Sie sind auf Seite 1von 585

CURSO TEORIA DEL

MUESTREO (F. PITARD)


CONTROL DE MUESTREO
MINERO-METALRGICO
TEORA DEL MUESTREO
FRANCIS PITARD
Relator: Sr. Ivn Delgado Q.

Direccin de Calidad - GRAC


Codelco Norte
Chuquicamata, Agosto 2006.
Intro 1

INTRODUCCIN

Variabilidad a Pequea
Escala
Optimizacin Protocolo de Muestreo

Implementando el Protocolo de Muestreo

Manteniendo la Integridad de la Muestra

Error Analtico

Intro 1

Optimizacin Protocolo
de Muestreo
Efecto Pepa In-Situ (Nugget)

Error Fundamental

Error de Agrupamiento y Segregacin

Intro 2

Implementando El
Protocolo de Muestreo
Error de Delimitacin

Error de Extraccin

Intro 3

Manteniendo la
Integridad de la Muestra

Errores de preparacin

Error de Contaminacin
Error de Prdida
Error de Alteracin
Error Humano
Fraude y Sabotaje
Intro 4

Error Analtico
Alcance versus Principio
Interferencias aditivas
Interferencias Proporcionales
Lnea Base de Temperatura de Secado
Tcnica de Disolucin
Composicin de Residuos de Disolucin
Contaminacin y Prdidas
Intro 5

Variabilidad a Gran
Escala
Error de Interpolacin
Tiempo
Espacio

Error Peridico

Error de Pesaje

Intro 6

Estableciendo
Prioridades
Efecto del
Problema
Grande

Si

de todas maneras!

pero haga un
estudio
de factibilidad

S
Pequeo

No

nada que perder

Pequeo

Grande

Costo de solucin del problema

Intro 7

Estableciendo
prioridades para
muestreo de oro o
metales base.
Efecto del
Problema

SPC

6 sigma
TQM

Grande

FE
PE

GE

Modo de Muestreo
Pequeo

DE

EE
AE

Intervalo de
muestreo Efecto
Pepa In Situ

Prueba de Sesgo
Factor de correccin

WE

Pequeo

con protocolo de
firmas

Grande

Costo de solucin del problema

Intro 8

La Mesa de tres patas


Utilidades de la
Compaa

Administracin
Efectiva

Muestreo
Correcto

Comprensin de
la
Variabilidad

Intro 9

Administracin Efectiva
Identifique Problemas Estructurales
Invierta en Soluciones para los
Problemas Estructurales

Identifique Problemas Circunstanciales


Se puede ahorrar tiempo y dinero en
Problemas Circunstanciales

Comprender y actuar sobre todas las


Fuentes de Variabilidad

Sea Proactivo en vez de Reactivo


Intro 10

Muestreo Correcto
Efecto Pepa In Situ
Error Fundamental
Error de Agrupamiento y Segregacin
Error de Delimitacin
Error de Extraccin
Error de Preparacin
Error de Interpolacin
Error Peridico
Error de Pesaje
Error Analtico
Intro 11

Comprensin de la
Variabilidad
La Variabilidad Genera Costos Visibles
e Invisibles

La Variabilidad es un Problema
y una Oportunidad

Hay varios tipos de Variabilidad

Todos los errores de muestreo magnifican


la Variabilidad

Los Geoestadsticos analizan la Variabilidad


en la Mina.

Los Cronoestadsticos analizan la Variabilidad


en la Planta.

Minimice la Variabilidad mediante un Constan


Mejoramiento de la Estrategia
Intro 12

DEF-01

Definicin de Trminos Bsicos


y Smbolos

Dado que el desarrollo de la teora del muestreo es


relativamente nueva y nica, es importante ordenar un
campo donde numerosos autores a menudo han creado
su propio vocabulario y definiciones.

Lo Correcto o equivocado...

de muchos trminos fundamentales.

DEF-02

Polvos o Slidos Finos

Los polvos o finos slidos comprenden materiales que


van en un rango de 10 a 1.000 micrones.

El manejo se vuelve ms difcil con


1. El incremento del contenido de humedad,
2. El incremento del rango de distribucin del tamao
de la partcula,
3. El incremento del rango de distribucin de
densidad...
Todo lo cual induce el fenmeno de segregacin por
percolacin del material ms fino.

DEF-03

Pastas

Las pastas son mezclas de slidos y lquidos que no se


separan fcilmente, tales como tortas de filtro y barro.
Las suspensiones Coloidales tienen similares
propiedades de manejo.

Los Problemas son:

1. Adherencia y friccin a la superficie del equipo,


2. Quebraduras por terrones,
3. Dificultades en el bombeo y transporte.

DEF-04

Pastas Aguadas
Las pastas aguadas pueden ser divididas en dos
categoras:
1. Pastas aguadas (lechadas) no decantadas:
El estado de dispersin azarstico de las partculas
slidas en un lquido, pueden ser mantenidas sin
introducir turbulencias o agitacin mecnica.
Generalmente, las partculas slidas son ms
pequeas que 20 micrones.
2. Pastas aguadas (lechadas) decantadas:
Se requiere una agitacin mecnica continua o la
presencia de turbulencias, para mantener un
estado de dispersin azarstica.
En el flujo laminar y especialmente en ductos
horizontales, pueden ocurrir grandes distribuciones
heterogneas, fraccin de tamao y densidad de
las capas, que lleva la dificultad de segregacin
durante el muestreo y el proceso.
Generalmente, las partculas slidas son mayores
de 20 micrones.

