Professional Documents
Culture Documents
Análise Estatística de Dados Geológicos
Análise Estatística de Dados Geológicos
"#$%&'('&)*)+&)%,*
-'(-*-.&(/'.$0/%,.&
1
!"#$%&'()*$+,(-%)$%)"#*./
!"#$%&#'(#)&*)+*'$#,-*)+."/&*"
%012032)450267)829).50129).37:5
0%"#(*"1!"#$%&#'(#
;29<)=59137>2)45?@A69)#612
2$$#$$*")3&%(*"%/,
;<B32)C6?0503)D2EF3E)GA136??6
+*'$#,-*)3&%(*"%/,)24/&56%4*
%HA305782);29<)G20I57:69
J7:5?2)(9K5?)=5EL505
%012032)=6792)M5H06?)N5030
=5?729)*?3:50O)!50130513
!5A912)!2?6913
;29<)%7AO932)-639)86)%08?586
45?K2)%A?<732)#2HA63?5
45?35).A673)/5??63?5)86)%??A85
-2P6?12)Q?560R67
-295)45?35)!63163?2)=5:575?3
3&%(*")37#4.(%8*
,A732)ST)Q5U515
3&%(*"/$)2$$%$(#'(#$
45?35)%LL5?6K385)!T)4T)DA99272113
45?35)$272?69)/?5869
2
!"#$%&'('&)*)+&)%,*
-'(-*-.&(/'.$0/%,.&
3*4$.(5%$)."(6*78.&*(9*"-%:
;
=2LO?3H>1)V)WXXY)PO)*8312?5)"#*./
$3?63129)86)LAP73K5IZ2)?696?:5829)[\
!A085IZ2)*8312?5)85)"#*./)]!*"^
%:T)-32)D?50K2_)W`Wa
aW`abcXad)e).Z2)/5A72)e)./
,67Tf!5g\)]aWW^)``hcXiba
$5829)+016?05K320539)86)=51572H5IZ2)05)/AP73K5IZ2)]=+/^
]=jE5?5)D?593763?5)82)k3:?2_)./_)D?5937^
k5083E_)/5A72)437120)D5?P295
))))%0l7396) 69151m913K5) 86) 85829) H627nH3K29) f) /5A72) 437120) D5?P295
k5083ET)e).Z2)/5A72\)!A085IZ2)*8312?5)85)"#*./_)WXXo)e)]=3p0K35
6)16K0272H35^
))))D3P732H?5F35T
))))+.D#)oicYWhXcWbbcW
))))WT)G6272H35)e)4<12829)69151m913K29)))+T),m1A72T)))++T).<?36
XYcddio) ) ) ) =$$ciiWTaY`
q083K69)L5?5)K51l72H2)93916El13K2\
WT)$5829)H627nH3K29\)%0l7396\)4<12829)69151m913K29)))))))iiWTaY`
`T)G6272H35\)*9151m913K5\)4<12829)69151m913K29)))))))iiWTaY`
hT)4<12829)*9151m913K29\)G6272H35)))))))iiWTaY`
*8312?5)5F373585\
<
9)+/"6%'&/
>
?4:#7%.
((((!@7'&'")*AB.)) WW
(C((D")7.-4AB.)) WY
WTW)%L73K5Ir69)85)*9151m913K5)6E)G6272H35)) Wo
WT`)#51A?6B5)829)85829)H627nH3K29)) ``
(1((3.@4$*AE'&('(*:.&)7*&)) `i
`TW)/2LA75Ir69)6E)G6272H35)) `b
`T`)%E291?5H6E)) `Y
`T`TW)/75029)86)5E291?5H6E)) `Y
`T`T`)"E)E28672)69151m913K2)H6?57)L5?5)5E291?5H6E)H627nH3K5)) `X
(2((F%&)7%84%AE'&(-'(G7'HIJ",%*&)) hh
hTW)-6L?696015IZ2)H?lF3K5)86)8391?3PA3Ir69)5E291?539)) hd
hT`)4683859)869K?313:59)86)AE5)9<?36)86)0sE6?29)) hi
hTh)4<1282)829)E2E60129)L5?5)2)Kl7KA72)859)69151m913K59)) ho
hTd)$391?3PA3Ir69)16n?3K59)86)F?6@tp0K359)) dW
hTdTW)$391?3PA3IZ2)P302E357)) d`
hTdT`)$391?3PA3IZ2)86)/239920)) d`
hTdTh)$391?3PA3IZ2)02?E57)) dh
hTdTd)$391?3PA3IZ2)72H02?E57)) dd
hTdTi)$391?3PA3IZ2)K3?KA75?)02?E57)) di
K
hTi)u6?3F3K5IZ2)85)L?6960I5)86)8391?3PA3IZ2)02?E57
6E)AE)K20vA012)86)85829)) db
hTiTW)/5L67)86)L?2P5P3738586)02?E57)) db
hTiT`)4<1282)829)E2E60129)) dY
hTiTh)%L73K5IZ2)82)16916)M)) dY
hTiTd)%L73K5IZ2)82)16916)86)586?p0K35)82)χ)w)) dX
hTiTi),6916)86)Q27E2H2?2:c.E3?02:)L5?5)KA?:59)86)F?6@tp0K359
)5KAEA75859)) dX
hTiTb)$391?3PA3IZ2)72H02?E57)) iW
(;((L&)%:*AB.('()'&)'&(-'(M%@0)'&'&)) ih
dTW),6916)1)) ii
dTWTW),6916)86)>3Ln1696)L5?5) g _)K2E)µ)869K20>6K382)6):5?3j0K35
)6913E585)) ib
dTWT`)=2EL5?5IZ2)601?6)8A59)E<8359)) io
dTWTh)+016?:572)86)K20F350I5)L5?5)µ)) ba
dT`),6916)!)) bW
dTh),6916)χw)]:.%1:./&"/&*^)) bW
dThTW)+016?:5729)86)K20F350I5)L5?5)σw)) b`
dThT`)/?2:5)86)586?p0K35)) bh
dThTh)=2EL5?5IZ2)601?6)8391?3PA3Ir69)) bi
dThTd),5P675)86)K20130Hp0K35)) bY
(<((!"#$%&'(-'(N*7%O",%*)) bX
iTW)+01?28AIZ2)) bX
iT`),3L29)6)E286729)L?30K3L539)) Yh
iT`TW)!512?)s03K2)K2E)?6L73K5IZ2)) Yi
iT`T`)$239)F512?69)K?AB5829)K2E)?6L73K5IZ2)) YY
iT`Th)$239)F512?69)>36?l?@A3K29)K2E)?6L73K5IZ2)) YX
iT`Td)C2E2H60638586)86):5?3j0K359)) oa
iT`Ti),6916)L5?5)83F6?60I5)93H03F3K513:5)601?6)E<8359)) o`
iTh)%0l7396)86):5?3j0K35)0Z2cL5?5E<1?3K5)) o`
iThTW)%0l7396)86):5?3j0K35)K2E)s03K2)K?31<?32_)96HA082
)Q?A9R57)x)M57739)) o`
P
iThT`)%0l7396)86):5?3j0K35)K2E)8AL72)K?31<?32_)96HA082
)!?368E50)) od
iTd)*g6EL729)) od
(=((!"#$%&'(-'(7'/7'&&B.)) XW
bTW)=2??675IZ2)73065?)) XW
bTWTW)=26F3K36016)86)K2??675IZ2)73065?)L?28A12)E2E6012_
)96HA082)/65?920)) XW
bTWT`)=26F3K36016)86)K2??675IZ2)86).L65?E50)) X`
bTWTh)451?3B)86)K26F3K360169)86)K2??675IZ2)) Xd
bT`)-6H?699Z2)73065?)) Xi
bT`TW)u6?3F3K5IZ2)82)5vA916)86)85829)52)E28672)73065?)93EL769)) XY
bTh)()A92)6@A3:2K582)85)50l7396)86)?6H?699Z2)73065?)6E)G6272H35)) Xo
bThTW)=26F3K36016)86)K2??675IZ2)) Xo
bThT`)*3g2)E532?)?68AB382)) Waa
bTd)-6H?699Z2)KA?:37m065)) Wa`
bTi)-6H?699Z2)Es713L75)) Wah
(>((!"#$%&'(-'(-*-.&(N').7%*%&)) WWW
YTW)$5829):612?3539)02)L7502)) WW`
YT`)$5829):612?3539)02)69L5I2)5)1?p9)83E609r69)) WWb
YTh)*g6EL72)) W`a
(K((!"#$%&'(-'(-*-.&(':(&'HIJ",%*)) W`h
oTW)=586359)86)45?R2:)) W`d
oTWTW)451?3B69)86)?6H391?2)86)1?5093Ir69)) W`b
oTWT`),6916)69151m913K2)L5?5)L?2L?368586)E5?R2:3505)) W`o
oTWTh)451?3B)86)1?5093Ir69)6915P373B5859)) Wha
oTWTd),?5093Ir69)6915K320l?359)) WhW
oTWTi)*01?2L35)) WhW
oTWTb).6Ir69)691?513H?lF3K59)93EA75859)) Wh`
oTWTY)%L73K5Ir69)859)K586359)86)45?R2:)) Whh
(P((!"#$%&'('&@*,%*$(-'(-*-.&(7'/%."*$%Q*-.&)) WhY
XTW)%0l7396)86)9AL6?FmK369)86)1608p0K35)) Wda
CR
XTWTW)=l7KA72)859)9AL6?FmK369)) WdW
XTWT`)u6?3F3K5IZ2)82)5vA916)859)9AL6?FmK369)86)1608p0K35)529)85829
)2P96?:5829)6)3016?:5729)86)K20F350I5)) Wdd
XTWTh)=2EL5?5IZ2)601?6)9AL6?FmK369)86)1608p0K35)) Wdb
XTWTd)*g6EL729)) WiW
XT`)G6269151m913K5)) Wib
XT`TW).6E3:5?32H?5E5)) Wio
XT`T`)Q?3H5H6E)) Wbb
)XT`T`TW)Q?3H5H6E)2?830l?35)) Wbo
)XT`T`T`)!A0Ir69)5Ag3735?69)) WY`
)XT`T`Th)*g6EL729)) WYd
)XT`T`Td)Q?3H5H6E)A03:6?957)) Woh
)XT`T`Ti)*g6EL729)) Wob
)XT`T`Tb)+*;"%</<#6)) WXa
XT`Th)/?2H?5E59)L5?5)H6269151m913K5)) WX`
)XT`ThTW).,%,/%=)].1513913K57)/5KR5H6^)) WXh
)XT`ThT`)G*(y"%#,)) WXd
)XT`ThTh)G*(c*%.)]G6291513913K57)*0:3?20E60157)%99699E601
) ).2F1U5?6^)) WXd
)XT`ThTd)G*(/%=Q)) WXi
)XT`ThTi)!..)G6291513913K57),((kD(z)) WXb
)XT`ThTb)G.k+D)) WXY
XT`Td)%0l7396)H6269151m913K5)86)AE5)v5B385)86)K5?:Z2
)].5L2L6E5c/-^)) WXo
XT`Ti)=209386?5Ir69)F30539)) `Wo
6%8$%./7*G%*)) `WX
CC
!@7'&'")*AB.
