Yamamoto Geoestatistica Aplicada

Curso de Geoestatstica Aplicada
Jorge Kazuo Yamamoto
SUMRIO
1 INTRODUO ________________________________________________________ 1
2 CONCEITOS BSICOS _________________________________________________ 1
3 PREPARAO DE DADOS______________________________________________ 4
3.1 Composio de amostras de furos de sonda _____________________________ 4
3.1.1 Composio por bancadas _________________________________________ 5
4 ANLISE ESTATSTICA _______________________________________________ 9
4.1 Conceitos de variveis aleatrias e probabilidade________________________ 10
4.2 Representaes grficas de variveis aleatrias _________________________ 12
4.3 Estatsticas descritivas de variveis aleatrias __________________________ 15
4.3.1 Medidas de tendncia central ______________________________________ 15
4.3.2 Medidas de disperso ____________________________________________ 17
4.3.3 Medidas de forma _______________________________________________ 19
4.4 Modelos probabilsticos contnuos ____________________________________ 20
4.4.1 Distribuio normal _____________________________________________ 20
4.4.2 Distribuio lognormal ___________________________________________ 22
4.5 Teorema do Limite Central _________________________________________ 23
4.6 Intervalo de confiana da mdia _____________________________________ 25
4.7 Correlao e regresso _____________________________________________ 27
5 ANLISE GEOESTATSTICA __________________________________________ 29
5.1 Por qu variveis regionalizadas ?____________________________________ 29
5.2 Variveis regionalizadas ____________________________________________ 31
5.3 O variograma _____________________________________________________ 33
5.4 Relao entre semivariograma e a funo covarincia ___________________ 35
5.5 Propriedades do variograma ________________________________________ 37
5.6 Anisotropias ______________________________________________________ 38
5.7 Comportamento prximo origem ___________________________________ 39
5.8 Domnio do variograma ____________________________________________ 40
5.9 Clculo de variogramas experimentais ________________________________ 41
5.10 Modelos tericos de variogramas____________________________________ 42
6 ESTIMATIVAS POR KRIGAGEM ORDINRIA ___________________________ 44
6.1 Definio da fronteira convexa_______________________________________ 44
6.2 Definio da vizinhana local ________________________________________ 45
i
6.3 Definio da malha regular _________________________________________ 49

6.4 Krigagem ordinria________________________________________________ 51
6.5 Validao cruzada _________________________________________________ 64
6.6 Classificao de recursos/reservas minerais ____________________________ 67
7 ESTIMATIVAS POR COKRIGAGEM ORDINRIA _________________________ 71
7.1 Definies Bsicas de Isotopia e Heterotopia ____________________________ 71
7.2 O variograma cruzado ______________________________________________ 71
7.3 O Modelo Linear de Corregionalizao ________________________________ 73
7.4 Cokrigagem ordinria ______________________________________________ 73
REFERNCIAS BIBLIOGRFICAS _______________________________________ 76
ANEXO 1: DISTRIBUIO NORMAL PARA X ENTRE 0 E 3,49 E AS INTEGRAIS
Q(X) CORRESPONDENTES. _____________________________________________ 81
ANEXO 2: VALORES CRTICOS DE T PARA ALGUNS NVEIS DE
SIGNIFICNCIA ( IN KOCH & LINK, 1971 PG. 346)________________________ 82
ii
1 INTRODUO
A geoestatstica que foi definida inicialmente, por Matheron (1971, pg. 5),
como a aplicao da Teoria das Variveis Regionalizadas para a estimativa de
depsitos minerais, tem hoje sua aplicao nas mais diversas reas do
conhecimento como: petrleo, hidrogeologia, meio ambiente, geotecnia,
agronomia de preciso, oceanografia e reflorestamento. Como a geoestatstica foi
introduzida muito recentemente na grade curricular em cursos de graduao e de
ps-graduao, h necessidade de promover cursos de extenso para
disseminao da tcnica, bem como para proporcionar uma reciclagem aos
profissionais atuantes na rea. Nesse sentido, surgiu a idia de oferecer este
curso, no qual introduziremos as tcnicas e conceitos da geoestatstica aplicada
na anlise e interpretao de dados, com o objetivo de fazer o melhor uso da
informao disponvel. Alm disso, o planejamento deste curso, levou em
considerao tambm disponibilidade de um software totalmente nacional para
que o aluno pudesse contar com uma licena acadmica para que continuar seus
estudos aps o trmino do curso. Trata-se do sistema GeoVisual que foi
desenvolvido para suportar o ensino de geoestatstica em disciplinas de
graduao e de ps-graduao ministradas regularmente no Instituto de
Geocincias USP.
2 CONCEITOS BSICOS
A seguir vamos definir alguns conceitos bsicos, cujo entendimento ser de

importncia fundamental para interpretao dos resultados de uma anlise
geoestatstica. Temos um problema a resolver, por exemplo, seja uma das
seguintes questes:
a) Qual o teor mdio de uma ocorrncia mineral?
b) Qual o grau de contaminao por mercrio no solo?
c) Qual a caracterstica do solo para implantao de uma obra civil?
A resposta para qualquer uma dessas questes est baseada na

estimativa do atributo de interesse, atravs da amostragem.
Amostragem
Amostragem o ato ou seleo de amostras como representativas do todo que
se deseja estudar, tendo em vista sempre a limitao econmica do programa de
amostragem. Normalmente, segundo Cochran (1963), as razes para a seleo
de uma amostra so de ordem econmica - reduo de custos - e apresentam
como vantagens principais: maior rapidez, amplitude, flexibilidade e exatido das
1
informaes, em face da impossibilidade de se registrarem integralmente as

especificaes do mineral que se prope conhecer.
Base terica
A teoria da amostragem construda em torno do conceito que, se um nmero
significativo de unidades representativas de uma populao selecionado sem
enviesamento, o valor mdio destas unidades ir aproximar-se da mdia da
populao (Barnes, 1980).
Mtodos de amostragem
Existem basicamente
considerados:
trs
mtodos de amostragem que poderiam ser
a) aleatria simples;
b) aleatria estratificada;
c) sistemtica.
A amostragem sistemtica, sempre que possvel, indicada para o clculo de
estimativas.
Condio necessria
Estimativas de volumes, massas e teores devem ser baseadas em observaes
sistemticas (amostragem sistemtica) e interpretaes da geologia (litologia e
estrutura) e da mineralizao (mineralogia, controles, distribuio e
continuidades), segundo Valle & Cte (1992).
Fontes de erros
Os erros envolvidos na estimativa atravs da amostragem so devidos aos erros
de amostragem e variabilidade natural do fenmeno em estudo.
Erros de amostragem
Qualquer amostragem - at mesmo a mais simples - comporta uma srie de
erros possveis, alguns dos quais relacionados com a estrutura do minrio, com
sua distribuio e textura, outros decorrentes das tcnicas usadas na
amostragem, ou do modo como as tcnicas so aplicadas, ou dos instrumentos
de amostragem, in Gy (1968). Este problema, infelizmente, no termina com a
retirada da amostra, mas continua atravs da preparao, subdiviso e estgios
de anlise em laboratrio, cada um dos quais passvel de erro, que podem
2
afetar a preciso ou influenciar sua exatido. O erro de amostragem representa a

diferena composicional entre a amostra de rocha e a parte do corpo rochoso com
que se espera represent-la (Miesch, 1967). Segundo Koch & Link (1971), os
erros de amostragem podem ser subdivididos, conforme a sua fonte de variao,
em:
a) erros de preparao: a preparao visa reduo do tamanho da
amostra geolgica, geralmente muito grande para fins de anlise. Ela
compreende uma srie de operaes no seletivas, tais como: reduo da
granulometria, mistura, homogeneizao e subdiviso, cada uma das quais
sujeita a erros;
b) erros analticos: so decorrentes da diferena entre o resultado da
anlise e a concentrao na amostra original. Segundo Waeny (1979), os
erros analticos podem ser sistemticos ou aleatrios. Os erros
sistemticos so aqueles que afetam as anlises de maneira uniforme e
decorrem da imperfeio dos instrumentos, da incorreo da tcnica
analtica, da impureza dos reagentes e de outros pequenos problemas,
todos passveis de controle ou atenuao (Waeny 1979). Os erros
aleatrios, segundo o mesmo autor, so os de causa desconhecida, mas
que podem ser localizados quando da anlise peridica de um grupo de
amostras. Independentemente do tipo de erro e do mtodo analtico
utilizado, existem limites de sensibilidade, alm dos quais a determinao
dos valores de concentrao no efetiva;
c) erro total de amostragem: representa a soma dos erros decorrentes das
etapas de amostragem e da preparao da amostra primria.
Variabilidade natural
A variabilidade do fenmeno em estudo, que pode ser medida atravs do
coeficiente de variao (razo da mdia pelo desvio padro do conjunto de
observaes), pode representar a maior fonte de erro. O padro de variao pode
ser regular ou aleatrio.
Resultado
Os resultados da amostragem podem ser representados atravs de medidas
diretas ou indiretas. As medidas diretas podem ser obtidas in situ e/ou sobre a
amostra e as medidas indiretas so obtidas atravs de sensores remotos
(mtodos geofsicos, sensoriamento remoto).
Natureza dos dados

Quanto natureza os dados obtidos da amostragem podem ser classificados em
qualitativos (cor, textura, etc.) e em quantitativos (composio qumica, teor,
densidade, etc.).
Inferncia
A partir dos dados obtidos, os quais esto sujeitos a erros, devemos inferir as
propriedades do todo amostrado ou do fenmeno em estudo. Se no houver
variabilidade, poucas amostras sero suficientes para inferir o todo. Porm, na
presena de variabilidade, a amostragem deve ser rigorosamente planejada para
que, dentro da limitao econmica, seus resultados possam ser estendidos para
o todo com um mnimo de erro. Aqui comea o problema para a geoestatstica,
pois a variabilidade entre as amostras deve ser reconhecida, mensurada e
utilizada para posterior estimativa de pores no amostradas. Entretanto, antes
de introduzir a geoestatstica necessrio passar pela fase de preparao e
analise estatstica dos dados.
3 PREPARAO DE DADOS
As amostras podem ser coletadas de diversas formas (amostras de mo,
fragmentos, canal, furos de sonda, etc.), nas quais deve-se garantir que
apresentem o mesmo tamanho e massa. Por exemplo, amostras de mo de 2 kg,
amostras de canal coletadas a cada 20 cm, testemunhos de sondagem a cada 2
m e, assim por diante. Porm, pelos motivos expostos a seguir, as amostras de
furos de sonda necessitam de preparao para regularizar o intervalo de
amostragem.
3.1 Composio de amostras de furos de sonda
Geralmente o intervalo de amostragem nos furos de sonda no
corresponde ao intervalo de trabalho na fase de avaliao de reservas, embora
tenha sido necessrio analisar as amostras segundo o intervalo de amostragem,
sempre menor que o intervalo de trabalho. Justifica-se isto frente necessidade
de reconhecer e delimitar possveis zonas ricas dentro da jazida. Alm disso, as
amostras individuais dos furos de sonda podem variar bastante em tamanho,
comprimento e peso. Assim, a composio de amostras pelo agrupamento delas
para o intervalo de trabalho, definido segundo a caracterstica que se quer
analisar, produzir dados mais homogneos e, portanto, com maior facilidade de
interpretao. importante especificar a unidade de amostragem utilizada na
avaliao de reservas, pois, segundo Kim (1990), muitos problemas surgem pela
no especificao da unidade de amostragem. Por exemplo, se uma jazida
avaliada com base na populao de amostras de furos de sonda rotativa a
4
diamante, a produo da mina provavelmente no corresponder s estimativas

feitas, simplesmente porque a jazida no lavrada com furos de sonda rotativa a
diamante (Kim 1990). Segundo Barnes (1980), o objetivo de se fazer
composies de amostras obter amostras representativas de uma unidade
mineralgica particular ou unidade de minerao. Segundo o mesmo autor, a
unidade de amostragem especificada no planejamento da amostragem e inclui o
tamanho e modo de retirada fsica da amostra, assim como o intervalo de valores
a ser analisado. O resultado da composio de amostras de furos de sonda
expresso como mdia ponderada do teor pelas espessuras selecionadas para o
intervalo de trabalho, como mostra a equao a seguir:
n
tc =
ti ei
i =1
n
(1)
ei
i =1
onde: n o nmero de trechos para compor o intervalo de trabalho; ti o teor do

i-simo trecho; ei a espessura do i-simo trecho.
Existem muitos tipos de depsitos minerais, cada um dos quais ir requerer
um tratamento especial dos dados amostrados para a obteno dos melhores
intervalos de composio para avaliao de depsito (Barnes, 1980).
Basicamente, os tipos de composies possveis em amostras de furos de sonda
para o intervalo de trabalho so:
-
bancadas;
zona mineralizada.
Entretanto, vamos considerar apenas a composio por bancadas que o

caso mais comum de regularizao de dados e no depende de interpretao
prvia dos dados.
3.1.1 Composio por bancadas

O procedimento da composio por bancadas, indicado para se fazer a
avaliao de reservas em depsitos cuja lavra se dar a cu aberto. A
composio por bancadas feita aplicando-se a equao (1), onde as espessuras
reais ou aparentes foram determinadas a partir de diferenas entre profundidades,
dentro dos limites de cada bancada. No caso de furos inclinados, as espessuras
so aparentes e o comprimento composto (CC) ser maior que a altura da
bancada, sendo tanto maior quanto menor a inclinao do furo, conforme
ilustrao na Figura 1.
O comprimento composto (CC) pode ser calculado como:
CC =
altura da bancada
sen
Deve-se, em casos de furos inclinados, limitar a inclinao mnima que

pode ser aceita para composies por bancadas, pois, por exemplo, para furos
com inclinaes de 30o, o comprimento composto ser de 2 vezes a altura da
bancada, como mostra a Tabela 1. Como recomendao, deve-se considerar
esse ngulo mnimo igual a 20o, pois este valor j d um comprimento composto
de aproximadamente trs vezes a altura da bancada. A Figura 2 apresenta os
fatores de multiplicao para inclinaes variveis entre 15 e 75o.
Figura 1: Desenho esquemtico mostrando o clculo do comprimento composto

em furos inclinados para clculo de composies por bancada.
Tabela 1: Fator de multiplicao da altura da bancada para clculo do
comprimento composto em furos inclinados.
Inclinao do furo (o)
15
20
30
45
60
75
fator de multiplicao
3,864
2,924
2,000
1,414
1,547
1,035
Figura 2: Desenho ilustrando o problema da inclinao mnima de furos de sonda

para a composio de amostras por bancadas.
6
Um outro problema relacionado composio de furos inclinados est no

clculo das posies das novas amostras, ou seja, dos intervalos compostos.
Deve-se estabelecer inicialmente se a posio tomada no topo, meio ou p da
bancada. Recomenda-se utilizar sempre o meio da bancada como referncia para
localizao das amostras compostas. Para o clculo das posies das novas
amostras deve-se determinar inicialmente o deslocamento horizontal (DH) das
amostras (Figura 2-3), como a projeo do comprimento composto (CC), como
segue:
DH = CC cos( )
onde: inclinao do furo de sonda em relao horizontal.

As posies das novas amostras nas bancadas podem ser calculadas
recursivamente usando:
X 1 = X 0 + DH sen ( )
Y1 = Y0 + DH cos( )
onde: X1 e Y1 so as coordenadas da posio da nova amostra; X0 e Y0 so as
coordenadas da posio da amostra anterior e o azimute do furo de sonda.
A Figura 3 ilustra o procedimento do clculo das posies das amostras
compostas para a altura das bancadas.
Figura 3: Procedimento para clculo das posies de amostras compostas para a

altura das bancadas: representao do furo em seo (A) e projeo das
coordenadas em planta (B).
A Tabela 2 reproduz o log de um furo de sonda, com o qual pretende-se
ilustrar o clculo de composio por bancadas para o teor de Fe (%).
Tabela 2: Log do furo CP-23.

Profundidade
Descrio
em metros
De
At
0.00
8.35 Aterro da Estrada do Bota Fora
8.35 16.25 WH vermelho
16.25 28.00 WH amarelo com Goethita
28.00 32.43 HA pulverulenta
32.43 37.00 Rocha intrusiva
37.00 43.00 Filito amarelo
43.00 51.01 Filito cinza
Fe (%)
0.000
59.77
0
61.74
0
62.81
0
5.000
0.000
0.000
A Figura 4 apresenta esquematicamente o clculo dos teores compostos

de Fe para as bancadas 1410 e 1420 m.
Figura 4: Exemplo de composio de amostras por bancada para o furo CP-23

(vertical).
Com o objetivo de exemplificar o clculo de teores compostos por bancada
para furos inclinados, considere-se o log de um furo de sonda, conforme os dados
da Tabela 3.
Tomando por base estes dados, o clculo do teor composto de ferro para
bancadas de 10 metros de altura ser como exemplificado na Figura 5.
Tabela 3: Log do furo CP-62.

