 16.50 8.50 14.440 X 2.50 6.50 42.50 39.686 11.50 12.50 8.50 34.50 35.50 2.527 7.60 2.50 7.50 18.60 7.50 23.465 8.60 15.166 39.50 22.60 13.50 13.50 18.50 18.50 10.902 y 7.50 16.50 16.103 13.50 19.50 18.50 14.50 19.969 41.50 16.479 7.909 0.124 22.200 27.50 12.50 2.655 39.50 23.50 12.50 16.50 12.50 47.60 12.038 33.678 42.50 41.50 13.50 24.50 45.50 32.50 7.673 8.50 38.50 6.189 37. Arquivo 2 Amostra=testeEstratificada.50 13.50 7.50 41.497 46.50 26.682 30.50 1.50 45.50 12.50 13.680 28.50 13.097 47.50 27.557 8.50 46.851 28.50 6.50 19.321 7.50 10.50 10.50 11.50 13.50 21.963 32.317 2.50 17.022 6.60 16.50 11.50 37.50 15.50 20.50 7.50 20.50 10.50 18.50 9.128 27.50 14.262 16.50 16.50 18.658 23. 760 0.

686 35. 50 17. 50 18. 757 22. 039 16. 646 32 . 50 17.50 7. 831 7 .50 22. 737 37. 50 23 .50 37 .50 34. 148 47. 076 32.700 36.50 23. 50 6.50 32 .50 34.50 47. 50 13 . 50 36 .50 12.271 B Anexo 197 .389 37. 50 17 .50 11. 668 4. 50 13.50 6 . 095 31.50 20 .964 32.50 12.50 11. 50 15. 50 9 .435 27. 50 18. 50 46.50 8 .50 18.645 6.txt . 50 47.734 44.554 3 .50 42. 50 27.50 22.50 8 .50 42.50 14.50 18.50 8 .50 42 .50 47. 637 18 .50 7. 602 45.50 32. 50 15.828 22. 50 19.50 13.50 27. 751 4 1.139 4 1.50 47. 373 12.50 12.384 4 1.50 22. 918 5 .50 17. 888 X 24 .152 8 .50 47.50 22. 122 2. 50 11.50 42 .50 16.50 8. 50 47.50 18.478 42 .50 42.50 27.50 6 . 50 16.50 15. 684 32.294 2.50 17.421 36.7 17 7. 50 37 .50 40 .50 45. 577 22.50 37 .237 28.50 32 .50 46 .50 42.398 38.50 49.50 21 . 50 15.50 15. 50 21.50 25.816 3. 50 12.50 18.060 17 .50 12. 50 32 .50 21.50 20.304 48 .579 27.152 47.057 37. 581 12.927 12.516 30 .633 44. 50 16 .50 25 . 50 18 . 50 18 .50 47.027 2 .50 22.50 9 .50 17 . 50 27.505 7.558 37. 50 18.128 33 . 506 3.50 15.486 37.434 17 .105 14. 903 2.50 8. 50 46.50 40. 50 11. 50 9.50 25.234 30.50 18. 50 7 .50 22 .50 18 .612 Arquivo 4 Acostra=t este123 .50 48.50 45.50 8 .50 22.50 23.50 47. 50 32. 524 27.552 18.50 44. 50 4.50 2 .50 22.27.50 27.50 37 .471 16.50 40.053 2.454 29 .50 20. 50 13 .50 38.50 19.373 17.50 42.292 35.193 37.824 10 .50 27 . 020 2.50 22. 50 23 .50 15.50 16 .50 18.50 48 .50 17.920 10 . 309 15 . 363 35.50 13.036 4.696 29.50 12 .50 18.668 17.50 21. 50 18.326 23.50 29.amostragem agrupada: Bell.50 8 .50 10.50 16.50 17. 50 14.50 20. 50 13.807 1.50 11.414 7 . 50 14.50 27.508 42.50 11 .757 2 .50 17 . 144 22.576 33 .50 32 .50 7 . 50 15.50 19.999 42.50 18 .50 14 . 50 19 .50 34 .50 18.50 42. 557 14.160 38.50 17.50 13.923 12.50 48 . 50 23.50 32.50 13 .50 27.869 Zgauss 23 .50 37. 140 l.899 47.50 4.406 17 .465 32.50 18 . 50 17.50 26.715 35.50 47.023 32.50 22 .50 31.50 10.50 18.668 14.668 7.709 22.50 18.50 14 .50 41.50 22.961 42. 50 47.50 27. 915 0.293 4.50 44 . 365 36.50 22 .50 16. 133 35 . 50 18 . 50 12. 607 47 .50 11. 952 31 .128 22.205 47.50 24. 282 17 .50 12. 200 25 .700 2.50 14 .50 27 . 50 43. 101 42. 50 30.50 11.50 47.50 20.50 13.956 27.50 34. 62 1 42 . 50 14. 50 15.50 42. 50 48.50 23 .121 12 .320 47.50 18.048 22. 50 32 .50 11.50 22 .50 11.50 13. 513 y 19.50 22.50 26.50 6.50 37 . 564 7 .50 17 .50 14.485 36.50 9 .806 37.90 1 12. 789 29 . 50 45.50 37 .438 0 .996 12.50 32 .50 20 .50 12.txt 3 22. 50 1.50 44.50 23.753 47.50 26.040 39. 50 8 .50 12.660 29.50 22.50 22. 359 22. 50 36.50 17. 50 2 1.50 25. 212 30 .50 21.50 22 . 50 19.50 45.50 23.50 20. 50 29.50 16. 50 8.50 26 .50 H .50 9. 50 24 .50 28 . 50 35 .346 7.50 8 .404 32 .50 7.50 42.611 45.50 27.352 35. 50 14 .50 14.50 24.459 44. 074 27.50 3 . 50 23.50 44.859 27.50 12.091 34.50 8 .50 2 .336 12 .50 37 .50 37.50 26. 50 32.934 32. 691 47.50 13.50 22 . 729 7.50 18 .50 13. 028 39.50 11. 50 27.036 39.50 37 .50 17.50 47.50 20. 50 11. 50 11. 50 20 .985 26.50 27.357 32.50 18.50 37 .304 47. 50 44. 253 42. 50 18 .726 30.852 10.50 22. 50 42 .50 5.50 19 . 50 47.820 21. 50 42.50 13 .499 29.50 21.50 22 .50 16.50 13. 50 12.

50 20.117 38.50 17.50 17.50 8.50 6.50 48.055 18.50 17.50 13.50 24.50 18.50 18.50 49.50 24.949 9.50 14.779 34.573 15.50 30.047 36.976 30.50 12.178 27. 772 35.101 41.487 39.50 11.50 24.001 33.50 13.50 16.50 38.754 32.548 3.50 19.50 16.839 21.812 5.635 32.50 6.50 23.172 X 12.50 20.50 17.294 9.50 20.50 42.133 3.50 1.50 11.50 28.50 9.50 29.50 4.50 25.399 19.50 29.50 17.50 21.885 46. 28.50 31.809 26.50 25.50 16.50 47.50 8.50 15.317 2.50 17.50 24.995 Arquivo 7 Amostra=teste49.50 41.50 18.50 9.50 20.50 11.50 7.50 18.50 5.50 16.50 8.50 44.897 36.876 47.663 y 15.50 27.309 10.429 15.50 13.50 33.018 21.amostragem aleatoria estratificada: Bell.50 18.799 X 11.50 27.50 6.50 17.103 39.956 18.015 42.50 39.50 16.50 38.50 18.50 24.50 25.243 4.50 24.50 14.50 8.50 26.50 19.50 32.50 30.939 y 20.203 15.50 49.50 17.50 41.50 14.684 39.303 Arquivo 5 Amostra=teste25.50 45.50 5.txt .50 14.50 21.50 15.50 15.50 9.614 36.178 Arquivo 6 Amostra=teste36.50 46.682 5.50 36.866 42.50 26.50 18.013 23.50 40.50 21.50 10.50 9.50 23.264 5.50 10.50 1.459 2.50 20.50 23.753 34.50 33.877 13. 11.50 11.237 27.50 15.50 16.50 4.50 12.025 35.50 21.50 22.50 19.50 23.50 14.50 20.50 15.309 23.50 47.50 17.50 19.50 42.50 12.50 22.50 28.50 24.50 10.068 34.50 23.50 17.052 27.772 2.525 49.740 38.50 28.970 33.795 44.50 27.50 15.50 11.50 11.50 14.50 11.50 16.047 Zgauss 10.50 32.719 17.212 37.50 28.50 4.50 18.amostragem aleatoria estratificada: Bell.50 20.625 39.txt 3 0.50 28.50 22.248 34.618 30.210 2.50 23.50 14.50 29.885 42.50 15.50 27.409 5.50 26.320 21.733 X 12.134 9.263 12.50 12.50 6.50 11.819 47.50 27.50 14.285 39.50 23.50 9.50 43.50.50 12.50 29.txt 3 16.780 34.50 15.50 23.160 30.248 5.50 32.50 31.50 16.374 44.164 1.070 19.363 Zgauss 21.103 7.50 33.50 49.980 1.txt 3 11.50 10.txt .50 25. 726 25.50 42.amostragem aleatoria estratificada: Bell.553 Zgauss 7.50 9.50 42.948 21.635 25.50 30.50 23.928 31.50 5.50 21.50 34.122 37.50 18.756 15.50 30.930 38.924 16.906 198 Geoestatística: conceitos e aplicações .50 14.50 20.txt .50 1.50 18.193 3.275 y 13.085 21.766 37.992 24.50 31.50 24.50 29.50 12.50 15.50 22.085 6.50 0.909 26.50 12.50 12.50 22.50 24.315 42.50 13.50 47.50 16.682 37.50 12.50 26.50 35.50 19.50 8.50 6.50 31.50 36.50 12.503 19.50 11.604 36.50 2.50 12.50 16.