Def-05

Lote
Un lote se refiere a una carga de material,
composicin la cual va a ser calculada.

Ejemplos:
Almacenamiento de 50,000-tons de mineral,
Un barreno de diamante HQ de 3 metros,
Un bloque completo de mineral,
Una cara de muestra subterrnea,
Una submuestra de laboratorio,...

DEF-06

Incremento

Un incremento es un grupo de partculas o


cierta cantidad de lquido o gas, con slidos
supendidos, extradas del lote en una operacin
simple del instrumento de muestreo.

DEF-07

Muestra

Una muestra es una parte del lote, a menudo obtenida


mediante la unin de varios incrementos o fracciones del
lote, y medios para representarla en otras operaciones.

Una muestra no es solamente alguna parte del lote:


su extraccin debe respetar reglas que la teora del
muestreo intenta establecer.

Su extraccin debe ser equi-probabilstica.

DEF-08

Especimen (muestral)

Un especimen es una parte del lote, obtenido sin respetar las


reglas de la teora del muestreo, basada en la nocin de
equi-probabilidad.

Un especimen nunca debera usarte para representar el lote


y debera etiquetarse como tal.

Su propsito solamente debera ser cualitativo.

DEF-09

Propiedad Circunstancial

Una propiedad depende de la parte del problema


del muestreo sobre la cual no tenemos control.

Ejemplos:
1. La exactitud es una propiedad circunstancial.
2. El resultado de una prueba de (*) sesgo es
tambin una tpica propiedad circunstancial.
3. El resultado de un ejercicio con protocolo de
firma.

(*) NOTA DEL TRADUCTOR: EL TRMINO BIAS ES UTILIZADO GENRICAMENTE


EN LA TEORIA DE MUESTREO, COMO EL SESGO DE LA MUESTRA, YA SEA
POSITIVO, NEGATIVO O CONSTANTE. EN CAMBIO, LA VARIABILIDAD PUEDE SER
NEGATIVA Y POSITIVA.

DEF-10

Propiedad Estructural

Es una propiedad intrnseca del material a ser muestreado.


Es independiente de la parte del problema de muestreo
sobre el cual no tenemos controI.

Ejemplos:
1. La heterogeneidad de un material es una propiedad
estructural: de manera que usted debe desarrollar
pruebas para cuantificar esta heterogeneidad.
2. La exactitud de un instrumento de muestreo es una
propiedad estructural: de manera que usted debe
realizar inspecciones para evaluar dicha exactitud
(calibraciones).

DEF-11

Protocolo de Muestreo
Empezando con Lote L

Muestra Primaria S1

Rechazo Primario

Muestra Primaria preparada S1

Muestra Secundaria S2

Rechazo Secundario

Muestra Secundaria preparada S2

Muestra de Laboratorio S3

Rechazo Terciario

Muestra Terciaria preparada S3

Sub-muestra Analtica S4

Anlisis

Ultimo Rechazo
Resultado Final

DEF-12

BIAS

Un sesgo es igual a la media del error total de la muestra,


cuando esta media es diferente de cero.

Una muestra sesgo significativa es siempre introducida


por un muestreo incorrecto.

Generalmente, un muestreo corregido no es sesgado en


una cantidad importante.

Muestreo corregido:
DE + EE + WE + PE = insignificante

DEF-13

Componente
Un componente es una parte elemental, o elemento
constituyente que pueda separarse y cuantificarse mediante
anlisis.
Hay componentes fsicos y qumicos.
Ejemplos:
1. El contenido de slice de un embarque de almina.
2. La proporcin de partculas +63 micrones en un
cemento.

Componente Crtico
Es un componente de inters, fsico o qumico, cuya
proporcin es altamente relevante y debe ser estimada.

DEF-14

Contenido
Dado que siempre es ms fcil tratar con valores relativos
y no dimensionales, usaremos la palabra Contenido, para
la proporcin de cualquier componente dado.

Ejemplos:
1. 2% de partculas de +63 micrones en un cemento, se
escribe 0.02
2. 100 ppm de slice en almina pura, se escribe 0.0001

Contenido Crtico
El contenido crtico se refiere al contenido de componente
crtico o componente de inters.

DEF-15

Modelo de Seleccin Continua

El muestreo es un proceso de seleccin y la continuidad es


un concepto matemtico.
Sin embargo,
la materia es esencialmente discontinua.

De esta manera, cuando miramos un lote que usa un


modelo continuo, voluntariamente no hacemos caso de
todas las discontinuidades dentro del lote y miramos las
propiedades de cualquier punto dado de todo el lote.

DEF-16

Modelo Discreto

El modelo discreto identifica el lote con un conjunto


discreto de unidades, tales como partculas individuales
o grupos de partculas.

En cuanto a lo que se refiere a muestreo, un lote est


completamente definido por el conjunto finito de todas
las partculas o grupo de partculas caracterizadas por
su contenido y su peso.

DEF-17

Estimado

El resultado obtenido del anlisis de una muestra de


laboratorio, para un constituyente de inters dado, es un
estimado de un contenido verdadero no conocido de
la muestra original enviada al laboratorio.

Este siempre est afectado por varios errores, y no hay


mediciones o anlisis exactos.

DEF-18

Estimador

Por definicin, el contenido verdadero desconocido de una


muestra, es un estimador del contenido verdadero
desconocido del lote correspondiente.

Un estimado puede ser seleccionado para representar el


contenido verdadero desconocido de una muestra y el
contenido verdadero desconocido de un lote.

Un estimado puede ser seleccionado para representar el


contenido verdadero desconocido de una muestra, pero no
el contenido verdadero desconocido del lote
correspondiente.