Profundidade
em metros
de
At
0.00
4.20
4.20 16.40
16.40 26.40
26.40 28.70
28.70 29.72
29.72 33.04
Descrio
Fe (%)
Aterro
0.000
WH vermelho amarronzado
62.000
Hematita cinza escuro frivel
60.000
Rocha intrusiva
Hematita cinza escuro
60.000
Rocha intrusiva com Itabirito cinza 35.000
escuro
33.04 93.43 Itabirito cinza escuro, frivel.
55.000
Figura 5: Exemplo de composio de amostras por bancada para o furo CP-62

(inclinado).
4 ANLISE ESTATSTICA
A anlise estatstica uma etapa importante e deve preceder a anlise
geoestatstica e a estimativa por krigagem ordinria. Esta anlise permite
sumariar os dados obtidos, conferir a base de dados e, inclusive, reconhecer
valores anmalos. Trata-se em conhecer melhor os dados que sero utilizados
para estimativas e inferncias e, portanto, eles devem estar isentos de erros de
digitao. Antes de introduzir os conceitos estatsticos, seria interessante rever
brevemente alguns conceitos de variveis aleatrias e probabilidade.
9
4.1 Conceitos de variveis aleatrias e probabilidade

Vamos introduzir e rever alguns conceitos importantes sobre variveis
aleatrias e probabilidade, antes de passar anlise estatstica propriamente dita.
Variveis aleatrias
Uma varivel cujo valor determinado pela realizao de um experimento
denominada varivel aleatria. As variveis aleatrias podem ser subdivididas em
duas classes: discretas e contnuas.
Variveis aleatrias discretas

Uma varivel aleatria discreta aquela que tem um nmero contvel de
realizaes possveis. Exemplo: cor do solo, segundo uma escala padro de
cores.
Variveis aleatrias contnuas

Uma varivel aleatria contnua aquela que pode assumir qualquer valor num
segmento contnuo da linha dos nmeros reais. Exemplo: teores, massas,
volumes so geralmente medidos em uma escala contnua.
Notao
Letras maisculas sero usadas para referir as variveis aleatrias. Exemplo: X,
representando o teor de slica em minrio de ferro. Letras minsculas referem-se
a um valor especfico da varivel aleatria. Exemplo: x=3.23 %, o teor de slica
em uma amostra especfica.
Probabilidade de realizaes igualmente possveis

Se A e B so eventos do espao amostral S, ento a probabilidade do evento A,
P(A) igual freqncia do evento A (realizaes simples igualmente possveis)
sobre n o tamanho da amostra:
P ( A) =
fA
n
10
e, similarmente:
P (B ) =
fB
n
Ento:
1) 0 P( A) 1 e 0 P(B ) 1
2) P(S ) = 1
3) Se A e B so eventos mutuamente exclusivos, ou seja, no podem ocorrer
simultaneamente (AB=0), ento P( A B ) = P( A) + P(B ) .
Distribuio de probabilidade
As probabilidades p(x1), p(x2), ... ,p(xn) associadas aos valores possveis x1, x2, ...
,xn de uma varivel aleatria X constituem a distribuio de probabilidade de X.
Funo de probabilidade
Ao conjunto de pares ordenados (xi, p(xi)) denomina-se funo de probabilidade
de X.
Funo densidade de probabilidade

Determina as probabilidades tericas associadas s variveis aleatrias
contnuas. A funo densidade de probabilidade permite calcular a probabilidade
da varivel aleatria estar no intervalo finito [a,b] como segue:
b
P(a x b ) = f ( x')dx'
a
Funo de distribuio acumulada

D a probabilidade para a varivel aleatria x ser menor ou igual a x:
x
P( x' x ) = F ( x ) = f ( x')dx'
11
4.2 Representaes grficas de variveis aleatrias
As observaes amostradas de uma varivel aleatria podem ser

representadas graficamente com o objetivo de estudar a sua distribuio dentro
do intervalo amostrado. As representaes grficas mais utilizadas so o
histograma e a curva acumulativa.
Histograma
A anlise estatstica comea pelo estudo da distribuio de freqncias, a

qual descreve como as unidades de uma populao esto distribudas sobre o
intervalo amostrado. A distribuio de freqncias pode ser do tipo simples ou
acumulada.
A distribuio de freqncias do tipo simples construda tabulando-se os
dados de alguma caracterstica medida do depsito (teor, espessura, etc.) em
intervalos constantes; os dados assim agrupados podem ser representados
graficamente na forma de histograma, lanando-se os intervalos de medida em
abscissa e as freqncias em ordenada. A Figura 6 apresenta um histograma
para uma varivel aleatria tipicamente encontrada na anlise de dados
geolgicos. O histograma proporciona uma representao grfica que permite
visualizar a distribuio dos dados.
25
20
15
10
5
0
0.5
1.0
1.5
2.0
Valores dos dados
Figura 6: Histograma para uma varivel aleatria tpica de dados geolgicos.
Curva acumulativa
O procedimento para obteno de freqncias acumuladas o mesmo que
o do tipo anterior, porm as freqncias dos dados agrupados nos intervalos so
agora acumuladas. A curva acumulativa a representao grfica obtida do
lanamento das freqncias acumuladas em ordenada e os intervalos de medida
12
em abscissa. A simples unio dos pontos sobre a curva acumulativa, com

segmentos de reta, gera o polgono de freqncias acumuladas. Entretanto, este
tipo de representao no tem sido utilizado, pois no permite determinar com
preciso o valor da varivel de interesse para um determinado percentil, ou viceversa. Assim, mais recentemente as curvas acumulativas tm sido construdas a
partir das freqncias acumuladas de todos os dados do conjunto amostrado.
Nesse caso, as freqncias simples so calculadas para todos os valores
observados individualmente, atribuindo-se uma freqncia igual a 1/n. As
freqncias simples assim obtidas podem ento ser acumuladas gerando as
freqncias acumuladas.
As freqncias acumuladas so geralmente lanadas em escala de
probabilidade aritmtica, que tem a propriedade de identificar graficamente se a
distribuio em estudo segue uma distribuio normal (os pontos devero estar
alinhados sobre uma reta). A escala de probabilidade aritmtica utilizada
freqentemente para a representao grfica de distribuies de freqncias
acumuladas, pois permite determinar rapidamente se a distribuio em estudo
normal ou lognormal. Esta escala obtida da integrao da funo densidade de
probabilidade da distribuio normal de - a X:
X
P( X ) = f ( x )dx
P(X) a probabilidade acumulada de - a X, ou a uma porcentagem em relao

rea total da curva, e corresponde porcentagem acumulada na escala de
probabilidade aritmtica, como ilustrado na Figura 7.
Se a distribuio de freqncias acumuladas for do tipo normal ou
aproximar-se dele, os pontos devero alinhar-se numa reta, quando lanados em
grfico de probabilidade aritmtica (abscissa em escala aritmtica). Contudo, se
os pontos desenharem um S, significa que a distribuio no normal e deve
ser testada a hiptese de lognormalidade, lanando-se os pontos em grfico de
logprobabilidade aritmtica (abscissa em escala logartmica). Se os pontos
alinharem-se em torno de uma reta significa que a distribuio lognormal.
Assim, possvel verificar graficamente se a distribuio normal ou
lognormal, representando a distribuio de freqncias acumuladas em grficos
de probabilidade ou logprobabilidade aritmtica, respectivamente.
13
Figura 7: A escala de probabilidade aritmtica resultando da integrao da funo

densidade de probabilidade da distribuio normal.
% ACUMULADA
A Figura 8 apresenta uma curva acumulativa para a mesma varivel

aleatria representada no histograma da Figura 6.
99.99
99.95
99.90
99.50
99.00
95.00
90.00
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
5.00
1.00
0.50
0.10
0.05
0.01
0.5
1.0
1.5
2.0
Valores dos dados
Figura 8: Curva acumulativa para os valores da varivel aleatria tpica

representada no histograma da Figura 6.
14
4.3 Estatsticas descritivas de variveis aleatrias

As distribuies de freqncia apresentam caractersticas intrnsecas ao
fenmeno em estudo, por exemplo, com menor ou maior variabilidade. As
estatsticas descritivas so utilizadas para caracterizar numericamente as
distribuies de freqncia. Estas estatsticas podem ser obtidas atravs de:
medidas de tendncia central, medidas de disperso e medidas de forma da
curva.
4.3.1 Medidas de tendncia central

Ao se estudar uma distribuio de freqncias, o objetivo determinar o
valor mais provvel dessa distribuio, que pode ser encontrado a partir de
medidas de tendncia central: mdia, mediana e moda.
Mdia
A mdia ou esperana matemtica de uma varivel aleatria X definida

como:
E [ X ] = x i p ( xi )
n
i =1
onde: p( xi ) a probabilidade associada ocorrncia de xi .

Se os valores x1 , x 2 ,L, x n representam os valores possveis e estes so
igualmente possveis ( p( x1 ) = p( x 2 ) = L = p( x n )) , ento a mdia torna-se:
E [ X ] = X = xi
n
i =1
1 1 n
= xi
n n i =1
Propriedades da mdia
Tem-se a seguir algumas propriedades associadas mdia (Fonseca &
Martins, 1982, pgs. 40-41):
a) a mdia de uma constante a prpria constante;
15
E [K ] = K
b) a mdia de uma varivel aleatria X, multiplicada por uma constante,

igual a constante multiplicada pela mdia de X;
E [KX ] = K .E [X ]
c) a mdia da soma ou diferena de duas variveis aleatrias a soma ou

diferena das mdias;
E [X Y ] = E [ X ] E [Y ]
d) a mdia de uma varivel aleatria somada ou subtrada de uma

constante igual mdia dessa varivel somada ou subtrada da mesma
constante;
E [X K ] = E [X ] K
Observao: esta propriedade particularmente importante para transformao

de variveis visando ajustar a sua mdia sem, contudo, alterar a varincia.
e) a mdia de uma varivel aleatria subtrada de sua prpria mdia zero;
E X X =0
Mediana
A mediana corresponde ao valor da varivel aleatria a 50% da distribuio
acumulada de freqncias. No exemplo da Figura 7, o valor da varivel aleatria
correspondente a 50% igual a 1,204.
Moda
A moda corresponde classe mais freqente verificada no histograma.
Para o exemplo da Figura 6, a moda corresponde classe 1,2 1,3. Quando
duas modas so verificadas, com as mesmas freqncias, ento a distribuio
bimodal.
16
4.3.2 Medidas de disperso

Da mesma forma que existem vrias maneiras para medir a tendncia
central dos dados, h tambm vrias maneiras para medir a disperso em torno
da mdia: varincia e desvio padro, coeficiente de variao e Teorema de
Chebyshev.
Varincia e desvio padro
A disperso dos valores em torno da mdia medida pela varincia, que

determinada como:
Var [X ] = ( xi X ) 2 p ( xi )
n
i =1
Novamente, assumindo as probabilidades de ocorrncia dos n valores

possveis iguais entre si, ou seja, iguais a 1/n, tem-se:
Var [ X ] = S 2 = ( xi X ) 2
n
i =1
1 1 n
= xi X
n n i =1
que a equao usual da varincia, ou desenvolvendo-a, tem-se:
[ ]
S 2 = E X 2 E[X ]
O desvio padro simplesmente a raiz quadrada da varincia e expresso

na mesma unidade dos valores originais.
Propriedades da varincia
As propriedades associadas varincia, segundo Fonseca & Martins
(1982) so:
a) a varincia de uma constante zero;
Var [K ] = 0
17
b) a varincia de uma varivel aleatria multiplicada por uma constante

igual a varincia da varivel aleatria multiplicada pelo quadrado dessa constante;
Var [KX ] = K 2Var [ X ]

c) a varincia de uma varivel aleatria somada ou subtrada de uma
constante igual varincia da varivel aleatria;
Var [ X K ] = Var [X ]
d) a varincia da soma ou diferena entre duas variveis aleatrias

independentes a soma das respectivas varincias.
Var [X Y ] = Var [ X ] + Var [Y ]
Coeficiente de variao
O coeficiente de variao, que uma outra medida de disperso, obtido

pela diviso do desvio padro pela mdia:
CV =
S
X
Como o coeficiente de variao adimensional, ele freqentemente

utilizado para comparar a disperso relativa de valores em torno da mdia entre
diferentes distribuies, como, por exemplo, para comparao e classificao de
depsitos minerais segundo a variabilidade natural, medida por meio desta
estatstica.
Teorema de Chebyshev
De acordo com o Teorema de Chebyshev, para qualquer funo densidade
de probabilidade, a proporo da varivel aleatria dentro de K desvios padro
1
em torno da mdia sempre no mnimo 1 2 , onde K qualquer nmero
K
positivo maior que 1. A Tabela 4 mostra a proporo de Chebyshev para alguns
valores de K.
18
Tabela 4: Proporo de Chebyshev da varivel aleatria estar dentro de K

desvios padro em torno da mdia.
K
2
3
4
1
K2
0.75
0.89
0.94
4.3.3 Medidas de forma

As distribuies de freqncias podem ser caracterizadas tambm quanto
forma, atravs das medidas de assimetria e curtose.
Assimetria
Assimetria a medida do grau de simetria de uma distribuio de

freqncias em torno da mdia, a qual pode apresentar uma assimetria positiva
se a cauda da distribuio estiver direita da mdia e negativa se estiver
esquerda. A assimetria positiva observada na maioria das distribuies de
freqncias de variveis de depsitos minerais com alta variabilidade natural
(metais raros, ouro, urnio, etc.). O coeficiente de assimetria pode ser calculado a
partir do terceiro momento centrado na mdia:
n
CA= ( xi X ) 3 / S 3
i =1
Curtose
A curtose a medida do grau de achatamento de uma distribuio em

relao distribuio normal (Spiegel, 1967), que reflete a disperso dos valores
em torno da mdia. O coeficiente de curtose calculado a partir do quarto
momento em torno da mdia:
n
CC = ( xi X ) 4 / S 4
i =1
19
4.4 Modelos probabilsticos contnuos

Sero apresentados neste item os principais modelos probabilsticos
utilizados para descrever o comportamento de variveis aleatrias contnuas
encontradas na anlise de dados geolgicos. Tais modelos so representados
pela distribuio normal e lognormal.
4.4.1 Distribuio normal

A distribuio normal ou gaussiana a mais comumente utilizada em
estatstica, pois sob esta forma de distribuio de freqncias encontra-se um
grande nmero de variveis aleatrias em muitos campos de aplicao.
A funo densidade de probabilidade, que descreve matematicamente esta
distribuio, dada por:
f ( x )=
e 1 / 2[( x ) / ]
(2)
onde: f ( x ) a funo densidade de probabilidade; x uma observao; e

so respectivamente a mdia e o desvio padro que definem a forma da curva.
A Figura 9 apresenta os grficos da funo densidade de probabilidade,
nos quais encontram-se delimitadas as reas correspondentes a 68, 95 e 99,7%
da distribuio, ou seja, equivalentes aos intervalos , 2 e 3,
respectivamente.
Figura 9: Grficos da funo densidade de probabilidade da distribuio normal

para reas correspondentes a 68% (A); 95% (B) e 99,7%(C) de distribuio.
A Tabela 5 compara as propores de Chebyshev para qualquer varivel

aleatria com a varivel aleatria normal.
20
Tabela 5: Valores de probabilidade que x est no intervalo K desvios padro em

torno da mdia (Exell, 1998).
1
2
3
4
Qualquer
varivel
aleatria
n.d.
0.75
0.8889
0.9375
Varivel
aleatria
normal
0.68
0.95
0.997
0.99994
Desta tabela pode-se concluir que de todas as variveis aleatrias

possveis com a mesma varincia, a varivel aleatria contnua a que est mais
concentrada em torno da mdia (Exell, 1998), da a sua grande utilidade na
prtica.
As reas sob a distribuio normal podem ser facilmente calculadas
integrando-se a funo densidade de probabilidade [equao (2)], por exemplo,
da posio X at +, resultando na rea Q(X), como ilustrado na Figura 10.
Assim, pode-se calcular as reas sob a distribuio normal entre 0 e 3,49
resultando numa forma de tabela da distribuio normal (Anexo 1).
A distribuio normal , sem dvida, a distribuio terica mais utilizada na
prtica, pois matematicamente conveniente de se trabalhar com ela, uma vez
que suas propriedades so bastante conhecidas. Em geral, a grande maioria das
variveis aleatrias segue uma distribuio normal ou, no mnimo
aproximadamente normal. Mesmo para observaes que no apresentam uma
distribuio normal, esta pode ser aplicada se o problema puder ser resolvido
considerando o comportamento de uma varivel formada pelo clculo da
estatstica de um conjunto de observaes, ao invs das observaes originais
(vide Teorema do Limite Central).
Figura 10: Grfico da distribuio normal mostrando a rea correspondente a

integral da funo densidade de probabilidade de X +.
21
4.4.2 Distribuio lognormal

A distribuio lognormal um tipo encontrado em muitos problemas de
avaliao de reservas (principalmente em casos de metais raros), caracterizandose por uma distribuio com assimetria positiva, onde ocorre uma grande
quantidade de valores baixos e uns poucos valores altos. Formalmente, a
distribuio lognormal definida como uma distribuio contnua caracterizada
pela propriedade dos logaritmos das observaes seguirem uma distribuio
normal (Koch & Link, 1971).
A funo densidade de probabilidade da distribuio lognormal dada por:
f ( x )=
1
x 2
e 1 / 2[(log x ) / ]
(3)
onde: a mdia dos logaritmos de x; o desvio padro dos logaritmos de x

em relao a .
Os dois parmetros e 2 definem a forma da curva de distribuio de
probabilidades. A distribuio lognormal sempre assimtrica para a direita
(assimetria positiva), sendo que o grau de assimetria depende somente do valor
de 2, que corresponde varincia dos logaritmos das observaes (Koch & Link,
1971). O objetivo bsico da transformao no linear (logartmica) observada na
equao (3) , segundo Koch & Link (1971), a mudana da forma da distribuio
para uma distribuio normal ou aproximadamente normal. Entretanto, algumas
distribuies de freqncias apresentam-se aps a transformao logartmica
com certa assimetria negativa (assimtrica para a esquerda), que pode ser
corrigida pela adio de uma constante - o terceiro parmetro - s observaes
originais, antes da transformao logartmica (Krige, 1978).
A funo densidade de probabilidade da distribuio lognormal a trs
parmetros descrita por:
f ( x )=
1
( x + C ) 2
e 1 / 2[(log( x +C ) ) / ]
A constante C - terceiro parmetro da distribuio lognormal - pode ser

estimada, segundo Landim (1985), como:
C=
M 2 p1 p 2
p1+ p 22M
22
onde: M a mediana, ou seja, o valor de teor correspondente a 50% da

distribuio; p1 o valor de teor correspondente a um percentil entre 5 e 20%; p2
o valor de teor correspondente a um percentil entre 100-p1.
Na Figura 11, tem-se as curvas de distribuio lognormal com e C iguais
a zero e para trs valores de 2 (2, 0,5 e 0,1).
Figura 11: Curvas de distribuio lognormal com e C iguais a zero e trs valores
de 2, segundo Aitchison & Brown (1957, apud Koch & Link, 1971).
4.5 Teorema do Limite Central
Segundo Barnes (1980), o Teorema do Limite Central um dos mais

importantes teoremas da estatstica matemtica relacionada a distribuies de
freqncias de amostragem e pode ser enunciado como: "Se amostras aleatrias
de tamanho fixo so retiradas de uma populao cuja distribuio terica de
forma arbitrria, mas com mdia e varincia finitas, a distribuio das amostras
tende mais e mais a uma distribuio normal com mdia e varincia 2/n tanto
quanto o tamanho das amostras aumenta.
Se X1, X2, ..., Xn so valores de uma varivel aleatria, a mdia X :
X =
( X 1 + X 2 + ... + X n )
n
O valor esperado de X , usando as propriedades (b) e (c) da mdia, :
[ ]
EX =
1
(E[X 1 ] + E[X 2 ]+ .... + E[X n ])
n
ou
23
[ ]
EX =
1
(n. ) =
n
onde a mdia populacional