50 42. 50 19. 50 15 .50 39. 212 17.50 3. 239 25. 50 16.50 22. 033 46 .057 30. 156 13 . 966 5 . 50 27. 50 19 . 50 20 . 50 14 . 746 19.50 18. 50 4. 50 15.50 20 . 50 15.50 47 . 50 11. 622 6. 562 13.50 35 . 50 44 . 50 13. 50 17.50 14 .50 2 1.50 23.50 5 . 50 27 . 50 4 .50 22.535 39. 50 10 .232 45 . 50 10 . 50 18.50 20 .50 45 . 50 10 . 50 15.50 33. 569 28. 50 19.50 11 . 50 12 . '101 23. 50 17.50 15. 181 35. 50 24 . 50 45 . 785 y 18 .50 23 . 50 12 . 50 22.50 24 . 452 21.50 2 1. 50 9 . 50 12 . 50 21.767 47. 50 7.50 14 .867 8.50 31.50 21.844 39 .50 7 . 703 34. 738 49. txt . 994 41. 081 Arquivo 9 Amostr a=teste81. 828 27.50 2. 50 5 .50 11. 50 18 . 50 14 . 441\ 34 . 50 10 . 50 15. 072 21. 50 9 . 50 13.571 8. 50 18 .50 22 . 50 36 . 50 10 .50 11.50 9 . 50 15 .50 31. 50 20. 432 2 . 065 34 . 369 Arquivo 8 An:os tra~teste64 . 50 4 .50 2 . 006 5 . 50 7.625 X 18.50 13. txt .754 41.949 10.50 20 . 50 12. 50 15 . 50 43 .50 39 .235 21. 50 13 . 974 15 .50 32.50 25. 796 42 . 50 16 .50 27 .50 49 .27. 50 12 . 479 34.507 18 .729 11. 541 26. 50 20. 50 15 . 50 29 .50 38 . 50 13.161 32.50 47 . 064 21. 50 7 .50 12.796 39 . 50 11. 380 16 .50 44. 50 15 . 50 16 .50 0 .50 11.50 40. 50 23 . 50 40 .50 18 .50 12. 50 16 .50 46.50 29 .50 11. 50 20 .50 4 .amostragem aleator ia estratificada : Bell. 50 7 . 50 15.50 13. 686 34. 50 36 . 50 11. 50 39 . 50 10 . 50 13 .756 37 . 50 23 .50 18 .50 40 .50 20 . 50 15. 50 16.859 36. 50 9 . 50 20 .57 1 6. 148 2 . 50 19. 50 19 . 50 30.50 19 . 388 4.50 22 .50 4 . 685 21. 50 13 . 50 12 . 50 14 . 50 17 . 789 6. 50 14 . 50 11 .527 4. 996 10 . 50 13 . 149 15. 107 35.324 32 . 739 44 .50 39 .50 8 .50 3 .50 5 . 50 8 . 50 12 . 50 31.50 24 .039 40. 366 4.50 12. 50 34 . 601 40 .txt 3 18. 373 4. 50 36.50 15.50 12.50 6. 373 25 .50 23 .50 15 . 50 46. 548 33.50 47. 50 15. 50 36.50 11 . 955 3 .50 12. 300 18 .89'1 21.793 44.50 21. 50 45 .337 39 . 265 15. 50 43 . 50 14 . 934 15 . 50 15 . 50 14. 474 12.6 11 38 .091 40. 50 13 .50 9.320 y 9 . 50 19 . 50 39 .50 13 . 349 12. 122 42 . 50 17.50 24 . 50 17 .50 33. 50 14 .904 36 . 50 4. 50 19 . 50 13 .249 47 .859 9 .50 20.50 18 .50 17 .50 26. 487 Zgauss 17 .986 26. 487 20. 175 43 . 50 8.50 8.50 24.50 23 . 349 48. 50 12 . 088 1.798 49. 50 40 . 691 Zgauss 8 .50 27 . 50 18 .50 29 . 267 X 7. 864 25. 50 37 . 161 15. 500 19. 50 17. 50 13.249 43 .50 23 . 639 12.50 11.50 16 . 50 0 . 783 30 . 446 10 .50 12 . 50 42 .50 22 .50 15. 879 9 . 50 31. 50 13. 135 47.50 8 .830 39 .867 44 .50 18. 50 11.492 15.50 18 . 50 48. 197 30.amostr agem aleatoria estratificada : Bell . 50 25 . 50 14.50 39 .50 11. 50 21.50 14. 561 0 . 50 18 .50 9 .50 40.50 35 .418 19. 50 12 . 50 4 .50 19. 816 12. 283 18 . 114 15.682 34 .50 13. 337 0. 656 5 . 424 0 . 50 14 .50 34 . 50 16 .50 4 .521 23.454 19.820 15 .50 11. 50 15. 156 49 . txt 3 8 . 166 B Anexo 199 . 50 16 . 694 4.051 25. 50 22. 50 27.50 42 .942 32.855 1.50 38 . 50 27 . 50 49.409 41.

50 28.512 25.50 18.001 27.50 10.121 37.581 43.50 8.028 48.50 33.50 6.50 8. 21.786 25.50 39.50 1.281 43.50 9.50 49.50 27.124 49.50 2.063 30.50 14.038 29.788 17.50 19.947 41.50 23.412 28.295 46.651 35.147 16.990 42.944 25.50 16.50 36.50 6.50 9.285 48.50 14.583 37.334 31.634 44.554 25.469 37.50 9.794 24.185 20.50 15.50 46.50 12.50 13.50 7.367 32.50 16.800 13.50 10.50 34.50 49.029 10.50 37.50 14.50 13.60 22.50 35.50 22.50 26.809 28.667 31.50 40.50 17.50 16.50 47.50 33.50 31.541 39.50 5.50 4.508 49.50 23.50 29.50 13.50 14.50 15.50 9.439 Zgauss 15.290 35.421 5.890 16.354 36.50 30.60 32.375 33.50 33.374 44.681 32.50 13. 725 44.734 40.063 y 17.50 33.50 8.50 16.131 2.60 18.50 21.045 32.604 19.50 16.50 16.50 12.966 36.50 39.50 8.50 10.50 16.133 41.50 29.50 19.txt .165 19.50 43.091 4.343 27.50 27.861 0.50 27.101 42.040 36.50 17 .60 38.525 24.50 15.780 30.50 11.217 47.50 21.029 13.50 24.948 40.183 7.50 15.amostragem aleatoria estratificada: Bell.50 21.50 7.50 10.490 46.50 20.50 19.027 6.666 0.50 16.438 7.792 33.50 20.50 19.50 14.50 32.50 45.962 45.50 17.50 19.50 14.50 26.899 200 Geoestatistica: conceitos e aplicações .50 1.50 13.50 7.50 7.965 27.677 31.50 16.50 20.60 18.50 30.50 17.50 22.50 15.294 8.60 10.50 44.50 17.50 40.50 22.50 45.440 14.50 12.004 8.50 14.50 12.50 21.60 47.50 21.50 14.50 10.747 36.470 11.274 36.50 20.50 19.877 22.50 17.50 10.50 38.50 17.50 39.50 14.423 42.50 21.50 14.50 27.50 36.50 10.50 16.50 41.50 6.50 13.897 40.173 30.50 24.332 28.50 9.50 18.259 7.276 32.50 37.txt 3 19.50 38.50 42.50 33.50 14.50 13.50 15.761 38.50 29.50 17.50 23.50 18.269 45.50 14.50 11.50 17.50 8.50 45.50 40.553 11.50 12.249 26.085 30.50 42.50 24.50 23.461 39.50 43.50 12.470 20.50 15.50 9.50 1.50 2.50 4.239 31.924 9.50 10.50 10.50 19.548 30.50 17.827 9.50 10.235 31.50 16.50 0.470 48.50 39.50 23.50 16.50 19.215 36.50 20.50 15.50 21.763 23.50 13.771 31.50 49.50 44.50 18.50 16.50 15.50 18.780 22.50 3.104 12.243 46.50 16.50 20.50 10.140 0.50 12.60 13.350 39.50 15.50 12.779 23.50 16.573 22.50 14.50 49.618 38.50 26.50 20.50 13.446 20.452 48.50 8.777 2.285 43.090 40.50 9.50 24.50 1.434 26.840 X 16.144 47.50 12.50 14.50 18.50 45.50 28.50 11.50 14.492 27.910 33.50 17.60 20.50 15.50 12.50 7.744 34.50 0.60 16.50 9.50 40.250 Arquivo 10 Amostra~teste100.50 25.041 49.50 22.50 47.60 16.50 19.50 24.50 11.50 9.50 12.50 18.059 41.50 49.962 34.566 22.50 15.50 33.50 9.50 21.50 21.50 4.50 16.50 21. 710 22.50 16.50 41.50 14.50 6.60 41.442 20.886 23.50 13.50 19.50 17.50 13.133 41.60 41.50 4.991 44.50 42.901 49.178 4.724 46.50 24.50 12.50 47.765 3.50 29.50 24.50 10.50 39.50 19.761 43.50 15.276 31.50 20.50 13.50 5.50 21.273 18.50 21.50 19.020 46.50 28.50 2.183 48.986 0.60 14.50 14.50 33.50 11.50 15.50 12.50 1.50 16.50 18.50 18.037 10.50 34.50 45.065 11.571 10.50 10.480 4.513 25.50 16.471 5.50 10.60 8.283 24.50 42.401 36.50 13.50 17.50 27.50 36.

50 19.50 38.095 27 . 50 5.50 0.50 21.425 44 .340 11.50 17.851 35 .446 11.150 38. 50 13.348 33.159 26. 50 48 .50 0.50 41.173 49.50 1.118 38. 521 39. 165 42 .50 28.50 18.50 17 .50 39 .232 0. 50 30.50 37.50 14.50 33.381 49.50 14.50 32.50 22.50 35.50 48 .521 21. 351 26.50 0.697 40.403 X 13.50 11. 50 1.249 47.50 13.50 13.556 38.50 16.444 49.581 Zlog 15.186 B Anexo 201 . 50 1.655 38 .50 23.238 2.50 45 .50 0.272 27.888 17.50 21 .180 9.712 10. 50 42.50 39. 760 0. 50 0.50 23 .606 2.50 24.50 0.214 19.50 30. 50 48.50 20 .312 48. 50 0 .50 0 .870 4.50 19.089 23 .50 40.50 6.50 34.50 12 .50 7.50 0.50 4.50 0.50 11.50 11.50 0.50 45.50 1.50 10.815 8. 271 6.50 7.50 28. Arquivo 11 Amostra=normal64.189 11.50 27.50 21.662 30 . 50 12. 50 31.50 43 .50 17 .50 16.50 20.50 0.581 46.051 14.683 36.50 11.253 12. 612 3.50 10.198 23. 50 38.50 4.736 36.50 7.50 1.50 35.737 27.50 17.50 8.50 2.50 18.50 11. 50 0.50 21.419 43 .449 30.50 2 .970 46.50 0. 996 9.50 0.50 14.740 40. 50 1.095 y 17 . 50 34.702 29.50 15.50 27.txt .739 y 17.50 18.50 14.50 16.256 34.50 18.50 16.50 17.627 42.50 7.50 13.268 30.50 5.50 15.50 43.421 23.50 21.50 28.50 28.50 0.50 28.50 36.50 18.350 9.50 8.810 32.50 2 .50 15.827 3.amostragem aleatoria estratificada : positivo. 635 9.901 49 . 50 20.50 38.50 36.634 41.50 0.50 3.50 6.50 49.50 16.113 31.50 6. 50 7.50 2.txt 3 14.50 13.50 8 .50 29.50 12.770 38 .50 1.50 14 .50 8. 50 18.50 1.50 7.50 0. 104 17. 50 39 .700 29. 50 13.50 19. 519 45.363 39.50 12.650 33 . 023 0. 50 11.685 15.50 43 .403 49 .50 31.50 1. 211 29.50 1.50 5.50 43.50 48.50 24.50 16 .50 0.50 6.50 11. 488 36 .50 10. 50 46 .251 21.094 17.50 0 .50 0 .917 20.50 16 .50 19. 50 12.50 0.50 41.964 20.50 33.50 4.50 10 .50 1.50 3.50 0.50 1.50 46 .50 18.50 0 .004 7.50 36.50 42.txt .50 17.50 4.836 10.172 42.50 3.297 26 .50 3.50 18.50 25 .50 0.50 7.671 29. 834 46.50 3 .491 3.50 18.062 10.50 4.50 41.50 41.50 2.50 1. 50 0.577 Zgauss 16.442 24.50 10.980 25.194 2.50 0.153 15 .280 19.685 27. 50 1.50 1.471 21.355 40.852 38.44 1 4.50 2.707 13.50 28 . 50 30.50 19.50 12.387 34.50 19.091 Arquivo 12 Amostra=positive64.50 10 .50 2.50 3.50 16.119 7.50 1.943 14.50 20.50 20 .50 16.50 8.290 47.50 0.50 4.50 14.50 18.50 20.50 28. 454 21.amostragem aleatoria estratificada: Bell.739 10.50 4. 807 43 .50 33.50 21.026 9.446 35.378 29.613 35 .328 24.858 23.50 25. 50 1.50 15 .50 1.393 33. 50 2.50 32.50 0.50 13.910 33 .781 3. 50 13.50 20.879 20.50 38 . 50 9.356 5.50 24.50 15.50 20.50 0.50 7.50 20.50 21.213 4.476 20.50 13.50 36. 423 X 14.50 44.320 35.50 11.252 48.txt 3 17.50 0.50 47.50 25. 50 23.50 47.50 8.50 20.628 41.50 31.50 39 .347 31.50 28.50 5.50 0.50 15.646 0.50 14.