El estimado y el estimador de un especimen, no puede ser


representativo del contenido verdadero desconocido del
lote correspondiente.

DEF-19

Heterogeneidad

La importancia de una clara definicin de heterogeneidad


es considerable en este curso.

Dado que la homogeneidad puede definirse como la


condicin de un lote bajo la cual todos los elementos del
lote son exactamente idnticos, la heterogeneidad es
tambin como la condicin de un lote bajo la cual estos
elementos no son estrictamente idnticos.

Consecuentemente, decimos que la homogeneidad es


el cero de la heterogeneidad y es un lmite inaccesible.

DEF-20

Comprensin de la
Heterogeneidad

Hay varios tipos de heterogeneidades y


siempre deberamos especificar de qu tipo de
heterogeneidad estamos hablando.

DEF-21

Heterogeneidad
de una poblacin estadstica

En un primer anlisis podemos identificar dos tipos de


heterogeneidad, si consideramos el lote como una
poblacin estadstica:

1. La heterogeneidad de constitucin CH
2. La heterogeneidad de distribucin DH

DEF-22

DH

CH
CH

DEF-23

Heterogeneidad
de una poblacin Secuencial

En un segundo anlisis, podemos identificar otros tipos de


heterogeneidad, si consideramos el lote como una
poblacin secuencial.

Aprendimos que la contribucin total de heterogeneidad h


de una fraccin dada hacia el correspondiente lote es la
suma de solamente 3 componentes mayores:

1. Corto-Plazo, heterogeneidad al azar h1


2. Largo-Plazo, heterogeneidad no-azarstica h2
3. Heterogeneidad peridica h3

h = h1 + h2 + h3

DEF-24

Error de Fluctuacin de Heterogeneidad CE


Cada tipo de heterogeneidad es la fuente de un tipo de tipo
de error diferente en la muestra.
h1 lleva al error de fluctuacin de heterogeneidad de cortoplazo CE1: azarstico.

h2 lleva al error de fluctuacin de heterogeneidad CE2:


no-azarstico.

h3 lleva al error de fluctuacin de heterogeneidad peridica


CE3: cclico.

CE = CE1 + CE2 + CE3

Conceptos
ConceptosFundamentales
Fundamentalesde
de Estadstica
Estadstica
utilizados
utilizadosen
en la
laTeora
Teoradel
del Muestreo.
Muestreo.

A menudo, confrontamos numerosos problemas:

Cuidado con la Interpolacin


en la Planta

Corriente de Flujo

Muestra #1

Muestra #2

Cuidado con la Interpolacin

en el Terreno

?
?

El Variograma

El Variograma determina la relacin entre la distancia o el tiempo, que separan


muestras cercanas y la cantidad de correlacin presente.

Varianza V[j]
Sill
Co-varianza o
Correlacin

Varianza
V[j=0]
V[j=0] = Varianza Muestreo/Medicin

Distancia o Tiempo j entre dos muestras

Cuidado con la Extrapolacin


Muestreo tomado lleva a errores de extrapolacin.

Muestra tomada
Corriente de flujo

Valor de la muestra extrapolada tomada


al corte transversal de la corriente del flujo.

Correccin del muestreo se aplica para evitar errores de extrapolacin debido a:


1.

Delimitacin muestra corregida,

2.

Extraccin muestra corregida.

Cuidado con la Generalizacin

Es inteligente usar el mismo protocolo de muestreo para los dos mineraIes de


oro mostrados?

Cuidado con la naturaleza de los datos


de Variabilidad

Varianza

Azar

Tiempo

No azarstico

Cclico

Use un Enfoque Lgico

Los errores del muestreo son acumulables, por consiguiente, ellos merecen
cuidadosa atencin.

1.

Identifique todas las causas posibles de los Errores de


Muestreo, y la Variabilidad que generan.

2.

Estudie cada caso minuciosamente, uno a la vez.

3.

Extraiga conclusiones ciertas y recomendaciones del


anlisis terico.

4.

Haga algo al respecto.

Secuencia de Trabajo recomendada

Identificacin de diferentes tipos de Heterogeneidad efectuados


por un componente dado en una carga de material.

2.

Seleccin de un adecuado Protocolo de Muestreo.

3.

Clculo de Errores de Muestreo asociados con dicho protocolo:


Precisin de Cuantificacin.

Implementacin prctica de un protocolo de muestreo.

Evaluacin de todos los problemas asociados con la Correccin del


Muestreo dirigidos a la Exactitud.

6.

Evaluacin del Error Analtico.

7.

Evaluacin del Error de Estimacin Total.

Si no se hace nada acerca de cada paso de la lista anterior, se generarn costos


invisibles y plagarn la operacin.

Definicin de Precisin

La Precisin es una medida de dispersin de los estimados, en cuanto a un estimado


verdadero desconocido, sin importar cualquier sesgo que afecte estos estimados.
La Precisin es un sinnimo de reproductibilidad.
En trminos estadsticos, la precisin es una propiedad de la varianza de la distribucin de
los estimados.
Es incorrecto incluir el concepto de precisin bajo el concepto de exactitud.

Estimador u objetivo.

Dispersin de estimados o resultados.

Definicin de Exactitud

La exactitud es una medida de la diferencia entre la media del estimado y el estimador.


En trminos estadsticos, la exactitud es una propiedad de la media de los estimados en
relacin al estimador.

Estimador u objetivo.

Media

Exactitud o sesgo

Entienda claramente la diferencia entre


sin sesgo (imparcial) y exactitud.

