3 RESULTATENE AV UNDERSØKELSEN
3.1 Er kravet om stans ved fare oppfattet?
O objetivo de estabelecer uma função discriminante capaz de classificar os taludes segundo suas condições de estabilidade foi alcançado por meio da aplicação das técnicas da estatística multivariada. As técnicas estatísticas multivariadas aplicadas no banco de dados proposto por Naghadehi et al. (2013) foram as análises de componentes principais e o procedimento boosting via análise discriminante de Fisher.
A técnica das componentes principais foi aplicada ao banco de dados permitindo a seleção das seis primeiras componentes, mantendo-se cerca de 70% da variabilidade total do banco de dados. Dentre as componentes geradas, destacam-se a interpretação das duas primeiras componentes. A primeira componente pode ser interpretada como a condição de estabilidade dos taludes, sendo maior representada pelas variáveis, altura do talude, alteração, precipitação, instabilidades anteriores, método de desmonte e orientação das descontinuidades. Já a segunda componente representa a estrutura do maciço rochoso, que está diretamente relacionado com a estabilidade dos taludes, sendo maior representada pelas variáveis, regime tectônico, tipo de rocha e ângulo do talude.
A função discriminante obtida pelo procedimento boosting via análise discriminante apresentou resultados interessantes quanto aos classificadores, atribuindo maior peso para as duas primeiras componentes principais, que retratam as condições de estabilidade dos taludes. O procedimento boosting aperfeiçoou o classificador base obtido pela função discriminante linear de Fisher.
A função discriminante foi validada de duas formas distintas, pela validação e pelo teste do modelo. Na validação a função apresentou uma probabilidade global de acerto de 94,73% e consequentemente uma taxa de erro aparente de 5,26%. O erro 1, caso em que taludes instáveis são classificados como estáveis, não apresentou valores consideráveis e o erro 2, que seria um erro relacionado à taludes estáveis classificados com instáveis, apresentou uma taxa de 10,0%. No teste do modelo a função foi capaz de classificar todos os taludes corretamente, apresentando probabilidade global de acerto de 100% e consequentemente taxas de erros desprezíveis.
57 Os valores das taxas de erro, relacionados à validação, permitem classificar a função discriminante obtida pelo procedimento boosting como uma função conservadora que não apresenta erros que possam comprometer a segurança de uma mineração. Neste contexto as técnicas estatísticas multivariadas apresentaram aplicabilidade ao banco de dados geotécnico sendo capaz de fornecer uma ferramenta simples e com grande diversidade de utilização para as operações de mineração.
Como sugestão para trabalhos futuros na mesma linha de pesquisa têm-se a implementação da metodologia aplicada em softwares, com intuito de facilitar as operações em banco de dados, além de permitir interface favorável à utilização de todos profissionais da mineração. Outra sugestão seria a de aplicar a metodologia proposta em outros bancos de dados para comparação de resultados, além da sugestão de aplicação de outras técnicas multivariadas no banco de dados utilizado, proposto por Naghadehi et al. (2013).
58
REFERÊNCIAS BIBLIOGRÁFICAS
ANDRIOTTI, J. L. S. Análise de componentes principais: Fundamentos de uma técnica de análise de dados multivariada aplicável a dados geológicos. Acta Geológica Leopoldensia, Porto Alegre, Vol XX , n. 44, p.27-50, 1997. Anual.
ANDRIOTTI, J. L. S. NARDI, L. V. S. BITENCOURT, M. F. Aplicação de Análise de
Fatores ao Estudo Geoquímico do Complexo Granítico de Caçapava do Sul. IV Simpósio
Sul-Brasileiro de Geologia, Porto Alegre, RS, 1989.
BERNARDI, J. V. E. FOWLER, H. G. LANDIM, P. M. B. Um estudo de impacto ambiental utilizando análises estatísticas espacial e multivariada. Holos Environment, Rio Claro, v. 1, n. 2, p.162-172, 16 out. 2001. Anual.
CATTELL, R. B. The screen test for the number of factors. Multivariate Behavioral Research, 1, p. 140-161, 1966.