740 11.50 3.038 11.209 12.328 X 2.205 39.741 35.50 33.50 13.784 35.50 4.50 12.50 21.50 16.653 27.528 41.50 34.008 0.50 0.50 4.840 49.980 18.340 7.50 28.50 31.50 0.50 19.903 21.521 0.50 0.50 18.50 9.50 0.50 1.305 5.460 48.149 43.50 -99.50 2.243 42.50 2.000 14.50 46.50 1.316 11.50 17.50 0.50 23.561 47.50 43.754 5.220 28.50 35.50 17.228 23.50 9.50 26.50 2.220 2.50 19.314 26.50 0.50 0.021 21.411 6.50 6.426 17.txt .50 6.616 47.50 25.50 6.50 0.50 20.50 1.50 18.184 27.50 32.50 45.677 6.612 9.50 1.50 11.50 0.568 202 Geoestatística: conceitos e aplicações .50 32.50 3.50 0.50 0.50 7.50 11.50 3.744 44.50 12.436 7.641 8.249 5.691 17.50 1.50 1.50 0.50 1.50 15.50 10.50 10.50 4.50 1.50 16.50 42.368 12.429 16.50 0.50 23.50 11.50 3.50 0.50 11.50 23.50 0.50 21.107 X 15.50 15.50 31.50 1.399 20.50 21.50 4.330 0.494 40.50 49.538 37.amostragem aleatoria estratificada 4 2.50 2.50 5.50 0.50 2.50 32.161 16.765 24.000 22.000 14.50 0.856 17.50 25.50 47.343 13.50 27.50 -99.000 13.095 32.50 17.000 13.841 12.50 39.50 9.50 20.929 3.50 30.txt .50 -99.50 20.50 3.140 13.982 3.50 0.50 3.50 13.198 16.50 1.682 6.660 10.amostragem aleatoria estratificada: positive.50 0.50 38.50 0.50 9.472 10.50 27.50 0.50 24.573 33.746 14.50 20.50 -99.297 20.50 3.455 20.50 5.50 23.50 -99.731 44.394 12.50 1.50 34.50 6.50 19.50 -99.820 5.282 34.50 0.038 11.50 35.50 12.50 12.50 35.50 47.50 20.356 4.948 11.380 31.773 41.854 y 0.50 17.172 36.50 40.50 0.50 38.864 5.055 8.50 0.50 1.537 31.50 1.020 0.50 0.50 43.50 0.50 5.468 33.438 17.50 22.50 8.50 26.50 34.50 46.496 28.50 39.50 8.50 12.581 38.665 19.50 1.605 46.556 Arquivo 14 Amostra=coKrige2.947 46.50 3.427 37.50 5.50 1.683 38.50 0.530 29.50 4.50 0.110 3.50 35.592 0.131 8.000 15.262 22.50 42.50 47.269 47.50 2.50 29.50 44.50 34.50 14.50 3.50 1.50 15.50 44.635 31.50 0.686 35.50 34.50 0.036 9.737 8.50 25.017 18.50 25.50 0.000 30. Arquivo 13 Amostra=positive100.50 3.109 0.350 27.50 42.50 40.043 44.152 33.367 VS1 7.50 37.410 1.50 17.50 0.50 48.50 0.214 0.313 38.315 17.50 48.50 0.50 0.50 29.50 2.378 6.50 o.50 44.445 33.50 0.50 9.483 42.50 0.50 38.50 2.222 22.392 26.50 -99.50 -99.088 25.50 4.199 13.50 18.50 37.50 35.txt 3 17.772 7.50 0.50 44.776 21.252 1.50 24.50 47.50 2.50 1.50 0.50 15.459 9.50 0.50 0.000 10.50 24.099 16.50 0.50 0.50 45.992 13.397 46.290 43.50 2.131 VP 4.593 y 18.474 11.178 4.50 2.50 0.50 1.811 Zlog 17.50 28.50 0.098 8.50 0.50 0.50 4.50 0.349 11.50 10.129 13.soo 0.101 27.361 8.382 20.50 44.50 10.50 10.50 9.731 48.50 4.50 1.492 12.50 3.50 1.363 47.50 17.50 8.430 12.794 10.674 22.047 17.50 1.50 1.097 24.50 1.50 38.50 30.50 47.50 18.50 11.429 8.50 0.50 16.50 6.50 2.50 25.669 33.438 9.50 0.612 13.50 0.146 24.50 0.50 0.50 20.50 5.50 15.50 16.

021 24 .281 13.50 14.903 20.50 19 . 50 21.50 35.063 11 .000 25.50 .346 23. 50 -99 .553 21. 614 25. 710 30.907 22 .50 19 .50 4.898 39.50 3.50 20. 50 15.50 16.50 39.158 19.144 16. 50 24 .977 20 .99.50 9. 000 12 .50 12. 033 12.50 36 . 474 13.728 16.315 15 .000 13.000 14 .50 35 .510 6.124 11. 50 35. 8 11 5 .50 .797 8 .50 16.50 14.50 11.50 19 .50 3 .50 7 . 233 31 .50 7.50 14.50 1.000 18. 540 25. 665 17 .299 27. 196 38.727 19 .50 41 .50 -99 .50 10. A rquivo 15 Amost ra=coTrend2 . 000 22. 50 17.000 10.527 33.667 2.50 15.50 29.000 17 .50 17.50 21 .591 14.50 10.593 14.50 13.99.553 17. 695 16.50 42.806 41 .50 11.50 10.50 15 .000 19. 831 16. 499 VS2 11.50 12 . 50 2 1.834 25 .349 12.50 7.463 9.50 7 . 50 20 .50 24 .000 19.50 14.50 11.50 40. 601 19 .50 18. 835 13. 50 27.99.50 -99.50 14 .217 12. 50 48.50 10.50 -99.50 16. 50 .50 38.442 16 .146 24 .50 -99. 000 18.50 7 .50 13.533 16.99.50 16.50 16 . 082 23 .662 26.029 15.000 12.422 24.99 .50 18.612 13 .50 38.984 1.185 19 . 50 .000 8.903 15.50 11.50 29 .365 40 .50 29.786 7.620 15 .50 28.873 24.842 19.735 8. 346 27 .50 17.287 19.50 48.221 13.50 15. 487 34 .50 .000 14.705 33 .99.50 30. 860 34.676 10 .033 14 . 660 24 . 50 10. 50 -99 . 50 .50 23.258 27.016 17 .355 25 .50 -99 .847 33 . 889 21.50 1.861 24.50 17.109 14 . 50 19. 50 16. 50 30 .000 7.13. 50 18.50 -99.186 24 .50 17.50 16. 50 -99 .002 28. 50 11.691 15.50 8. 563 26 . 50 18.584 21.50 47.50 25.50 22.000 20 .50 49. 50 18 .99 . 295 16.429 16.50 -99 . 820 12.50 12.158 22 .180 48 . 049 19.256 inexistente.99.116 15.50 47.50 16.807 46 . 50 32.840 15. 072 48 .50 7.746 15.217 13.962 18.185 19 .481 43 .000 16 .50 18.315 10 . 585 14.898 13. 50 48.000 indica dado 27.50 9. 50 21.924 3 1 .50 18. 50 14.414 44 .50 11.50 5 . 50 44 .50 16.50 12.50 41.498 13.50 9.50 31 . 007 12.097 17.50 29 . 000 13.317 23. 034 31.665 24.000 13.953 19.50 15. 358 44 .933 7 .50 37. 000 15.007 11 .50 26.580 12.50 44. 000 16 .508 8.50 11. 298 45 . 50 22 . 399 15.a29 20. 954 46 .380 20 .50 28 . 50 44 . 50 33.000 4 . 315 11.50 -99.50 9.504 21 .612 19 . 50 3.161 14 .620 12 .50 21.879 21.50 -99.409 19.120 22 . 908 Obs . 50 16.977 22 .50 8 . 034 27 .50 48.99 .552 16 . 50 1 .980 15.660 12.50 13 .50 22.662 20.898 18 .50 1. 50 0.50 22. 50 43.634 19. 50 43.035 34.50 -99 .50 24.062 y 13.99.025 16.297 19. 50 -99 .222 17 .50 -99 .50 16 . 50 18 . 340 10 .890 11.50 -99 .583 28 . 50 7.332 10 .106 13.591 18 .50 15. 000 27 . 50 13.99.50 13 . 185 0 .924 0.594 8.634 17. ooo 20. 096 15. -99. 50 a .99.919 23 . 476 35.732 16 . 50 44.014 VP 12.50 13 .817 41 .038 49. 50 18 . 473 46 .50 22.50 13. 50 0 .50 40.50 40 . 644 17.962 14. 215 15.038 12 .99.106 41 .50 35 .50 14. 691 48 .124 9 .50 25 . 50 -99 .000 15.50 7.50 19 .954 13 .50 21.50 1.50 . 000 12.323 X 12. 50 18.000 12 . 972 49 .599 3.474 2 .50 -99 .841 B Anexo 203 .294 34.50 18.50 8.50 12.819 0 . 50 12. 50 14 . 000 12 .50 .000 13. 50 19.50 31.amostragem aleatoria estratificada 4 8.50 20.50 5 .50 -99.152 34. 000 20.50 49 .50 -99. 506 28 .50 21. 317 23.167 11 .50 15 . 903 5 . 745 14. 50 48 .593 14. 50 30. 50 3 .50 49. 50 21.000 15. 000 16 .000 14.754 6 .99.50 12.50 -99.000 12. 50 3.000 17 .50 9.50 22 .000 12.379 39. 076 41 . 438 12.50 12. 000 15.50 9.50 36.50 13.50 16.50 16.000 14 .954 10 . 50 34. 309 16. 852 25.000 12.50 47 .50 . 107 33 .50 12.50 31.50 45.50 18.50 17. 603 10.50 34.50 39. 50 -99 .106 13.144 13.152 15.50 39 . 50 -99. 50 20 .50 48 .301 28.50 13.879 20. 786 40 .50 .036 13.665 31.50 29 .50 -99.723 19. 316 13. 50 17.000 12.000 7. 601 19. 50 34.50 .50 42 .802 13.50 13 . 973 48 .50 21.096 17.50 -99.50 16 . 50 44 .753 4. 324 34.50 23.50 20.50 22.198 15 . txt . 224 37. 50 . 710 35.50 14.187 26 .50 19.132 36 .50 17.50 16. 221 11.848 21. 933 12 .50 9 .50 .50 31.351 32.50 .063 10 .50 28.50 6. 384 16.50 23. 045 26 .017 15. 50 6 .99. 000 17. 50 9.782 38.50 7.835 11 . 914 0 .50 6 .279 27. 551 4.50 11.50 31.se -99 .50 27. 50 49 . 222 8 . 029 18 .50 -99.50 15.50 24. 587 34.266 36.50 14. 50 16 . 50 19.50 19.50 0.281 15 . 017 15 .50 33.727 18 . 106 25.50 .50 11.994 17. 243 20 .50 20.50 37. 000 13 .50 29. 573 43 . 50 27 .290 39.50 17.