A varincia de X calculada como:
[ ]
Var X = Var [( X 1 + X 2 + .... + X n ) / n ]
aplicando-se as propriedades (b) e (d) da varincia tem-se:
[ ]
[ ]
2
2
n = / n
1
Var X = (Var[X 1 ] + Var [X 2 ] + ....Var[ X n ])
n
ou
1
Var X = 2
n
A distribuio de X tem mdia e varincia 2/n que se aproxima da

distribuio normal tanto quanto aumenta o tamanho da amostra. Na maioria dos
casos a aproximao boa a partir de 40 amostras.
A Figura 12 ilustra muito bem o que enuncia o Teorema do Limite Central.
Amostras aleatrias de tamanho fixo so retiradas de distribuies arbitrrias
(Figura 12A), a partir das quais tem-se: as distribuies das mdias para 2
amostras (Figura 12B), para 4 amostras (Figura 12C) e para 25 amostras (Figura
12D). Observe-se que a mdia das amostras tende a e varincia 2/n, tanto
quanto aumenta o tamanho das amostras. As mdias praticamente permanecem,
enquanto as varincias diminuem na proporo da raiz quadrada do nmero de
amostras.
As n amostras da varivel aleatria X so, na verdade, em problemas de
avaliao de reservas, os teores de n blocos de cubagem que compem o
depsito mineral em avaliao. O teor mdio no bloco de cubagem determinado
como a mdia ponderada dos teores de amostras de furos vizinhos. O ponderador
variar de acordo com o mtodo escolhido na avaliao de reservas, seja ele
convencional ou computacional. Portanto, o teor mdio do depsito ser igual
mdia dos teores calculados nos blocos de cubagem, como est assegurado pelo
Teorema do Limite Central. Por isso, o teor mdio do depsito, desde que as
informaes coletadas estejam bem representadas no mesmo, pode ser
determinado com preciso, pois mesmo com a alterao da dimenso do bloco, o
teor mdio dever se manter na mesma faixa de valores, enquanto a varincia
diminuir com o tamanho do bloco de cubagem.
24
4.6 Intervalo de confiana da mdia
Calculado o valor mdio da varivel de interesse, pode-se determinar o

intervalo de confiana associado ao mesmo, a um determinado nvel de
confiana.
O intervalo de confiana pode ser calculado a partir da estatstica t:
t=
X
S
n
(A)
(B)
(C)
(D)
Figura 12: Populaes arbitrrias (A), das quais so selecionadas aleatoriamente

amostras de tamanho fixo: n=2 (B); n=4 (C) e n=25 (D), segundo Lapin (1982,
apud Davis, 1986).
25
que tem uma nova distribuio de amostragem.

A expresso para o intervalo de confiana da mdia populacional ao nvel
de confiana de 90% :
X t 5%
s
n
< < X + t 5%
s
n
A distribuio t simtrica e depende somente do nmero de graus de

liberdade, que no caso, da estimativa da mdia, igual a n-1 (n=nmero de
amostras). O Anexo 2 apresenta os valores crticos de t para alguns nveis de
significncia.
Quando o nmero de graus de liberdade tende ao infinito, a distribuio t
tende distribuio normal, como est ilustrado na Figura 13. Observe-se que o
valor crtico de t com graus de liberdade tendendo ao infinito, a um nvel de
significncia de 10%, corresponde varivel aleatria padronizada da distribuio
normal para uma rea equivalente a 10% (Anexo 1).
Figura 13: Distribuio t de Student para vrios graus de liberdade.

26
4.7 Correlao e regresso
Muitas vezes necessrio estudar a relao mtua entre duas variveis

aleatrias (X e Y) com o objetivo de verificar se elas encontram-se
correlacionadas ou no, por exemplo, para o clculo de co-estimativas. Para isso
necessita-se das estatsticas que correlacionem duas variveis aleatrias.
Covarincia
A varincia mede a disperso de uma varivel aleatria X em torno da sua
mdia X , enquanto a covarincia mede a disperso ou como encontram-se
correlacionadas duas variveis aleatrias simultaneamente:
Cov( X , Y ) = E [(X X )(Y Y )] ,

que pode ser desenvolvida como:
Cov( X , Y ) = E [ XY ] E [X ]E [Y ]
Observe-se que ao contrrio da varincia que sempre positiva, a

covarincia pode ser positiva ou negativa, dependendo da relao existente entre
as variveis aleatrias.
Coeficiente de correlao
O resultado da covarincia nem sempre de fcil interpretao, pois
depende dos valores associados s variveis aleatrias X e Y. Assim, comumente
utiliza-se de outra medida derivada da covarincia denominado coeficiente de
correlao, conforme a seguinte expresso:
Corr ( X , Y ) =
Cov( X , Y )
Var ( X )Var (Y )
que tem a vantagem de estar normalizado no intervalo 1 a +1. Um valor prximo

de zero indica a falta de correlao entre as duas variveis.
27
Reta de regresso
Dado um conjunto de pares ordenados {xi, yi, i=1,n}, pode-se determinar a
relao funcional y = f ( x ) , atravs do mtodo dos mnimos quadrados. Vamos
exemplificar neste item a obteno da reta dos mnimos quadrados: y = a + bx .
Segundo este mtodo, a diferena elevada ao quadrado entre os valores
observados (y) e calculados (y*) deve ser a mnima possvel. Assim, devemos
minimizar:
n
S = y i y i
i =1
onde y i = a + bxi e, portanto:

n
S = ( y i a bxi )
i =1
Para encontrarmos o mnimo de S com relao aos coeficientes (a, b),

calculamos as derivadas parciais e igualamos a zero:
dS n
= 2( y i a bxi )( 1) = 0
da i =1
dS n
= 2( y i a bxi )( xi ) = 0
db i =1
desenvolvendo, tem-se:
n
i =1
i =1
i =1
a 1 + b xi = y i
i =1
i =1
i =1
a xi + b xi2 = xi yi
Por fim, os coeficientes procurados so:
n
y i b xi
a=
i =1
i =1
b=
Cov( X , Y )
Var [ X ]
28
5 ANLISE GEOESTATSTICA
Na estatstica trabalhamos com realizaes de variveis aleatrias; na
geoestatstica trabalhamos com as funes aleatrias onde as amostras so
vistas como realizaes de uma varivel aleatria que, por sua vez, funo das
coordenadas espaciais. A geoestatstica envolve a anlise e predio de
fenmenos espaciais ou temporais, tais como: teores de minrio, porosidades,
concentrao de poluentes, preo do petrleo no tempo, etc. etapa de estudo e
modelagem da correlao espacial denomina-se anlise geoestatstica. desta
anlise que se obtm a ferramenta bsica da estimativa por meio da krigagem
ordinria, que o variograma. Aps a anlise geoestatstica, pode-se fazer
predies ou simulaes estocsticas em pontos no amostrados para melhor
compreenso do fenmeno espacial em estudo.
Com o modelo de variograma reconhecem-se anisotropias (feio
particular dos mtodos geoestatsticos), bem como uma idia da variabilidade a
pequenas distncias dada pelo comportamento prximo origem.
Cabe salientar que a krigagem, como mtodo de estimativa da varivel de
interesse, s deve ser utilizada quando o variograma experimental for estruturado,
ou seja, se a variabilidade no for totalmente aleatria (efeito pepita puro).
5.1 Por qu variveis regionalizadas?
As variveis regionalizadas, que representam os valores de variveis

referenciadas
geograficamente,
foram
introduzidas
para
descrever
quantitativamente variaes espaciais em corpos de minrio.
Este item, baseado no trabalho de Royle (1979), justifica porque as
variveis regionalizadas so dependentes de suas posies espaciais relativas e
tambm mostra como se pode medir as variaes espaciais.
Para o desenvolvimento deste item, sero consideradas as seguintes
sries de nmeros:
Srie A:
Srie B:
As caractersticas estatsticas dessas duas sries de nmeros, medidas

atravs da mdia e varincia (Tabela 6), so idnticas, pois apresentam os
mesmos valores. Entretanto, essas duas sries so bem diferentes, pois resultam
de dois tipos distintos de mineralizao.
Tabela 6: Estatsticas medidas para as duas sries de nmeros.
Srie
A
B
Mdia
5
5
Varincia
6,67
6,67
29
Assim, as estatsticas, obtidas por mtodos clssicos, no conseguem

reconhecer a diferena existente entre as duas sries em estudo, pois consideram
as amostras independentes entre si. Por outro lado, se fosse considerada a
posio espacial relativa de cada amostra, poder-se-ia distinguir as duas sries
de nmeros. Uma possibilidade seria medir a diferena entre os valores de
amostras separadas por uma determinada distncia. Como a simples soma das
diferenas tenderia a anular-se, optou-se pela soma do quadrado das diferenas,
que dividido pelo nmero de pares d sentido a uma medida de varincia, com
significado espacial, pois dependente da distncia utilizada. A varincia espacial
pode ser calculada para vrias distncias, ou para vrios intervalos de
amostragem, como segue:
varincia espacial para um intervalo de amostragem:
[
B : [(1 3)
]
+ (4 2 ) ]/ 8 = 3,63
A : (1 7 ) + (7 3) + (3 6 ) + (6 2 ) + (2 9 ) + (9 4 ) + (4 8) + (8 5) / 8 = 22
2
+ (3 5) + (5 7 ) + (7 9 ) + (9 8) + (8 6 ) + (6 4 )
2
varincia espacial para dois intervalos de amostragem:
[
B : [(1 5)
]
+ (8 4 ) ]/ 7 = 12,86
A : (1 3) + (3 2 ) + (2 4 ) + (4 5) + (7 6 ) + (6 9 ) + (9 8) / 7 = 3
2
+ (5 9 ) + (9 6 ) + (6 2 ) + (3 7 ) + (7 8)
2
e, assim sucessivamente.
Calculando-se a varincia espacial at quatro intervalos de amostragem
tem-se os resultados mostrados na Tabela 7.
Tabela 7: Varincias espaciais para as sries A e B, determinadas at quatro
intervalos de amostragem.
intervalo de
amostragem
1
2
3
4
var. esp. A
var. esp. B
22,00
3,00
23,67
3,80
3,63
12,86
23,83
29,60
Os dados da Tabela 7, podem ser representados sob forma grfica,

lanando-se as varincias espaciais em funo dos intervalos de amostragem,
como est mostrado na Figura 14.
30
Figura 14: Varincia espacial em funo dos intervalos de amostragem para as

sries A e B.
Observando-se o grfico da Figura 14, verifica-se que a srie A muito
errtica, enquanto a srie B mais uniforme. Na srie B, as varincias espaciais
aumentam conforme o intervalo de amostragem, pois a correlao entre os
valores diminui com a distncia. Esse comportamento seria desejado em todos os
corpos de minrio, dentro de alguma escala de amostragem. Uma maneira prtica
para verificar se h correlao espacial nos dados, segundo Bon (1979),
calcular a varincia espacial para um intervalo de amostragem e comparar com a
varincia amostral; se a varincia espacial for menor, ento h correlao, caso
contrrio no h. Veja, por exemplo, que na srie B, a varincia espacial para um
intervalo de amostragem igual a 3,63 para uma varincia amostral de 6,67,
portanto, com boa correlao espacial, enquanto para a srie A, a mesma
varincia igual a 22,00, ou seja, no apresenta correlao espacial.
5.2 Variveis regionalizadas

Uma varivel regionalizada qualquer funo numrica com uma
distribuio espacial, que varia de um lugar a outro com continuidade aparente,
mas cujas variaes no podem ser representadas por uma funo determinstica
(Blais & Carlier, 1968 apud Olea, 1975). O termo varivel regionalizada foi
escolhido por Matheron (1965, apud Huijbregts, 1975) para enfatizar as feies
particulares dessas variveis.
Em geologia, todas as observaes quantitativas feitas em duas ou trs
dimenses (rea ou volume, respectivamente), sejam elas geoqumicas,
geofsicas, sedimentolgicas, etc., podem ser consideradas como exemplos de
variveis regionalizadas.
A definio de uma varivel regionalizada como uma varivel distribuda no
espao puramente descritiva e no envolve qualquer interpretao
probabilstica. Uma varivel aleatria aquela que recebe um certo nmero de
valores, de acordo com uma certa distribuio de probabilidades (Journel &
Huijbregts, 1978). O teor de um elemento num ponto x1 do depsito pode ser
considerado como uma realizao particular de uma varivel aleatria Z(x1)
31
definida no ponto x1. Segundo Journel & Huijbregts (1978), denomina-se funo
aleatria Z(x) o conjunto de teores Z(x) para todos os pontos x dentro do depsito
[i.e. varivel regionalizada Z(x)]. A interpretao probabilstica de uma varivel
regionalizada, como uma realizao particular de uma certa funo aleatria Z(x),
tem um significado operacional quando for possvel inferir toda ou parte da lei de
probabilidades que define essa funo aleatria na sua totalidade (Journel &
Huijbregts, 1978).
A maioria das variveis regionalizadas apresenta um aspecto aleatrio,
consistindo de variaes altamente irregulares e imprevisveis, e um aspecto
estruturado, refletindo as caractersticas estruturais do fenmeno regionalizado
(Kim, 1990). Uma formulao apropriada para soluo de problemas de
estimativa deve levar em considerao essas duas caractersticas aparentemente
contraditrias, por meio de uma representao simples da variabilidade espacial
(Journel & Huijbregts 1978).
A Teoria das Variveis Regionalizadas tem por objetivos o estudo e
representao das propriedades estruturais das variveis regionalizadas para
resoluo de problemas de estimativa.
Hiptese intrnseca
"Um conceito bsico na Teoria das Variveis Regionalizadas a chamada
hiptese intrnseca, a qual implica que uma funo (a funo intrnseca) descreve
o comportamento espacial da varivel regionalizada dentro do espao e que essa
funo uma caracterstica intrnseca da regionalizao. A funo intrnseca na
verdade o chamado semivariograma. Em outras palavras, a geoestatstica
assume que a distribuio das diferenas entre dois pontos amostrais (estatstica
de dois pontos) a mesma para todo o depsito e que ela depende apenas da
distncia e orientao entre os pontos. Essa a conceituao geoestatstica da
hiptese intrnseca, algumas vezes referenciada como hiptese de quaseestacionaridade. A variao espacial estacionria se ela puder ser reconhecida
em todas as partes do espao, ou seja, o variograma o mesmo onde quer que
se amostre. A estacionaridade usada na Teoria das Variveis Regionalizadas a
estacionaridade de segunda ordem das diferenas entre a varivel Z(x) e a
varivel Z(x+h) nos pontos (x) e (x+h), onde (Z(x); x D) um processo
estocstico a valores reais, definido sobre um domnio D em R, R2 ou R3", in IPT
(1989).
Caractersticas qualitativas das variveis regionalizadas

Segundo Bubenicek & Haas (1969), as caractersticas qualitativas de
variveis regionalizadas, que os mtodos estatsticos convencionais no
conseguem reconhecer, so:
32
Localizao
Os valores de uma varivel regionalizada so dependentes de suas funes
espaciais relativas dentro do campo geomtrico (depsito). Alm disso, estes
valores so dependentes do tamanho da amostra, forma e orientao (suporte
amostral);
Suporte
Por vezes a varivel regionalizada Z(x) no est definida num ponto, mas sobre
uma rea ou volume centrado em x. A unidade amostral bsica sobre a qual a
varivel medida chama-se suporte (IPT, 1989);
Continuidade
A variao espacial de uma varivel regionalizada pode ser, dependendo do
fenmeno, grande ou pequena, mas deve existir uma certa continuidade ponto a
ponto;
Anisotropias
A regionalizao pode apresentar anisotropias quando apresenta variaes
graduais numa direo e rpida ou irregular em outra;
5.3 O variograma
O variograma a ferramenta bsica que permite descrever
quantitativamente a variao no espao de um fenmeno regionalizado
(Huijbregts, 1975).
A natureza estrutural de um conjunto de dados (assumido pela varivel
regionalizada) definida a partir da comparao de valores tomados
simultaneamente em dois pontos, segundo uma determinada direo.
A funo variograma 2(h) definida como sendo a esperana matemtica
do quadrado da diferena entre os valores de pontos no espao, separados por
uma distncia h, conforme a seguinte expresso:
2 (h ) = E [Z ( x + h ) Z ( x )]
ou em termos computacionais:
2 (h ) =
1 n
2
. [Z ( x + h) Z ( x)]
n i =1
33
onde: 2(h) a funo variograma; n o nmero de pares de pontos separados

por uma distncia h; Z(x) o valor da varivel regionalizada no ponto x; Z(x+h) o
valor da varivel regionalizada no ponto (x+h). Comumente utiliza-se da funo
semivariograma, que simplesmente a metade da funo variograma:
(h ) =
1 n
2
. [Z ( x + h) Z ( x)]
2n i =1
Imaginava-se a expresso da funo semivariograma como emprica,

conforme proposta por Matheron (1971), mas Journel (1989) mostrou que ela no
nada mais que o momento de inrcia medido num diagrama de disperso entre
os valores de Z(x+h) versus Z(x), como apresenta-se a seguir.
Para o desenvolvimento da relao de dependncia entre valores (xi,yi),
separados por uma distncia h, considere-se o diagrama de disperso da Figura
15, apresentado por Journel (1989).
A distncia di entre o i-simo ponto (xi,yi) e a reta ideal :
d i = xi yi cos 45 o
elevando a distncia ao quadrado tem-se:
d i2 =
1
(xi yi )2
2
Figura 15: Representao do par de pontos (xi,yi) no diagrama de disperso