Exactitud

El concepto de exactitud se basa en


un lmite seleccionado de aceptacin.

Lmite de aceptacin
(pero, media de error diferente
a zero)

Sesgado (Parcial)

Sin lmite de aceptacin.

Entienda claramente qu es preciso


o reproducible

Preciso

El concepto de precisin se basa en


un lmite seleccionado de aceptacin.

Lmite de aceptacin a un
nivel de confianza de 68%.

Impreciso

La Desviacin Estndar S
de los ensayos es mayor que el
Lmite de Aceptacin.

Definicin de una Muestra Representativa

Una muestra es representativa cuando la media cuadrada del total de Error de Muestreo
no es mayor que la suma de la exactitud aceptable y la precisin aceptable:

r 2 TE m02 TE s02 TE

Estndar de Exactitud

Estndar de Precisin

Definicin de una Muestra Equitativa: Una muestra es equitativa cuando es


reproducible y lo suficientemente exacta para satisfacer a la vez al Proveedor como al
Cliente.

Caso lmite jams encontrado.

Sub-muestra + Ensayo del


Laboratorio A

Bisectriz
45o

Sub-muestra + Ensayo del


Laboratorio B.
El Muestreo + Ensayo es exacto, unbiased (imparcial), y perfectamente reproducible.

Caso Tpico de exactitud y reproducible.

Submuestreo + Ensayo de
Laboratorio A

Bisectriz
45o

Submuestreo + Ensayo de
Laboratorio B
Muestreo + Ensayo es lo suficiente exacto y reproducible.

Caos, exactitud y precisin

Submuestreo + Ensayo de
Laboratorio A

Bisectriz
45o
Submuestreo + Ensayo de
Laboratorio B
Muestreo + Ensayo no es reproducible: No podemos decir que Muestreo + Ensayo sea
exacto no no bias, ya que no hay correlacin entre ambas series de resultados.

El Sesgo Absoluto, Reproducible

Submuestreo + Ensayo de
Laboratorio A

Bisectriz
45o
Submuestreo + Ensayo de
Laboratorio B
Muestreo + Ensayo es biased y reproducible (Bias Absoluto): En cuanto al muestreo
este caso no es real. Pero ciertamente muestra un Bias Analtico.

El Sesgo Relativo, Reproducible

Submuestreo + Ensayo de
Laboratorio A

Bisectriz
45o
Submuestreo + Ensayo de
Laboratorio B
Muestreo + Ensayo es biased y reproducible (Bias Relativo): En cuanto al muestreo,
este caso no es real, pero ciertamente muestra un Bias Analtico.

El Sesgo Reproducible siguiendo


una ley desconocida

Submuestreo + Ensayo de
Laboratorio A

Bisectriz

45o
Submuestreo + Ensayo de
Laboratorio B
Muestreo + Ensayo es biased y reproducible, pero sigue una ley desconocida. En
cuanto al muestreo, este caso no es real, pero ciertamente muestra un Bias Analtico.

Comportamiento Tpico del Muestreo Sesgo


En el muestreo no hay tal cosa como un sesgo constante.

Submuestreo + Ensayo de
Laboratorio A

Bisectriz
45o
Submuestreo + Ensayo de
Laboratorio B
Muestreo + Ensayo es biased y no reproducible: Este es el caso ms frecuente
encontrado en el muestreo.

Definicin de una Variable Azarstica

Si una variable, tal como el contenido de oro de una muestra puede tomar un valor de
varios posibles, es por definicin, una variable azarstica.
Pero, algunos valores son ms probables que ocurran que otros.

Frecuencia

Trazos del elemento contenido (por ejemplo, g/t gold)

Tres parmetros importantes para


describir una Distribucin de Probabilidad

Frecuencia

Modos

Trazos del elemento contenido (por ej., ppm


Arsenico)

Media

Promedio
Aritmtico

Hay varias clases de promedios

El Promedio Aritmtico:

1
N

i 1

Xi

El Promedio Cuadrtico:

XQ

1
N

N
iN

X i2

El Promedio Geomtrico:

log X G

1
N

i 1

log X i

El Promedio Pesado:

XM

i 1 M i
N

El Promedio Armnico:

XH

N
i 1

1
Xi

i 1

Mi Xi

Importante parmetro de dispersin:


La Varianza

La Varianza de una poblacin completa con


N = 4:

X
N

i 1

2
1
N

S
Xi X

i 1
N 1
2

Varianza de una muestra de poblacin:


El promedio de 1,2,3,4 no es el promedio
Verdadero.

3
4

La Distribucin Normal

La Distribucin Normal, o Distribucin de Gaussian, es la ms familiar distribucin de


probabilidad.
Asumamos que reunimos muestras de un turno de 8 horas para controlar el % de
cobre de una alimentacin tosca de una planta de flotacin. Si todos los estimados
posibles del % de cobre verdadero desconocido de la muestra primaria de grandes
cantidades suficientes de submuestras, la distribucin de estos estimados pueden
tender hacia una Distribucin de Gaussian (en forma de campana).
Frecuencia

Punto de
inflexin

Media
=Modo
=Mediana

+- 1S 68.26%
+- 2S 95.46%
+- 3S 99.74%

+- 1S

%Cobre

El Factor t Estudiante-Fisher
L X tS

Lmite de confianza para un estimado aislado:

Cuando se calcula la varianza de un nmero pequeo de estimados, normalmente distribudos y esta varianza podra no representar completamente la correspondiente distribucin d
probabilidad que se ilustrara por un gran conjunto de estimados.
El Factor t Estudiante-Fisher nos permite minimizar este problema.