038 11.50 43.481 43.399 15.50 3.903 20.50 25.50 17.50 24.665 11.50 47.50 33.50 16.50 18.224 43.243 VP 0.612 19.50 39.50 9.50 10.50 20.295 8.50 37.50 9.50 19.100 46.221 13.50 24.751 37.50 15.691 17.50 44.50 12.50 39.50 43.50 11.50 16.842 16.045 32.000 14.665 17.50 31.214 33.50 17.50 36.50 15.492 21.50 0.50 11. 32.50 10.384 19.50 6.50 39.50 4.50 9.50 44.50 9.50 18.811 5.584 14.161 16.50 3.50 9.50 9.50 38.50 48.786 48.973 4.002 Arquivo 17 Amostra colo_media2.573 35.50 10.50 20.50 20.50 18.980 18.332 10.50 38.50 16.710 40.315 17.50 20.50 16.50 44.50 5.50 21.450 39.644 inexistente.456 46.158 22.102 48.50 16.038 12.072 VS1 15.50 37.50 0.50 18.50 6.281 15.txt .863 36.50 3.50 21.50 22.50 7.50 48.620 15.50 47.317 12.50 11.50 16.676 10.50 48.740 26.933 7.50 -99.50 14.50 9.50 22.50 26.082 0.007 12.50 43.50 7.50 9.660 18.50 47.50 48.101 49.50 10.409 12.50 24.50 9.000 15.50 8.50 16.50 18.612 13.50 24.50 19.864 20.50 29.601 19.50 16.954 10.693 45.50 29.146 y 2.994 17.131 28.50 1.879 21.660 12.890 9.50 16.033 12.50 14.644 15.152 36.634 17.50 34.016 20.50 -99.367 26.50 25.036 13.50 16.50 39.50 23.180 0.414 49.50 22.972 0.060 44.233 37.349 11.848 13.50 12.50 16.txt .50 16.50 17.50 21.50 18.50 48.50 5.340 7.422 11.50 20.297 11.278 30.695 12.102 44.097 17.50 19.438 9.50 21.097 24.50 18.50 10.50 16.50 34.504 204 Geoestatística: conceitos e aplicações .000 11.660 10.332 16.50 25.50 1.50 20.185 19.903 21.50 37.977 22.564 48.50 34.217 12.000 18.820 5.527 36.315 15.50 35.50 12.50 31.459 24.317 16.50 16.746 5.50 9.50 7.021 20.076 48.50 28.50 21.934 39.819 35.50 3.034 35.50 40.384 16.929 25.50 30.034 30.50 26.854 27.50 44. -99.252 33.50 16.50 29.50 28.50 38.852 34.50 13.096 17.50 37.473 VP 19.50 15.50 16.106 49.025 8.50 18.612 22.871 38.50 29.50 20.294 39.50 34.50 45.287 5.504 40.50 16.316 13.660 24.50 18.50 -99.50 24.222 22.365 X 14.144 13.50 41.50 -99.50 30.50 12.50 8.771 48.50 4.50 11.429 16.50 -99.017 15.116 13.167 15.50 44.065 38.063 10.229 43.50 10.399 20.50 -99.727 18.000 14.50 11.198 16.50 14.50 1.152 8.50 24.000 20.091 48.000 indica dado 36.498 13.199 20.898 18.351 38.161 14.730 49.50 11.000 24.605 41.50 14.50 17.029 18.50 19.020 25.50 -99.266 39.309 17.50 14.475 39.835 11.954 12.000 16.000 16.498 19.745 8.50 44.50 15.50 19.50 13.50 13.316 11.472 28.309 16.487 39.036 9.50 3.50 16.50 3.50 0.055 21.50 21.50 21.340 41.50 9.50 15.50 31.782 41.50 49.50 19.50 13.50 14.50 14.842 19.641 16.50 17.50 21.50 19.315 10.585 7.920 41.50 40.802 14.568 31.806 y 15. Arquivo 16 Amostra=colo_alta2.676 14.50 12.580 8.196 41.50 15.612 13.537 Obs.785 46.50 7.000 17.50 15.438 12.50 15.317 23.908 2.50 18.117 41.50 35.50 -99.50 10.124 9.016 17.186 VS2 7.50 16.50 5.802 13.552 20.50 15.340 10.50 7.50 14.50 25.109 8.029 18.029 14.817 46.573 48.591 18.50 40.50 -99.50 7.889 43.178 27.691 3.256 0.50 19.50 19.898 40.50 8.209 23.349 12.50 18.258 34.50 13.903 21.903 15.50 20.662 4.665 19.552 16.098 23.508 11.50 10.50 17.50 12.50 24.167 11.50 16.474 13.474 11.50 34.50 17.553 21.50 9.50 11.728 X 0.50 8.644 17.50 13.691 15.358 46.346 10.50 3.476 44.50 17.811 10.amostragem aleatoria estratificada 4 13.50 11.amostragem aleatoria estratificada 0 4 3.50 20.021 24.831 9.50 5.50 11.029 15.50 -99.723 8.962 14.429 16.840 8.994 13.50 9.50 11.593 14.903 34.106 13.737 19.50 9.508 8.

50 29.50 24 . 60 9 .25 6.553 17.903 21.954 12.854 6.311 23.25 14.863 23. 446 13.50 15.50 7.727 19.50 22.12. 75 23.75 11.735 44.50 48.50 9. 25 11.308 23.50 26 .25 18 .75 3.101 16.50 18.75 6 .75 8.50 15.128 28.25 3. 50 9 .984 35.25 6.473 13.463 41. 50 16.25 18. 75 11.25 17 .25 3. 25 8. 50 49.25 3.50 41. 072 3.50 47.442 41.730 19. 50 15 . 25 4 . 763 39.50 21.014 36 .75 1. 75 8 .504 46.75 8.75 1.75 3.25 6.933 12.25 15 .185 36.25 8.25 7.50 22 .50 29.223 23. 25 1. 499 37 .022 43 . 388 48 .75 17 . 035 16. 50 35.75 3.75 11.50 14.25 16 . 25 17.50 0.185 19. 60 10.25 12.50 20.50 7. 124 16.279 26.336 48.25 14.75 12 .50 14.955 1.50 20.102 48.75 1. 317 16.50 16. 75 6.50 6.75 3.673 Arquivo 18 Amostra=teste289alta.066 20. 383 3. 639 8.25 16.612 22. 246 41.50 18.50 21.593 14.177 11.75 14.75 6.707 4 1.506 27.705 33.315 11.552 20.75 14.75 14.943 43.25 6.50 19.646 36 .332 16.50 18.25 1.75 7.25 22.209 1.216 28 .25 3. 25 17. 709 18.50 17 .850 36.139 38.25 11.75 15.75 16. 50 4 .75 18.25 10. 508 11.25 3. 50 21.217 13.310 18.980 15.75 31.50 1.120 26.75 1.502 26.75 1. 25 6.50 7. 25 10.75 8 .710 48.786 43.50 3.75 10.25 14.25 6.283 1.591 14.50 13.475 48 . 75 6.50 21.50 24.50 44 .50 19 . 50 9. 416 28.75 3. 25 6 .25 8.25 3.75 4. 75 3.25 20 .210 18.060 10. 434 6.50 17.75 20.318 36.541 VSl 28.50 18.25 18.594 40. 222 46 .25 20.75 1. 349 31.50 10.456 15 .25 11.75 6 .75 6.75 8 .75 17.144 16.50 20.007 11 .017 15.167 16 .50 19. 25 3.835 13.25 22 .660 18.50 34 . 50 11. 115 1.75 1. 063 11. 25 1. 25 11 .50 12.831 21.247 28 .75 19.693 14 .75 24. 228 33. 50 16. 75 6 .25 13.50 16.898 13.099 13.50 11.060 26.202 21.25 16.25 9. 920 48.898 14 .672 36.853 46 . 303 31. 25 8 .117 11.75 8.620 12. 879 20 .gl2 .25 8 .50 39.50 14.50 30.75 15.25 11.106 13. 312 38 .634 19.521 16.50 15.25 8 . 50 34. 25 28.504 49.994 13.25 8 . 25 18. 75 15.25 13.25 11 .029 14.25 6.612 13.25 8 .842 16.774 41.50 35.25 8 .50 19.60 33 .75 13.50 16 . 196 26.50 16.75 1.372 38.50 9. 50 25.219 21.75 1.25 8 .25 1.25 8.25 14 .75 3. 583 27.75 6.75 6. 75 8 . 50 5.75 15.75 17.25 1.833 16.50 37 . 596 3.309 17. 563 28.046 31. 650 1. 50 16.5 17 26.25 15.75 8.25 3.75 18.75 11.107 33. 25 12.50 1.50 36.25 6.042 B Anexo 205 .75 14.50 8 .25 3.50 31 .771 24.malha regular com VSl 3 21.924 32.25 11.25 6.7 14 46.50 12 .50 14 .75 3.75 6.021 20. 876 13.75 1.25 19.25 22.25 1.420 3 .229 49.498 19.50 21.198 15 .861 28 .50 44 .75 13 .25 10.75 8 .158 19.465 8.438 18.587 34.320 8.60 40.903 20.50 21.75 13 . 100 13.122 33.665 31.25 12.25 11.623 8.281 13.384 19.50 16.221 11.518 X 23. 50 12 .25 20.50 18.832 23.75 17 .75 12 .029 18.75 6 .75 7.25 20.891 18.096 15.934 21.25 15.75 7.644 21.048 6.824 11. 25 8 .50 14.644 15.50 16. 132 33 .25 13.191 38. 75 8 .50 37.50 39.811 10 .75 8 .50 7.25 6.124 11.012 48 .75 9.914 39.062 30.50 12.75 13. 50 11.450 6.50 28.785 15.731 3.25 11.25 1.25 6.091 19.75 14.50 40.25 1.25 7. 50 31. 977 20.510 46.450 23.819 38.50 47 .016 20.671 6 .207 y 26.75 3.50 23. 139 11.534 46.962 18.599 39. 50 3 .50 16.25 18.75 3.559 11.377 43.25 10.318 11.601 19.676 14.299 26. 018 43.75 12.540 25.50 19 .50 38 . 25 21.820 12.50 6. 75 11.528 31.25 1.50 14.50 13.75 11.50 13.25 7 .25 1.75 11.50 28.146 21.25 3.754 43.383 16.222 17 . 50 13.50 20.797 41.033 14. 802 14.75 17.75 20. 796 8.25 1. 25 11.75 20 .035 34.802 33.062 13.