,5P675)W)e)$5829)?6F6?60169)[9):5?3l:639)%)6)D
+ =22?8605859 u5?3l:639
*cM #c. % D
W W_aa i_aa a_oa W_Xi
` `_aa i_aa a_Y` `_Wa
h d_aa i_aa a_bX W_ha
d h_aa d_ia a_oa W_da
i d_ia d_ia a_Yh a_Yh
b a_ia d_aa W_WX W_ia
Y W_ia d_aa a_Xd W_oi
o `_ia d_aa a_Xb W_dW
X h_ia d_aa W_ai W_`a
Wa i_aa d_aa W_h` W_h`
WW W_aa h_ia W_a` W_ba
W` `_aa h_ia W_`a W_iY
Wh h_aa h_ia W_Wa W_Wa
Wd d_aa h_ia W_Wo W_Wo
Wi b_aa h_ia W_ha W_hW
Wb W_ia h_aa W_ii W_ii
WY `_ia h_aa W_iY W_`a
Wo h_ia h_aa W_ha W_ha
WX i_aa h_aa W_aa a_Yb
`a a_ia `_ia W_Wo W_Wo
`W W_ia `_ia W_da W_da
`` `_aa `_ia W_ha W_ha
`h `_ia `_ia W_ia W_di
`d d_aa `_ia W_da W_da
`i W_ia `_aa W_oi W_aa
`b `_ia `_aa W_`a W_ai
`Y h_aa `_aa W_`h W_`h
`o d_aa `_aa W_ha W_ha
`X a_ia W_ia W_b` W_aa
ha W_ia W_ia `_aX a_oW
hW `_aa W_ia W_ba a_Ya
h` `_ia W_ia W_da a_oa
hh h_aa W_ia W_dW a_ii
hd h_ia W_ia W_ho W_ho
hi d_aa W_ia W_ad W_ad
hb `_aa W_aa W_hW a_oa
hY h_ia W_aa W_`o W_`o
ho `_ia a_ia a_ii W_aa
C2
!+G"-%)W)e)C3912H?5E5)85):5?3l:67)%T
!+G"-%)`)e)C3912H?5E5)85):5?3l:67)DT
C;
!+G"-%)h)e)=A?:59)86)392:572?69)86)%T
!+G"-%)d)e)=A?:59)86)392:572?69)86)DT
C<
*916)16g12)301?28A1n?32)60F2K5)FA085E60157E6016)5)50l7396)86)85829
H627nH3K29_)K201?275829)L675)9A5)8391?3PA3IZ2)69L5K357_)E59)L286)L6?F6315c
E6016)96?)A1373B582)6E)2A1?59)l?659)@A6)839L20>5E)86)85829)K2E)69959
E69E59)K5?5K16?m913K59T)!23)69K?312)L2?)AE)L?2F6992?)86)G6272H35)L?62KAL5c
82)6E)1?509E313?)K20K63129)69151m913K29)85)E5063?5)E539)93EL769)L299m:67
6)@A6)L2995E)96?)A1373B5829)05)50l7396)869969)85829T)%Ln9)5)+01?28AIZ2_
029) K5Lm1A729) `) 5) b) 691Z2) 6gL29129) 29) E<12829) A9A57E6016) 869K?3129) 029
73:?29)86)*9151m913K5)869K?313:5T)#29)K5Lm1A729)Y)6)o)9Z2)5L?696015829)E<c
12829)@A6)0Z2)9Z2)A9A539)029)16g129):2715829)[)*9151m913K5)5L73K585_)E59
@A6)9Z2)EA312)s1639)@A5082)85)50l7396)86)85829):612?3539)2A)6E)96@tp0c
K35_)1Z2)K2EA09)6E)G6272H35T)!3057E6016_)02)K5Lm1A72)X)9Z2)5L?696015829
29) E<12829) @A6) L?2KA?5E) 5057395?) 29) 85829) K2E) 8391?3PA3IZ2) 69L5K357_
6915082)5m)30K7Am85)5)K>5E585)E6128272H35)H6269151m913K5T
{) 6915_) 6E) 9m01696_) 5) F305738586) 86916) 1?5P57>2|) 69L6?5082) @A6) 676
96v5) s137_) E59) 15EP<E) 76EP?5082) @A6) EA3159) :6B69) 59) L699259) 96) A1373c
B5E) 85) *9151m913K5) K2E2) AE) PpP582) ]0Z2) 06K6995?35E6016) H6n72H2^) @A6_
52)7582)86)AE)L2916_)[)02316_)5L6059)96?:6c96)8676)K2E2)9AL2?16_)E59)0Z2
L5?5)37AE305?c96T)yA6)0Z2)96v5)6916)2)K592_)L?6B582)76312?)2A)76312?5T
/5?5)5@A6769)@A6)8696v5E)5L?2FA085?c96)06915)E51<?35_)?6K2E6085c
96)29)73:?29)301?28A1n?329)92P?6)5)5L73K5IZ2)85)*9151m913K5)6E)G6272H35)86
,377) ]WXYd^) 6) =>6606O) ]WXoh^|) 29) E539) 5P?50H60169) 86) Q?AEP630) x
G?5OP377)]WXbi^_)Q2KR)x)k30R)]WXYa)6)WXYW^)6)2)86)$5:39)]WXob^T)*01?6)29
73:?29) @A6) 1?515E) 85) 50l7396) 69L5K357_) L286E) 96?) K315829) -3L76O) ]WXoW) 6
WXoo^_)$3HH76)]WXoh^_)G5376)x)M377E211)]WXod^)6)"L120)x)!30H76120)]WXoic
WXoX^T)()16?E2)<#*#$(/(=$(%4/)F23)KA0>582)L2?)451>6?20)L5?5)2)691A82)859
:5?3l:639) ?6H320573B5859) 6) 29) FA085E60129) 86995) E6128272H35) F2?5E
5L?696015829) 6E) 1?5P57>29) @A6) 8515E) 86) WXb`) 6) WXbhT) =2E2) F20169) 30c
1?28A1n?359_)9Z2)?6K2E6085829)29)73:?29)86)-608A)]WXYo^_)=75?R!]WXYX^_)6
D?22R6?! ]WXXW^|) L5?5) 5L73K5Ir69) 6E) E306?5IZ2_) 29) 86) $5:38) ]WXYY^) 6
;2A?067) x) CA3vP?6H19) ]WXYo^_) 6) L5?5) 5) A1373B5IZ2) 6E) G62K3p0K359_) 86) AE
E282) H6?57_) 29) 8239) :27AE69) 68315829) L2?) u6?7O) 61) 57T) ]WXod^_) 57<E) 86
+955R9)x).?3:5915:5)]WXoX^T)!3057E6016_)<)3083K585)5)7631A?5)82)16g12)683c
1582)L2?!.3B6!]WXoY^_)@A6)1?515)829)A929)6)5PA929)829)E<12829)69151m913K29
059)=3p0K359)85),6??5T
15
1 Introdução
A aceitação por parte dos geólogos tem sido bem maior no tocante à
Tectônica Global, e isso pode ser facilmente constatado nos livros-textos
de Geologia básica mais recentes, que já apresentam e discutem tais con-
ceitos. O mesmo não acontece com a aplicação de modelos quantitativos,
utilizando-se ou não de computadores, e isso porque os geólogos, acostu-
mados com a utilização do método das múltiplas hipóteses, julgam que
podem lidar com fenômenos naturais apenas em termos qualitativos, e
acabam por criar uma barreira entre os dados obtidos e o seu manuseio.