CORTIVO, Z. MARQUES, Jair Mendes. Classificação de dados amostrais baseado no Algoritmo k-segmentos. Proceeding Series Of The Brazilian Society Of Applied And
Computational Mathematics, Curitiba, Paraná, v. 2, n. 1, p.1-6, 19 dez. 2014. Brazilian
Society for Computational and Applied Mathematics (SBMAC). http://dx.doi.org/10.5540/03.2014.002.01.0057.
CRUZ, C. D. Aplicação de algumas técnicas multivariadas no melhoramento de plantas. 1990, 188p. Tese (Doutorado em Genética e Melhoramento de Plantas) – Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba.
DAVIS, J.C. Statistics and data analysis in geology. 1.ed. New York: John Wiley & Sons, 1986. 656 p.
DEERE, D.U., HENDRON, A.J., Patton, F.D. and Cording, E.J. Design of surface and near
surface construction in rock. Failure and breakage of rock, proc. 8th U.S. symp. Rock
59 FERREIRA, M. R. P., Análise discriminante clássica e de núcleo : avaliações e algumas contribuições relativas aos métodos Boosting e Bootstrap. Dissertação (mestrado) – Universidade Federal de Pernambuco. CCEN. Estatística, 2007.
FIORI, A. P. Fundamentos de mecânica dos solos e das rochas: aplicações na estabilidade
de taludes. 3.ed. São Paulo: Oficina de Textos, 2015. 576 p.
FRED, A. L. N.. Técnicas de Bootstrap. Apresentação de slides. Disponível em: <http://www.lx.it.pt/~afred/docencia/Percepcao/acetatos/bootstrap.pdf>. Acesso em: 07 ago. 2016.
FREUND, Y.; SCHAPIRE, R. E. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, v. 55, p. 119{139, 1997.
FRIEDMAN, J. H.; HASTIE, T.; TIBSHIRANI, R. Additive logistic regression: A statistical view of boosting. The Annals of Statistics, v. 28, p. 337{407, 2000.
GERSCOVICH, Denise. Estabilidade de Taludes. São Paulo: Oficina de Textos, 2012. 166 p.
GOMES, J. P. de O. Aplicação da análise de componentes principais e geoestatística no
estudo hidrogeoquímico de elementos-traço nos sólidos em suspensão do alto rio madeira. 2005. 87 f. TCC (Graduação) - Curso de Ciências Biológicas, Departamento de
Biologia, Universidade Federal de Rondônia, Porto Velho, 2005.
GUILLAUME, A. Introduction à la Géologie Quantitative. Masson, Paris, 1977, cap. 6, 200 p.
HAIR, J. F. ANDERSON, R. E. TATHAM, R. L. BLACK, W. C. Análise Multivariada de
Dados. Tradução de A. S. Sant’anna e A. Cloves Neto, 5.ed. Porto Alegre: Bookman, 2006. 593 p.
HOTTELLING, H. Analysis of a complex of statistical variables into principal
60 HUDSON, J. A. Rock engineering systems, theory and practice. 1.ed. Chichester: Ellis Horwood, 1992. 185 p.
HUDSON, J.A.; HARRISON J.P. Engineering rock mechanics: an introduction to the
principles. ELSEVIER SCIENCE Ltd Oxford, UK, 1997.
KAISER, H. F. The varimax criterion for analytic rotation in fator analysis. Psychometrika, 23, p. 187-200, 1958.
LANDIM, P. M. B. Análise estatítica de dados geológicos multivariados. 1.ed. São Paulo: Oficina de Textos, 2011. 211 p.
LANDIM, P. M. B. Análise estatítica de dados geológicos. 2.ed. São Paulo: Editora UNESP, 2003. 218 p.
LE MAÎTRE, R. W. Numerical Petrology. Elsevier Sci. Pub., 1982, cap 7 e 8, 281 p.
LISKA, G. R. CIRILLO, M. Â. MENEZES, F. S. GONZALEZ, G. G. H. LISKA, E. R. Avaliação Monte Carlo de algoritmos de classificação baseados na função linear de Fisher em classificação de pacientes com CHD. In: Congresso de Pós-Graduação DA UFLA, 23., 2014, Lavras, Minas Gerais. Artigo. Lavras: Ufla, 2014. p. 1 - 6.