75 7.25 26.75 23.999 48.25 23.25 23.25 15.25 31.25 21.75 28.25 13.958 36.366 18.25 26.75 28.75 12.75 8.75 31.899 31.002 23.75 13.225 36.25 7.75 18.75 16.25 18.405 23.75 15.75 8.690 38.75 17.292 1.139 18.040 21.25 16.702 1.25 10.621 23.75 13.75 10.75 13.810 36.75 16.436 43.832 33.25 12.101 48.25 31.032 16.25 26.75 13.25 13.340 18.75 31.565 28.75 18.75 31.318 33.75 12.25 13.358 3.75 18.801 26.25 4.840 38.25 8.412 43.75 12.75 31.959 36.75 26.75 12.75 14.75 28.25 13.25 20.75 21.554 3.25 19.070 38.25 20.75 28.497 26.25 26.310 16.25 13.208 48.75 21.25 28.25 21.75 15.897 33.25 11.75 21.75 16.75 18.331 26.25 16.939 31.591 46.25 8.75 20.132 33.75 21.25 17.25 21.715 48.75 23.758 31.25 18.983 31.25 16.75 8.147 46.575 23.75 28.374 41.25 25.809 11.75 18.75 28.526 41.75 15.75 11.25 8.25 13.75 31.75 16.25 31.25 14.25 15.25 13.75 13.605 28.75 22.75 26.25 11.75 19.25 17.25 9.25 12.25 15.75 11.812 41.25 21.75 16.25 23.491 33.189 41.25 23.214 3.25 26.25 9.629 46.25 18.758 8.75 23.787 6.25 16.75 20.25 13.25 16.75 19.75 11.25 18.047 1.704 3.75 28.311 33.25 26.75 13.75 21.75 21.75 21.75 31.25 28.866 38.742 23.099 38.25 14.75 16.691 18.75 16.75 23.25 18.25 4. 745 48.75 14.257 23.25 18.25 19.286 1.25 21.75 8.75 18.367 21.264 13.25 11.899 46.25 10.931 48.747 13.75 26.143 31.806 6.75 23.25 16.75 4.75 28.75 31.25 8.75 10.25 9.75 26.75 18.401 6.75 6.75 20.508 38.054 13.25 18.066 8.676 43.125 28.25 13.054 46.25 11.75 16.370 36.25 9.25 17.25 20.75 15.487 26.696 46.75 13.75 12.25 31.75 14.25 12.75 13.25 28.25 28.75 17 .75 7.25 20.75 15.25 22.232 16.25 21.75 16.265 31.883 13.75 23. 753 11.75 11.75 19.472 36.25 18.25 15.737 43.642 26.25 23.25 15.75 21.474 13.75 23.928 13.449 8.25 11.75 31.75 26.567 41.924 18.25 28.25 28.384 36.25 28.75 26.25 17.211 33.75 16.581 28.75 13.981 38.25 23.466 13.25 23.75 13.736 18.75 28.852 3.25 21.424 6. 75 21.25 11.75 8.791 46.25 9.208 16.25 23.142 11.617 43.25 8.75 12.25 16.25 13.75 5.75 11.25 16.25 13.25 16.592 8.25 31.25 21.182 16.25 21.75 14.305 26.25 18.75 17 .25 21.25 31.75 28.75 13.358 28.548 3.75 14.179 36.75 10.999 16.75 23.25 15.75 16.25 13.25 23.808 6.75 13.25 15.338 23.25 15.796 43.052 11.173 38.25 21.996 28.25 31.359 11.75 21.75 16.130 41.182 1.252 3.75 14.480 6.138 41.974 16.359 21.25 23.75 23.75 13.25 31.75 26.764 41.110 13. 25 16.25 13.360 38.765 1.796 43.75 13. 715 1.25 28.25 21.25 15.25 18.435 41.817 18.75 22.75 7.75 22.075 26.25 18.75 21.75 12.75 13.25 15.188 28.25 16.75 16.25 26.75 12.25 19.202 16.75 18.604 21.25 4.75 12.035 21.25 18.25 13.587 36.75 23.25 15.75 28.197 48.75 19.238 43.75 18.25 16.25 2.017 46.25 16.246 8.75 28.25 9.25 31.074 8.25 10.277 18.25 13.693 28.25 26.75 9.25 11.892 21.25 14.25 23.25 17.75 18.25 14.25 16.492 31.25 26.75 21.75 11.75 5.951 33.25 20.75 13.309 48.75 31.343 23.25 16.75 26.409 33.25 28.25 14.75 18.75 16.181 46.75 12.408 3.75 11.25 15.75 26.25 28. 224 11.75 26.243 21.416 26.25 16.25 13.792 1.25 23.25 31.25 13.25 13.75 13.25 23.239 11.25 22.25 12.309 21.75 18.25 8.25 18.75 13.75 6.75 21.25 18. 31.763 43.75 31.25 21.25 26.666 31.75 13.75 6.440 8.75 16.25 11.732 11.776 48.25 11.044 6.445 8.75 22.400 6.75 17.25 16.473 206 Geoestatística: conceitos e aplicações .25 17.75 13.75 18.

75 43.885 33.75 17. 056 y 6.137 3.044 11.923 13.25 48.75 43.594 28 .510 43.25 19 .75 21.75 18. 1. 75 11.558 28 .350 48.480 16. 25 7.75 30.052 28.25 13.097 18.25 48.193 VS2 8.073 23.25 36.516 43.25 17.504 46.408 3.25 12.017 1.523 48. 75 27.25 14. 75 1.75 43. 25 5.25 8.641 X 3.752 38.75 41.923 31.25 48.25 43. 066 23 .25 46.25 41.245 38.25 17. 75 22.75 33 .25 12.25 23 .75 38.75 38.25 41.176 48.117 11.974 28.098 21.25 19 .420 16.75 36 .499 18.75 20. 064 31.25 48 .330 16.690 46.25 41.25 41.606 18.25 13.752 B Anexo 207 .873 33.091 41. 25 38.75 21 .75 46.25 6 .25 38.097 36.75 13.25 12.25 41.25 18.75 11.969 11.75 17.726 23.923 21.958 41.199 38.810 16.045 3.557 23 .75 48.25 19.25 33 . 75 48.75 46.25 41.527 18.25 13. 25 38.600 21.75 23.75 14.078 26.25 14.75 38 .25 22.441 6.75 33.75 36. 75 46.25 46.25 46. 75 36.25 43.25 22 .75 33.762 36.75 36 . 005 16.171 31.25 33.25 36 .75 36. 25 12.75 10.512 6.75 13.967 1. 25 7 .75 43. 25 33.044 26 . 75 46.75 21.75 46.25 36.75 38.554 13. 25 48.717 21. 244 38.557 21.25 18.25 17 .75 38.25 33.25 14.380 23.75 41.046 3.913 41.25 15.387 8.75 38.25 20.75 1.75 24.25 18.25 1.75 46.25 33.25 27.75 43.474 48.75 43.25 17 . 25 1.25 48.25 17 .75 38.534 31.75 13 .906 6.234 26.456 3.75 12. 25 16.75 11. 75 25.707 36.75 18.433 36.25 38.75 38.25 46. 75 46.25 33.75 13 .257 31.malha regular com VS2 3 1.25 43.25 38.25 36.25 8.25 16.083 8.25 43.75 36.25 43.75 25 .25 17 .75 36.75 21. 711 26.25 18.75 48.75 38.842 36.75 41.25 36.855 23.472 11.75 41.810 46.25 38 .25 48.75 11.038 48.25 12 .483 36.25 26 . 25 7.75 48.75 48 .75 48.25 13 .088 11.75 20.777 18.75 19.75 33.75 36 . 25 46.326 46.589 13 . 264 18. 75 46.123 41.453 21.75 23 .75 48.332 43 .25 20.75 10.25 36.077 8.25 6.532 8 .75 14 .726 38 .75 43.25 16. 436 43 .25 36.691 31.25 43.75 41.25 46.25 12 .652 3.75 21.75 43. 75 33.25 43.741 43.25 19.166 13.25 20.913 18.25 8.75 48.25 22. 118 1.25 48.25 41.75 16.608 11.75 15.75 48.75 14. 25 15.987 6.75 1.25 15.75 11.25 13.25 46.25 21.75 46.75 16.25 10 .519 16.818 8.492 31.806 6. 210 3.505 33.25 41. 75 36.279 23. 995 33.663 38.25 16. 75 18.486 11.75 24.75 27 .25 33.153 Arquivo 19 Amostra=teste289media.553 38.25 38.072 46 .699 13.75 20. 511 36.25 19 .75 10.75 17.gl2 .25 41.75 16.25 43. 25 1.25 19.75 20. 75 20.25 48.75 41.75 16.082 13.351 1.25 46.75 24 .928 1.25 13.75 7 .171 11.25 15.25 41.75 28.75 22. 012 43.25 16.75 17.199 33.25 33 .75 19 .75 6.75 41.553 41.865 28.75 33.25 27.25 38.25 36. 669 28. 25 46.75 11.75 18 .75 22 .435 48 .75 9.75 7. 137 26.75 33.25 36.25 38 .75 22.25 10 .75 24.75 33.25 36.180 8.25 46.25 48.75 41.25 16.75 33.75 7.25 12 .25 33. 25 43.75 12.894 46.75 21.75 14.25 23.75 41.75 16.75 33.867 48.134 33.25 12.949 16.205 46 .496 6.291 26.75 23 .75 17.25 1. 75 41.75 16.75 1.75 13 .758 8.75 13.25 17.75 24.75 36.970 13. 732 21.75 22.110 1.25 43.089 28.148 41.75 38.150 13 . 494 26 .491 6.25 38.75 43.75 20.75 21.75 48. 766 41.282 18.75 23.75 16.75 13. 502 43.937 33.25 33.75 11.75 43.75 46.25 9.594 16.

