Detalhes bibliográficos
Ano de defesa: |
2009 |
Autor(a) principal: |
Pereira, João Eduardo da Silva |
Orientador(a): |
Strieder, Adelir Jose |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Tese
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Não Informado pela instituição
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
http://hdl.handle.net/10183/15737
|
Resumo: |
O presente trabalho foi realizado na região de Santa Maria, no Estado do Rio Grande do Sul, extremo Sul do Brasil. Tem o objetivo de avaliar o comportamento de variáveis geofísicas de gamaespectrometria e magnetometria, oriundos do Projeto Camaquã (Área 1) do Serviço Geológico do Brasil, em função dos diferentes materiais geológicos da região. Com o emprego do suporte computacional Statistica 7.1, licenciado para o Departamento de Estatística da UFSM, foram efetuadas análises estatatísticas uni e multivariadas dos dados geofísicos associados a distintos grupamentos de rochas sedimentares, pertencentes à Depressão Central do Estado do Rio Grande do Sul, e também às rochas vulcânicas (básicas e ácidas) pertencentes à Formação Serra Geral. A área do estudo situa-se na borda da Bacia do Paraná. Dentro desse contexto, foi possível definir valores característicos de média, erro padrão e intervalos de confiança para cada uma das variáveis em estudo, em cada uma das formações geológicas, proporcionando, através de comparação de médias, mostrar que se podem distinguir diferentes unidades geológicas por meio da análise estatística de dados aerogeofísicos. O comportamento das variáveis, quando avaliadas em função das coordenadas geográficas, evidenciou relações de dependência espacial que seguem modelos polinomiais de segunda ordem. A análise estatística multivariada fatorial das variáveis geofísicas padronizadas mostrou-se uma ferramenta eficiente para a redução do número de variáveis do problema, e permitiu o desenvolvimento de um sistema de classificação eficiente para identificação de padrões distintos de ocorrência conjunta das variáveis, respeitando as características de não estacionaridade espacial de média e variância. |