LISKA, G. R. Classificação de dados em modelos com resposta binária via algoritmo
boosting e regressão logística. 2012. 106 f. Dissertação (Mestrado) - Curso de Pós-
graduação em Estatística e Experimentação Agropecuária, Departamento de Estatítica, Universidade Federal de Lavras, Lavras, Minas Gerais, 2012.
McCAMMON, R. B. Concepts in Geostatistics. Springer-Verlag, Nova York, 1975, 168 p. MINGOTI, S. A. Análise de dados através de métodos de estatística multivariada: uma
abordagem aplicada. 2.ed. Belo Horizonte: UFMG, 2013. 297 p.
MINITAB INC (USA). Minitab 17: Getting Started with Minitab 17. 2015. Tutorial. Disponível em: <https://www.minitab.com/uploadedFiles/Documents/getting- started/Minitab17_GettingStarted-en.pdf>. Acesso em: 04 dez. 2015.
61 Company, 1976. 415p.
NAGHADEHI, M. Z. JIMENEZ, R. KHALOKAKAIE, R. JALALI, S. M. E. A new open-pit mine slope instability index defined using the improved rock engineering systems approach.
International Journal of Rock Mechanics & Mining Sciences, Vol. 61, p. 1-14, 2013.
OLIVEIRA, L. M. Avaliação de um método de identificação de outliers multivariados
baseado na análise de componentes principais via simulação de Monte Carlo. 2013. 53 p.
TCC (Graduação) - Curso de Bacharelado em Estatística, Departamento de Estatística, Universidade Federal de Ouro Preto, Ouro Preto, 2013.
PALMSTRÖM, A. The volumetric joint count - a useful and simple measure of the
degree of jointing. Proc. IV Int. Congr. IAEG, New Delhi, 1982, pp.221-228.
PEREIRA, Érica Aparecida; PEREIRA, Tiago Martins. Alocação de pacientes em grupos via Boosting: uma comparação com métodos tradicionais de classificação. Revista de Estatística
Ufop, Ouro Preto, Minas Gerais, v. 3, n. 3, p.814-819, 2014.
R CORE TEAM (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/. RUBESAM, A. DIAS, R. Alocação de clientes em grupos usando classificação via
boosting: uma comparação com os métodos tradicionais de classificação. 2004. 23 f.
Departamento de Estatítica, Universidade Estadual de Campinas, Campinas, 2004.
SARTORIO, S. D. Aplicações de técnicas de análise multivariada em experimentos
agropecuários usando o software R. 131 p. Dissertação (Mestrado) - Curso de Pós-
graduação em Agronomia, Escola Superior de Agricultura "Luiz de Queiroz", Universidade de São Paulo, Piracicaba, 2008.
SCHAPIRE, R. E. The strength of weak learnability, Machine learning, v. 5, p. 197-227, 1990.
SILVA, J. C. MARQUETTI, M. M. Reamostragem bootstrap na estimação intervalar da
62
por simulação. 2009. 44 f. TCC (Graduação) - Curso de Estatística, Departamento de
Estatítica, Universidade Federal do Paraná, Curitiba, Paraná, 2009.
SOUZA, A. M. Monitoração e ajuste de realimentação em processos produtivos
Multivariados. Departamento de Pós-graduação em Engenharia de Produção - Universidade
Federal de Santa Catarina, 2000, 166 p. Tese de Doutorado em Engenharia de Produção. VARELLA, C. A. A. Análise multivariada aplicada as ciencias agrárias. Departamento de Engenharia – Universidade Federal Rural do Rio de Janeiro, 2004. 33 p. Apostila.
VARELLA, C. A. A. Estimativa da produtividade e do estresse nutricional da cultura do milho usnaod imagens digitais. 2004. 92 f. Tese (Doutorado em Engenharia Agrícola) – Universidade Federal de Viçosa, Viçosa, 2004.
VARNES D. J. Slope movement types and processes. In: Schuster R.L., Krizek R.J., editors. Landslides analysis and control. Transportation Research Board Special Report 176. National Academy of Sciences, Washington; 1978.
63