75 16.25 13.671 1.714 21.75 11.25 14.211 21.778 28.26 24.76 18.75 12.359 38.75 15.25 1.25 3.75 11.558 21.521 6.140 31.448 36.699 43.539 23.26 14.25 13.26 14.608 16.75 13.75 3.25 13.75 21.25 16.75 18.455 16.25 12.165 38.25 13.75 11.25 1.75 16.25 14.25 1.75 11.75 16.075 46.25 6.75 6.25 12.25 11.75 13.25 10.76 11.75 11.970 28.75 12.25 14.76 16.25 3.25 18.75 13.75 6.75 1.25 14.26 21.76 11.26 13.274 38.75 16.75 12.25 11.25 11.25 13.25 6.75 8.138 36.410 46.75 20.838 46.290 18.848 1.284 18.402 21.75 3.75 12.25 21.25 13.75 15.25 12.75 12.25 12.818 11.25 6.25 16.604 18.25 16.75 16.801 43.25 3.25 14.303 208 Geoestatística: conceitos e aplicações .75 13.75 13.146 36.330 26.75 18.75 21.490 16.464 11.943 26.75 6.342 21.76 13.25 13.25 14.76 16.25 11.26 13.25 11.75 21.75 6.465 13.76 10.25 18.25 12.813 26.25 6.413 3.25 1.296 11.75 11.75 12.25 16.861 13.323 13.75 8.966 28.880 48.710 6.25 16.494 43.362 31.25 13.76 13.75 13.26 8.76 8.76 21.962 16.76 13.75 8.093 31. 726 28.132 31.889 16.25 12.25 11.25 18.26 21.848 1.25 19.25 16.75 8.25 14.960 26.25 18.76 16.108 36.75 11.75 6.25 14.25 13.25 13.75 17 .75 6. 767 8.25 19.26 18.25 11.456 1.76 8.102 3.75 12.75 18.25 6.26 13.887 6. 966 11.25 11.75 3.995 48.25 11.25 16.75 11.76 16.75 12.75 12.611 28.707 16.741 46.960 6.718 36.25 21.76 11.25 3.75 1.75 3.246 13.26 12.76 11.25 21.75 13.610 18.25 13.103 13.26 8.25 10.26 20.75 22.25 20.25 12.75 1.75 12.356 26.216 41.293 23.25 12.25 20.344 26.278 18.25 12.25 16.26 16.25 11.76 21.25 13.713 28.75 6.75 14.26 12.321 6.76 13.75 20.818 38.382 8.668 18.75 3.75 6.674 23.782 33.322 3.441 1.932 28.491 36.355 23.25 16.613 38.75 11.826 46.75 11.75 13.75 12.634 33.223 8.26 18.470 38.642 36.75 21.25 11.462 31.75 8.75 16.25 6.180 23.998 38.832 38.25 11.310 36.26 13.25 12.250 31.75 18.26 11.76 10.75 11.76 18.222 3.086 21.002 13.516 31.25 12.672 33.76 13.26 13.75 11. 21.25 18.25 8.75 3.25 3.620 33.75 12.76 8.26 8.76 26.25 12.739 8.850 46.75 13.26 11.75 1.25 18.237 26.063 26.75 15.722 3.25 12.25 3.75 16.25 17.464 3.76 21.75 14.75 24.75 15.264 1.25 21.233 6.830 8.75 17.243 23.25 12.444 41.75 11.25 15.25 6.084 43.278 48.25 26.75 19.75 18.061 43.75 21.75 12.606 33.405 31.75 12.25 12.75 12.25 1.25 6.25 12.25 16.75 15.243 43.990 48.186 41.75 6.76 10.330 11.76 14.25 13.75 16.25 16.642 48.25 21.341 11.25 16.246 28.75 11.76 11.186 23. 778 48.091 43.75 11.926 13.675 16.654 8.610 31.26 12.26 13.75 12.25 8.688 36.25 3.943 48. 783 18.823 43.25 13.75 12.75 15.26 16.25 13.25 13.422 18.75 15.76 8.76 14.75 10.25 21.75 1.107 6.75 17.214 46.25 12.25 10.25 14.25 3.26 8.75 1.75 3.25 14.926 46.75 11.25 11.25 14.654 21.507 21.76 13.26 21.623 23.613 1.152 41.76 13.034 33.25 1.821 11.76 11.25 11.26 16.932 33.75 21.708 26.25 6.25 11.75 6. 780 1.606 33.76 17 .25 11.25 18.420 38.918 8.75 3.25 13.25 16.75 16.109 28.661 48.25 18.25 16.693 13.75 21.75 12.25 12.006 41.75 18.75 18.25 15.25 12.76 12.76 13.632 33.76 12.498 8.25 8.25 13.26 13.25 13.75 8.25 12.280 3.25 13.25 3.76 11.25 15.76 18.25 6.75 13.25 14.25 18.75 10.933 23.944 11.75 3.75 3.25 8.25 11.584 41.25 8.398 16.75 12.530 41.75 15.75 13.76 13.523 3.25 3.25 8.613 41.25 14.76 18.76 18.76 11.25 16.893 6.75 13.

124 46.698 28.25 33.25 31.75 23 .25 17 . 25 31.833 13.25 20.75 36.25 17.75 16.25 23 .75 20.75 18.25 13.75 28 . 125 13. 121 33.75 31.75 16.25 38 . 841 38.25 31. 25 13 .75 17.115 38.224 18. 858 41. 75 17.25 38 .75 13.882 11.066 46 .75 31.75 13.25 43.75 17.25 38.25 18 .829 48.454 26.75 15.75 16.594 41.75 13. 938 21.677 16 .25 23. 483 48.999 26 .75 36 .071 48.25 16. 75 19 . 25 17 ' 107 31.25 20 . 25 20 . 771 21. 289 18.75 33 . 25 33. 25 15 .75 19.75 38. 641 21. 724 18. 25 33 .25 15.75 14 . 748 8.021 43.75 23.75 31.25 21.75 16.960 11. 75 43. 25 23.229 3. 75 14.25 18.25 26.75 28. 75 17.640 46.073 1.229 36. 932 3 .736 8. 25 15 .75 41.045 11.25 13 . 25 26 .25 17 .75 17 . 25 33.25 21. 662 26 .75 20. 75 15.25 16. 362 33.25 13.75 41.25 23. 25 16. 881 41.75 36 . 75 19.75 26.75 19. 25 13 .75 23.009 3. 189 38. 913 41.25 33.75 13.002 6. 25 19 .004 13 . 25 28.25 12.75 13.75 11.75 36. 75 20 .25 20 .75 19.25 23. 75 41. 784 41.027 18.75 14 .182 28 . 089 38. 25 28 .442 6.25 18.75 13. 25 16.25 17.905 28 .75 20 .75 23.25 16.75 14.773 21.75 23. 25 36 .25 14 .498 43 .500 33 . 25 41.75 13. 25 15.75 38.75 26. 153 48.25 28. 850 11.75 14. 75 38.25 15. 25 31. 564 36. 443 13 .25 14.75 38.75 16.305 3 .25 36.25 18.75 41. 404 33.75 26 .25 28.956 8.25 33.524 43 .190 46.25 11.25 20. 908 38.887 23 .75 18 .25 18. 291 11.606 1.25 15.75 18.75 16 .25 13.25 16.219 23.75 33.25 19. 692 33 .75 14 .75 33.25 41.25 11. 25 36 .25 41.550 36 .812 16.260 3.378 46.25 36. 75 41.917 13.75 13.548 6.75 23 .015 36.75 38.75 38 .800 28.25 36.25 28.588 28.75 21 .25 15 .347 23. 615 1\8.25 36.476 21.75 36.75 13 .25 19 .25 26.75 26.25 17.25 15.25 23. 75 18 . 397 46.974 31 . 75 26.75 20.75 43 .090 23.75 28.910 8.75 26.25 28 .677 3.75 14.75 41.030 48.25 38.75 19.25 41.75 14 . 25 38.265 6 .75 14. 25 36.75 16.25 33.75 16.742 1. 25 38.219 41.474 23. 662 13.75 41. 882 41. 25 36 .049 18.75 16.259 48.75 13. 25 17.055 43.75 28.279 11.75 28.25 17 .25 15. 75 38. 458 18. 715 21 .908 6 .25 26.25 43.75 26.75 33 .378 46.75 16 .75 23.25 16. 25 14.25 16.832 28 .75 18.739 38. 25 17.25 26.367 11.75 21. 75 18.75 36 .25 14.75 19.933 33.75 23 .75 36 .25 18.75 36.75 12. 120 3.75 14.25 16.75 31.75 17.25 28.75 38 .016 41. 25 31.75 13.045 3 .25 19. 073 3.25 13.75 18 .167 31 . 25 14.25 19 .25 23. 296 33.75 26 . 165 23.75 15.75 31.25 26.75 31.25 41. 463 13.75 31.296 1.069 16. 152 43.670 28.75 20 . 75 15.41.395 33. 75 41.75 28.75 31 .849 18. 25 16 . 25 18. 25 28.25 19. 058 18.25 13.25 28.75 28 . 75 23.697 31.407 26 . 25 41. 849 6.25 19 .75 33.75 18. 088 6. 75 26 .25 23 .75 18.25 19.25 31.871 16.257 23.75 17.75 28.25 38. 022 43.75 15.75 13.25 41 .777 16 .75 13. 042 6 .75 12.25 28 .75 16.879 43. 25 31.75 15. 140 8. 470 16.25 41. 75 41 .25 21. 25 33. 25 18. 75 16. 104 48 . 25 31. 199 16 .25 41.995 36.75 33. 867 8.782 36 .75 17.75 31.75 20.25 14 .75 20.25 26.287 23.473 36.25 23.021 11.054 1.915 13.25 26 .25 13.75 33 .690 31.537 31.25 31 .25 23 . 25 13. 883 8.25 16 .25 36.834 38 .25 16.25 38.403 21.75 31. 692 16.75 38 .822 36 . 25 33. 25 36. 721 43. 25 19 .25 17 .75 20 .75 14 . 25 41.25 14.75 13. 253 26 .178 26.25 38.25 26.25 20 .709 8 . 25 26.25 20.25 19. 978 31. 75 28 .25 15 .75 41.75 13.75 28 .438 1. 503 26. 25 17. 541 6 . 408 8.25 15.596 1.75 33.233 48.75 15. 75 15 .25 19.024 1.480 B Anexo 209 . 540 46 .25 20. 75 15. 25 33 .75 18.75 33.75 23.810 46.25 12. 75 36.75 38. 25 16 .622 28.75 26.75 33 .643 21.089 43.25 31.519 38 .566 26.25 38.743 1. 75 36 .626 31.