Um dos motivos alegados é que os métodos quantitativos utilizados são
julgados extremamente complexos e apresentados numa linguagem ma-
18
2(d 1 − d 2 )g
V= . r 2 , onde
9f
2(d1 − d 2 )g
C=
9f
Vi = V + e i
2 Populações e amostras
2.2 Amostragem
b) Amostragem sistemática
Utilizada quando o sistema de referência geral para toda a popula-
ção é dispensado e amostras são sistematicamente coletadas por sorteio
segundo um padrão pré-determinado. Exemplo: seja um levantamento
geoquímico em uma área contida numa folha topográfica. Inicialmente,
divide-se o mapa em um número suficiente de quadrículas, numeradas no
sentido leste-oeste e norte-sul. Em seguida, utilizando um processo casu-
al simples, sorteiam-se quadrículas, e uma amostra será retirada do pon-
to central de cada uma das quadrículas.
d) Amostragem estratificada
Utilizada quando se supõe presente uma grande variabilidade nas
observações. Neste caso, a população é dividida em subpopulações, e cada
uma delas é submetida a uma amostragem casual simples. O efeito dessa
29
e) Amostragem hierárquica
xi = µ
xi = µ+ e1
xij = µ = αi + eij
3 Distribuições de freqüências
Dados ( xi ) Freqüências ( fi )
500 3
501 6
502 15
503 9
504 2
k = 1 + 3,3 (log10 n)
Dados
Ponto Freqüência Freqüência Freqüência relativa
Classes
médio absoluta relativa % acumulada
2-3 2,5 4 4,88 4,88
3-4 3,5 12 14,63 19,51
4-5 4,5 15 18,29 37,80
5-6 5,5 19 23,17 60,97
6 -7 6,5 23 28,05 89,02
7-8 7,5 9 10,98 100,00
µ = Σxi / n
∞ x f ( x )dx
µ = ∫ −∞ i
Σxi
x= , sendo x uma estimativa de µ
n
36
Σ ( x i – µ)
Σ ( x i – µ) 2
Σ(x i – µ) 2
σ2 =
n
σ 2 = ∫ –∞∞ (x – µ) 2 f(x)dx
Σ(x i – x) 2
2
s =
n –1
(Σ x i )2
Σ x 2i – n
s2 =
n –1
Σ (x i – x ) 2 f i
s2 = n
(Σ f i ) – 1
(Σ x i f i )2
Σ x 2i f i – n
Σ fi
s2 =
(Σ f i ) – 1
Se as observações forem modificadas pela adição ou multiplicação de
um valor constante, a média, a variância e o desvio-padrão modificar-se-
ão da seguinte maneira:
,
1) x ,i = x i + a x = x + a
,
s,2 = s 2 s = s
2) x ,i = xa x , = xa
,
s,2 = s2a s = sa
xi – x
zi =
sx
σ
γ = µ
e para amostras,
s
c=
x
p
u ’ p = ∫ x f (x )dx
r
1
m ,p = n Σ x pi
1
m ,pk = Σf x p
Σf j j j
p
µ p = ∫ r (x – µ) f (x )dx
mp = 1
n Σ(x i – x)
p
1
mpk = Σf j (x j – x) p
Σf j
x = m1, = 1
n Σ xi
1
x k = m1, k = Σ f jx j
Σf j
1 n –1
m ,2 = Σ (x i – x) 2 = s2
n n
1
m ,2k = Σ f j (x j – x k ) 2
Σf j
Σx i 3 Σx 2i
m,3 = – 3x + 2x 3
n n
Σx i 4 Σx 3i Σx 2i
m,4 = – 4x + 6x 2 – 3x 4
n n n
m3’
assimetria =b = 3
1
1/2
m’ 2
m4’
curtose = b2 = 4
1 / 2
m’ 2
S
k1 = n1 = x
nS2 – S1 2
k2 = = s2
n(n−1)
k3 k
3
assimetria = g1 = = 3
k23 / 2
σ
k4
curtose = g 2 = 2
k2
n!
Px = p n − x q x , onde 0 < x < ∞
x!(n – x)!
Momentos da distribuição:
,
µ1 = u = np
, 2
u 2 = σ = npq
q–p
assimetria = a3 =
npq
1 – 6pq
curtose = a 4 = 3+
npq
– m mx
Px = e
x!
Momentos da distribuição:
,
µ1 = µ = m = np
2
µ 2 = σ = m = np
1 1
assimetria = m = n
p
1 1
curtose = 3 + m = 3 + np
1 – (z2 / 2) xi – µ
y= e para a variável transformada Z i = , onde
2Π σ
– ∞< Z<∞
2
Para N(µ,σ / x):
µ n = 0, para n ímpar,
n
n!σ
µn = , para n par
2 ( n !)
n/2
2
2 4
µ1 = 0 , µ 2 = σ , µ 3 = 0 , µ 4 = 3σ
1 – (log x – γ )2 / 2θ2
y= e , onde 0 < x < + ∞
xθ 2Π
onde a = log e
b
C(x; θ; γ ) = Ke θcos(x – γ )
onde γ − π ≤ x ≤ γ + π
não, bastando para tanto apenas comparar a curva resultante com uma
reta desenhada o mais próximo possível pelos mesmos pontos. Também
os percentis da distribuição podem ser lidos diretamente a partir da cur-
va encontrada, fornecendo de maneira rápida os valores centrais e de va-
riação da amostra; o percentil 50 corresponde à mediana, que será igual à
média se a distribuição for normal: a relação: (percentil 75 – percentil
25)/2 corresponde ao desvio padrão.
2
Ho : x é N (µ, σ ) ;
Após calcular g i e g 2
n n
t1 = g1 e t2 = g2
6 24
Para amostras em que n < 500, existe uma modificação desse teste
(Bennett & Franklin, 1954, p.96). Tabelas em que n = 10-125, valores crí-
ticos de b1, b2, g1 e g2 são encontrados em Jones (1969). Gráficos com va-
lores críticos de b1 e b2 são encontrados em Preston (1970).
(O−E)
χ2 = , sendo O = valores observados na i’ésima classe; E =
E
valores esperados na i’ésima classe; com (m - k - 1) g.l.
m = número de classes
k = número de parâmetros estimados = 2 (µ e σ)
D = máximo [f1 (x i ) – f 2 (x i )]
n n
χ 2 = 4D2 n 1+n2 , que obedece a uma distribuição de χ² com 2 g.l.
1 2
n +n
D > 1,36[ n1 n 2 ]1 / 2 rejeita a hipótese a um nível de 5%
1 2
51
n n2
D > 1,36 n1+n rejeita a hipótese a um nível de 1%
1 2
1
V (y) = [Σy i 2 – (y)2 ]
n
µ = m[exp(σ2n / 2)]− C
H1 = µ > µ1
x–µ
z = e Z tem distribuição N(0,1)
i σ n
x– µ1
zo =
σ/ n
zo = valor observado
4.1 Teste t
(x – µ) n
t= , com n – 1 graus de liberdade
σ*
Exemplos:
x = 1,5 mm
s = 0,3
n=9
H0 : µ = 0
H1 = µ ≠ 0
(1,5 – 0,5) 9
t = = 10
0,3
t (0,05;8) = 2,306
57
(1,5 – 0,5) 9
t = = 1,0
3
t (0,05;8) = 2,31
σ* = 0,3 / 9 = 0,1
1,37
x = Σnx = = 0,1914 , µ = 0, n = 2,646
7
2
2 (Σx)
Σx –
s= n = 0,1826
n –1
(x – µ ) n
t= = 2,773
s
g.l.= n – 1 = 6
x1 – x 2
t=
1 1
[S 2 ( + )]1 / 2
n1 n 2
x1 – x 2
t= 2 2
[(s1 + s2 )/ n – 1]1 / 2
Exemplo:
3,56 – 3,37
t=
(0,23 + 0,22)/ 6
t = 0,692
g.l.= 2(n – 1) = 12
t (0,05;12) = 2,179
60
Exemplo:
Fornecida a seguinte tabela de dados, encontrar a média da amostra
e o respectivo intervalo de confiança, ao nível de 95%, para a média po-
pulacional.
Classes xi fi
0-1 0,5 4
1-2 1,5 14
2-3 2,5 38
3-4 3,5 42
4-5 4,5 23
5-6 5,5 6
1
x= Σ f x = 3,16
n i i
1
s2 = Σf (x − x) 2 = 1,14
n −1 i i
61
t
(0,025;126) ≅ 1,98
2,96 ≤ µ ≤ 3,36
µ = 3 ,1 6 ± 0 , 2 0
4.2 Teste F
2
2
2
1 2 (n – 2)/ 2 – x n /2 2
C (χ n)= ∫ ox (χ n ) e dχ n , para x > 0 e n graus de
(n – 2) n/2
!2
2
liberdade.
2 2
(n – 1)s 2
(n – 1)s
2
≤ σ ≤ 2
χ (a / 2;n – 1) χ (1 – a / 2;n – 1)
Exemplo:
s2 = 1,14
n = 137
2
2
z i + 2(n – 1) – 1)
χc ≅
2
2
1 ,9 6 + ( 2 * 1 3 6 – 1 )
2 ; com z = 1,96, correspondendo à área de
χc ≅
2
0,975 em uma curva normal
2
χ (0,025;n – 1) = 169,69
2
χ (0,975;n – 1) = 105,15 ; com z = – 1,96, correspondendo à área de
0,025 em uma curva normal
0,91 ≤ σ2 ≤ 1,47
m = número de classes
k = número de parâmetros estimados.
Exemplo:
A tabela abaixo fornece medidas de densidade (g/cm³) de um conjun-
to de amostras de granito provenientes de um mesmo batólito. Verificar
se esses valores estão normalmente distribuídos.
xi zi xi zi xi zi
2,59 0,332 2,59 0,332 2,59 0,332
2,62 1,891 2,58 -0,187 2,61 1,371
64
x = 2,5836
xi – x x i – 2,5836
zi = =
s 0,01925
Classes (zi) fi
<-2 3
-2 - -1 3
-1 - 0 20
0-1 18
1-2 6
>2 0
Classes (zi) fi
<-1 6
-1 - 0 20
0-1 18
>1 6
Probabilidade de
Classes 0 E
ocorrer o valor zi
<-1 6 0,1587 7,93
-1 - 1 20 0,3413 17,07
0-1 18 0,3413 17,07
66
2 2 2
2
(6 – 7,93) (20 – 17,07) (18−17,07)
2 (6 – 7,93)
χ = + + +
7,93 17,07 17,07 7,93
χ 2 = 1,494
χ 2 = 7,51 e g. l.= 6 − 1 = 5
(0 – E)
2 1 0,25 2,25 1 4 9
(B) 26 6,5 26,5 19 6 16
E
Como: 80 > p > 70 aceitar Ho; isso significa que ambas as amostras
devem prover da mesma população.