(Journel, 1989).
Havendo n pares de pontos, pode-se calcular o momento de inrcia em
torno da reta de 45o, como:
xy =
1 n 2
. d i ,
n i =1
34
ou
xy =
1 n 1
1 n
2
2
. ( xi yi ) =
. (xi yi )
2n i =1
n i =1 2
Quanto maior a disperso, maior o momento de inrcia e menor a

correlao. Se no houver disperso - todos os pares de pontos caem sobre a
reta 45o - o momento de inrcia zero e o coeficiente de correlao igual a 1
(mxima correlao).
Como pode ser visto, tem-se uma medida eficiente da dependncia
espacial por meio do momento de inrcia do conjunto de pontos separados por
uma certa distncia em relao reta 45o.
5.4 Relao entre semivariograma e a funo covarincia
Como na Estatstica Clssica, pode-se definir a mdia e a varincia de uma

varivel regionalizada, de acordo com as seguintes relaes:
m = E [Z ( x )]
Var [Z (x )] = E [Z ( x ) m]
A varincia conhecida em notao geoestatstica como C(0), ou seja, a

covarincia para distncia de separao nula.
Da mesma forma, pode-se definir a covarincia C(h), entre pontos
separados por uma distncia h:
C (h ) = E [Z ( x + h ).Z ( x )] m 2
(4)
A funo variograma 2(h) pode tambm ser expressa em termos de

varincia C(0) e da covarincia C(h), de acordo com o seguinte desenvolvimento:
2 (h ) = E [Z ( x + h ) Z ( x )]
(h ) =
1
E Z 2 ( x + h ) 2 Z (x + h ).Z ( x ) + Z 2 (x )
2
aplicando-se as propriedades (b) e (c) da mdia (item 4.3.1) obtm-se:
(h ) =
{[
]}
1
E Z 2 ( x + h ) 2 E [Z ( x + h ).Z ( x )] + E Z 2 ( x )
2
(5)
desenvolvendo-se a expresso da varincia tem-se:

35
C (0 ) = E [Z ( x ) m]
C (0 ) = E Z 2 ( x ) 2 Z ( x ).m + m 2
aplicando-se novamente as propriedades (b) e (c) da mdia (item 4.3.1):
C (0) = E Z 2 (x ) 2mE [Z ( x )] + m 2
como E [Z ( x )] = m , tem-se:
C (0) = E Z 2 ( x ) 2mm + m 2 = E Z 2 ( x ) m 2
ou
E Z 2 ( x ) = C (0) + m 2
(6)
admitindo-se a estacionaridade, ou seja, que a mdia do quadrado da varivel

regionalizada no ponto (x) igual quela no ponto (x+h):
] [
E Z 2 (x ) = E Z 2 (x + h )
(7)
Substituindo-se (4), (6) e (7) em (5), a funo (h) fica:
(h ) =
1
C (0) + m 2 2 C (h ) + m 2 + C (0) + m 2
2
(h) =
1
[2C (0) 2C (h )]
2
portanto:
(h ) = C (0) C (h )
(8)
Como a funo variograma uma medida da varincia das diferenas nos

valores da varivel regionalizada entre pontos separados por uma distncia h,
pontos mais prximos, por estarem correlacionados tero essa varincia
pequena, aumentando medida que os pontos se distanciam. Ao contrrio da
funo covarincia, que grande para distncias pequenas diminuindo medida
que a distncia aumenta, pois esta funo mede a correlao entre pontos
separados por uma distncia h. A funo variograma usualmente representada
sob a forma grfica denominada variograma e a da funo covarincia
36
denominada covariograma. A Figura 16 mostra a relao entre a funo

variograma e a funo covariograma.
Figura 16: Relao entre as funes variograma e covariograma.

O variograma determinado segundo uma direo predefinida, portanto a
funo (h) vetorial. Na prtica faz-se variogramas segundo vrias direes da
jazida, justamente para se conhecer a estrutura da mineralizao. Este
procedimento denominado "anlise estrutural" na literatura (e.g. Huijbregts,
1975; Olea, 1994).
5.5 Propriedades do variograma
A interpretao do variograma permite obter parmetros que descrevem o
comportamento espacial das variveis regionalizadas. As principais propriedades
do variograma, que podem ser vistas na Figura 17, so:
Figura 17: Desenho mostrando um variograma tpico e suas propriedades.
Amplitude
a distncia a partir da qual as amostras passam a ser independentes (Figura
17). Em outras palavras, a amplitude reflete o grau de homogeneizao entre as
amostras, ou seja, quanto maior for a amplitude maior ser a homogeneidade
37
entre as amostras. Nesse sentido, conforme Matheron (1971), o variograma d

um significado preciso da noo tradicional de zona de influncia. A amplitude (a)
a distncia que separa o campo estruturado (amostras correlacionadas) do
campo aleatrio (amostras independentes);
Patamar
o valor de varincia no qual o variograma estabiliza-se (no campo aleatrio);
Efeito pepita
o valor da funo variograma na origem (h=0). Teoricamente esse valor deveria
ser zero, pois duas amostras tomadas no mesmo ponto (h=0) deveriam ter os
mesmos valores; entretanto, quando no assim, atribui-se, esta diferena,
geralmente, a erros de amostragem e/ou anlise. Como os erros analticos so
desprezveis, com os equipamentos disponveis atualmente, o efeito pepita
atribudo a erros de amostragem e/ou variabilidade natural do depsito. O efeito
pepita tambm chamado de varincia aleatria (Figura 17).;
Varincia espacial
dada pela diferena entre a varincia a priori e o efeito pepita (Figura 17);
Zona de influncia
Uma feio resultante da anlise dos parmetros do variograma
experimental a determinao da zona de influncia, que um fenmeno de
transio caracterizado exclusivamente por modelos de variograma que possuem
patamar e amplitude definidos. Portanto, qualquer valor de Z(x) estar
correlacionado com outros valores Z(x+h) que estiverem dentro de um raio a de
x. Esta correlao, ou a influncia de um valor em outro, decresce conforme
Z(x+h) aproxima-se de a.
5.6 Anisotropias
Os variogramas determinados ao longo de diferentes direes da jazida
podem mostrar variaes distintas, como exemplificados pela Figura 18. A
anisotropia pode ser geomtrica (Figura 18A), quando a amplitude varia conforme
as direes, mas sob um patamar constante; zonal (Figura 18B) quando a
amplitude permanece constante e o patamar varia de acordo com a direo; e,
por fim, a anisotropia mista (Figura 18C) onde variam tanto a amplitude quanto o
patamar, ou seja, quando as vrias direes resultam em diferentes variogramas.
38
Figura 18: Anisotropias: geomtrica (A), zonal (B) e mista (C).

A anisotropia pode ser identificada facilmente atravs da confeco e
anlise de variogramas direcionais. Aps ajuste dos modelos, anota-se os valores
de amplitude e patamar, com os quais constri-se uma roscea, qual ajusta-se
uma elipse visando a definio precisa da direo de anisotropia, bem como a
quantificao dos eixos de maior e menor elongao.
Exemplo de anisotropia geomtrica
Num depsito elico a permeabilidade deve ter uma amplitude maior na direo
do vento em relao amplitude na direo perpendicular.
Exemplo de anisotropia zonal
O variograma de um furo de sonda vertical mostra uma patamar maior que na
direo horizontal.
5.7 Comportamento prximo origem
O grau de continuidade da mineralizao dado pelo comportamento do
variograma prximo origem. Assim, quanto a este comportamento podem ser
descritos quatro tipos bsicos, a saber:
Parablico
O variograma descreve uma curva parablica prximo origem (Figura 19A) e
representa um alto grau de continuidade das amostras selecionadas. Este tipo
pode ser exemplificado por um variograma construdo a partir de dados de
espessura de uma camada;
Linear
Caracterizado por um comportamento linear na origem, ou seja, por uma tangente
oblqua origem (Figura 19B), representando uma continuidade mdia das
amostras. Entenda-se por continuidade mdia das amostras como sendo uma
grande homogeneidade destas a pequenas distncias e uma progressiva perda
39
de homogeneidade com o aumento da distncia. Este comportamento tpico de

muitos depsitos minerais metlicos;
Efeito pepita
Este tipo apresenta uma descontinuidade na origem, (Figura 19C). Esta
descontinuidade pode ser reflexo de dois fatores no mutuamente exclusivos erros de medida na amostragem e micro variabilidades;
Efeito pepita puro
um tipo extremo de comportamento do variograma prximo origem (Figura
19D) e reflete a variao espacial de um fenmeno de transio, onde para um
dado valor de patamar a amplitude ter um valor infinitesimalmente menor que as
distncias de observao (Journel & Huijbregts, 1978). O efeito pepita puro um
fenmeno de difcil ocorrncia em mineralizaes, porm ressalta-se que neste
caso no se deve utilizar o mtodo geoestatstico de interpolao. Burguess &
Webster (1980) citam que o termo efeito pepita teve origem na minerao de
ouro, onde a incluso de uma pepita de ouro em uma pequena amostra de um
testemunho de sondagem um evento aleatrio.
Figura 19: Graus de continuidade da mineralizao expressos pelo comportamento do

variograma na origem: alto grau de continuidade (A); mdia continuidade (B): efeito
pepita (C) e efeito pepita puro (D), segundo Bubenicek & Haas, 1969).
5.8 Domnio do variograma

O domnio de definio do variograma chamado campo geomtrico, o
qual implica que o variograma vlido dentro desse domnio e, portanto, se este
for alterado, o variograma deve ser recalculado.
40
O campo geomtrico, considerado geologicamente homogneo, deveria

ser at certo ponto intrnseco ou independente da posio nas caractersticas
representando a variabilidade da varivel regionalizada (Bubenicek & Haas,
1969). Quando esta hiptese verificada, reconhece-se uma lei de disperso
nica no campo mineralizado denominada "lei intrnseca", de acordo com aqueles
autores. Entretanto, esta caracterstica intrnseca no se mantm quando se
move o campo para a zona de borda. Nesta parte a mineralizao no existe e,
por isso, o valor da varivel regionalizada pode ser zero e o conceito de valor
mdio nesse campo de um dado tamanho tornar-se-ia insignificante, como est
ilustrado na Figura 20.
5.9 Clculo de variogramas experimentais
A obteno de variogramas representativos depende fundamentalmente do
nmero de pares de pontos, para diferentes distncias, encontrado numa
determinada direo. Portanto, as direes devem ser especificadas para
colherem o mximo de informaes. Basicamente pode-se obter variogramas
horizontais e verticais, sendo que para os primeiros deve-se ainda especificar
direes e aberturas para pesquisa de pontos para fins de clculo da funo
variograma. Os variogramas assim obtidos servem para identificar e determinar
possveis anisotropias.
Figura 20: Domnios de definio do variograma, segundo Bubenicek & Haas (1969). O campo
geomtrico coincide com o depsito e, neste caso, um variograma intrnseco pode ser obtido (A); o
campo geomtrico engloba parte do depsito e uma zona no mineralizada, fazendo com que o
variograma seja dependente da posio e tamanho do campo, alm de apresentar variabilidade
maior que aquela verificada no variograma intrnseco (B); o campo geomtrico muito maior que o
depsito e o variograma tende a zero quando o tamanho do campo aumenta. Contudo, possvel
definir um variograma transitivo que independente do campo que engloba o depsito (C).
No caso de variogramas horizontais para uma malha de amostragem

quadrada, com direo da linha base E-W, especifica-se quatro direes iniciais
de pesquisa: E-W, N45oE, N-S, e N45oW. Geralmente os variogramas horizontais
so especificados segundo a orientao da linha base e da a 45o, 90o e 135o, no
sentido anti-horrio.
41
A consistncia dos pontos do variograma experimental ir depender

exclusivamente do nmero de pares de amostras. Para fins prticos Journel &
Huijbregts (1978) recomendam utilizar, no mnimo, 30-50 pares de amostras para
cada ponto do variograma experimental.
Acrescenta-se ainda que se deve sempre observar o nmero de pares de
pontos usado para o clculo de (h) prximo origem do variograma. Neste
sentido, deve-se cuidar que no momento do ajuste do modelo de variograma os
pontos que definiro o efeito pepita, se houver, devero conter o maior nmero de
pares de pontos possveis e deve-se descartar aqueles com um nmero muito
inferior quele locado imediatamente aps.
A comparao entre valores de amostras separadas por uma distncia h
direta se os pontos de dados estiverem distribudos segundo uma malha regular.
Entretanto, quando os pontos de dados estiverem dispersos, deve-se fazer a
pesquisa de amostras situadas a uma distncia h, dentro de uma janela de
pesquisa. Esta janela definida, ao longo da direo do variograma, por um
ngulo e por uma distncia de tolerncia, conforme pode ser observado na Figura
21. O ngulo de tolerncia pode ser limitado levando-se em considerao a
distncia percorrida ao longo da direo, ou seja, quando a tolerncia angular
estabelecida forma-se um tringulo (2D) ou um cone (3D) em torno da direo
preferencial. O problema que se no houver uma limitao, a rea do tringulo
ou o volume do cone tendem a crescer indefinidamente, englobando maior
nmero de pontos. Para evitar isso, define-se a largura mxima, isto ,
estabelece-se uma distncia a partir da qual o tringulo ou cone ficam limitados a
essa faixa.
cia
n so
er as
l
To o P
d
Pa
ss
o
Passo 4
L
M a rg
x u r
im a
a
Passo 3
Passo 2
Passo 1
Passo 0
Tolerncia
Angular
Direo
Figura 21: Desenho mostrando a direo do variograma, os passos, a tolerncia

angular, a largura mxima e a tolerncia do passo (modificado de Pannatier, 1994).
5.10 Modelos tericos de variogramas
O variograma como ferramenta bsica ser utilizado para calcular os
valores da funo variograma, para uma dada distncia, os quais so necessrios
para a organizao do sistema de equaes de krigagem. O variograma de
42
pontos, dito experimental, no serve para esse fim, porque h necessidade de

interpolao e, invariavelmente, os pontos apresentar-se-o com uma certa
disperso, principalmente para distncias grandes, quando o nmero de pares de
amostras vai diminuindo. Assim, surge a necessidade de ajustar uma funo
matemtica que descreva continuamente a variabilidade ou correlao espacial
existente nos dados. O ajuste de uma funo matemtica ao variograma
experimental denominado modelagem de variogramas. Esta modelagem feita
de maneira interativa, onde a partir dos parmetros do variograma (modelo, efeito
pepita, amplitude e patamar), o variograma terico desenhado juntamente com
os pontos do variograma experimental, e se o ajuste no for satisfatrio, novos
parmetros so fornecidos sucessivamente, at que o ajuste seja considerado
satisfatrio.
Os modelos de variogramas mais comuns na natureza esto ilustrados na
Figura 22, conforme as equaes apresentadas a seguir.
Exponencial
Gauss
Esfrico
h
(h) = C o + C1 exp
a
h 2
(h) = C o + C 1 exp
a
3 h 1 h 3
(
)
h = C o + C para h < a
2 a 2 a
(h) = C o + C para h a
Foram apresentados os trs modelos mais comuns na natureza e que

podem resolver a maioria dos problemas na modelagem da correlao espacial
de fenmenos geolgicos. Obviamente existem outros modelos, mas no se
justifica introduzi-los num texto introdutrio de geoestatstica.
Cabe ressaltar que em qualquer modelo terico que apresente efeito
pepita, bem como no efeito pepita puro, o valor de (h)=0 para h=0, pois o
variograma descontnuo na origem.
Figura 22: Modelos tericos de variogramas mais comuns no estudo de

fenmenos espaciais geolgicos.
43
6 ESTIMATIVAS POR KRIGAGEM ORDINRIA
Aps a anlise geoestatstica, na qual os variogramas experimentais foram

calculados e os modelos tericos foram ajustados, passa-se ao clculo de
estimativas pela tcnica da krigagem ordinria. A krigagem ordinria tem como
caracterstica principal a preciso local das estimativas, mas com perda da
preciso global devido ao efeito de suavizao (suavizao da varincia e do
variograma). Por outro lado, a tcnica da simulao estocstica tem sido preferida
para estudo da variabilidade, pois a varincia de krigagem no proporciona uma
medida precisa da incerteza associada estimativa. A simulao estocstica
reproduz tanto o histograma como o variograma, mas com significativa perda de
preciso local. Infelizmente, de acordo com Olea (1999), as realizaes
estocsticas no esto livres de erros na representao da realidade e os erros,
para qualquer realizao, so maiores que aqueles da estimativa de krigagem.
Esta uma caracterstica menos atrativa da simulao estocstica (Olea, 1999).
Portanto, no h uma soluo pronta para obteno de uma nica imagem
representativa que compartilhe tanto a preciso global e local. Assim, ambas
aproximaes necessitam de uma correo para representar apropriadamente o
fenmeno espacial atravs de uma nica imagem representativa. Muitos autores
tm preferido tentar corrigir o efeito de suavizao da krigagem ordinria, ao invs
das simulaes estocsticas. Cabe lembrar, contudo, que a preciso local muito
mais importante que a preciso global, quando o problema for a estimativa de
recursos naturais, a partir de dados de amostragem.
Na realidade, todo o esforo na procura de alternativas para determinao
da variabilidade foi justificado pela falta de uma medida da varincia do erro.
Assim, este autor (Yamamoto, 2000) props recentemente uma alternativa ao
clculo da varincia do erro atravs da varincia de interpolao que ser visto
adiante.
Antes de passar a estimativa propriamente dita, a krigagem como qualquer
outro mtodo de interpolao requer a definio de certas condies de controle
visando estimativas de qualidade. Tais condies so: definio da fronteira
convexa e da vizinhana local.
6.1 Definio da fronteira convexa
As estimativas s podem ser feitas dentro do domnio dos pontos de dados,

que pode ser aproximado atravs da sua fronteira convexa. A fronteira convexa
pode ser definida como o polgono convexo de rea mnima que engloba os
pontos de dados. Cabe notar que a maioria dos programas de geoestatstica no
permite a definio da fronteira e, conseqentemente, estimando pontos fora do
domnio dos pontos amostrados, sem nenhum significado prtico ou real. O uso
de limites para interpolao de dados evita a interpretao de dados esprios
criados por extrapolao matemtica (Yamamoto, 1997). Detalhes de algoritmos
para determinao de fronteira podem ser encontrados em Yamamoto (1997).
A ttulo de ilustrao a Figura 23 apresenta um conjunto de pontos de
dados e a sua fronteira convexa. Observe-se que apenas os ns da malha regular
que esto dentro da fronteira convexa podem ser estimados.
44
A)
B)
100
100
80
80
60
60
40
40
20
20
0
0
20
40
60
80
100
0
0
20
40
60
80
100
Figura 23: Conjunto de pontos de dados (A) e sua fronteira convexa com o
desenho dos ns da malha regular pertencentes mesma (B).
6.2 Definio da vizinhana local
A krigagem ordinria faz uso da correlao espacial existente entre