75 19.50 45.Yamamoto et al.50 37.50 49.25 48. 75 14 .50 2 14.25 46.50 5 8.639 18.75 16.50 31.25 12.75 24.766 1.899 23.50 3 87.50 3 76.961 16.25 20.50 14. (2012) 3 24.617 28.50 2 85.427 1.513 28.50 3 98.50 2 Arquivo 21 Amostra=testeSO.50 5 X 28.75 43.75 48.50 13.50 3 93.50 26.75 13.75 48.50 18.50 8.50 21.50 4 36.25 46.25 46.497 28.649 16.50 17 . (2012) 3 9.939 23.75 23.492 36.50 3 80.723 48.25 12.75 48.50 37.75 46.041 33.50 1 70.25 48.75 20.25 21.75 48.75 14.75 12.687 38. 75 43.25 16.txt .25 18.75 48.50 33.25 43.25 48.75 48.25 46.50 5.75 46.50 5 90.75 23.50 28.50 23.75 48.50 41.50 22.983 21.75 17 .50 1 61.894 31.50 3 93.722 38.50 5 71.75 24.50 39.25 46.50 4 64.50 5 10.25 43.50 2 24.50 3 X 37.50 41.50 5 6.50 42.50 20.50 72.50 4 51.50 5.25 46.50 19.50 6.50 27.654 6.171 46.25 48.50 1 63.75 21.50 2 y 20.50 31.25 43.50 2 26.75 24.50 4 44.75 46.50 10.25 18.50 35.75 48.50 2 y 30.25 48.25 48.50 5.75 12.75 13.50 18.50 4 33.954 31.25 16.947 8.50 26.75 43.75 15.50 48.50 3.75 15.50 30.25 13.50 2 19.25 14.50 4.75 46.50 44.75 14.188 13.50 3 76.75 25.50 35.50 3 70.25 43.50 45.851 21.50 4 46.50 2 92.732 11.921 43.904 18.75 22.50 2 13.50 6.50 2 2.75 46.50 45.50 1 56.833 26.25 19.50 33.50 4 52.390 43.50 45.50 5 TIPOS CATEGORICA 1-5 51.75 46.50 2.75 18.464 26.txt .50 2 12.332 Arquivo 20 Amostra=teste10.509 36.25 46.25 18.75 43.25 43.850 41.Yamamoto et al.25 43.25 48.75 48.50 24.309 48.75 19.657 11.759 18.50 13.50 4 55.835 3.50 1 41.437 26.754 3.50 9.75 15.50 5 3.669 33.50 27.50 9.25 46.50 3 80.50 27.75 19.50 1 49.50 11.25 12.75 43.168 23.137 48.50 11.470 13.25 19.75 46.50 0.25 43.50 30.561 46.50 5 20.50 2 89.75 46.75 19.50 5 20.098 43.50 37.119 6.25 14.985 13.268 38.50 4 48.50 20.510 31.75 15.25 46.50 4 61.50 44.75 14.801 41.50 1 56.25 21.893 46.75 48.50 2 2.25 13.75 46.75 17.75 46.75 19.50 3 85.50 42.50 98.75 13.415 8.50 24.75 13.50 4 67.907 33.468 41.75 43.25 15.930 21.75 43.50 2 TIPOS CATEGORICA 1-5 39. 11.75 17 .75 18.50 5 16.50 1 42.50 2 210 Geoestatística: conceitos e aplicações .50 4 62.25 17.25 20.258 16.25 48.129 36.50 13.25 48.25 43.75 22.75 43.25 48.25 46.75 17.

CLARK. v. p. A. Nonparametric identification of anisotropic (elliptic) correlations.php?action=media. 15. 4. n. 1998.edu/. T. New Series. v. Elsevier. M. 17. Geostatistics: modeling spatial uncertainty. Basic linear geostatistics. p. Kluwer Academic. M. (Coord. J. 1994.].utl.738-4. BOHLING. n. London: Applied Science Publishers Ltd. li 1• li Referências Bibliográficas • li li ANDRIOTTI. World Scientific. C.). Statistics of ore distribution. John Wiley a nd Sons . A. P. 1985. p. H. P. J. H. HRISTOPULOS. BACKES. Disponíve l e m: <http://people. Statistics and data analysis in geology. 365-375. 1991. Part II: theory of binomial distribution applied to sampling and engineering problems: geologie em Mijnbouw.. p. Geostatistics for the next cen tury. L. CHILÉS. 1977. Geology system for computer and manual analysis of geologic data from porphyry a nd other deposits.pt/index. CRESSIE.. Geology. John Wiley and Sons. BLANCHET. 11.751. BROOKER. Math . IEEE Trans. ARMSTRONG. 2000. Editora Unisinos.. S-GeMS tutorial notes. DAVID. H. L. DAVIS.ist. ]ournal of the Royal Netherlands Geological and Mining Society. D. 1979. 2008. 2003.. DAVID. P. M. Practical geostatistics. I. 129 p..). 785-796. C. Statistics for spatial data: revised edition. 1. v. New Series. Disponível em: <http://numist. T. 67. BACHMAIER. DE WIJS. . 1. DELFINER. S. Fundamentos de estatística e geoestatística. Is research in m ining geostats as dead as a dedo? ln: DIMITRAKOPOULOS. CAVA. M. C. V.sa=item. 3. CROZEL. Springer. HARPER. p. GODWIN. Statistics of Earth science data . W. P. Precision agriculture. M. n. 1999. ARMSTRONG. Geostokos (Ecosse) Limited. 303-312. G. Statistics of ore distribution. 2008. CORREIA. 796-813. CLARK. G. N. Potencial e perspectivas para o carvão mineral do estado do Paraná. 56.gbohling/ BoiseGeostat>. ]..!. 2002. 1972. Practical geostatistics 2000. A geostatistical primer.ku. v. Springer. CHORTI. 2010. 1.. 1993. Paraná: Mineropar. 2003. 173-175. P. 2007.. Modelação e estimação: uma introdução à geoestaóstica.Journal of the Royal Netherlands Geological and Mining Society. 3.in=81>. J. 1951. V. 1953. (Ed. v. Variogram or semivariogram? Understanding the variances in a variogram. ]. Global estimation variance: formulas and calculation. M. Geoestatistical ore reserve estimation. 12-24. D. John Wiley and Sons. Signal Preces. DE WIJS. R. ed. Part 1: frequency distribution of assay values: geologie em Mijnbouw. p. 1985. 13. Economic Geology. BORRADAIRE. p. 9.

A. Math. 1981. A.. 163-181. 1996b. S. Calculus. p. 37. 1997.. Geostatistical software library and user's guide . (Ed. 2010. 1996a. X. M. New York: Academic Press. A. B. 24.681. Italy. V. GROSSMAN. p. Scientometrics. HARDY.. F. Geoestatística operacional. MASSEY. et al. and Geosci. Comput. v. MARTINS. C. V. G. 1998. 340 p. TOLEDO. V. v.]. Estatística aplicada. HAYES. DEUTSCH. New York: Oxford University Press. l. 1982. DEUTSCH. v. MERRIAM. GUERRA.905-1.0. Declus: a Fortran 77 program for determing optimal spatial declustering weights. G. 237-302. KOCH. G. JOURNEL. Oxford University Press. 411-430.. 1989. 2009. ].22. Comput. Part 2: multivariate calculus. p. 1968.A.. Correcting for negative weights in ordinary kriging. Variograms of order O: a tool to validade a bivariate distribution model. HARBAUGH. HENGL. MCCRACKEN. X. p. 15. p. G. GlRONE. Multiquadric equations oftopography and other irregular surfaces. São Paulo: Editora Atlas S. J. and Geosci. C. 1993. W. DEUTSCH. DIXON. 488p. V.. Multi-gaussian kriging and simulation in the presence of an uncertain mean value. 1992. p.p. 212 Geoestatística: conceitos e aplicações .. 1. L. ln: FAIRHUST..GSLIB. GOOVAERTS. Geostatistical software library and user's guide . D. v. 1967. 2. Computers and Geosciences. A sequential indicator simulation program for categorical variables with point and block data: BlockSIS. New York: Oxford University Press. 568 p. p. linear algebra. R. V. n. Computer applications in stratigraphic analysis. Geophys. V. Departamento Nacional da Produção Mineral. 106-118. C. EMERY.. Edmonton: Centre for Computational Geostatistics. Constructing and analyzing area-of-influence polygons by compu- ter. C. MINASNY. C.GSLIB. 267 p. GOULD. Enuiron. Guide to best praetice in geostatistics. S. 76. EMERY. J. DORN. 282 p. Draft Version 1. 1971. P. W. Análise espacial de dados geográficos.J. Embrapa Cerrados.). S. A. DEERE. 1988. (Ed. W. DEUTSCH. 1957. 101 p.. POSA. D. Res. p.915. V. G. Design of surface and near surface construction in rodes. Geostatistical reservoir modeling.669-1. D. 2005. Res. Stoch. FONSECA.7. Cálculo numérico com estudos de casos em Fortran N. T. Calculus.. 483 p. 2002. DRUCK.. v. Proceedings of the lnternational Workshop on Statistics of Spatial Processes: Theory and Applications. 667 p. S. L. JOURNEL. Comput. p. Part 1: the calculus of one variable. G. 32. New York: McGraw-Hill. São Paulo: Edusp. DEUTSCH. 1984.). R. 1991. 80. 765-773. ed. C. GROSSMAN. V. 721 p. 1978. 2. 2011.. lntroduction to statistical analysis. S. 2004. D. 376p. DEUTSCH. Geostatistics for natural resources eualuation. G. v. 491-514. F. B. 325-332. and Geosci. DEUTSCH. Risk Assess. P. C. l. et al. V. Oxford University Press. ln: CAPASSO.. v. New York: Society of Mining Engineers of AIME. 211-219. 1. A geostatistical analysis of geostatistics. W. New York: John Wiley and Sons. Bari.. S. Geology. D... Constrained kriging as an estimator of local distribution functions. FROIDEVAUX. e. 10. Academic Press. New York. U. and differential equations. Failure and breakage of rock.n.