B1 B2... BK Σi
A1 N,1 N1,2 N1,K N1.
A2... N,21 N2,2 N2,K N2.
Am Nm,1 Nm,2 Nm,k Nm.
Σj N.1 N.2 N.k N
D ij. = N ij – E ij
Com esses dados, encontra-se V
k m (Dij)2
V = Σ Σ Eij
5 Análise de variância
5.1 Introdução
a amostras
n itens 1 2 3... i... a
1 x1,1 x2,1 x3,1 xi,1 xa,1
2 x1,2 x2,2 x3,2 xi,2 xa,2
3... x1,3 x2,3 x3,3 xi,3 xa,3
j... xi,j x2,j x3,j xi,j xa,j
n x1,n x2,n x3,n xi,n xa,n
1 n
Σ (x ij – x) 2
n−1
F = s 21 / s 2 2
H o :σ12 = σ 22 = σ
H1 :σ12 ≠ σ 22
71
a amostras
n itens 1 2 3 ... i ... a
1 x1,1+α1 x2,1+α2 x3,1+α3 xi,1+αi xa,1+αa
2 x1,2+α1 x2,2+α2 x3,2+α3 xi,2+αi xa,2+αa
3 ... x1,3+α1 x2,3+α2 x3,3+α3 xi,3+αi xa,3+αa
j ... xi,j+α1 x2,j+α2 x3,j+α3 xi,j+αi xa,j+αa
n x1,n+α1 x2,n+α2 x3,n+α3 xi,n+αi xa,n+αa
a
Σα i = 0
1 a n 1 a n
Σ Σ [(x ij + α i ) – (x i + α i )]2 = Σ Σ (x ij – x i ) 2
a (n – 1) a (n−1)
1 a 1 a
Σ [(x + α i ) – (x + α)]2 = Σ [(x i – x)+ (α i α)]2 =
i
a –1 a −1
1 a 2 1 a 2 2 a
= Σ (x − x ) + Σ (α i – α) + Σ (x – x)(α i – α)
a –1 i a –1 a –1 i
2 2
σ = nσ A
F≈ 2
σ
73
µ = média populacional
T..
T = T.. = ΣΣΣ x ijk = Σ Ti.= Σ T. j ; X.. = =x
ΣΣ n ij
Tij T T...
x ij = n ; x i. = q i ; x... = pqn = x
n
dentre S = ΣΣ ( x –x )
2 p (n – 1) s =s
2
σ
2
classes k (i) ik i. k (i)
Total S = ΣΣ( x – x) np – 1
ik
76
1 Modelo: x ik = µ + β i + ε ik
3 Cálculos:
2 2
S = ΣΣx ik – T / np
2 2
S i = Σ Ti / n – T np
Sk (i) = S – S i
4 Hipótese:
2
H :σβ = 0 é aceita ao nível de significância α , se
a) a estimativa de σ 2 é s2
2 2
b) a estimativa de σ 2β é s β = (s i 2 – s ) / n
6 Se a hipótese Ho for aceita, então os dados podem ser tratados com uma
única amostra de np itens provenientes de x = N(µ, σ 2),
77
Tabela 5.4 – Análise de variância para dois fatores cruzados com replicação
entre S = npΣ( x . j – x )
2 q –1 2
s = s / (q – 1)
2
σ + nσ
2
+ npσ
2
δ γ
colunas j j j
interação S = nΣΣ(x ij – x i . (p – 1 ) 2 2 2 2 2
ij
– s ij = S / (p – 1 (q – 1) σ + nσ δ
F =s /s
1 ij
(q – 1 ) ij
2
– x. j + x )
1 Modelo:
x ijk = µ + β i + γ j + δ ij + ε ijk
j = 1,2 ... q
k = 1,2 ... n
2 Cálculos:
2 2
S = ΣΣΣ x ijk – T / npq
2 2
S i = ΣT i. / nq – T / npq
2 2
S j = ΣT .j / np – T / npq
2 2 2 2
S ij = ΣΣT ij / n – ΣT i. / nq – ΣT.J / np + T / npq
S k (ij) = S – S i – S j – S ij
3 Hipóteses:
4 Se Ho for rejeitada,
b) a estimativa de σ² será s²
5 Se Ho for aceita,
,2
s = [S ij + Sk ( ij) ] / (pqn – p – q + 1)
, 2 ,2
F1, = s2 j / s,2 e F2 = s i / s
Tabela 5.5 – Análise de variância para dois fatores hierárquicos com re-
plicação
dentre S ΣΣΣ (x – x ij )
2
pq (n − 1)
2
s =S / pqn – pq)
k ( ij)
subclasses k ( ij) ijk
(replica-
tas)
2
Total S = ΣΣΣ(x – x) pqn − 1
ijk
1 Modelo:
x ijk = µ + β i + γ j(i) + ε ijk ,
5 Se H1 for aceita:
A hipótese ν12 = ν22 =...= ν2k será aceita se o valor calculado F for menor
que o F tabelado, para um certo nível de significância α .
Um outro teste que pode ser usado, para esta mesma finalidade, é o
F-máximo de Hartley, que é uma versão simplificada do teste de homo-
geneidade de variância de Bartlett:
g.l. = Σn i / k,
82
Dij = t s2 ( n1 + n1 ),
i j
onde :
2
12 k R j
Vkw = Σ − 3(N + 1)
N(N+1) nj
2
12 k R j
Σ −3(N+1)
N(N+1) nj
V =
kw ΣT
1− 3
N –N
f) Nos demais casos, ou seja, sendo n’s maiores que 5, usar tabela de
valores críticos de qui-quadrado, com g.l. = k -1 . Rejeitar Ho e Vkw for
igual ou maior que o valor tabelado para χ ².
k
12
Vf = ∑(R j ) 2 – 3n(k + 1)
nk (k + 1)
5.4 Exemplos
a n 2
∑ ∑ x
a n i
j=1 i =1
SQT = ∑ ∑ x 2ij – a
j=1 i =1
∑ nj
j=1
86
(1157,51) 2
SQT = 44708,02 – = 48,04
30
n
2
∑ x
a i = 1
i
a n n
2
SQD = ∑ ∑ ∑x – ∑ = SQT – SQE
j= 1 i=1 ij j= 1 nj
Médias quadráticas:
SQT
MQT =
a
∑ n j – 1
j= 1
87
SQE
MQE =
a –1
SQD
MQD = a
∑ n j–1
j= 1
(27)
Total SQT a MQT
∑ n j – 1
(47,04)
(29)
2
m n
∑ ∑ x
j = 1 i = 1
ij
n m
2
SST = ∑ ∑ x ij −
i = 1 j= 1 mxn
( 5,38+5,43+5,56) 2
14,9339 – = 14,9339 – 14,8876 = 0,0463
18
Soma de quadrados por n (r) linhas (espécimes):
2
n m
2 m n
∑ ∑ x ij ∑ ∑ x ij
i =1 j=1 j=1 i = 1
SS1 = −
m mxn
Lago Michigan
É evidente que ocorre uma variação maior entre linhas, ou seja, pa-
ralela à linha da praia, do que entre colunas, ou seja, perpendicular à
linha da praia. Isso pode ser evidenciado por uma análise de variância
com duplo critério:
6 Análise de regressão
Σ (x i – x) (y i – y)
cov(x,y) n –1
r= =
Σ (x i – x) Σ (y i – y) 2
2
[var(x) var(y)]1 / 2 [ . ]1 / 2
n –1 n –1
n–2
t=r , com (n – 2) g.l.
1 – r2
, ,
os seus valores de posto ( x i e y i ) e em seguida encontradas as diferen-
ças di = x , i – y , i (Spearman, 1904).
Para que os valores negativos de di não cancelem os seus valores po-
sitivos, determina-se di2 para cada caso. Finalmente, encontra-se a soma-
tória dos di2.
O coeficiente de correlação será fornecido pela fórmula:
6Σd 2i
rs = 1 –
n3 − n
Σx ,e +Σy ,e –Σd 2i
rs =
2 Σx , Σy ,
e e
onde
n3 – n
Σx ,e = – ΣTx
12
n3 – n
Σy ,e = – ΣTy
12
t3 – t
T=
12
Σ xj
xj= m
2
2
(Σ x i )
Σ xi –
Sj = m
m –1
2
si = s j
z z z
1,1 1,2 1,n
z z z
2,1 2,2 2,n
[Z] = z 3,1 z 3,2 z 3,n
Μ Μ Μ
z m,1 z m,2 z m,n
v 2 v v v1v n
1 1 2
v v1 v 2 v vn
[V] = 2 2 2
Μ Μ Μ
v v vn v2 vn2
n1
y* = a + bx ,
SPXY
b =
SQX
a = y – bx
Σy*i
y = n
Σx i
x = n
1 (SPXY)2
s2 = (SQY – )
n–2 SQX
s2Σx 2i s2Σx 2i
a −t <α<a + t
(α / 2;n–2) n SQX (α / 2;n–2) n SQX
97
s2 s2
b−t < β < b+ t
(α / 2;n–2) SQX (α / 2;n –2) SQX
SQR
O grau de ajuste da linha aos pontos é definida por r 2 =
SQT
r2,3
–0,0251 0,8416
1 2,538−(38,8989+23,302)
r1,2 = = −0,9903
2 (6,2369)(4,8291)
Pelo exposto, fica evidente que num sistema fechado os valores nu-
méricos de r são controlados pelas variâncias amostrais, podendo também
ser usados no cálculo; e pelo menos dois dos coeficientes serão negativos.