amostras, modelada pela funo variograma. Isto significa que somente as
amostras dentro de um raio de influncia (igual amplitude) podero ser
utilizadas para a estimativa do valor da varivel de interesse em um ponto no
amostrado. Assim, a krigagem ordinria uma tcnica essencialmente local, ao
contrrio da superfcie de tendncia que global (todas as amostras so
consideradas para o ajuste de uma superfcie em toda a rea de estudo). Sendo a
krigagem uma tcnica local de estimativa, deve-se estabelecer estratgias para
localizao e pesquisa das amostras vizinhas mais prximas do ponto a ser
estimado.
A localizao e busca de n amostras de furos vizinhos para definio do
subconjunto de amostras a ser utilizado na estimativa local um passo importante
da krigagem ordinria. Pois, dependendo do modo de pesquisa, diferentes
subconjuntos de amostras podero ser definidos e, portanto, resultados distintos
podero ser obtidos. A escolha das n amostras de furos vizinhos deve ser feita de
tal modo que garanta uma boa amostragem espacial, o que implica em evitar
subconjuntos com agrupamentos de pontos. Agrupamentos de pontos ocorrem
preferencialmente em arranjos aleatrios e semi-regulares. Assim, torna-se
necessrio estabelecer critrios de seleo de amostras que garantam uma boa
amostragem espacial e, conseqentemente, evitem os agrupamentos de pontos.
Existem basicamente trs critrios que podem ser aplicados para a definio da
vizinhana local: n pontos mais prximos, n/4 pontos mais prximos por
quadrante e n/8 pontos mais prximos por octante.
45
Pontos mais prximos
Considere-se, por exemplo, que o subconjunto de pontos seja definido

pelos oito pontos mais prximos, em relao ao ponto a ser interpolado, para os
arranjos aleatrio e semi-regular, como ilustrado na Figura 24A e 24B,
respectivamente.
Na Figura 24A, pode-se observar que a pesquisa dos vizinhos prximos,
sem nenhuma restrio quanto localizao dos mesmos, resulta no
agrupamento de pontos no quadrante nordeste, em detrimento dos demais,
enquanto o quadrante sudoeste nem sequer foi amostrado. No arranjo semiregular da Figura 24B, verifica-se que somente os pontos situados ao longo de
uma linha de pesquisa sero amostrados, se nenhuma restrio for imposta,
caracterizando tambm um agrupamento de pontos. Em nenhum caso a
amostragem espacial foi representativa em termos da reproduo do gradiente
dos dados.
A)
B)
Figura 24: Localizao dos oito pontos mais prximos para o arranjo aleatrio (A),
localizao dos oito pontos mais prximos para o arranjo semi-regular (B),
modificado de Harbaugh et al. (1977).
Assim, para se evitar agrupamentos de pontos foram estabelecidos
critrios de seleo de amostras baseados na subdiviso da regio do ponto a ser
estimado em quatro ou oito setores, denominados respectivamente quadrante e
octante.
Quadrante
Pelo critrio dos quadrantes, a regio do ponto a ser estimado

subdividida em quatro setores e os n/4 pontos mais prximos por quadrante so
selecionados. Observe-se na Figura 25 que o critrio dos quadrantes proporciona
uma melhor amostragem espacial. Como se pode observar na Figura 6-3B, a
aplicao do critrio dos quadrantes provocou a amostragem de pontos em duas
linhas adjacentes de pesquisa.
46
A)
B)
Figura 25: Seleo de duas amostras por quadrante, para o arranjo aleatrio (A) e para o arranjo
semi-regular (B), adaptado de Harbaugh et al. (1977).
Octante
Utilizando o critrio dos octantes, a regio do ponto a ser estimado

subdividida em oito setores, nos quais so escolhidos os n/8 pontos mais
prximos por octante so selecionados. A Figura 26 apresenta os resultados da
seleo pelo critrio dos octantes mostrando uma melhor distribuio espacial dos
pontos amostrados.
A)
B)
Figura 26: Seleo de uma amostra por octante, para o arranjo aleatrio (A) e
para o arranjo semi-regular (B), adaptado de Harbaugh et al. (1977).
Embora a seleo de amostras pelo critrio dos octantes resulte numa

melhor distribuio espacial, h, por outro lado, o inconveniente de amostras mais
distantes serem selecionadas para a estimativa do ponto. Sem dvida, deve
47
existir um compromisso entre a representatividade da amostragem e a distncia

mxima das amostras selecionadas.
Quadrante slido
Arranjos semi-regulares ocorrem tambm com informaes de furos de

sonda, onde a densidade de amostragem ao longo dos furos sempre maior que
entre os furos. A Figura 27 ilustra o caso da seleo de amostras de furos de
sonda para interpolao de ponto ou bloco na jazida, sem impor nenhuma
restrio. A Figura 28 mostra a mesma situao anterior, porm com restrio de
localizao por "quadrantes", ou seja, o equivalente para o caso tridimensional em
o
que cada quadrante representa um setor com ngulo slido de 90 .
Observe-se na Figura 27 que, no caso de avaliao de jazidas, o critrio de
seleo por setor importante para evitar a superamostragem de um determinado
furo, em relao aos demais. Na Figura 28, aplicando-se o critrio de seleo por
setor, pode-se verificar que os quatro furos de sonda foram amostrados,
melhorando a representatividade da amostragem, principalmente quando se
estiver avaliando um bloco de cubagem.
Figura 27: Localizao de oito amostras de furos de sonda mais prximas ao

centro do bloco.
Figura 28: Seleo de uma amostra de furo de sonda mais prxima por setor
(octante tridimensional), em relao ao centro do bloco.
48
A pesquisa de amostras de furos vizinhos para interpolao de pontos ou

centros de blocos para fins de avaliao de recursos, deve ser feita sempre com
aplicao do critrio de seleo em setores para garantir uma boa amostragem
espacial. Caso contrrio, h riscos de se estar avaliando blocos com base na
mdia de amostras do furo mais prximo.
Nmero de amostras de furos vizinhos
Escolhido o critrio para a seleo de amostras de furos vizinhos, deve-se

definir o nmero de amostras a ser utilizado para estimativa do valor de interesse
em um ponto no amostrado. O nmero de amostras no deve ser
excessivamente pequeno, com o risco da interpolao resultar em valor
semelhante ou muito correlacionado ao do ponto mais prximo, e nem
excessivamente grande, com o risco da interpolao resultar num valor bastante
suavizado, perdendo a caracterstica de interpolao local.
Assim, pode-se definir 8 amostras, que se ajustam perfeitamente aos
critrios de quadrante (2 amostras por quadrante) ou octante (1 amostra por
octante) no plano, ou ento ao critrio de octante tridimensional. Entretanto, nem
sempre a condio inicial de 8 amostras de furos vizinhos ser satisfeita,
principalmente na borda do corpo de minrio. Nesses casos, deve-se relaxar a
condio inicial para um mnimo de 3 ou 4 amostras, dependendo se a estimativa
estiver sendo feita em 2D ou 3D, respectivamente.
6.3 Definio da malha regular
O ltimo passo antes do clculo de estimativas pela krigagem ordinria

consiste na definio da malha regular em 2D ou 3D.
Mas, por qu definir uma malha regular? Porque a malha regular
proporciona reas ou volumes de mesmo tamanho permitindo assim fazer uma
comparao de resultados, bem como uma maior facilidade computacional para
representao grfica em mapas ou projeo em perspectiva. A malha regular
pode ser definida em 2D ou 3D, dependendo dimensionalidade dos dados.
A Figura 29 apresenta uma malha regular 2D, cujos ns pertencentes
fronteira convexa sero estimados pela tcnica da krigagem ordinria.
No caso da malha 2D, pode-se tanto estimar o n, como uma rea em
torno do n da malha regular. Da a diferena entre krigagem pontual e de bloco
como se ver adiante.
Como os dados em 3D so geralmente ligados a resultados da pesquisa
mineral, a malha regular em 3D definida em termos de blocos de cubagem (no
mais pontos). Os blocos de cubagem tm a forma geral de paraleleppedos e
suas dimenses devem ser compatveis com a densidade mdia de amostragem
nas trs direes. Ao conjunto de blocos de cubagem que compem o depsito
denomina-se modelo tridimensional de blocos (Figura 30).
49
100
80
60
40
20
0
0
20
40
60
80
100
Figura 29: Malha regular 2D com a representao dos ns pertencentes

fronteira convexa.
Figura 30: Modelo tridimensional de blocos de um depsito hipottico.
A abertura ideal da malha regular, baseada na prtica de avaliao de

recursos, seria igual metade do espaamento mdio entre os furos de sonda.
Segundo Valle & Cte (1992), a krigagem de blocos com dimenso muito menor
que a metade da malha de amostragem deveria ser evitada, pois tais estimativas
exibem extrema variabilidade. Cabe ressaltar que no caso da malha regular 3D, a
fronteira convexa definida tambm para todos os nveis do modelo
tridimensional de blocos.
50
6.4 Krigagem ordinria
Segundo Brooker (1979), as tcnicas geoestatsticas de estimativa,

baseadas no estudo da variabilidade espacial do corpo de minrio, so superiores
porque permitem o clculo do erro associado s estimativas, chamado varincia
de krigagem. Ainda conforme o mesmo autor, a krigagem o procedimento que
permite calcular os ponderadores para uma dada configurao (bloco X
disposio das amostras no espao), com mnima varincia de krigagem.
A krigagem feita aps a concluso dos estudos geoestatsticos, os quais
podero inclusive indicar a no aplicao deste mtodo se o comportamento da
varivel regionalizada for totalmente aleatrio. Os estudos geoestatsticos levam a
definio de um modelo de variograma, que servir para inferir os valores da
funo variograma ou covariograma que sero utilizados pelos mtodos
geoestatsticos de interpolao.
Equaes de krigagem
A krigagem um mtodo que permite estimar o valor desconhecido Z (x o )

associado a um ponto, rea ou volume, a partir de um conjunto de n dados {Z(xi),
i=1,n} disponveis.
O estimador Z (x o ) poder ser obtido como uma combinao linear dos
dados disponveis, conforme:
n
Z (x o ) = i .Z(x i )
(9)
i=1
Os ponderadores (i, i=1, n) so obtidos da resoluo de um sistema linear

de equaes, denominado sistema de equaes de krigagem, conforme o
desenvolvimento matemtico.
Para que o estimador Z (x o ) no seja enviesado, segundo Journel &
Huijbregts (1978), basta garantir que:
E Z(x o ) Z (x o ) = 0
fazendo E[Z(x o )] = m e tendo que:
n
n
E Z (x o ) = E i Z(x i ) = iE[Z(x i )]
i=1
i=1
n
E Z (x o ) = m i
i=1
51
assim, a condio de no enviesamento para Z (x o ) fica:

n
i=1
=1
(10)
Como toda tcnica de estimativa, a krigagem procura faz-la com mnima

varincia.
A varincia do erro da krigagem dada pela equao a seguir:
E2 = Var Z(x o ) Z (x o )
Expandindo a varincia do erro, de acordo com Isaaks & Srivastava (1989),

tem-se:
E2 = Cov{Z(x o )Z(x o )} 2Cov Z (x o )Z(x o ) + Cov Z (x o )Z (x o )
(11)
Desenvolvendo cada termo do lado direito de (11), conforme Isaaks &

Srivastava (1989), tem-se:
Cov{Z(x o )Z(x o )} = Var{Z(x o )}
= C(0 )
2Cov Z (x o )Z(x o ) = 2Cov i Z(x i ) Z(x o )
= 2E i Z(x i )Z(x o ) 2E i Z(x i )E{Z(x o )}

i
= 2 iE{Z(x i )Z(x o )} 2 iE{Z(x i )}E{Z(x o )}

i
= 2 i [E{Z(x i )Z(x o )} E{Z(x i )}E{Z(x o )}]

i
= 2 i C(x o x i )
i
Cov Z (x o )Z (x o ) = Var Z (x o )
= Var i Z(x i )
i
= i j C(x i x j )
i
Assim, a expresso (11) torna-se:
E2 = C(0 ) 2 i C(x o x i ) + i j C(x i x j )

i
52
O objetivo da krigagem buscar o melhor conjunto de ponderadores, de tal

modo que a varincia do erro seja a mnima possvel. Trata-se, portanto, de
encontrar o mnimo da funo varincia do erro. Entretanto, como tal funo tem n
variveis, o ponto de mnimo poder ser determinado aps aplicao da tcnica
dos multiplicadores de Lagrange (Converse, 1970), conforme colocao do
problema a seguir:
- minimizar a funo:
E2 = C(0 ) 2 i C(x o x i ) + i j C(x i x j )
i
- restrito a:
= 1 ou
1= 0
Forma-se o lagrangiano:
L( 1, 2 ,K, n , ) = C(0 ) 2 i C(x o x i ) + i j C(x i x j ) 2 j 1

i
i
j
j
onde: L( 1, 2 ,K, n , ) o lagrangiano; o multiplicador de Lagrange.

Para minimizar o lagrangiano, faz-se cada uma das derivadas parciais
dL/di iguais a zero:
dL
= 2C(x o x i ) + 2 j C(x i x j ) 2 = 0
d i
j
para i=1,n
e fazendo dL/d igual a zero:

dL
= j 1= 0
d
j
Assim, a minimizao da varincia do erro, sujeita condio de no
enviesamento, resulta nas de equaes de krigagem ou sistema de krigagem:
j C(x i x j ) = C(x o x i )
j
j = 1
j
para i = 1, n
(12)
53
Em termos matriciais, as equaes de krigagem so representadas como

segue:
C ( x1 x1 ) C ( x1 x 2 )
C ( x x ) C ( x x )
2
1
2
2
M
M
C ( x n x1 ) C ( x n x 2 )
1
1
L C ( x1 x n )
L C (x2 xn )
L
M
L C (xn xn )
L
1
1 1 C ( xo x1 )
1 2 C ( xo x 2 )
M M =
M

1 n C ( xo x n )
0
1
O sistema de equaes de krigagem tambm pode ser escrito em termos

da funo semivariograma, visto que esta e a funo covarincia esto
relacionadas conforme a equao (8):
j (x i x j ) + = (x o x i )
j
j = 1
j
para i = 1, n
(13)
Em notao matricial, o sistema de equaes de krigagem escrito em

termos da funo semivariograma torna-se:
( x1 x1 ) ( x1 x 2 )
( x x ) ( x x )
1
2
2
2
M
M
( x n x1 ) ( x n x 2 )
1
1
L ( x1 x n )
L (x2 xn )
L
M
L (xn xn )
L
1
1 1 ( xo x1 )
1 2 ( xo x 2 )
M M =
M

1 n ( xo x n )
0
1
Varincia de krigagem
A minimizao da varincia do erro resulta na varincia de estimativa ou de

krigagem ordinria, conforme segue:
2
KO
= C(0 ) 2 i C(x o x i ) + i j C(x i x j )
i
C(x
o termo
x j ) pode ser derivado do primeiro conjunto de equaes
(12), conforme Isaaks & Srivastava (1989):
C(x
j
x j ) = C(x o x i )
para i=1,n
escrevendo as n equaes para i=1,n e somando:

54
C(x
i
x j ) i = i C(x o x i )
e lembrando que
= 1, tem-se:
C(x
i
x j ) = i C(x o x i ) +
substituindo este resultado na expresso da varincia de krigagem ordinria, temse:

2
KO
= C(0 ) i C(x o x i ) +
(14)
A varincia de krigagem em termos da funo semivariograma torna-se:

2
KO
= i (x o x i ) +
(15)
Varincia de interpolao
A varincia de krigagem homoscedstica, ou seja, ela independente

dos valores dos pontos de dados usando para obter o estimador Z ( xo ) (Olea,
1991). A Figura 31 ilustra porque a varincia de krigagem no uma medida
completa da incerteza.
Figura 31: Estimativa de blocos a partir da mesma configurao de dados