1978. MATHERON.. 121-138. 1989. Miscellaneous error bounds for multiquadric and related interpolators. A. P. E. Math. JOURNEL. S. ISAAKS. p. MATHERON. Le krigeage. W. G. A. Geostatistics and petroleum geology. D. 2. KRIGE. G. revista e ampliada. DEUTSCH. 21.amstat. OLEA. New York: Oxford University Press. G. Editions B. Kluwer Academic Publishers. G.R. H. (Series on spatial analysis. KHAN. 2003. E. G.. Mémoires du Bureau de Recherches Géologiques et Minieres. p. 211. 40 p.. Paris. 561 p. 24. 12. 15. n. The theory of regionalized variables and its applications.G.. MADYCH. p. StatisticaJ analysis of geological data. n. Markov models for cross-covariances. or polynomial interpolation procedures? A contribution to polemics in mathematical geology. Survey. Paris. p. Non-parametric estimation of spatial distribution. A statistical approach of some basic mine valuation problems on the Witwatersrand. 1951. B. 208 p. PERRY. 375 p. JOURNEL. 1975. V. Variability for categorical data. 14. LXX. MATHERON. 1963. R. 1965. Disponível em: <http://www.org/publications/jse/v15n2/kader. M. Applic.. LINK. 2008.. Solued problems in geostatistics. n. D. v. 1962. 119-139. tome 1. Geology. 1971. 2010. New York: Dover Publications. J. Spatial modeling of discontinuous geologic attributes with geotech- nical applications. p.. 1988. G. Kluwer Academic Publishers. G. R.. Joumal of the Chemical. G. v. K.. v. n. Geol. 2. C. v. 2). 143-161. v. Les variables régionalisées et leur estimation. D. Cálculo de reserva de uma jazida de carvão por metodologia geoestatística. G. v. SOARES. Geology. SRIVASTAVA. A. JOURNEL. v. M. C. v. Geostatistics and petroleum geology. 1980. 955-964. E. PUMPUTIS. n.html>. G. 12. KADER. 285-303. n. HUl}BREGTS. ed. Comput. M. ROSSI. 253 p. 600p. A. 1983. 2.. H. The Canadian Mining and Metallurgical Bulletin. A. Metallurgical and Mining Society of South Africa. Washington: American Geophysical Union. Math. HOHN. P. J. 1989. JOURNEL. M.. MATHERON. JOURNEL. 211-230. Acesso em: 22 jun. P. A.. of Statistics Education. tome II. Mémoires du Bureau de Recherches Géologiques et Minieres. Hoboken: John Wiley and Sons. Optimum mapping techniques using regionalized uariable theory. G.HOHN. M. Traité de géostatistique appliquée. Kriging. 445-468. 1999. Mathematical Geology. Referências Bibliográficas 213 . MATHERON. MATSUDA. Editions Technip. 31. Dec. 8). p. R. An introduction to applied geostatistics. M. 78. Math. R. G. 2007. Geology. Geociências/Unesp.. 15. O. K. 1988. 1999. KOIKE. Fundamentais of geostatistics in ftve lessons. When do we need a trend model in kriging? Math. KOCH. v. 1. v. C. (Short Course in Geology. 1992. p. p. 2005. 4. LEUANGTHONG. Kansas: Kansas Geol. B. São Paulo: Editora Unesp. M. S. Paris: Masson. p. 24. A. New York: Academic Press. 8. A. Paris School of Mines Publication. Mining geostatistics. F. LANDIM. p. 1989. v. 715-739. 137 p.M. Análise estatistica de dados geológicos. 240-244. G. LANDIM. G. Eng. JOURNEL. 1971. The lognormal approach to predicting local distributions of selective mining unit grades. 1967.

New York: John Wiley and Sons. J. v. Comput. Computers and Geosciences. SOARES. N. A. Universitat Politécnica de Catalunya.. 2009. ed. K. p. v. ASGHARI. F. GEO-EAS 1. n.gaa. v. 1998. 214 Geoestatística: conceitos e aplicações . p. 1997. P. 303 p. n. 2. 597-632. Y. TIPPER.. South African Institute of Mining and Metallurgy. V. M. K. Math. 2. 2.epa. Exploration and mining geology. 999-1. Geol. Geol. A. ]. Open-File Report. Deriving conditional distributions from ordinary kriging. 1991. ROTH. Acesso em: jun. 213-221. WACKERNAGEL. DSSIM-HR: a Fortran 90 program for direct sequential simulation with histogram reproduction. 25-40. KOIKE. Springer. Geol. 2006. p. 30. WU. 92-102. J. p. 22. 518-538. Springer-Verlag. 2009. v. 2000.. WACKERNAGEL. Is lognormal kriging suitable for local estimation? Math. V. 17. 346 p. OLIVER. and Geosci. O. A. G. ln: BAAFI. A. S. A practical primer on geostatistics. 1946. M. EPN600/4-88/033. 1-VIII. Fortran programs to construct the planar Voronoi diagram.-M. Geomatemática: lições de geoestatística. n. 36. JOURNEL. 761-765. 1999. R. SCHOFIELD.). REMY. v.. p. G. OZ.. 29. ed. 33. Geoestadística: aplicaciones a la hidrogeologia subterrânea. Direct sequential simulation and cosimulation. SOARES. J. Y. n. p. 39-51. 1991. Three-dimensional imaging of a geothermal system using temperature and geological models derived from a well-log dataset. 1. D.. Geostatistics Wollongong '96.. B.2. p.. H. et al. 103. 1981.au/pdf/DeclusterDebias-CCG. Science. 1996. p. v. Multiuariate geostatistics.. A. SOARES. 2011. V. E. Declustering of clustered preferential sampling for histogram and semivariogram inference. 2003. Geol.html>. C. Geostatistical applications for precision agriculture.. ed. v. C. CARRERA-RAMÍREZ. 1998. Math. YAMAMOTO. P. 2. 1990. Multiuariate geostatistics: an introduction with applications. TENG. 453-467. A review oflognormal estimator for in situ reserves. 2003. Geological Survey. A. Sequential indicator simulation with correction for local probabilities. Boston: Kluwer Academic Publishers. Math.S. On the reduction of the ordinary kriging smoothing effect. 911-926. 30. C. J. PYRCZ.1: geostatistical environmental assessment software user's guide. SAMPER-CALVETE. H. Springer- Verlag. 2. OLEA. PETERS. 677-680. OLEA. DEUTSCH. 3. Fundação Gorceix. 2. A. E. ]. Ed.. 2009-1103. 6. 2010.org. p. Geothermics. 1978. M. OLEA. 696 p. Geol. 2007. A. ed. R. v. Geostatistics for engineers and Earth scientists. Cambridge University Press. RAO. Geoestatística para as ciências da terra e do ambiente. Declustering and debiasing. Applied geostatistics with SGeMS: a user's guide. Disponível em: <http://www. BOUCHER. On the theory of scales of measurement. C. p. 2003. An introduction to geostatistical methods of mineral eualuation (Geostatistics). (Ed. Centro Internacional de Métodos Numéricos em Ingenieria. v. VALENTE. REZAEE.. 39.. A.684.gov/ada/csmos/models/geoeas. ]. 2007.. 1995. R.009. Mathematics: a simple tool for geologists. RIVOIRARD. W. J. WALTHAM. Disponível em: <www. Blackwell Science. USEPA. ]ournal of Mining and Enuironment. 1. U. R. Math. RENDU.pdf>. Publication n.. 2001. p. 2011. 1982. H. N. v. Lisboa: IST Press. A. S. STEVENS. S.

28. WATANABE. YAMAMOTO. 40. Geociências.. YAMAMOTO. n. Dissertação (Mestrado) . Computation of global estimation variance in mineral deposits.. Paper SPE 24741. special issue of jour. R.. Série científica. Computer applications in the minerais industries. 2000. K. (Org.. 10. 37. 1-10. p. YAMAMOTO. et al. 10.. ]. Mathematical Geology.).). v.. v. et al. lntegrating seismic data in reservoir modeling: the collocated cokriging altemative. Cálculo de mapas de probabilidade diretamente dos pesos da krigagem ordinária. Y. n. WHITTEN. (Ed. Wiley. 79 f. 2001c. 2010. ]. ln: XIE. 219-234. 1. Estudo da influência da correlação inicial entre variáveis nos resultados de coestimativas. ]. v.). 69-94.. Y. p. 2009. ]. ]. R. L. A. 2010b. p. 1992. 3-14.. 29. Proceedings of the 67th Annual Technical Conference of the Society of Petroleum Engineers. 2008. K. K. ]. ]. 1. On unbiased backtransform of lognormal kriging estimates. ]. 124-147. Geologia/USP. 93-121. YAMAMOTO. Métodos convencionais.. J. Symposium on mathematical statistics and computer applications in ore valuation. 2007. Mathematical Geology. K. 2005. YAMAMOTO. Computers and Geosciences.-----. K. YAMAMOTO.. ]. Avaliação e classificação de reservas minerais. .. n. WANG. (Org. T. 28. 2. South African Institute of Mining and Metallurgy. YAMAMOTO. JIANG. p. Geostatisticsforenvironmental scientists. Ore reserve estimation using radial basis functions. K. K. H. CHAO. 11. The general linear equation in prediction of gold content in Witwatersrand rocks. K. p. K. Geociências/Unesp. p. p. W. J. v. Um estudo sobre estimativa de dados lognormais. p. Mapping an uncertainty zone between interpolated types of a categorical variable.~''UÍ Referências Bibliográficas 215 . 2001a. V. 5-19. v. K. v. -. 1. p. . YAMAMOTO. 2010a. Série cientí- fica. 2012. ]. YAMAMOTO. YAMAMOTO. Comparação de métodos para teste de bigaussianidade. Métodos geoestatfsticos de coestimativas: estudo do efeito de correlação en- tre variáveis na precisão dos resultados. p. K. 61-65. p. 833-842. 2. ].. 1966.Instituto de Geociências/USP. v. p. K. An altemative measure of the reliability of ordinary kriging estimates. 2002..~ ·-@ill . K. ed. p. n. Backtransforming rank arder kriging estimates. 337-340.. São Paulo: Edusp. A. v. ln: YAMAMOTO. Geociências/Unesp. YAMAMOTO. XU. Reu. ]. A. E. v. 2007. 25-38. 2009. WEBSJ'ER. Geologia/USP. 21-128. p. ]. São Paulo. São Paulo: Edusp. do Instituto Geológico. YAMAMOTO. Correcting the smoothing effect of ordinary kriging estimates. Computational Geosciences. South Africa. H. A. 101-115. 146-152. FURUIE.. 2001b. Washington. et al. Balkema Publishers. 1. Avaliação e classificação de reservas minerais. 32. OLIVER. 23.WATANABE. v. M.

li 1• li Sobre os autores li Paulo M. Atualmente é professor titular do Departamento de Geologia Sedimentar e Ambiental. onde se aposentou como professor titular em 1998 e. Em 2000. desde 1999. . Trabalhou como geólogo pesquisador do Instituto de Pesquisas Tecnológicas (!PT) de 1977 a 1988. Yamamoto graduou-se em Geologia pela Universidade de São Paulo em 1976. em Rio Claro. Barbosa Landim formou -se em Geologia pela Universidade de São Paulo em 1961. onde ministra disciplinas de graduação e pós-graduação em Geoestatística. recebeu do Conselho Universitário da Unesp o título de Professor Emérito. Jorge K. atua como professor voluntário do Departamento de Geologia Aplicada. Fez toda a sua carreira acadêmica na Universidade Estadual Paulista (Unesp). onde também concluiu o Doutorado em Estratigrafia.

ISBN 978-85-7975-077-9 1 li 1 9 788579 750779 .