Nmero de
Estimados N-1

Nivel de intervalo de confianza


t at 70%

t at 90%

t at 95%

t at 99%

1.96

6.31

12.7

63.7

1.39

2.92

4.30

9.93

1.25

2.35

3.18

5.84

1.19

2.13

2.78

4.60

1.15

2.02

2.57

4.03

10

1.09

1.81

2.23

3.17

25

1.06

1.71

2.06

2.79

El uso conveniente de valores


Relativos, no dimensionales

La Varianza Relativa

2
R

S2

X2

La Desviacin Estndar Relativa, o Coeficiente de Variacin

SR

S
X

% S R 100

S
X

En la Teora de Muestreo de Gy, slo usamos Varianzas Relativas y Desviaciones


Estndares Relativas.

La Desviacin Estndar no tiene


Propiedades Sumatorias

Cuando se agregan errores, siempre use la varianza.

Ejemplo:

Primario

SFE = +- 20%

Secundario%

SFE = +- 11%

Terciario

SFE = +- 4%

Total

SFE = 20% + 11% + 4% = +- 35%

Varianza Total S2FE = [0.20]2 + [0.11]2 + [0.04]2 = 0.0537

Correcto
O Total %SFE = +- 23%

Incorrecto

El Teorema Lmite Central no es universal.

Teorema Lmite Central:


La poblacin puede tener una distribucin desconocida con una media
y varianza finita 2. Tome muestras independientes de tamao n de la
poblacin. Cuando el tamao de n se incrementa, la distribucin de la media
de la muestra se acercar a una distribucin normal con la media y la varianza 2 / n.

X
La media de la muestra
es en s misma una variable azarstica que tiene una
media real y una desviacin estndar m:

Esta frmula es tambin la que ha sido responsable por el nmero ms grande de


errores hechos a causa de la estadstica. Si las muestras no son independientes, la
frmula anterior no es vlida.

Para datos correlacionados espacial o temporalmente, la ecuacin anterior puede


sobreestimar el error residual. Cuando se calcula el nmero de muestras para llegar
a un nivel especfico de confianza, asumiendo que los datos no relacionados
producirn un resultado que exige ms muestras que las necesarias, lo que puede
resultar en gastos innecesarios en un programa de muestreo.

La Distribucin Binaria (Binomial)

La Distribucin Binaria ocurre cuando un material contiene solamente dos materiales


distinguibles y estos componentes se presentan como partculas discretas o grupos.
Si el nmero de partculas o grupos es muy grande, esta distribucin podra parecer
continua.
La forma de la curva de distribucin del ensayo de distribucin obtenida mediante la
medicin de las muestras de tal material, depende de las proporciones relativas de los
dos componentes del material original.
Llamemos p a la proporcin de los grupos de un componente de inters, y q a la
proporcin del otro constituyente, con q = 1 - p.
N es el nmero de muestras tomadas del lote, con reemplazo.

n!
x
n x
P x
p
q

x! n x !
Varianza = npq
Valor medio = np

La Distribucin Poisson

La Distribucin Poisson a menudo ocurre cuando un microcomponente formado por


partculas o grupos aislados, aparece en un material dado.
Tambin ocurre cuando el peso de la muestra es demasiado pequeo por una o
varias rdenes de magnitud, cuando se compara con el peso ptimo que debemos
calcular en todos los protocolos de muestreo.
La Distribucin Poisson es un caso lmite de la Distribucin Binaria, donde p llega
a ser extremadamente pequeo.
Llamemos r al nmero real de restos de partculas de microelementos en una
muestra. . el nmero promedio hipottico de partculas de microelementos por
muestra, o el promedio de la distribucin . P(x=r) la probabilidad de aparicin de
partculas r en una muestra.

P x r

r
r!

Varianza = = npq = np dado que est cerca de 1


Valor medio = = np

Forma de una Distribucin Poisson


P x r

r
r!

Probabilidad

0 1234
= 0.5

0 1234
=1

Probabilidad

0 123456
=2

0 123456
=3

Forma de una Distribucin Poisson

Probabilidad

0 12345678
=4

0 12345678
=5

Probabilidad

Toma por lo menos


= 6 de la
distribucin para
parecer normal
0 123456789
=6

La Distribucin Lognormal

Algunas veces, el logaritmo de la variable, ms que el valor numrico real, se


distribuye normalmente alrededor de la media de la distribucin.
Este ejemplo de distribucin es encontrado a menudo en una exploracin geolgica.
Sin embargo, se asume una Distribucin Lognormal, cuando en verdad es una
Distribucin Poisson.

F[x]

Modo

Media

Desviacin Estndar

Un
UnMuestreo
MuestreoLgico
Lgicoyyuna
una
Estrategia
Estrategiade
deControl
Controldel
delProceso
Proceso

La eleccin de un muestreo correcto, control de la ley del mineral y estrategia de


control del proceso, es una necesidad, aunque a menudo se selecciona una
estrategia inefectiva e incorrecta.

Cada da mucha gente en la exploracin, control de la ley del mineral, control del
proceso, balance metalrgico, compromisos comerciales y monitoreo ambiental
est luchando con este problema.

La respuesta a este difcil problema est dada por los conceptos de:
Propiedades Estructurales (es decir,Causas de los problemas)
Propiedades Circunstanciales (es decir, Efectos de los problemas)

Una clara comprensin de la diferencia entre los dos conceptos, pueden


ahorrar bastante dinero para un proyecto determinado.