Tais restrições não ocorrem num sistema aberto.
y = a + bx
a = y – bx
SQY 1 / 2 Σy 2 – (Σy) 2 / n 1 / 2
b=( ) = [ 2 ]
SQX Σx – (Σx) 2 / n
Ni Cr Ni Cr
5,2 16,8 4,5 15,5
5,0 20,0 5,4 13,0
6,8 14,2 8,8 12,5
7,5 17,5 18,0 20,2
2,5 10,1 6,2 12,5
5,0 15,5 20,5 13,5
7,5 13,8 10,0 17,8
7,0 18,2 4,0 12,8
8,0 13,0 4,4 12,2
4,0 15,0 15,9 13,0
Y* = a + bX + cX 2 + dX 3 +...
Y = α o + α1 X 1 + α2 X 1 2 + ... +α k X1 k + e
n Σx i ∑ 2i Λ Σx K
i
K +1
Σx i Σx 2i Σx 3i Λ Σx i
[X] = Μ Μ Μ Μ
K +1 +2
Σx i Σx K
i Σx K
i Λ Σx 2i K
103
∑ yi
∑y x a∃o
i i ∃
a1
[Y] = ∑ y x 2
i i [a ∃] =
Μ Μ
a∃
∑ y i x i k k
y i = α o + α1 x1 i + Λ + αm x mi + ε i
∑ y i – a o n + a1 ∑ x 2i (1)
∑ x i y i + a o ∑ x i + a1 ∑ x 2i (2)
[ X ][ A ] = [ Y ]
Multiplicando ambos os termos da equação pelo inverso de [X], isto
é, [X ]–1 :
[X ]–1 .[X ].[A] = [X ]–1 Y ;
[I] . [ A ] = [ A ] ,
[A].[X ]–1 = [Y]
n ∑ x1 i Λ ∑ x mi ao ∑ yi
∑x ∑ x12i Λ ∑ x1 i x mi a ∑x y
1i 1 1i i
∑ x 2 ∑ x 2 x1 Λ ∑ x 2x m a
2 = ∑ x 2i y i
Μ
2
∑ x mi ∑ x mi x1 Λ ∑ x mi a m ∑ x mi y i
[X ] [A] [Y ]
&
(variância de y explicada pela analise ~
de regressao) s2y*
r2 = ∃ =
(variancia total) s2y
Sk
Bk = b k , onde sk = coeficiente de regressão parcial;
Sy
SX = desvio padrão de Xk ; Sy= desvio padrão de y.
k
altura das ondas, em pés (x3i); ângulo de aproximação das ondas, em pés
(x4i). Além disso, foi considerada uma variável que está condicionada por
essas quatro, ou seja, o diâmetro médio, em mm, do sedimento do fundo
oceânico (x1i), mas que também é independente em relação à inclinação
do fundo oceânico.
Tabela 6.5 – Valores das variáveis obtidas por Harrison & Krumbein
(1964)
x1,x2 65,5
109
x1,x3 74,1
x1,x4 64,2
x1,x5 66,4
x2,x3 24,4
continuação x2,x4 6,5
Combinações de variáveis yi explicada (%)
x2,x5 9,1
x3,x4 36,1
x3,x5 24,4
x4,x5 8,9
x1,x2,x3 75,9
x1,x2,x4 66,8
x1,x2,x5 71,8
x1,x3,x4 74,1
x1,x3,x5 74,8
x1,x4,x5 68,6
x2,x3,x4 36,5
x2,x3,x5 25,9
x2,x4,x5 12,0
x3,x4,x5 36,2
x1,x2,x3,x4 75,9
x1,x2,x3,x5 78,1
x1,x2,x4,x5 75,3
x1,x3,x4,x5 74,9
x2,x3,x4,x5 36,5
x1 63,1
x3 23,7 uma por vez
110
x4 5,6
x1 x3 74,1
x1 x5 66,4 duas por vez
continuação
x1 x2 65,5
Combinações mais importantes yi explicada (%)
x1 x2 x3 75,9
x1 x3 x5 74,8 três por vez
x1 x3 x4 74,1
x1 x2 x3 x5 78,1
x1 x2 x3 x4 75,9 quatro por vez
x1 x2 x4 x5 74,9
f (θ ; µ o ; 0) = 1 / 2π , onde I o (0) = 1
113
1
S = Σ sen A i
n
R = C 2 +S 2
Σ f i sen x i = 52,5696
Σ f i cos x i = 84,7222
n = Σ f i = 100
Σ f i sen x i
= 0,620
Σ f i cos x i
Como visto em Kock & Link (1971), se dados vetoriais são examina-
dos numa projeção estereográfica, uma ou mais das seguintes questões
estatísticas podem ser enfocadas:
L = ∑ L / R; M = ∑ M / R; N = ∑ N / R
n – R 1
1 / n –1
(∑ n i −k)(∑ R i −R T)
F=
(k−1)(∑ n i −∑ R i)
119
k = número de grupos
∑ L2
∑ LM ∑M2
2
∑ LN ∑ MN ∑N
7.3 Exemplo
Autovalores e autovetores
Postos Tamanho L M N
1 6,752 –0,05670 0,17611 –0,98274
2 0,214
3 0,034
Azimute e inclinação
estimativa do azimute θ = tan–1 (0.17611/–0.5670) = 108o
estimativa da inclinação ∅ = Sen–1 (–0.98274) = –79o
123
8.1.5 Entropia
(1) (2)
(a) (b) (a) (b)
AA 112 0 0,805 0,000
AB 8 9 0,057 0,250
AC 16 23 0,115 0,638
AD 0 0 0,000 0,000
AE 3 4 0,021 0,111
BA 6 8 0,115 0,363
BB 33 0 0,634 0,000
BC 6 6 0,115 0,272
BD 5 5 0,096 0,227
BE 2 3 0,038 0,136
CA 16 20 0,266 0,476
CB 7 10 0,116 0,238
CC 31 0 0,516 0,000
CD 2 3 0,033 0,142
CE 4 6 0,066 0,142
DA 2 2 0,166 0,181
DB 2 2 0,166 0,181
DC 3 7 0,250 0,636
DD 5 0 0,416 0,000
DE 0 0 0,000 0,000
EA 2 5 0,086 0,384
EB 3 2 0,130 0,153
EC 4 6 0,173 0,461
ED 0 0 0,000 0,000
EE 14 0 0,608 0,000
2 2
z i (x, y) = [a o + a 1 x i + a 2 y i + a 3 x i + a 4 x i y i + a 5 y i + ... ] + e i (x, y)
Σz i x i = a o Σx i + a 1 Σx i 2 + a 2 Σx i y i
Σz i y i = a o Σy i + a 1 Σx i y + a 2 y i 2
ou em forma matricial:
n ∑xi ∑yi a ∑z
o i
∑ x i ∑x i2 ∑x iyi a 1 = ∑z i x i
∑ y i ∑xiyi ∑ y i 2 a 2 ∑ z i y i
–1 –1
[ XY ] .[ XY ].[ A ] = [ XY ] [Z] ;
–1
como [ XY ] [ XY ] = [l ] , matriz de identidade e [I][A ] = [A ]
–1
[ A ] = [XY ] [Z] , significando que para o cálculo de vetor de coefici-
entes [A] basta inverter a matriz [XY] e multiplicar esse resultado pelo
vetor [Z].
Esses coeficientes podem também ser obtidos segundo:
a o = z – a1 x – a 2 y
143
2 2
SQX = Σ (x i – x) = Σx i 2 – (Σx i ) / n
2 2
SQY = Σ (y i – y) = Σy1 2 – (Σy i ) / n
SPXZ = Σ(x – x) (z – z)
SPYZ = Σ(y – y) (z – z)
z i (x , y) = b0 + b1 x i + b 2 y i + b3 x i 2 + b4 x i y i + b5 y i + e i ,
e a determinação dos coeficientes b0, b1, b2, b3, b4, e b5 para a superfície de
2º grau torna-se:
–1
bo n ∑xi ∑ yi ∑ x i2 ∑ x iyi ∑ y i2 ∑zi
∑x z
b1 ∑ x i ∑xi 2 ∑x iyi ∑xi 3 ∑xi 2y ∑ x iyi2
i i i
b2 ∑ y i ∑ yix i ∑ yi 2 2
∑ yi x i ∑ yi x i
2
∑ y i3 ∑ y iz i
= 2
∑ x i zi
2
b3 ∑ x i 2 ∑ x i3 ∑ x i2y i ∑ x i4 ∑ x i3 y i ∑ x i 2y i
b ∑ x y ∑ x i 2y i ∑ x iyi2 ∑ x i3y i ∑ x i 2y i2 ∑ x i y i3 ∑ x y z
i i i
4 i2i
b5 ∑ y i ∑ x i y 2i ∑ y 3i ∑ x 2i y 2i ∑ x i y 3i ∑ y 4i ∑ 2
y i z i
c) o arranjo dos pontos, ainda que irregular, deve ser casual e razoa-
velmente bem distribuído, evitando agrupamentos;
d) quando da inversão da matriz por programas em microcomputa-
dor, podem ocorrer problemas com os resultados obtidos para superfícies
de mais alto grau, isso porque em sistemas com valores de diversos dígi-
tos, tipo UTM, a precisão computacional se deteriora, exigindo palavras
de dupla precisão. Mesmo assim, podem ocorrer limitações e, então, a
solução é a transformação das coordenadas xi e yi conforme as seguintes
equações, que fornecem valores para as coordenadas entre 0 e 1 e não
modificam a forma das superfícies:
x i – x min
x* =
x max – x min
y i – y min
y* =
y max – y min
∃ 2 – ( ∑ yi
∃ ) /n
2
variação devida à superfície calculada: SQR = ∑ yi
variação devida aos resíduos ou desvios = SQR = SQT – SQP
porcentagem de ajuste da superfície = R2 = (SQP / SQT) 100%
n = número de observações
grau p:k coeficientes, não contando o termo ao
grau p+1 : m coeficientes, não contanto o termo bo
(1) teste de significância da superfície de tendência de grau p
(2) teste de significância da superfície de tendência de grau p+1
(3) teste de significância da melhoria de ajuste da superfície p+1 em
relação à superfície p
H0 = a contribuição do incremento polinomial para o ajuste aos da-
dos é nula
146
2 2 1/ 2
z∃(x i , y i ) ± [k.F.Q (x, y)s ]
–1
1
Q (x i , y i ) = [1 x i y i ][S] x i
y
i
∑ (z∃1 i – z1 ) (z∃2 i – z2 )
ro = , onde z∃1 i e z∃2 i são os valores das duas super-
n.sz1 .sz 2
fícies nos pontos (Ui e Vi); z1 e z2 são as médias dos valores das duas su-
perfícies, sz1 e sz2 são os desvios-padrões desses valores e n o número de
pontos amostrados.
