Impacto do agrupamento preferencial de amostras na inferência estatística : aplicações em mineração

Abstract

O agrupamento preferencial de amostras é freqüente em estudos na área de mineração e geociências. A utilização de amostras para estimativas de parâmetros estatísticos da população requer que a amostragem seja representativa da área de interesse e/ou da população. Tal representatividade pode ser obtida pelo planejamento cuidadoso do sistema ou padrão de amostragem e pode ser questionada sempre que os dados não estejam igualmente dispersos pela área. Nesse estudo, foram utilizadas duas técnicas de desagrupamento: o Método da Poligonal e o Método da Célula Móvel. Analisam-se a aplicabilidade dos métodos e o impacto da amostragem preferencial sobre a estatística básica em dois bancos de dados distintos. O Método da Poligonal forneceu uma resposta direta, única e com metodologia mais facilmente compreensível pelo usuário, contribuindo favoravelmente para sua adoção. Testou-se também o método da entropia estatística para auxiliar na determinação do tamanho de célula mais apropriado, quando utilizado o Método de Células Móveis. Os dois métodos estudados apresentaram resultados estatísticos semelhantes, porém distintos dos parâmetros estatísticos calculados para os dados agrupados, atestando o viés estatístico gerado ao ignorar o efeito do agrupamento preferencial.

Preferential sampling or clustering is frequently found in mining and earth sciences applications. Reliable statistics for a population are obtained when representative samples are available. Such representativeness can be achieved by a proper sample design covering evenly the area. This paper investigates two declustering methods to obtain unbiased statistics where clustered samples are available, namely the polygonal and the celldeclustering method. The impact of clustering is analysed for two different datasets. Polygonal method proved to be simpler as it provides an unique solution easily to be understood by the user. In relation to the celldeclustering method, a methodology to calculate the statistical entropy was implemented to help in determining the most appropriate cell size. The two methods lead to similar declustered statistics. However the final statistics showed a large difference when compared to the statistics obtained for the clustered dataset.