Propiedad Estructural

Se dice que una propiedad es estructural cuando ella necesariamente resulta de


un cierto nmero de condiciones que estamos en condiciones de controlar o
cuantificar, y que asumimos que estn completadas.

Ejemplo:

La Heterogeneidad de los minerales de cobre en un rea dada de la


Mina,
Un protocolo de muestreo,
Las caractersticas de un instrumento de muestreo,
Un procedimiento de control del proceso,
Las caractersticas de una unidad de proceso,
Un intervalo de muestreo,
Una ley de corte de cobre seleccionada para la Mina,
Un estndar, etc

Es lo que es: Es la estructura con la cual usted opera.

De las Causas a los Efectos

Una propiedad estructural es siempre veraz mientras usted opere con ella. Uno
o varios efectos podran resultar de esta propiedad.

Sin considerar los datos generados por el efecto, no estamos necesariamente


en posicin de controlarlo.
Ejemplos:
El contenido de cobre de una muestra,
El bias generado por una muestra pobre,
La segregacin inducida por un silo,
El ciclo del proceso introducido por una rastra en el espesador,
Un ensayo de cobre biased introducido por un procedimiento anlitico
inadecuado.
El costo invisible generado por la seleccin de una ley de corte de cobre en la
mina con un pensamiento esperanzador, etc

El efecto depende la oportunidad:


Es la circunstancia que usted tiene que soportar.

Propiedad Circunstancial

Se dice que una propiedad es circunstancial cuando depende de las


condiciones que necesariamente no se est en posicin de controlar. Es la
coyuntura.

Ejemplos:
Asumamos que usted invierte en un sistema de apilamiento/recuperacin que
introduce una fuerte segregacin en una pila de cobre. La cantidad de
segregacin puede cambiar debido a factores circunstanciales, tales como:

Un cambio en el contenido de humedad,


Un cambio en la proporcin del flujo,
Un cambio en la distribucin del tamao de la partcula,
Un cambio en la densidad entre los fragmentos,
Un cambio en la forma entre fragmentos, etc

No es mucho lo que usted puede hacer respecto a estos efectos indeseables.


La nica cosa que podra hacer es cambiar el sistema de apilamiento/
recuperacin, que es en realidad la causa.

Conclusin:

Una propiedad estructural permanecer veraz, a menos que usted cambie:


Un pobre protocolo de muestreo,

Un instrumento de muestreo defectuoso,


Un inadecuado procedimiento analtico,
Un diseo defectuoso del silo de almacenamiento,
Un pensamiento esperanzador de la ley de corte del cobre en la
Mina,
Se puede depender de una propiedad estructural, pero no se puede confiar en
una propiedad circunstancial y estrictamente depende de una oportunidad. Por
consiguiente, demasiado nfasis para solucionar los efectos de una causa es a
menudo una prdida de tiempo y dinero.

Es de mucha importancia enfatizar en la identificacin de las propiedades


estructurales.
Invertir recursos en encontrar la causa de un problema en
vez de reaccionar a sus efectos.

Conceptos de Propiedades
Primarias y Secundarias

Se dice que una propiedad es:

Primaria
Cuando depende slo de la estructura. Por consiguiente es independiente de
las circunstancias.

Secundaria
Cuando depende tanto de la estructura como de las circunstancias.

Relacin Lgica entre una Propiedad


Estructural Primaria y una Propiedad
Circunstancial Secundaria.

Responda Si o No, en orden cronolgico, a las dos siguientes preguntas:

1. Existe la propiedad estructural


primaria?

Si

2. Se
observa la
propiedad
secundaria?

Si

No

No

Ciertamente

Posible

Imposible

Probable

Relacin Lgica entre el Muestreo


Correcto y la Exactitud del Muestreo.

Responda, en orden cronolgico, las dos siguientes preguntas.

1. El instrumento de muestreo
principal es correcto o
incorrecto?

Correcto

2. Es la muestra
recolectada
secundariamente
exacta o biased?

Exacto

Biased

Incorrecto

Ciertamente

Posible

Imposible

Probable

Relacin Lgica entre la Rectificacin de una


Instalacin de Recuperacin/Apilamiento y la Continuidad de la Alimentacin que se entrega al Proceso.

Responda, en orden cronolgico, las dos siguientes preguntas.

1. Es el diseo de la
instalacin de
apilamiento/recuperacin
principal correcto o incorrecto?
Correcto

2. Es constante
la alimentacin que
va al proceso
secundariamente?

Incorrecto

Constante

Ciertamente

Posible

Altamente
variable

Imposible

Probable

Constitucin de Heterogeneidad CH

En el siguiente material, nos referimos solamente a la constitucin de la Heterogeneidad de lotes


pequeos movibles.

CH

CH

Definamos algunas anotaciones:

ai el contenido de un fragmento dado i


aL el contenido promedio del lote L
hi la heterogeneidad llevada por un fragmento dado i
Mi el peso de un fragmento dado i
ML el peso del lote L
NF el nmero de fragmentos en el lote L

Lote L

Heterogeneidad hi llevada por Un Fragmento

Homogeneidad:

ai a L

Heterogeneidad:

ai a L
hi

ai

aL Mi
aL Mi

Pero,:

Mi

ML
NF

Por consiguiente:

hi

ai

aL Mi N F
aL ML

La Constitucin de Heterogeneidad del Lote (CH L) es la varianza relativa no


dimensionada de las heterogeneidades h i de todos los fragmentos NF .