Um alto valor de ro indicará um boa correspondência entre as super-
fícies, porém esse coeficiente somente deve ser aplicado quando as super-
fícies são provenientes da mesma área e não quando são obtidas a partir
da mesma variável, medida em diferentes áreas. Outro cuidado que se deve
ter é na comparação entre superfícies que apresentam baixo valor de ajuste
com os dados reais. Neste caso, um alto coeficiente não indica necessari-
amente uma alta correlação entre as variáveis sob estudo.
tes apenas em bo. Os coeficientes restantes, b1, b2, ..., bm, descrevem o
formato da superfície e estão relacionados a propriedades geométricas
como forma, orientação e convexidade. Esses coeficientes podem, então,
ser usados de duas maneiras: comparar tanto a forma como a posição ab-
soluta quando todos os coeficientes são usados ou então comparar apenas
a forma geométrica, descartando os coeficientes bo.
Porém, para o manuseio desses coeficientes, é necessário tratá-los
como valores escalares num único vetor e comparar esses vetores nume-
ricamente. Davis (1986, p.459) sugere que o coeficiente de correlação
pode ser usado:
cov(b1 i ,b2 i )
r= , para i = l, ..., m
var b1 i var b2 i
2 ∑ (b1 i – b2 i )2
d =
m
onde b1i e b2i são os coeficientes das duas superfícies e m o número de coe-
ficientes. Uma aplicação deste método pode ser encontrada em Merriam
& Sneath (1966).
Problemas relacionados com este enfoque dizem respeito à inclusão
ou não do coeficiente bo e à questão da padronização do vetor de coeficientes.
Merriam & Sneath (1966) e Mandelbaum (1966) tratam desses tópicos.
2 2
mergulho: θ= b o + b1
Se as direções de duas superfícies de 1º grau forem α1 e α2 e os res-
pectivos mergulhos θ1 e θ2, a comparação entre as superfícies pode ser
feita usando os co-senos entre os vetores que as representam:
DCd = cos|α1 – α2|
que irá variar de zero para perfeita correspondência até 1,0 para a orto-
gonalidade.
Para superfícies quadráticas ou de mais alta ordem, a direção e o
mergulho irão variar de ponto a ponto, porém em qualquer ponto (Ui e Vi)
sobre a superfície a linha de maior caimento pode ser calculada, de acor-
do com Sneath (1966, p.251), segundo:
2 2
2 δz δz
F(U i Vi ) = +
δU δV
9.1.4 Exemplos
2
= 1094,45 + 42,81 X i + 39,45Yi – 11,01 X i 2 + 14,35X i Yi – 8.90 Yi
Z
quadrática
153
2
Z = – 1546,29 − 1358,72X i + 1893,32Yi + 217,59 X i + 7,58 X i Yi –
cúbica
2 3 2 2 3
– 211,37 Yi – 6,87 X i – 9,43X i Yi + 7,15X i Yi + 5,50 Yi
FIGURA 9.4 – Superfície quadrática adaptada aos dados de espessura do Grupo Tubarão
(A) e respectivo mapa de desvios (B).
9.2 Geoestatística
(Diz-me com quem andas e te direi quem és.)
sões. A diferença entre esses dois valores é outra variável casual [x (i) –
x (i+h)]. A hipótese intrínseca estabelece que [x (i)–x (i+h)] é estacionária
de segunda ordem. Em outras palavras, uma variável regionalizada satis-
faz a hipótese intrínseca se, para qualquer deslocamento h, os dois pri-
meiros momentos da diferença [x (i)–x (i+h)] são independentes da locali-
zação de x e função apenas de h:
E {x (i)–x (i+h)} = m (h), estacionaridade de primeira ordem;
E {(x (i)–x (i+h)) – m (h)} = 2 γ (h), estacionaridade de segunda ordem;
m (h ) representa a tendência (drift), e
γ (h ) representa a semivariância ou função intrínseca.
O comportamento de uma variável regionalizada pode, portanto, va-
riar desde uma situação fracamente estacionária, onde os valores espera-
dos da variável, assim como sua covariância espacial, são os mesmos por
uma determinada área, até uma situação em que ocorre uma estacionari-
dade apenas nas vizinhanças de uma zona restrita e os valores esperados
variam de maneira regular nessa vizinhança.
No caso de variáveis regionalizadas com estacionaridade de segunda
ordem ocorre a seguinte relação:
σ ² = γ (h) + cov (h)
sendo σ² a variância populacional; cov(h) a autocovariância para uma dis-
tância h e γ (h) a correspondente semivariância.
No estudo do comportamento das variáveis regionalizadas, duas são
as ferramentas fundamentais dos métodos geoestatísticos: o semivario-
grama e a krigagem. Um glossário contendo termos geoestatísticos em
inglês, porém com traduções, inclusive para o português, é apresentado
por Olea (1991).
9.2.1 Semivariograma
Como foi dito, γ (h) pode ser avaliada somente a distâncias h corres-
pondentes a múltiplos do espaçamento entre pontos de amostragem ao
longo da direção considerada. Lembrando que
como
2
γ (h) = 1 / 2n ∑{x (i + h) – x (i)}
Σx(i)/n - Σx(i+h) / n = 0
[Σx(i) - Σx(i+h)]/n = [Σ(x(i) - x(i+h))]/n = 0
gget) e é representada por Co. O efeito pepita pode ser atribuído a erros
de medição ou ao fato de que os dados não foram coletados a intervalos
suficientemente pequenos para mostrar o comportamento espacial subja-
cente do fenômeno em estudo.
Sendo computados γ (h), resultados da soma de diferenças entre pa-
res de valores separados por distâncias h, e confrontando-os com os res-
pectivos h, os pontos resultantes apresentarão diferentes padrões de dis-
tribuição. Esse gráfico é conhecido como semivariograma experimental.
Essas somatórias, porém, devem ser constituídas por um número sufici-
ente de pares, que tornem o resultado significativo. Adota-se para tanto
um mínimo de 30 pares, o que pode ser conseguido se for escolhido como
maior h, a metade da maior distância existente entre os pontos. Isto signifi-
ca que, para uma análise geoestatística, o número de pontos amostrados
deve ser razoável (Figura 9.6).
Uma outra consideração importante a ser feita é determinar o grau
de casualidade presente nos dados pela fórmula E = Co/C (Guerra, 1988).
E < 0,15: componente aleatória pequena;
0,15 < E < 0,30: componente aleatória significante;
E > 0,30: componente aleatória muito significativa.
O extremo dessa situação é o modelo de pepita pura, no qual não
ocorre covariância entre os valores e, portanto, a análise semivariográ-
fica não se aplica.
De posse do semivariograma experimental, é necessário ajustá-lo a
um modelo teórico. Tal modelagem é um processo que envolve várias ten-
tativas e no qual a experiência pesa muito. Pode-se optar por um ajuste
manual, mais sujeito a erros, ou com o auxílio de algoritmos como apre-
sentado em Jian et al. (1966) e Pannatier (1966). Entre os modelos teóri-
cos de semivariogramas destacam-se:
é o modelo mais simples, que origina uma reta passando pela origem do
gráfico; uma extensão desse modelo é:
γ (h)=3αloge(h)
FIGURA 9.8 – Esquema de obtenção de valores para semivariograma a partir de rede irre-
gular.
γ (h . α) = 1 / N [Σ (x (i+h) – x (i)) ²]
9.2.2 Krigagem
Krigagem, do francês krigeage e do inglês kriging, é um termo cunha-
do pela escola francesa de geoestatística em homenagem ao engenheiro
167
σ 2ε = 2 γ (h)
Se, porém, deseja-se estimar não apenas um ponto, mas sim o teor
médio de uma área, os mesmos argumentos apresentados anteriormente
169
são válidos, observando que o erro médio será próximo de zero se não
ocorrer uma tendência local, ou seja, se os valores forem estacionários.
Utilizando o semivariograma, a variância estimada passa a ser, entre o
teor de um ponto de amostragem e o teor médio de toda a área a ser es-
timada e, como o semivariograma somente compara pontos, o que se faz é
comparar o valor obtido no ponto de amostragem com cada ponto dentro
da área e em seguida encontrar a média desses valores. Essa quantidade
pode ser definida como γ (S, A), que toma o lugar de γ (h) no caso anterior.
Como se necessita da variância do erro feito quando se compara o teor
médio da área e a amostra, e não os pontos individuais existentes na área
e o ponto de amostragem, a quantidade 2γ (S, A) é usada. Como também
deve ser levada em consideração a variação de todos os pontos dentro da
área, é feita uma correção utilizando as chamadas funções auxiliares, que
fornecem o valor (A, A), ou seja, o semivariograma médio entre todos os
pontos possíveis da área.