(segundo Armstrong, 1994). Observe-se que em (A) a varincia do erro deveria
ser menor que em (B) por causa de dados mais consistentes.
Como os arranjos de dados so idnticos em ambos os casos, as
varincias de krigagem so idnticas e tambm as estimativas de krigagem se
no h anisotropia (Armstrong, 1994). A varincia de interpolao far uso tanto
55
do conjunto de pesos {i, i=1,n} e dos valores dos dados z(xi), medindo a maior
variabilidade existente no bloco B.
Journel & Rossi (1989) j haviam concludo que a varincia de krigagem
mede apenas a configurao espacial dos dados; como a varincia de krigagem
depende apenas do variograma que global, ela independente dos valores locais
dos pontos de dados. Assim, Yamamoto (2000) props uma expresso para o
clculo da varincia de krigagem, que determinada como a mdia ponderada
das diferenas ao quadrado entre os valores dos pontos de dados e a estimativa
Z ( xo ) , como segue:
n
S o2 = i Z ( xi ) Z ( xo )
i =1
(16)
Segundo Yamamoto (2000), a varincia de interpolao apresenta as

seguintes propriedades:
o Corresponde propriedade de exatido da krigagem ordinria, isto , se o
ponto a ser estimado coincide com um ponto de dado, ento o peso deste
ponto igual a um com todos os outros pesos iguais a zero, portanto S o2 = 0 ;
o proporcional disperso dos pontos de dados;
o Usa indiretamente a distncia estrutural do variograma atravs do peso da
krigagem ordinria i . Quanto mais influente o ponto de dado maior o seu
peso.
Essa expresso foi introduzida por Yamamoto (1989) para definir uma
varincia de interpolao associada a teores estimados atravs das equaes
multiqudricas em depsitos minerais. Yamamoto (1991) estendeu a definio
para calcular a varincia de interpolao usando os pesos da krigagem ordinria.
Correo de pesos negativos
A expresso (16) pode resultar em varincia negativa quando alguns pesos

da krigagem ordinria forem negativos, devido existncia de agrupamentos de
pontos de dados associada a uma distribuio estatstica com forte assimetria
positiva (distribuies lognormais). Da mesma forma que teores negativos devem
ser evitados, pesos negativos tambm devem ser evitados. Assim, surgiram na
literatura vrias propostas para eliminao de pesos negativos da krigagem
ordinria. Entre as propostas existentes, o autor tem adotado aquela proposta por
Journel & Rao (1996), que consiste em adicionar o mdulo do maior peso
negativo (c) a todos os pesos:
i =
i+ c
( j + c )
n
j =1
56
Os pesos corrigidos podem ser agora substitudos nas equaes (9) e (16)
para clculo do valor estimado e da varincia de interpolao, respectivamente.
Distribuio de probabilidade
Como os pesos da krigagem ordinria so todos positivos e tm uma soma

igual a um, eles podem ser interpretados como probabilidades condicionais
associadas aos n pontos de dados locais (Journel & Rao, 1996). Em qualquer
localizao dada xo, classifique os n pontos de dados vizinhos em ordem
crescente:
z(x 1 ) z(x 2 ) L z(x n )
Os pesos da krigagem ordinria associados aos valores z(x1), z(x2), ... ,

z(xn) da varivel aleatria Z constituem a distribuio de probabilidade de Z. Os
pares ordenados (z(xi), i) constituem a funo de probabilidade de Z.
A funo de distribuio acumulada condicional ento modelada como:
F(x o , z ) =
i =1
ou seja, pode-se determinar a probabilidade da varivel aleatria z ser menor ou

igual a z no ponto xo, condicional aos n pontos de dados mais prximos de xo.
Tipos de krigagem
As
equaes de krigagem permitem determinar
o conjunto de
ponderadores {i, i=1,n} associados ao conjunto de dados disponveis
{Z(xi),i=1,n}, que combinados conforme a equao (9), resulta na estimativa do
valor desconhecido Z (x o ) .
Conforme o domnio que se estima, tem-se:
- krigagem pontual;
- krigagem de bloco.
Krigagem pontual
A krigagem pontual tem por objetivo estimar uma localizao no

amostrada. Vamos considerar situao apresentada na Figura 32, para ilustrar a
krigagem pontual.
57
4
3
Figura 32: Configurao dos pontos de amostragem (+) para krigagem pontual na
localizao do ponto marcado com crculo.
Os dados dos pontos de amostragem, selecionados pelo critrio dos
quadrantes, encontram-se na Tabela 8.
Tabela 8: Coordenadas dos pontos de amostragem.
Ponto
Coord. X
Coord. Y
Varivel
0*
250
200
1
300
350
56
2
125
250
46
3
200
125
37
4
400
150
42
* Ponto a ser estimado pela krigagem ordinria.
Seja considerado vlido para os dados em estudo, o seguinte modelo de
variograma:
3
h
h
(h ) = 5 + 151.5 0.5 para h < 800
a
a
(h ) = 20
para h 800
Para estimativa no ponto 0, precisamos dos ponderadores da krigagem

ordinria que aplicados na expresso (9) resultar no valor estimado. Assim, para
determinar os ponderadores precisamos resolver o sistema de equaes de
krigagem. Nessa demonstrao vamos utilizar o sistema de equaes escrito em
termos da funo semivariograma (13). A organizao do sistema de equaes
(13) comea com o clculo da matriz dos termos xi x j , conforme segue:
Para o clculo da funo semivariograma, por exemplo, entre as amostras

1 e 2, determina-se inicialmente a distncia entre as mesmas:
58
d (x1 , x 2 ) =
(300 125)2 + (350 250)2
= 201,56
A distncia encontrada convertida em funo semivariograma:
( x1 x2 ) = 5 + 151.5
201.56
201.56
0.5
800
800
= 10.55 ;
Para os elementos da diagonal principal, observe-se que as distncias so

iguais a zero e, portanto, ( xi xi ) = 0 ;
Repete-se o procedimento para todos os pares de amostras, obtendo-se a
matriz dos termos xi x j :
10.55 11.71 11.13 1 1 9.39

0
10.55
0
9.05 12.86 1 2 8.75
11.71 9.05
0
10.55 1 3 = 7.52

0
1 4 9.39
11.13 12.86 10.55
1
1
1
1
0 1
Resolvendo-se o sistema obtm-se os ponderadores da krigagem

ordinria:
[1 = 0.21
2 = 0.231 3 = 0.33 4 = 0.23 = 0.58]
O valor da varivel no ponto 0 estimado como:

Z ( xo ) = 0.21 * 56 + 0.23 * 46 + 0.33 * 37 + 0.23 * 42 = 44.21
O valor da varivel de interesse no ponto 0 (no amostrado) igual a

44.21, cujo resultado bastante razovel em relao s amostras fornecidas.
Krigagem de bloco
A krigagem de bloco uma tcnica de estimativa do teor mdio em painis

ou blocos de cubagem, tratando-se, portanto de uma tcnica desenvolvida
exclusivamente para minerao.
A estimativa de painis ou blocos muito diferente da estimativa pontual,
medida que reas ou volumes maiores devem ser representados pelos pontos de
amostragem. Assim, certo que apenas a estimativa de um nico ponto no centro
daquelas unidades no ser suficiente para represent-las, devendo haver uma
diferena composicional entre o ponto estimado e a unidade lavrada. essa
59
diferena composicional denomina-se erro de estimativa que depende

fundamentalmente da amostragem, e esta por sua vez funo da variabilidade
natural do depsito que est se avaliando. Certamente o erro de estimativa
associado a krigagem de bloco ser menor que aquele associado a krigagem
pontual (ponto calculado no centro do bloco para represent-lo).
O princpio da krigagem de bloco baseado na subdiviso do bloco de
cubagem em sub-blocos, os quais so avaliados individualmente e compostos
para o bloco original, conforme o Teorema da Combinao das Estimativas de
Krigagem (Journel & Huijbregts, 1978). Este teorema prova que tanto as
estimativas como os ponderadores dos sub-blocos individuais podem ser
combinados para dar origem estimativa ou ponderadores mdios do bloco de
cubagem. Da mesma forma os vetores dos valores da funo semivariograma,
entre as amostras e os centros dos sub-blocos, podem ser combinados para dar
origem ao vetor mdio, dos valores da funo semivariograma entre amostras e o
bloco.
A subdiviso do bloco de cubagem deve ser feita dentro dos limites
mximos recomendados por Journel & Huijbregts (1978), conforme se reproduz
na Tabela 9.
Tabela 9: Limites mximos recomendados para a subdiviso do bloco a ser
estimado (Journel & Huijbregts, 1978).
dimenso do
domnio
1
2
3
nmero de
pontos
10
6x6
4x4x4
Estabelecendo um bloco de 100 x 100 e adotando uma subdiviso mnima

do bloco (2 x 2), tem-se a configurao apresentada na Figura 33.
1
4
3
Figura 33: Configurao do bloco e centros de sub-blocos para avaliao pela

krigagem ordinria de bloco.
As coordenadas dos centros dos sub-blocos encontram-se na Tabela 10.
60
Para o clculo dos ponderadores da krigagem ordinria vamos resolver o

mesmo sistema de equaes de krigagem (13) utilizado para a krigagem pontual,
porm com a diferena do vetor do lado direito do sistema que levar em
considerao a subdiviso em sub-blocos. Na verdade, a matriz dos termos
xi x j a mesma para a krigagem pontual, pois as amostras so exatamente
as mesmas. Assim, precisamos calcular o vetor da funo semivariograma entre

as amostras e os sub-blocos como mostra a Figura 34.
Tabela 10: Coordenadas dos centros dos sub-blocos.

Subbloco
sb1
sb2
sb3
sb4
Leste
(m)
275
225
225
275
Norte
(m)
225
225
175
175
4
3
4
3
Figura 34: Esquema mostrando o clculo da funo semivariograma entre a

amostra 1 e todos os sub-blocos (A); para a amostra 2 (B); para a amostra 3 (C) e
para a amostra 4 (D).
61
A seguir tem-se as etapas para clculo do vetor mdio da funo

semivariograma entre as amostras e os sub-blocos:
Para ilustrar o procedimento, considere-se a amostra 1 (Figura 34A) em
relao aos sub-blocos {sbi, i=1,4}, cujas distncias so assim calculadas:
d (x sb1 x1 ) =
(300 275)2 + (350 225)2
= 79.06
d (x sb 2 x1 ) =
(300 225)2 + (350 225)2
= 145.77
d (x sb3 x1 ) =
(300 225)2 + (350 175)2
= 190.39
d (x sb 4 x1 ) =
(300 275)2 + (350 175)2
= 176.78
As distncias encontradas so convertidas em valores da funo

semivariograma:
3
79.06
79.06
( x sb1 x1 ) = 5 + 151.5
0.5
= 7.22
800
800
( x sb 2
3
145.77
145.77
x1 ) = 5 + 151.5
0.5
= 9.05
800
800
( x sb3
3
190.39
190.39
x1 ) = 5 + 151.5
0.5
= 10.25
800
800
( x sb 4
3
176.78
176.78
x1 ) = 5 + 151.5
0.5
= 9.89
800
800
O valor mdio da funo semivariograma entre a amostra 1 e o bloco, pode

ser calculado:
( xo x1 ) =
7.22 + 9.05 + 10.25 + 9.89

= 9.1025
4
Dessa forma so calculados os demais valores mdios:
62
( xo x 2 ) =
9.23 + 7.88 + 8.49 + 9.65

= 8.8125
4
( x o x3 ) =
8.49 + 7.88 + 6.57 + 7.52

= 7.6150
4
( xo x 4 ) =
9.05 + 10.25 + 9.89 + 8.56

= 9.4375
4
O sistema de equaes de krigagem de bloco torna-se:

10.55 11.71 11.13 1 1 9.1025
0
10.55
0
9.05 12.86 1 2 8.8125
11.71 9.05
0
10.55 1 3 = 7.6150
0
1 4 9.4375
11.13 12.86 10.55
1
1
1
1
0 1
Resolvendo-se o sistema obtm-se os ponderadores da krigagem de bloco:
[1 = 0.24
2 = 0.22 3 = 0.32 4 = 0.22 = 0.55]
O valor da varivel no ponto 0 estimado como:

Z ( xo ) = 0.24 * 56 + 0.22 * 46 + 0.32 * 37 + 0.22 * 42 = 44.64
O valor mdio do bloco foi ligeiramente superior ao valor do ponto, devido

pequena variabilidade dos dados, bem como dimenso do bloco.
A fim de mostrar na prtica os limites mximos de subdiviso de blocos,
reproduz-se na Tabela 11, as estimativas obtidas para vrios nveis de
subdiviso, segundo Isaaks & Srivastava (1989).
Tabela 11: Exemplos de estimativa do valor mdio de V (parmetro de interesse)
dentro de blocos de 10 x 10 m2 usando a krigagem ordinria de bloco e vrias
malhas de discretizao dentro do bloco (segundo Isaaks & Srivastava, 1989).
Centro do bloco
E
N
80
80
100
80
80
90
100
90
80
100
100
100
80
110
100
110
1x1
584,67
408,53
538,36
460,13
497,66
530,37
781,17
591,13
malhas de subdiviso
2x2
4x4
6x6
576,41
574,30
573,98
418,29
419,19
419,38
519,89
520,58
520,53
479,73
480,35
480,52
547,87
549,40
550,13
513,32
513,56
513,47
737,04
732,29
731,06
580,73
578,75
578,74
10 x 10
573,81
419,47
520,47
480,61
550,51
513,42
730,41
578,72
63
6.5 Validao cruzada
A validao cruzada consiste em estimar a localizao de um ponto de

dado eliminando-se o valor do mesmo do conjunto de pontos de dados.
Repetindo-se este procedimento um nmero de vezes igual ao nmero de pontos
do conjunto, tem-se ao final o valor estimado e o valor verdadeiro, alm das
varincias de krigagem e de interpolao. Trata-se da tcnica do jackknife
herdada da estatstica clssica para predio do erro de estimativa. Uma
alternativa validao cruzada seria a simulao, porm tem a grande
desvantagem de produzir realizaes baseadas em populaes hipotticas e no
na populao amostrada como faz a validao cruzada.
A Figura 35A apresenta um conjunto de pontos de dados que ser
submetido validao cruzada. Na Figura 35B tem-se a indicao de um ponto
de dado sendo estimado a partir dos 8 vizinhos mais prximos escolhidos pelo
critrio dos quadrantes. Como a estimativa feita pela krigagem ordinria pontual,
os resultados da validao cruzada podem ser usados para aferir a modelagem
de semivariograma.
O resultado tpico da validao cruzada apresentado na forma de uma
diagrama de disperso dos valores da validao cruzada em funo dos valores
reais, como ilustra a Figura 36. O resultado ideal de uma validao cruzada seria
a reta de regresso estar mais prxima da bissetriz e que a disperso em torno
desta reta fosse mnima. Observe-se que a validao cruzada pode ser utilizada
para aferir a modelagem do semivariograma. Pode-se assim testar aproximaes
diferentes, mas se aps procedimentos de tentativa e erro, os pontos da validao
cruzada no apresentarem um bom ajuste em torno da bissetriz, significa que h
um enviesamento condicional, causado pelo efeito de suavizao das estimativas
por krigagem ordinria.
Figura 35: Conjunto de pontos de dados (A) e validao cruzada de um ponto do

conjunto, o qual ser estimado a partir dos 8 pontos vizinhos mais prximos
selecionados pelo critrio dos quadrantes (B).
64
VALIDAO CRUZADA

15
Nmero de dados = 224

Coeficiente de correlao = 0.725
Correlao rankeada = 0.698
10
0
0
10
15
VALOR REAL
Figura 36: Resultado tpico de uma validao cruzada

Pode-se observar na Figura 36 que os maiores valores esto em geral
subestimados, enquanto os menores valores esto superestimados. H, portanto,
nos resultados da validao cruzada o efeito de suavizao da krigagem
ordinria. A reta de regresso confirma essa observao.
Efeito de suavizao
Estimativas baseadas na frmula da mdia ponderada, tal como a

krigagem ordinria (9), apresentam uma variabilidade reduzida, que referida na
literatura como efeito de suavizao, de acordo com Isaaks & Srivastava (1989,
p.420). Alm disso, conforme esses autores, a utilizao de um maior nmero de
amostras tende geralmente a aumentar a suavidade das estimativas. Como uma
conseqncia do efeito de suavizao, pequenos valores so geralmente
superestimados enquanto valores altos so subestimados, caracterizando um
enviesamento condicional do estimador resultante (Goovaerts, 1997, p. 370). O
enviesamento condicional dado que o valor estimado z ( x ) maior que um valor
de referncia z c , segundo Journel et al. (2000):
E Z (x ) Z (x ) Z (x ) > z c 0
O efeito de suavizao surge como um srio problema na deteco de

padres de valores extremos do atributo, tais como zonas de alta permeabilidade
ou zonas ricas em metal (Goovaerts, 1997, p.370). Alm disso, o efeito de
suavizao desigual no espao, sendo zero nos pontos de dados e aumentando
medida que a localizao x distancia-se dos pontos de dados (Journel et al.,
2000, p. 791).
65
O efeito de suavizao devido a um dficit na varincia do estimador da

krigagem e para a krigagem simples (KS) precisamente igual varincia de
krigagem como mostrado por Journel et al. (2000, p. 791):
2
(x ) = KS
(x )
Var{Z ( x )} Var Z KS
Similarmente, o dficit de varincia para a krigagem ordinria (KO) pode

ser derivado da seguinte expresso (Yamamoto, 2000, p. 507):
2
(x ) = KO
(x ) + 2 0
Var{Z ( x )} Var Z KO
onde o multiplicador de Lagrange. Yamamoto (2000, p. 493) tambm mostrou

que o dficit de varincia poder ser expresso em termos da varincia de
interpolao como:
} { }
(x ) = E S o2 0
Var{Z ( x )} Var Z KO
que pode ser interpretado como a suavizao da varincia de interpolao do
(x ) . Esta expresso faz sentido como uma

estimador da krigagem ordinria Z KO
medida do dficit de varincia porque quo maior a varincia de interpolao
S o2 , tomada em mdia sobre todos os valores de dados possveis, maior a
suavizao da varincia de interpolao do estimador da krigagem (Yamamoto,
2000, p. 493).
Como conseqncia do efeito de suavizao, as estimativas pela krigagem
ordinria no reproduzem o histograma e o variograma. A Figura 37 mostra
comparativamente o histograma original dos pontos de dados (Fig. 37A) e o
histograma dos valores estimados (Fig. 37B). O efeito de suavizao pode ser
observado nos coeficientes de variao que passa de 0,746 dos valores originais
para 0,513 para os valores estimados. A distribuio dos valores estimados
apresenta, conseqentemente, menor assimetria em relao distribuio
original. Na Figura 38 tem-se os variogramas da imagem de referncia (a partir da
qual foram amostrados os pontos de dados originais) e da imagem estimada pela
krigagem ordinria. notvel o patamar menor da imagem krigada, dado pelo
efeito de suavizao (menor varincia).
66
B)
15
A)
Nmero de dados
= 224
Mdia
= 3.137
Desvio padro
= 2.339
Coeficiente de variao = 0.746
Mximo
= 14.577
Quartil superior
= 4.191
Mediana
= 2.735
Quartil inferior
= 1.469
Mnimo
= 0.290
10
25
Nmero de dados
= 2015
Mdia
= 3.147
Desvio padro
= 1.615
Coeficiente de variao = 0.513
Mximo
= 14.577
Quartil superior
= 3.828
Mediana
= 2.914
Quartil inferior
= 2.092
Mnimo
= 0.290
20
15
10
5
5
0
0
0
10
15
VARIVEL
10
15
ESTIMATIVA (KO)
SEMIVARIOGRAM
Figura 37: Histograma da distribuio dos dados originais (A) e dos dados
estimados pela krigagem ordinria (B).
10
0
0
200
400
600
800
1000
DISTANCE
Figura 38: Semivariogramas para a imagem de referncia (smbolos cheios) e

para a imagem estimada pela krigagem ordinria (smbolos vazios). Legenda:
quadrado = N135o e crculo = N45o.
6.6 Classificao de recursos/reservas minerais
A varincia de estimativa ou varincia de krigagem foi proposta como uma

medida da incerteza associada estimativa feita por meio da krigagem ordinria.
Contudo, como demonstrado por diversos autores (Journel, 1986, Olea, 1991,
entre outros), a varincia de krigagem mede apenas a configurao espacial dos
pontos de dados e, por isso, no reconhece a disperso local dos mesmos. A
disperso local de importncia vital para fins de classificao de reservas, pois
discrimina regies de alta e baixa variabilidade, as quais podem ter atribudas
classes de baixa e alta confiabilidade, respectivamente. A varincia de krigagem,
ao utilizar a disperso mdia do depsito medida por meio do variograma, no
consegue discriminar regies de alta e baixa variabilidade. Por outro lado, a
67
varincia de interpolao uma alternativa que mede a disperso local, bem

como reconhece o efeito proporcional quando existente (distribuies lognormais).
Diversos autores (Froidevaux, 1982, Isaacks & Srivastava, 1989, Valle &
Cte, 1992 e Wober & Morgan, 1993) tm proposto calcular o erro com base no
intervalo clssico em torno da estimativa, usando a distribuio normal e o desvio
padro da krigagem. Nestas aproximaes, a distribuio normal no
adequada, pois o tamanho das amostras em problemas de avaliao de reservas
sempre inferior a 40-60 amostras/bloco avaliado.
Diehl & David (1982) e Wellmer (1983) propuseram, tambm com base no
desvio padro da krigagem, utilizar o Teorema do Limite Central para calcular o
erro em torno de uma estimativa. De fato, o Teorema do Limite Central
proporciona uma boa aproximao para uma distribuio normal. Contudo, estes
autores no consideraram o intervalo de confiana para determinao do erro,
mas simplesmente o coeficiente de variao multiplicado pelo valor crtico de t,
como segue:
ERRO =
Z (xo )
t gl ,ns
onde E o desvio padro de estimativa no sentido genrico podendo ser

substitudo pelo desvio padro de krigagem ou de interpolao, e tgl,ns o valor
crtico da distribuio t de Student para gl graus de liberdade e nvel de
significncia ns.
Yamamoto & Rocha (1996) propuseram a seguinte expresso para o
clculo do erro de estimativa ou tolerncia permitida, para fins de classificao de
reservas minerais:
1 IC (%)
E .t gl ,ns
NC
ERRO = 2
=
100(%)
Z (xo )
Z ( xo ). n
(17)
onde 1 IC NC (%) a metade do intervalo de confiana a um nvel de confiana