CH L S 2 hi

CH L

1
2
i hi
NF

( ai a L ) 2 M i2
NF
a L2 M L2
i

Modelando CHL en una forma ms amistosa

Por razones prcticas, eliminemos NF de la ecuacin CHL mediante la multiplicacin de CH L por un


factor constante ML/NF.

ai a L M i2
ML
CH L
CH L M i i
IH L
2
NF
aL M L
2

IHL se define como el factor constante de la Constitucin de


Heterogeneidad

Ahora, intentemos calcular IHL de una forma amistosa.

1
1

2
3

Una simplificacin aproximada de IH L

Cada fragmento de una fraccin de tamao/densidad L est representado por el fragmento


promedio F caracterizado por:
Su volumen:
Su densidad:
Su peso:
Su contenido promedio:

V f d 3

M F V f d 3
a

Despus de reordenar todos los trminos, obtenemos:

IH L V

a a
L

M L

a L2 M L

Debemos eliminar los dos trminos expresados como .


Esto puede ser hecho haciendo dos hiptesis.

1. La experiencia muestra que el contenido de a vara mucho ms desde una fraccin


de densidad a la prxima, que desde una fraccin de tamao a la prxima, por
consiguiente:
a a

2. La proporcin de la fraccin de tamao en la fraccin de densidad es igual a la


proporcin de la fraccin de tamao en el lote, por consiguiente:

ML
ML

M
L
ML

ML

ML ML
ML

Despus de la sustitucin obtenemos la muy importante frmula:


2
a a L M L
M L

IH L V

ML
a L2 M L

Estimemos separadamente X e Y.

Clculo de X, Parte Uno:


Factor f de Forma de Fragmento

V f d 3
f es definida como un factor del forma de fragmento. Es el factor de correccin tomando en cuenta
el hecho de que los fragmentos no son cubos perfectos. Este factor no tiene dimensin.
Cubo:

f=1

Esfera:

f = 0.523

Carbn:

f = 0.45

Mineral de hierro:
Pirita:

f = 0.47

Cuarzo:

f = 0.47

f = 0.50

Roca comn:f = 0.5


Biotita, mica, scheelita,: f = 0.1
Oro liberado: f = 0.2
Minerales Aciculares:

f>1

Clculo de X, Parte Dos:


Factor g de distribucin de tamao del Fragmento

3
f d

M L
ML

3
d

M L
ML

La suma podra ser fcilmente estimada ejecutando el anlisis de distribucin del tamao bajo
investigacin. Esto se har posteriormente en la Prueba de Hetereogeneidad.
Para clculos aproximados rpidos la suma podra escribirse as:

3
d

M L
ML

gd 3

g es un factor de correccin teniendo en cuenta el hecho de que todos los fragmentos no son del
mismo tamao como en d. En este enfoque claramente debemos definir lo que es d.

Si d es definido como la apertura cuadrada del harnero que retendra exactamente el 50%
del material investigado por peso, entonces:
Para material calibrado:

g = 0.5

Para material no calibrado:

g = 0.25

g no es dimensionable.

Clculo de Y, Parte Uno:


El Factor c Mineralgico

a a L M L
2

a L2 M L

Y alcanza un Ymax mximo cuando el componente de inters es liberado. Definimos c = Y max.


Definamos:

la densidad del componente de inters.

la densidad de la ganga.

Al resolver la ecuacin anterior para el componente de inters, da Y 1.

Y1 M

1 aL 2
aL

Al resolver la ecuacin general para la ganga, da Y2.

Y2 g 1 a L

c M

1 aL 2
aL

g 1 a L

El Factor Mineralgico c es expresado en gramos/cc.

Clculo de Y, Parte Dos:


El Factor de Liberacin

Slo definimos el mximo de Y.


El mnimo de Y es Ymin = 0 cuando ai = aL.
Por consiguiente, el dominio de Y es:

0 Y c
Para anular este rango podramos escribir:

Y c
Con:

0 1

Se define como el Factor de Liberacin. Es un factor no dimensional, tomando en cuenta que el


componente de inters no es necesariamente liberado.

Por definicin,
Un material perfectamente homogneo tiene

Un material perfectamente heterogneo tiene

Dos Frmulas para Estimar rpidamente el Factor de Liberacin

1. Siguiendo una investigacin microscpica de los fragmentos ms gruesos al muestrear, aislamos


algunos fragmentos donde el contenido del componente de inters es alto. Despus del ensayo de
estos fragmentos, encontraremos un contenido mximo que definimos como a max.

amax a L
1 aL

2. En el procesamiento de mineral, cuando conocemos el tamao de la liberacin


del
componente de inters, hay un modelo aproximado para calcular rpidamente el valor de
como una funcin del tamao
.

d
d

Esta ecuacin slo es un modelo preliminar y no debera tomarse por aceptado. Muchas
personas en el mundo ha mal utilizado esta ecuacin. Bajo ninguna circunstancia debera
utilizarse, a menos que tenga informacin del procesamiento del mineral a su disposicin, o si
usted ya conoce la constante K de muestreo, introducida en la Prueba de Heterogeneidad.

El tamao de liberacin d de un componente de inters se define como el tamao


bajo el cual el 95% del material debe ser molido para liberar completamente por lo menos
el 85% del componente de inters.