Desse modo,
2
σ ε = 2γ (S, A) – γ (A, A)
Supor em seguida a situação em que se dispõe não apenas de um
único valor amostrado, mas sim de diversos valores que podem ser utili-
zados no processo de estimação. Neste caso, o termo 2 γ (S, A) continua
sendo o valor do semivariograma médio entre cada ponto no conjunto de
amostras S e cada ponto da área A. O termo γ (A, A) continua sendo o
valor do semivariograma médio entre todos os pontos dentro da área e
obtido por meio de funções auxiliares. Todavia, nesta situação está pre-
sente também uma outra fonte de variação: aquela existente entre os
pontos utilizados para a estimação, ou seja, o valor médio do semivario-
grama γ (S, S). Assim a variância com respeito ao valor estimado deve ser
calculada segundo:
2
σ ε = 2γ (S, A) – γ (S,S) – γ (A, A)
Se a soma dos pesos for igual a 1 e não ocorrer tendência local, esse
estimador será o melhor e não-tendencioso, pois o que se pretende é mi-
nimizar a estimativa da variância, a partir dos pesos atribuídos a cada
amostra.
2
∂σε / ∂p(i) = 0 , i = 1,2,3,4,... n
Em notação matricial:
∫ yp(S)dx = 1
Em notação matricial:
2
σ = Σpiγ (Si,So) + λ = [Pi ]’[Si,So]
9.2.2.3 Exemplos
Modelo linear: γ = 5h
1 2
.X
3 4
Pontos xi yi zi
1 0 30 500
2 30 30 450
3 0 0 550
4 30 0 490
X 15 15 ?
175
1 – 2 = 1 – 3 = 2 – 4 = 3 – 4 = 30 km
1 – 4 = 2 – 3 = 42,43 km
1 – x = 2 – x = 3 – x = 4 – x = 21,21 km
21,21 = 106,05
30,00 = 150,00
42,43 = 212,15
0,25
0,25
[P ] = 0,25
0,25
–21,9875
176
Isso significa que, como esperado pela distribuição regular dos pon-
tos, cada um deles tem o peso de 0,25 para a estimação de X:
2
S(k) = 0,25(106,05) + 0,25(106,05) + 0,25(106,05) + 0,25(106,05) – 21,9875 = 84,0625
S(k) = 9.1686
497,50 m ± 18 m
0
150
[B] = 150
212,15
1
1(X) 2
3 4
.X
1 2
3 4
Ponto xi yi zi
X 15 45 ?
178
Cujo resultado é:
0,5590
0,5590
[P] = –0,0590
–0,0590
43,5625
Fatores não-manejáveis:
Fatores manejáveis:
V* = 400 ppm
Num semivariograma com as características acima, para um valor
h = 21,54 pés, o γ (h) correspondente será 322,7 (ppm).
Desse modo,
2 2
S(k ) = 2 * 322,7 = 645,4 (ppm)
181
e a variância da krigagem é
2
S(k ) = 356,7p1 + 572,4 p2 + 456,9p3 + 446,8p4 + 696,1p5 + λ – γ (A, A)
Desse modo,
ou seja, para um intervalo de 95%, o valor estimado (V*) deve estar entre
354,35 e 398,65 ppm.
Se mudamos as posições das amostras em relação à área a ser esti-
mada, ou então o formato da área a ser estimada, os resultados serão di-
ferentes:
p1 = 0,440
p2 = 0,089
p3 = 0,062
p4 = 0,224
p5 = 0,185
λ = 61,58
V* = 359,6 ppm
S(k) = 13,5 ppm
183
Outra situação:
p1 = 0,275
p2 = 0,006
p3 = 0,324
p4 = 0,306
p5 = 0,089
λ = 20,29
V* = 371,9 ppm
S(k) = 10,7 ppm
p1 γ (d1,∅ )
p
2 γ (d 2,∅ )
Λ Λ
pj
P = B = γ (d j,∅ )
λ 1
α1 X
1,∅
α 2 Y2,∅
9.2.2.5 Exemplos
Poços xi yi zi
1 3,0 4,0 120
2 6,3 3,4 103
3 2,0 1,3 142
p 3,0 3,0 ?
2 3 p
1 3,35 2,88 1,00
2 0 4,79 3,32
3 2,88 0 1,97
2 3 p
1 13,42 11,52 4,00
2 19,14 13,28
3 7,89
Poços xi yi zi
4 3,8 2,4 115
5 1,0 3,0 148
2 3 4 5 p
1 3,35 2,88 1,79 2,24 1,00
2 4,79 2,69 5,32 3,32
3 2,11 1,97 1,97
4 2,86 1,00
5 2,00
E as semivariâncias são:
2 3 4 5 p
1 13,42 11,52 7,16 8,94 4,00
2 19,14 10,77 21,26 13,30
3 8,44 7,89 7,89
4 11,45 4,00
5 8,00
189
λ = 7,9105
Z = −0,1221(120 ) + 0,0110(103) + 0,7523(142) –
(0,0)
– 0,0307(115) + 0,3895(148 ) = 147,4 m
S(k)2 = 17,31 m
S(k) = 4,16 m
λ = 26,3832
α1 = -1,7940 α2 = -4,1795
Z(0,0) = 164,6 m
S(k) = 26,8 m
S(k) = 5,17 m
9.2.2.6 Cokrigagem
1 0
11 α1 α ’1
C x ,x
[ (x
C12 α1 ,y α 2 )] Μ Μ
[λ α1 ] C 11 ( x 0 ,y α1 )
1 0
0 1 ν
[ ] C 12 ( x 0 ,y α 2 )
α2
=
(y )
C 21 y α 2 ,x α1 C 22 α 2 ,y α ’ 2 Μ Μ
– µ1 1
0 1
– µ 2
1Λ 1 0Λ 0 0 0 0
0Λ 0 1Λ 1 0 0
[A ] [X ] [B]
,
sub-matriz C 22 y α 2 ,γ α ’ 2
que descreve a distribuição espacial da segunda
variável z 2 ;
sub-matrizes
C12 x α1 ,y α2
e
C y ,x (,
21 α 2 α1 ) que descrevem a variabilidade
subvetor C11
(x 0 ,x a1 ) , que depende da configuração geométrica relativa do
1
ponto x o em relação aos pontos x α1 , onde z é observada;
192
sub-vetor C12 x 0 ,y a 2 , que depende da configuração geométrica relativa
do ponto x o em relação aos pontos yα2 , onde z2 é observada;
9.2.3.2.GEOQUANT
O endereço da CPRM é:
Companhia de Pesquisa de Recursos Minerais
Divisão de Documentação Técnica
Avenida Pasteur, 404 – Urca
22292-240 – Rio de Janeiro – RJ.
tados, também em ASCII, podem ser usados por outros pacotes. Os gráfi-
cos são de qualidade razoável, porém arquivos metacode podem ser cria-
dos e convertidos para arquivos gráficos em linguagem HPGL para im-
pressão em plotter HP7470, 7475 e 7450.
9.2.3.4 GEOPACK
9.2.3.6 GSLIB
Endereço da editora:
Oxford University Press
Business and Customer Service
2001 Evans Road
Cary, NC 27513,
United States of America.
x – t (s / n ) < µ >) x + t (s / νn )
sendo t o valor crítico encontrado em tabelas para o teste t com α/2 nível
de significância e n-1 graus de liberdade, e s o desvio padrão.
Sendo o valor t tabelado t(0.10/2;37)=1,688, o valor da espessura média
da jazida será calculado segundo:
1,22 ± 0,089
32,42 ± 2,894
i xi yi yi² i xi yi yi²
1 38,600 3,653 13,346 20 39,100 3,666 13,440
2 22,600 3,118 9,722 21 38,600 3,653 13,346
3 39000 3,664 13,422 22 27,500 3,314 10,984
4 37,100 3,614 13,058 23 25,400 3,235 10,464
5 40,800 3,709 13,754 24 24,300 3,190 10,179
6 32,100 3,529 12,456 25 57,400 4,050 16,403
7 25,000 3,219 10,361 26 22,000 3,091 9,555
8 29,300 3,378 11,408 27 27,000 3,296 10,863
9 33,000 3,497 12,226 28 32,100 3,469 12,033
10 29,700 3,391 11,500 29 36,800 3,605 13,000
11 33,700 3,517 12,373 30 19,500 2,970 8,823
12 26,130 3,263 10,648 31 47,800 3,867 14,954
13 25,410 3,235 10,466 32 43,100 3,764 14,164
14 22,800 3,127 9,777 33 36,600 3,600 12,960
15 19,100 2,950 8,701 34 39,600 3,679 13,534
16 35,100 3,558 12,661 35 31,100 3,437 11,814
17 16,900 2,827 9,994 36 64,800 4,171 17,400
18 20,500 3,020 9,123 37 43,240 3,767 14,189
19 20,400 3,016 9,093 38 27,200 3,303 10,911
n=38 130,413 451,103
y = 130,413 / 38 = 3,432
m = exp(y) = 2,719^3,432 = 30,967
V (y) = 451,103 / 38 − (3,432)^2 = 0,093
204
20 50 20 50
ψ (.95) = 0,08 1,146 1,080 ψ (.05) = 0,08 0,9077 0,9398
0,10 1,166 1,091 0,10 0,8972 0,9328
A1 A1 A2 A3
0,80 1,18 0,80 0,80
0,72 1,40 0,72 0,72
9,69 1,30 0,69 0,69
0,80 1,50 0,80 1,19
0,73 1,40 1,32 0,94
1,19 1,85 1,02 0,96
0,94 1,20 1,20 1,05
0,96 1,23 1,10 1,32
1,05 1,30 1,18 1,30
1,32 1,62 1,30 1,00
1,02 2,09 1,00 1,18
1,20 1,60 1,30 1,40
1,10 1,40 1,40 1,30
1,18 1,41 1,23 1,62
1,30 1,38 1,30 2,09
1,55 1,04 1,60 1,40
1,57 1,31 1,41 1,38
1,30 1,28 1,04 0,55
1,00 0,55 1,31
F (0,05;2,72) = 3,15
yi = 1,988 – 0,199xi
FIGURA 9.16 – Semivariogramas para as quatro variáveis, com destaque para espessura.