2
(NC), E o desvio padro da estimativa, tgl,ns o valor crtico de t para gl graus
de liberdade e um nvel de significncia ns, Z (xo ) o valor estimado e n o
nmero de amostras utilizadas para a estimativa. A Figura 39 mostra a curva da
distribuio t centrada na estimativa X e o seu intervalo de confiana a um
determinado nvel de confiana. A distribuio t s depende do nmero de graus
de liberdade. Quando o nmero de graus de liberdade tende ao , a distribuio t
passa para uma normal. Contudo, a partir de 40-60 amostras, a distribuio t
passa praticamente para uma normal. Como dificilmente utiliza-se 40-60 amostras
para avaliao de um bloco de cubagem, o erro de uma estimativa deve ser
determinado segundo o Teorema do Limite Central (expresso 17) e, portanto,
considerando a distribuio.
68
Figura 39: Curva da distribuio t de Student, utilizada para o clculo do intervalo

de confiana da estimativa X a um determinado nvel de confiana NC.
A expresso (17) tem sentido para clculo do erro associado a estimativas

pontuais, pois tem n em seu denominador, sendo n o nmero de amostras.
Contudo, em estimativas de bloco, onde o bloco subdividido em nsb sub-blocos,
a n deveria ser substituda pela nsb , pois, na verdade, so utilizados nsb subblocos para a estimativa de teor e da varincia de interpolao. Assim, a
expresso para clculo do erro associado estimativa de bloco fica:
ERRO =
E .t gl ,ns
Z (xo ). nsb
100(%)
(18)
O modelo para classificao de recursos/reservas minerais, proposto para

adoo pelo DNPM (1992), foi baseado no modelo australiano atualizado em
1996 pela AIMM-Australasian Institute of Mining and Metallurgy (AIMM, 1996).
Neste modelo, os recursos minerais so classificados, de acordo com nvel
crescente de conhecimento do depsito, em: inferido, indicado e medido. A partir
da considerao de fatores econmicos, de minerao, metalrgicos,
mercadolgicos, legais, ambientais, sociais e polticos, os recursos indicado e
medido podero vir a transformar-se em reservas provvel e provada,
respectivamente (AIMM, 1996).
Os recursos minerais que apresentam indicao de economicidade,
segundo DNPM (1992), deveriam ser classificados na fase de pesquisa mineral,
para suportar os estudos de viabilidade tcnico-econmica que seguem. A
classificao de recursos minerais, conforme a proposta do DNPM (1992), foi
baseada no modelo da ONU (apud Valente, 1980). Tais modelos classificam os
recursos minerais, com uma confiabilidade de 95%, em medido, quando os erros
so menores que 20%, indicado quando os erros esto entre 20 e 50% e inferido
quando os erros so superiores a 50%. Yamamoto & Rocha (1996) consideraram
que o nvel de confiana igual a 95%, para fins de classificao de recursos
minerais no adequado, pois seria aplicvel somente em depsitos minerais
extremamente homogneos. Um nvel de confiana igual a 90% foi considerado
razovel por Yamamoto & Rocha (1996), contudo, consideraram tambm que
poderiam ser aplicados somente a alguns depsitos com baixa a mdia
69
variabilidade. Segundo Koch & Link (1971), em aplicaes envolvendo avaliao

e outros assuntos de economia mineral, o uso de um nvel de confiana de 90%
consistente com os altos riscos associados indstria mineral, riscos estes que
se tornam claros com as altas taxas de retorno da minerao em relao s
indstrias de transformao.
Assim, Yamamoto & Conde (1999) propuseram a adoo dos nveis de
erro propostos pela ONU (apud Valente, 1980) e DNPM (1992), sob um nvel de
confiana igual a 90%, para fins de classificao de recursos minerais. Este
modelo, em comparao com aqueles propostos por Diehl & David (1982),
Wellmer (1983) e DNPM (1992), encontra-se na Tabela 12. Os erros adotados no
modelo proposto so calculados pela expresso (23), com a substituio do
desvio padro de estimativa pelo desvio padro de interpolao. Pelos motivos
expostos anteriormente, o desvio padro de interpolao apresenta maior
preciso e confiabilidade para fins de classificao de reservas, como se
procurar demonstrar neste artigo.
Como se sabe, a variabilidade dos depsitos minerais fortemente afetada
por uma componente denominada variabilidade natural. A variabilidade natural
resulta da interao dos processos geolgicos, os quais afetam a distribuio
espacial dos teores e a morfologia do depsito. Assim, dependendo da
variabilidade natural do depsito em estudo, as classes de erros propostas na
Tabela 12 podem no estar adequadas e, portanto, no permitiro classificar os
recursos em medido, indicado e inferido, conforme esperado. Muitas vezes,
dependendo do nvel de detalhe da pesquisa mineral, os recursos ainda no
podem ser classificados como medidos, devido tolerncia mxima de 20%, e
sim como indicados. Nestas situaes, a certeza geolgica, expressa pela
confiabilidade dos dados e pela continuidade da mineralizao, deveria prevalecer
sobre os erros de tolerncia.
Tabela 12: Modelo para classificao de recursos minerais, em comparao com
as propostas de Diehl & David (1982), Wellmer (1983) e DNPM (1992).
Recursos
Reservas
Diehl & David
(1982)
Wellmer (1983)
ONU e
DNPM (1992)
Yamamoto
&
Conde (1999)
Medido
Provada
Provvel
Erro: 10%
Erro: 20%
N.C.: > 80%
N.C.:60-80%
Erro: 10%
Erro: 20%
N.C.: 90%
N.C.: 90%
Erro: 0-20%
N.C.: 95%
Erro: 0-20%
N.C.: 90%
Indicado
Possvel
Erro: 40%
N.C.:40-60%
Erro: 30%
N.C.: 90%
Erro: 20-50%
N.C.: 95%
Erro: 20-50%
N.C.: 90%
Inferido
Inferida
Erro: 60%
N.C.:20-40%
Erro: 50%
N.C.: 90%
Erro: >50%
N.C.: 95%
Erro: > 50%
N.C.: 90%
N.C. = o nvel de confiana conforme a Figura 4.
70
7 ESTIMATIVAS POR COKRIGAGEM ORDINRIA
7.1 Definies Bsicas de Isotopia e Heterotopia
Segundo Wackernagel (1998), medidas de diferentes variveis em um

dado domnio podem localizar-se tanto em um mesmo ponto de amostragem
como em pontos diferentes. Assim, dependendo da coincidncia ser total ou
parcial, define-se os termos isotopia e heterotopia. A heterotopia pode ser parcial
quando em alguns pontos de amostragem foram medidas as variveis em estudo,
enquanto nos demais pontos de amostragem uma ou outra varivel.
A Figura 40 ilustra em (A) o caso de isotopia, onde as duas variveis de
interesse foram analisadas em todos os pontos de amostragem, em (B) a
heterotopia parcial, pois como pode ser observado, em apenas alguns pontos
de amostragem as duas variveis de interesse foram analisadas e, por fim, em
(C) exemplifica-se a heterotopia total onde no existem pontos de amostragem
comuns s duas variveis.
(A)
80
60
Ag
Ag
Ag
Au
Ag
Au
0
0
20
40
60
80
Au
Ag
Ag
Au
Au
Au
Au
20
Ag
Au
Ag
20
Ag
Au
20
Ag
Ag
40
Ag
Au
Ag
Au
40
Ag
Au
Ag
60
60
40
Ag
Au
Au
Ag
Au
80
80
Ag
Ag
Au
(C )
Ag
Au
Au
Au
Au
(B)
Ag
Au
Ag
Au
20
40
60
80
20
40
60
80
Figura 40: (A) exemplifica um caso onde a amostragem isotpica, ou seja, as

duas variveis de interesse encontram-se analisadas em todos os pontos de
amostragem. (B) apresenta um caso de heterotopia parcial onde as variveis de
interesse possuem apenas alguns pontos de amostragem onde a analise foi
realizada em ambas e (C) representa o caso de heterotopia total onde no h
pontos de amostragem comuns para ambas variveis.
7.2 O variograma cruzado
O variograma cruzado foi definido por Matheron em 1965 como a

generalizao natural do variograma e pode ser escrito como:
ij (h ) =
1
E {[Z i ( x + h ) Z i ( x )]* Z j ( x + h ) Z j ( x ) }
2
71
para funes aleatrias intrnsecas multivariadas (de ordem zero) deve satisfazer
(Chils & Delfiner 1999):
E [Z i ( x + h ) Z i ( x )] = 0
Cov[Z i ( x + h ) Z i ( x ), Z j ( x + h ) Z j ( x )] = 2 ij (h )
para i = 1, L , p
existe e depende apenas de h
Ainda segundo Chils & Delfiner (1999), o variograma cruzado possui duas
vantagens sobre o covariograma cruzado, a saber:
1. no assume varincias finitas e;
2. a estimativa do variograma cruzado no contaminada pela estimativa das
mdias. Quando existe, a relao entre o variograma cruzado e a
covarincia cruzada :
ij (h ) = C ij (0)
] [
1
1
C ij (h ) + C ij ( h ) + C ij (h ) C ij ( h )
2
2
Wackernagel (1998) descreve a o variograma cruzado como uma funo

obviamente mpar que satisfaz a desigualdade:
ii (h ) jj (h ) ij (h )
pois o quadrado da covarincia dos incrementos de duas variveis limitado ao

produto das varincias do incremento correspondente. Em outras palavras, a
covarincia obtida no variograma cruzado no pode ser maior que o produto das
varincias dos variogramas diretos.
Assim como o variograma experimental, o variograma cruzado, uma
funo direcional e diferencia-se daquele por considerar duas variveis diferentes
no clculo da varincia. Os outros procedimentos seguem exatamente aqueles
para o clculo de variogramas experimentais.
Observando-se a equao do variograma cruzado pode-se ver que a
expanso da equao do variograma:
2 (h ) = E [Z ( x + h ) Z ( x )] = E [Z ( x + h ) Z ( x ) * Z ( x + h ) Z ( x )] ,
2
da qual diferencia-se por ser o segundo termo do segundo membro uma varivel
diferente daquela analisada no primeiro termo.
Algumas questes prticas devem ser mencionadas para o variograma
cruzado.
a. uma dada estrutura (por exemplo: efeito pepita) no pode estar presente
no variograma cruzado ( 12 ) se no estiver presente nos variogramas
diretos ( 1 ou 2 ) ;
72
b. uma dada estrutura (por exemplo: efeito pepita) pode estar presente nos
variogramas diretos ( 1 ou 2 ) e no estar presente no variograma cruzado
( 12 ) .
7.3 O Modelo Linear de Corregionalizao
Segundo Wackernagel (1998), a regionalizao multivariada de um

conjunto de funes aleatrias pode ser representado por um modelo linear
espacial multivariado. O modelo linear de corregionalizao a soma de modelos
de covarincias proporcionais. Em notao matricial C (h ) = [Cij (h )] a matriz
covarincia com dimenses pxp e similarmente (h ) = [ ij (h )] a matriz varincia,

esse modelo assume a forma (Chils & Delfiner 1999):
n
C (h ) = Bk Ck (h ) ou (h ) = Bk k (h )
Do modelo linear de corregionalizao resulta que as varincias espaciais

das estruturas que compem os modelos de variograma cruzados so
dependentes das varincias espaciais dos modelos de variograma diretos.
Destaca-se que, para o modelo linear de corregionalizao ser honrado, o
quadrado da varincia espacial do variograma cruzado deve ser menor ou igual
que o produto das varincias espaciais dos variogramas diretos, por exemplo:
Tomem-se os seguintes modelos de variograma ajustados aos variogramas
experimentais:
h
h
h
+ 12sph
e 2 = 5 + 9sph
onde 1 o variograma da
50
135
135
varivel primria e 2 o variograma da varivel secundaria.

O modelo terico do variograma cruzado ser admissvel se possuir efeito
pepita mximo e varincia espacial mxima iguais a:
1 = 3 + 5sph
h
observa-se ainda que o variograma cruzado no
135
apresenta a estrutura com amplitude igual a 50m, pois o variograma direto da

varivel secundria no a apresenta.
12 = 3,873 + 10,392 sph
7.4 Cokrigagem ordinria
A cokrigagem a extenso natural da krigagem quando dados

multivariados e variogramas multivariados ou modelos de covarincia podem ser
calculados (Wackernagel, 1998). O procedimento da cokrigagem consiste em
73
estimar uma varivel de interesse em um ponto especfico com base nas

informaes vizinhas da prpria varivel e nas informaes disponveis para
variveis auxiliares ou secundrias.
Segundo Olea (1999), a cokrigagem pode ser descrita como um
procedimento de estimativa verdadeiramente multivariado, pois o modelo lida com
dois ou mais atributos (variveis) em um mesmo domnio. Em geoestatstica
quando duas ou mais variveis regionalizadas so definidas em um campo
aleatrio so chamadas de corregionalizao. No caso da cokrigagem, quando
existe ausncia de anlise de uma varivel em um determinado ponto de
amostragem, esta ausncia no interfere, ou enviesa, os resultados. Pelo
contrrio, a cokrigagem apresenta sua melhor performance quando se verifica
esta situao.
Assim como na krigagem, existem vrios algoritmos de cokrigagem, dentre
os quais se destacam a cokrigagem ordinria, a cokrigagem simples e
cokrigagem co-localizada. Tratar-se-, aqui, apenas da cokrigagem ordinria, uma
vez que este o algoritmo mais utilizado por no requerer que a mdia
populacional seja conhecida como no caso da cokrigagem simples. A cokrigagem
co-localizada necessita que em todos os pontos de amostragem, ou na maioria
deles, a varivel secundria seja conhecida, com informao apenas parcial da
varivel primria.
Equaes de cokrigagem ordinria
A estimativa da cokrigagem ordinria feita atravs de uma combinao

linear de pesos ip , a partir de dados de diferentes variveis localizados em
pontos de amostragem na vizinhana de um ponto x0 (Wackernagel, 1998). Ainda
segundo este autor, cada varivel definida em um conjunto de amostras de
tamanho n p e o estimador definido como:
N
np
Z *p0 ( x 0 ) = ip Z p ( xi )
p =1 i =1
onde o ndice p0 refere-se a uma varivel especfica de um conjunto de N

variveis. O nmero de amostras n p depende do ndice p das variveis.
Segundo Wackernagel (1998), no arcabouo da hiptese intrnseca
conjunta deseja-se estimar uma varivel especfica em um conjunto de N
variveis com base em um erro de estimativa, o qual deve ser nulo em mdia.
Esta condio, segundo o mesmo autor, satisfeita determinando-se pesos cuja
soma seja um para a varivel de interesse (primria) e seja zero para a varivel
auxiliar (secundria), conforme:
np
i =1
p
i
1 se p = p0
= pp0 =
0 se p p 0
74
Expandindo-se a expresso do erro mdio

desenvolvimento de Wackernagel (1998), tem-se:
de
estimativa,
conforme
np
p
N np
N
E [Z *p0 ( x 0 ) Z p0 ( x0 )] = E ip Z p ( xi ) ip0 Z p0 ( x 0 ) ip Z p ( x 0 ) =
p = 0 i =1
i =1
p =1 i =1
1
23
23
p p0 1
1
0
np
= ip E [Z p ( xi ) Z p ( x0 )] = 0
14442444
3
p =1 i =1
N
Continuando, a varincia do erro de estimativa fica:

2
N n p

p
= E i Z p ( xi ) Z p0 ( x0 )
p =1 i =1

2
E
1 se p = p 0
Introduzindo-se os pesos 0p = pp0 =
que esto includos nos
0 se p p 0
somatrios, pode-se reduzir a expresso da varincia de estimativa para:
2
N n p

p
= E i Z p ( xi )
p =1 i =0

2
E
Inserindo-se
variveis
aleatrias
fictcias
Z p (0 )
arbitrariamente
posicionadas na origem, pode-se formar incrementos:

2

np

N n p
E2 = E ip Z p ( xi ) Z p (0) ip
i =1
p =1 i =0
1
23

0
2
N n p

= E ip (Z p ( xi ) Z p (0))
p =1 i =0 1442443

incrementos
P
(xi , x j ), que no
Definido-se a covarincia cruzada dos incrementos C pq
invariante translao, tem-se:

np
nq
P
(x i , x j )
E2 = ip qj C pq
N
p =1 q =1 i = 0 j = 0
75
Para converter as covarincias dos incrementos para variogramas, deve-se

assumir que as covarincias cruzadas dos incrementos so simtricas. Com esta
hiptese obtm-se o valor da translao invariante, como:
np
np
nq
= 2 pp ( xi x0 ) p p ( x0 x0 ) ip qj pq (xi x j )
N
2
E
p =1 i =1
p
i
0 0
p =1 q =1 i =1 j =1
Aps a minimizao, na qual as restries dos pesos geraram N

multiplicadores de Lagrange p , ter-se- o sistema de cokrigagem ordinria:
N nq q
j pq (xi x j ) + p = pp0 ( xi x 0 ) para p =1,L, N ; i = 1,L, n p
q =1 j =1
np
p =
para p = 1,L, N
j
pp0

j =1
em termos matriciais ser escrito, em sua forma reduzida e para uma varivel
primria e uma secundria, como:
1
C
C12
1
11
C 22
0
C 21
1 1 1 0 0 0 0
0 0 0 1 1 1 0
0 11

0 12 C 01

0 13
1 12
= onde C pq uma matriz covarincia 3x3
1 22 C 02
1 32

0 1 1
0 0
2
e a varincia de cokrigagem ser:
2
CKO
np
= ip pp0 ( xi x0 ) + p0 p0 p0 ( x0 x0 )
p =1 i =1
Observa-se que o sistema de equaes de cokrigagem pode ser escrito em

termos de variogramas e, para tal, deve-se apenas inverter o sinal dos
multiplicadores de Lagrange.
REFERNCIAS BIBLIOGRFICAS
Aitchison, J. & Brown, J. A. C. 1957. The lognormal distribution, with special

reference to its uses in economics. Apud Koch & Link (1971).
76
Armstrong, M., 1994, Is research in mining geostats as dead as a dodo ? in:

Dimitrakopoulos, R., ed., Geostatistics for the next century: Kluwer
Academic Publishers, Dordrecht, p. 303-312.
Australasian Institute of Mining and Metallurgy-AIMM. 1996. Australasian code for
reporting of identified mineral resources and ore reserves. The AusIMM
Bulletin (4):1-19.
Barnes, M.P. 1980. Computer assited mineral appraisal and feasibility. New York,
Soc. Min. Eng. 167p.
Blais, R. A. & Carlier, P. A. 1968. Applications of geostatistics in ore valuation.
apud Olea, R.A. 1975. Optimum mapping techniques using regionalized
variable theory. Kansas, Kansas Geol. Survey. 137p. (Series on Spatial
analysis, 2).
Bon, E. H. 1979. Exploration techniques employed in The Pulau Tujuh tin
discovery. Trans. Inst. Min. Metall., 88(A13-A22).
Brooker, P.I. 1979. Kriging. Eng. & Min. J., 180(9):148-153.
Bubeniceck, L. & Haas, A. 1969. Method of calculation of the iron ore reserves in
the Lorraine deposit. In: The decade of digital computing in the mineral
industry. The American Institute of Mining, Metallurgical and Petroleum
Engineers, Inc. New York. p.179-210.
Burguess, T. M. & Webster, R. 1980. Optimal interpolation and isarithmic mapping
of soil properties, I: the semivariogram and punctual kriging. J. Soil Sci.,
31:333-341.
Chils, J-P & Delfiner, P. 1999, Geostatistics: Modeling Spatial Uncertainty: John
Wiley & Sons, Inc. New York, 1st. Ed., 695p.
Cochran, W.G. 1963. Tcnicas de amostragem. Rio de Janeiro, Fundo de Cultura.
555p.
Converse, A.O. 1970. Otimizao. Trad. de A. Rios Neto. So Paulo, EDART/
EDUSP. 262p.
Davis, J. C. 1986. Statistics and data analysis in geology. New York, John Wiley.
550p.
Departamento Nacional da Produo Mineral-DNPM, 1992. Bases tcnicas de um
sistema de quantificao do patrimnio mineral brasileiro. Braslia, DNPM.
28p. (Relatrio do Grupo de Trabalho, Portaria no 03 de 24/10/90, da
Secretaria Nacional de Minas e Metalurgia).
77
Diehl, P. & David, M. 1982. Classification of ore reserves/resources based on

geostatistical methods. CIM Bull., 75(838):127-136.
Exell, R.H.B. 1998. Practical mathematics, random variables. World Wide Web,
http://www.crosswinds.net/~exell//.
Fonseca, J. S. & Martins, G. A. 1982. Curso de estatstica. So Paulo, Editora
Atlas. 286p.
Froidevaux, R. 1982. Geostatistics and ore reserve classification. CIM Bull.
75(843):77-83.
Goovaerts, P., 1997, Geostatistics for natural resources evaluation: Oxford
University Press, New York, 483p.
Gy, P. 1968. Theory and practice of sampling broken ores. Montreal, Can. Inst.
Min. Metall., Special Vol. 9, p.5-10.
Harbaugh, J.W.; Doveton, J.H.; Davis, J.C. 1977. Probability methods in oil
exploration. New York, John Wiley. 269p.
Huijbregts, C. J. 1975. Regionalized variables and quantitative analysis of spatial
data. In: Davis, J.C. & McCullagh, M.J. (ed) Display and anaysis of spatial
data. New York, John Wiley. p.38-53.
Instituto de Pesquisas Tecnolgicas do Est. de So Paulo - IPT. 1989. Estudo e
implementao de novas tcnicas e desenvolvimento de programas em
geoestatstica: aplicaes em geologia. So Paulo, IPT. 98p. (IPT Relatrio
27.799).
Isaaks, E.H. & Srivastava, R.M. 1989. An introduction to applied geostatistics.
New York, Oxford University Press. 561p.
Journel, A.G. 1986. Geostatistics: models and tools for the Earth Sciences. Math.
Geol., 18(1):119-140.
Journel, A. G. 1989. Fundamentals of geostatistics in five lessons. Washington,
American Geophysical Union. 40p.
Journel, A. G. & Huijbregts, C.J. 1978. Mining geostatistics. London, Academic
Press. 600p.
Journel, A.G., and Rao, S.E., 1996, Deriving conditional distributions from ordinary
kriging: Stanford Center for Reservoir Forecasting, Stanford, 25p. (Report
#9)
Journel, A.G., and Rossi, M.E., 1989, When do we need a trend model in kriging
?: Math. Geology, v. 21, no. 7, p. 715-739.
78
Journel, A., Kyriakidis, P.C., and Mao, S., 2000, Correcting the smoothing effect of
estimators: a spectral postprocessor: Math. Geology, v. 32, no. 7, p. 787-813.
Kim, Y. C. 1990. Introductory geostatistics and mine planning. Tucson, The
University of Arizona. 139p.
Koch Jr., G.S. & Link, R.F. 1971. Statistical analysis of geological data. New York,
Dover Publishing. Vol. I. 375p.
Krige, D. G. 1978. Lognormal-De Wijsian geostatistics for ore evaluation.
Johannesburg, South Afr. Inst. Min. Metall. 50p.
Landim, P. M. B. - 1985. Introduo a Geoestatstica. Laboratrio de
Geomatemtica. Publicao Didtica n. 3. Instituto de Geocincias e
Cincias Exatas, Campus de Rio Claro. UNESP. 69p.
Lapin, L. L. 1982. Statistics for modern business decisions. Apud Davis, J. C.
(1986).
Matheron, G. 1965. Les variables rgionalises et leur estimation. Apud
Huijbregts, C.J. 1975. Regionalized variables and quantitative analysis of
spatial data.
Matheron, G. 1971. The theory of regionalized variables and its applications.
Fontainebleau, cole Nationale Suprieux das Mines de Paris. 211p. (Les
Cahiers de Centre de Morphologie Mathmatique de Fontainebleau, 5).
Miesch, A.T. 1967. Theory of errors in geochemical data. Washington, USGS.
(USGS Prof. Paper, 574-A). 17p.
Olea, R.A., 1991, Geostatistical glossary and multilingual dictionary: Oxford
University Press, New York, 175p.
Olea, R. 1994. Fundamentals of semivariograms estimation, modeling and usage.
In: Yarus, J.M. & Chambers, R.L. (eds) Stochastic modeling and geostatistics
principles, methods and case studies. Tulsa, AAPG (AAPG Computer
Application in Geology no 3). P.27-36.
Olea, R., 1999, Geostatistics for engineers and earth scientists: Kluwer Academic
Publishers, Boston, 303p.
Pannatier, Y. - 1994. MS-WINDOWS Programs for Exploratory Variography and
Variogram Modeling in 2D. In Statistics of Spatial Processes: Theory and
Applications. Bary. Italy.
Royle, A. G. 1979. Why geostatistics ? Eng. & Min. J., 180(5):92-101.
79
Spiegel, M. R. - 1967. Estatstica. So Paulo, McGraw Hill. 580p.

Valente, J. 1980. Avaliao geoestatstica com parametrizao da jazida fosftica
de Anitpolis. In: CONGR. BRAS. GEOL., 31, Cambori, 1980.
Anais...Cambori, SBG, v.2, p.1243-1257.
Valle, M. & Cte, D. 1992. The guide to the evaluation of gold deposits:
integrating deposit evaluation and reserve inventory practices. CIM Bull.,
85(957):50-61.
Wackernagel, H. 1998. Multivariate Geostatistics: Springer-Verlag, Berlin, 2nd.
Ed.,291p.
Waeny, J.C. de C. 1979. Recomendaes para nomenclatura de confiabilidade
metrolgica. So Paulo, IPT. (Publicao Interna, 2). 23p.
Wellmer, F.W. 1983. Classification of ore reserves by geoestatistical methods.
ERZMETALL, 36(7/8):315-321.
Wober, H.H., and Morgan, P.J., 1993, Classification of ore reserves based on
geostatistical and economic parameters. CIM Bulletin, v. 86, no. 966, p. 7376.
Yamamoto, J.K. 1997. Convex_Hull A Pascal program for determining the
convex hull for planar sets. Computers & Geosciences, v. 23, no. 7, p. 725738.
Yamamoto, J.K., 2000, An alternative measure of the reliability of ordinary kriging
estimates: Math. Geology, v. 32, no. 4, p. 489-509.
Yamamoto, J.K. & Rocha, M.M. 1996. Reviso e recomendaes para o clculo e
classificao de reservas minerais. Rev. Bras. Geoc., 26(4):243-254.
Yamamoto, J.K. & Conde, R.P. 1999, Classificao de reservas minerais usando
a varincia de interpolao: Rev. Bras. Geoc., 29(3):465-474.
80
ANEXO 1: DISTRIBUIO NORMAL PARA X ENTRE 0 E 3,49 E AS

INTEGRAIS Q(X) CORRESPONDENTES.
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
0.00
5000
4602
4207
3821
3446
3085
2743
2420
2119
1841
1587
1357
1151
0968
0808
0668
0548
0446
0359
0287
0228
0179
0139
0107
0082
0062
0047
0035
0026
0019
0013
0010
0007
0005
0003
0.01
4960
4562
4168
3783
3409
3050
2709
2389
2090
1814
1562
1335
1131
0951
0793
0655
0537
0436
0351
0281
0222
0174
0136
0104
0080
0060
0045
0034
0025
0018
0013
0009
0007
0005
0003
0.02
4920
4522
4129
3745
3372
3015
2676
2358
2061
1788
1539
1314
1112
0934
0778
0643
0526
0427
0344
0274
0217
0170
0132
0102
0078
0059
0044
0033
0024
0018
0013
0009
0006
0005
0003
0.03
4880
4483
4090
3707
3336
2981
2643
2327
2033
1762
1515
1292
1093
0918
0764
0630
0516
0418
0336
0268
0212
0166
0129
0099
0075
0057
0043
0032
0023
0017
0012
0009
0006
0004
0003
0.04
4840
4443
4052
3669
3300
2946
2611
2296
2005
1736
1492
1271
1075
0901
0749
0618
0505
0409
0329
0262
0207
0162
0125
0096
0073
0055
0041
0031
0023
0016
0012
0008
0006
0004
0003
0.05
4801
4404
4013
3632
3264
2912
2578
2266
1977
1711
1469
1251
1056
0885
0735
0606
0495
0401
0322
0256
0202
0158
0122
0094
0071
0054
0040
0030
0022
0016
0011
0008
0006
0004
0003
0.06
4761
4364
3974
3594
3228
2877
2546
2236
1949
1685
1446
1230
1038
0869
0721
0594
0485
0392
0314
0250
0197
0154
0119
0091
0069
0052
0039
0029
0021
0015
0011
0008
0006
0004
0003
0.07
4721
4325
3936
3557
3192
2843
2514
2206
1922
1660
1423
1210
1020
0853
0708
0582
0475
0384
0307
0244
0192
0150
0116
0089
0068
0051
0038
0028
0021
0015
0011
0008
0005
0004
0003
0.08
4681
4286
3897
3520
3156
2810
2483
2177
1894
1635
1401
1190
1003
0838
0694
0571
0465
0375
0301
0239
0188
0146
0113
0087
0066
0049
0037
0027
0020
0014
0010
0007
0005
0004
0003
0.09
4641
4247
3859
3483
3121
2776
2451
2148
1867
1611
1379
1170
0985
0823
0681
0559
0455
0367
0294
0233
0183
0143
0110
0084
0064
0048
0036
0026
0019
0014
0010
0007
0005
0003
0002
81
ANEXO 2: VALORES CRTICOS DE T PARA ALGUNS NVEIS DE

SIGNIFICNCIA ( IN KOCH & LINK, 1971 PG. 346)
Nvel de significncia
2.5
1
12.706
31.821
4.303
6.965
3.182
4.541
2.776
3.747
2.571
3.365
g.l.
1
2
3
4
5
10
3.078
1.886
1.638
1.533
1.476
5
6.314
2.920
2.353
2.132
2.015
0.5
63.657
9.925
5.841
4.604
4.032
0.1
318.310
22.327
10.215
7.173
5.893
6
7
8
9
10
1.440
1.415
1.397
1.383
1.372
1.943
1.895
1.860
1.833
1.812
2.447
2.365
2.306
2.262
2.228
3.143
2.998
2.896
2.821
2.764
3.707
3.499
3.355
3.250
3.169
5.208
4.785
4.501
4.297
4.144
11
12
13
14
15
1.363
1.356
1.350
1.345
1.341
1.796
1.782
1.771
1.761
1.753
2.201
2.179
2.160
2.145
2.131
2.718
2.681
2.650
2.624
2.602
3.106
3.055
3.012
2.977
2.947
4.025
3.930
3.852
3.787
3.733
16
17
18
19
20
1.337
1.333
1.330
1.328
1.325
1.746
1.740
1.734
1.729
1.725
2.120
2.110
2.101
2.093
2.086
2.583
2.567
2.552
2.539
2.528
2.921
2.898
2.878
2.861
2.845
3.686
3.646
3.610
3.579
3.552
21
22
23
24
25
1.323
1.321
1.319
1.318
1.316
1.721
1.717
1.714
1.711
1.708
2.080
2.074
2.069
2.064
2.060
2.518
2.508
2.500
2.492
2.485
2.831
2.819
2.807
2.797
2.787
3.527
3.505
3.485
3.467
3.450
26
27
28
29
30
1.315
1.314
1.313
1.311
1.310
1.706
1.703
1.701
1.699
1.697
2.056
2.052
2.048
2.045
2.042
2.479
2.473
2.467
2.462
2.457
2.779
2.771
2.763
2.756
2.750
3.435
3.421
3.408
3.396
3.385
40
60
120
inf
1.303
1.296
1.289
1.282
1.684
1.671
1.658
1.645
2.021
2.000
1.980
1.960
2.423
2.390
2.358
2.326
2.704
2.660
2.617
2.576
3.307
3.232
3.160
3.090
82

Mult mai mult decât documente.

Yamamoto Geoestatistica Aplicada

Încărcat de

Informații document

Descriere:

Descriere:

Drepturi de autor:

Formate disponibile

Yamamoto Geoestatistica Aplicada

Încărcat de

Descriere:

Drepturi de autor:

Formate disponibile

Titluri conexe

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

6.3 Definio da malha regular _________________________________________ 49

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

A seguir vamos definir alguns conceitos bsicos, cujo entendimento ser de

A resposta para qualquer uma dessas questes est baseada na

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

informaes, em face da impossibilidade de se registrarem integralmente as

mtodos de amostragem que poderiam ser

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

afetar a preciso ou influenciar sua exatido. O erro de amostragem representa a

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

Natureza dos dados

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

diamante, a produo da mina provavelmente no corresponder s estimativas

onde: n o nmero de trechos para compor o intervalo de trabalho; ti o teor do

Entretanto, vamos considerar apenas a composio por bancadas que o

3.1.1 Composio por bancadas

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

Deve-se, em casos de furos inclinados, limitar a inclinao mnima que

Figura 1: Desenho esquemtico mostrando o clculo do comprimento composto

Figura 2: Desenho ilustrando o problema da inclinao mnima de furos de sonda

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

Um outro problema relacionado composio de furos inclinados est no

onde: inclinao do furo de sonda em relao horizontal.

Figura 3: Procedimento para clculo das posies de amostras compostas para a

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

Tabela 2: Log do furo CP-23.

A Figura 4 apresenta esquematicamente o clculo dos teores compostos

Figura 4: Exemplo de composio de amostras por bancada para o furo CP-23

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

Tabela 3: Log do furo CP-62.

Figura 5: Exemplo de composio de amostras por bancada para o furo CP-62

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

4.1 Conceitos de variveis aleatrias e probabilidade

Variveis aleatrias discretas

Variveis aleatrias contnuas

Probabilidade de realizaes igualmente possveis

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

Funo densidade de probabilidade

Funo de distribuio acumulada

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

4.2 Representaes grficas de variveis aleatrias

As observaes amostradas de uma varivel aleatria podem ser

A anlise estatstica comea pelo estudo da distribuio de freqncias, a

Figura 6: Histograma para uma varivel aleatria tpica de dados geolgicos.

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto

em abscissa. A simples unio dos pontos sobre a curva acumulativa, com

P(X) a probabilidade acumulada de - a X, ou a uma porcentagem em relao

Curso de Geoestatstica Aplicada

Jorge Kazuo Yamamoto