(A)
(B)
FIGURA 9.17 – Mapa estimado por krigagem para a variável espessura (A) e respectivo
mapa de erros (variância da estimação) (B).
213
Baseada nessa modelagem foi feita a estimação dos pontos, numa rede
regular, por krigagem ordinária resultando o mapa da Figura 9.18(A), o
qual tem uma configuração bastante semelhante àquela do mapa de isópa-
cas (Figura 9.19). A diferença fundamental é que neste caso é fornecido
também um mapa de erros (variâncias da estimação por krigagem), com
Valores que indicam quais as áreas que merecem uma amostragem mais
densa (Figura 9.18). Como esperado isso ocorre a sudeste da área.
(A)
(B)
FIGURA 9.18 – Mapa estimado por krigagem para a variável espessura (A) e respectivo
mapa de erros (variância da estimação) (B).
214
6 km
0,88+/-0,11 0,78+/-0,11 0,92+/-0,18
0 6 km
FIGURA 9.20 – Krigagem pra a estimação das espessuras, com os respectivos erros, em
quadrículas e 2 x 2 km.
215
5 km
1,02+/-0,11 0,88+/-0,08 0,89+/-0,07 0,92+/-0,08 1,18+/-0,18
1,18+/-0,11 1,35+/-0,06 1,29+/-0,06 1,19+/-0,08 1,18+/-0,12
1,55+/-0,09 1,61+/-0,06 1,33+/-0,06 1,17+/-0,12
1,59+/-0,23 1,18+/-0,13 0,99+/-0,12 1,17+/-0,25
0 6,25 km
FIGURA 9.21 – Krigagem para a estimação das espessuras, com os respectivos erros, em
quadrículas de 1,25 x 1,25 km.
5,5 km
0,92+/-0,27 0,81+/-0,15 0,78+/-0,16 0,74+/-0,16 0,74+/-0,17 0,72+/-0,21 0,72+/-0,21 0,71+/-0,17 0,73+/-0,17 0,82+/-0,24 0,92+/-0,30 1,03+/-0,36
1,00+/-0,22 0,92+/-0,15 0,83+/-0,13 0,79+/-0,13 0,78+/-0,13 0,77+/-0,14 0,78+/-0,14 0,76+/-0,13 0,74+/-0,11 0,84+/-0,16 1,03+/-0,23 1,12+/-0,28 1,31+/-0,33
1,10+/-0,17 1,03+/-0,13 0,92+/-0,13 0,89+/-0,13 0,89+/-0,13 0,88+/-0,11 0,92+/-0,11 0,92+/-0,13 0,91+/-0,13 1,03+/-0,11 1,19+/-0,16 1,23+/-0,22 1,31+/-0,27
1,16+/-0,16 1,09+/-0,11 1,04+/-0,10 1,07+/-0,10 1,09+/-0,10 1,06+/-0,10 1,06+/-0,10 1,10+/-0,11 1,10+/-0,13 1,17+/-0,13 1,25+/-0,13 1,28+/-0,15 1,30+/-0,18
1,16+/-0,19 1,15+/-0,13 1,25+/-0,11 1,34+/-0,10 1,35+/-0,10 1,31+/-0,10 1,23+/-0,10 1,22+/-0,10 1,20+/-0,13 1,13+/-0,13 1,14+/-0,13 1,21+/-0,15 1,26+/-0,18
1,17+/-0,16 1,24+/-0,13 1,40+/-0,11 1,42+/-0,09 1,45+/-0,09 1,45+/-0,11 1,34+/-0,13 1,33+/-0,11 1,27+/-0,13 1,12+/-0,14 1,10+/-0,16 1,15+/-0,22 1,20+/-0,27
1,30+/-0,16 1,42+/-0,13 1,58+/-0,11 1,51+/-0,09 1,37+/-0,09 1,32+/-0,09 1,30+/-0,13 1,33+/-0,11 1,27+/-0,12 1,13+/-0,20 1,11+/-0,24 1,13+/-0,30 1,1 +/-0,33
1,49+/-0,16 1,65+/-0,13 1,86+/-0,11 1,76+/-0,09 1,43+/-0,09 1,31+/-0,08 1,33+/-0,09 1,26+/-0,09 1,18+/-0,13 1,10+/-0,23 1,07+/-0,29
1,62+/-0,18 1,70+/-0,15 1,83+/-0,14 1,67+/-0,09 1,35+/-0,09 1,38+/-0,11 1,32+/-0,09 1,22+/-0,09 1,12+/-0,17 1,15+/-0,27 1,14+/-0,36
1,73+/-0,28 1,62+/-0,24 1,49+/-0,21 1,30+/-0,16 0,98+/-0,11 0,92+/-0,13 1,08+/-0,14 1,11+/-0,17 1,16+/-0,25 1,15+/-0,31
1,55+/-0,34 1,54+/-0,31 1,27+/-0,28 1,08+/-0,24 0,80+/-0,17 0,73+/-0,17 0,88+/-0,22 0,97+/-0,26 1,18+/-0,32 1,16+/-0,36
6,5 km
FIGURA 9.22 – Krigagem para a estimação das espessuras, com os respectivos erros, em quadrículas de 0,5 x 0,5 km.
217
Bibliografia
KOCH JR., G. S., LINK, R. F. Statistical Analysis of Geological Data. John Wiley
and Sons, 1970. v.1.
______. Statistical Analysis of Geological Data. John Wiley and Sons, 1971. v.2.
KRUMBEIN, W. C. Preferred Orientation of Pebbles in Sedimentary Deposits.
Jour. Geology, v.47, p.673-706, 1939.
______. Statistical Designs for Sampling Beach Sand. Trans. A. G. U., v.34,
p.857-67, 1953.
______. Trend Surface Analysis of Contour-Type Maps with Irregular Control-
Point Spacing. Jour. Geophys. Res., v.64, p.823-34, 1959.
______. Open and Closed Number Systems in Stratigraphic Mapping. Bull. Am.
Assoc. Petrol. Geologists, v.46, p.2229-45, 1962.
______. FORTRAN IV Computer Program for Simulation of Transgression and
Regression with Continuous-Time Markov Models. Kansas Geological Survey,
Computer Contribution, n.26, 1968.
KRUMBEIN, W. C., SLACK, H. A. Statistical Analysis of Low Level
Radioactivity of Pennsylvanian Black Fissile Shale in Illinois. Geol. Soc. Am.
Bull., v.67, p.739-62, 1956.
KRUMBEIN, W. C., MILLER, R. L. Design of Experiments for Statistical
Analysis of Geological Data. Jour. Geology, v.61, p.510-32, 1953.
KRUMBEIN, W. C., GRAYBILL, F. A. An Introduction to Statistical Models in
Geology. McGraw-Hill Book Co., 1965.
KRUMBEIN, W. C., JONES, T. A. The Influence of a Real Trends on Correlation
between Sedimentary Properties. Jour. Sed. Petrology, v.40, p.656-65, 1970.
KRUMBEIN, W. C., SCHERER, W., MERRIAM, D. F. CORSURF: a Vovariance-
Matrix Trend-Analysis FORTRAN IV Computer Program. Computers &
Geosciences, v.21, p.1065-89, 1996.
LANDIM, P. M. B. O Grupo Passa Dois (P) na bacia do rio Corumbataí (SP),
D.N.P.M, D.G.M, Bol. 252, 1970.
______. Contribuição ao Estudo dos Mistitos do Grupo Tubarão no Estado de São
Paulo: Esc. Eng. São Carlos, USP (175), Geologia, v.17, p.1-98, 1973.
LANDIM, P. M. B., SOARES, P. C., PUMPUTIS Cálculo de Reserva de uma
Jazida de Carvão por Metodologia Geoestatística. Geociências UNESP, v.2,
p.211-30, 1988.
LANDIM, P. M. B., STURARO, J. R., MONTEIRO, R. C. O Coeficiente de
Correlação na Utilização da Cokrigagem. In: Simp. Quant. Geociências, 6.
UNESP Rio Claro, Bol. Res. Expandidos, 1995. p.91-4.
LI, J. C. R. Statistical Inference. Edwards Brothers, v.1, 1964.
MANDELBAUM, H. Quantitative Comparison of Contour Maps: Comment. Jour.
Geophys. Res., v.71, p.4431-3, 1966.
MANN, C. J. Misuses of Linear Regression in Earth Sciences. Int. Assoc. Math.
Geology, Stud. Math. Geology, n.1, p.74-106, 1987.
223
SOBRE O LIVRO
EQUIPE DE REALIZAÇÃO
Produção Gráfica
Edson Francisco dos Santos (Assistente)
Edição de Texto
Fábio Gonçalves (Assistente Editorial)
Carlos Wagner Fernandes dos Santos (Preparação de Original)
Pericles Nazima e
Fábio Gonçalves (Revisão)
Editoração Eletrônica
Lourdes Guacira da Silva Simonelli (Supervisão)
Celso Carramenha Linck (Edição de Imagens)
Edmilson Gonçalves (Diagramação)
Projeto Visual
Lourdes Guacira da Silva Simonelli