Liberacin de un mineral

L i b e r a t de
i o n liberacin
fa c to r
Factor

0 .8 5

dl
l

0 .5

0 .0 0 1 c m

0 .1 c m

0 .0 1 c m

1 cm

0.5

Liberacin de varios minerales

dl
l

L ib e r a tio n f a c to r

0 .8 5

M in e ra lC
M in e ra l B

0 .5

M in e ra l A

0 .0 0 1 c m

0 .1 c m

0 .0 1 c m

1 cm

Varianza del Error Fundamental FE

En la Teora del Muestreo, el Dr. Pierre M. Gy demuestra que la varianza


Fundamental puede ser escrita como se indica a continuacin:
2
SFE

2
SFE

del Error

1 P
IH L
P ML

Donde P es una seleccin constante de probabilidad aplicada a todos los fragmentos en el


material a ser muestreado. Por definicin:

MS
ML

Donde MS es el peso de la muestra y ML el peso del lote. Despus de la sustitucin


obtenemos:

1
1

IH L
ML
MS

2
SFE

IH L

d3
Tamao de los fragmentos gruesos en centmetros
Factor de Liberacin

Factor Mineralgico
Factor de distribucin del tamao del fragmento
Factor de forma del fragmento

Definicin del Error Fundamental FE

El Error Fundamental FE se define como un error que ocurre cuando la seleccin del incremento es
correcta, y cuando los incrementos que forman una muestra estn hechos de un solo fragmento
seleccionado al azar. Por consiguiente es un caso lmite.

FE es el error de muestra menor posible en cada etapa del


muestreo de un protocolo de muestreo.

1. Media del Error Fundamental:

Cuando el muestreo est correctamente implementado, la media m (FE) del Error Fundamental
es insignificante.

2. Varianza del Error Fundamental:

1
1

ML
MS

2
SFE

f g c d 3

Si el peso ML del lote es al menos 10 veces superior a M S, podemos escribir:

2
FE

d3
f gc
MS

Definimos una Constante de Muestreo C:

C f gc

Construccin de un Nomograma de Muestreo

Deseamos optimizar un protocolo de muestreo y hacerlo defendible. El nomograma de muestreo


puede ayudarnos.
Para incluir tanta informacin como sea posible, se sugiere hacer un nomograma de muestreo con
coordinadas logartmicas.
3
2
SFE
C

En tal caso, es conveniente tomar el logaritmo de

d
MS

2
Log SFE
Log C 3 Log d Log M S

Or:

C1

C2

La derivada del cual es :

-1

Conclusin:

La lnea que representa un valor dado de d en el nomograma, tiene una


pendiente igual a -1.

Caracterstica de un Nomograma de Muestreo

Prueba de Heterogeneidad. Muestreo de hoyos de perforacin para tronadura en la cantera (% SI02)

Etapa de preparacin

Etapa de Muestreo

Examen
Ejercicio #1 en DE, EE, y PE
Encuentre por lo menos 5 problemas con el siguiente sistema
de muestreo de flujo cruzado rotatorio.
S id e v ie w

T o p v ie w

Vista desde Arriba

Vista lateral

PUERTA
DE
INSPECCION

H y d r a u lic
d r iv e

ACCIONAMIENTO
HIDRAULICO

SMUESTRA
a m p le

S t FLUJO
rea m

Ejercicio Prctico 2:
Muestreo de Hoyos de Tronadura
Numere el posible error (DE, EE, WE, o PE?) que ocurre en cada
uno de los siguientes puntos, y d soluciones.

E
D

S e SEGREGACION
g re g a tio n

Id e a l
s a m p le

F oSub-perforacin
r m e r S u b - dantigua
r ill

C Sub-Perforacin
u r r e n t S u b - dactual
r ill

MUESTRA
IDEAL

AMUESTRA
c tu a l
s REAL
a m p le

F r a n c i s P i t a r d 's d r a w i n g
p r o te c te d b y c o p y r ig h t la w , 2 0 0 4

Ejercicio Prctico 3:
Muestreador Primario para
Alimentacin a Planta.
Nombre el error posible (DE, EE, WE, o PE?) que ocurre en cada de los
siguientes puntos, y d soluciones.
1

11

3
6
7

9
10

F r a n c i s P i t a r d 's d r a w i n g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4

Ejercicio Prctico 4:
Muestreador Rotatorio Vezin
Un muestreador muy comn en la industrial minera.
Nombre el error posible (DE, EE, WE, o PE?) que ocurre en cada
uno de los siguientes puntos. Y d soluciones.

6
9

FFLUJO
a l l i n g QUE
s t r e CAE
am

10

11

8
1

F r a n c i s P i t a r d 's d r a w i n g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4

Ejercicio Prctico 5:
Muestreador de Correa-Cruzada
Un sistema de muestreo muy popular, pero peligroso.
Nombre el error posible (DE, EE, WE, o PE?) que ocurre en cada uno
de los siguientes puntos, y d soluciones.

7
6

1
2
3

5
F r a n c is P it a r d ' s d r a w in g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4

Estudio de Caso

Tenemos una rutina de circulacin de muestra en reversa, que pesa alrededor de 60000 gramos. El material es
90% de menos de 1.05 cm. Se espera que el contenido aproximado de oro sea de alrededor de 1,5 g/t. Una
prueba de Heterogeneidad muestra que los fragmentos entre 1.25 cms. (1/2 pulgada y 0.635 cms (1/4
pulgadas), ocasionalmente contenga hasta 350 g/t de oro.
La muestra es sometida al siguiente protocolo:

1. El material es separado cuando se recibe del lugar de perforacin hasta que se obtenga una
muestra de 4000-gramos.
2. En el Laboratorio la muestra de 4000-gramos es molida al 95% menos 0.335 cm (malla 6)
usando una molienda de rodillo.
3. La muestra de menos 0.335 cm (malla 6) es separada en un lote de alrededor de 250 grams.
4. Esta muestra de 250-gramos es pulverizada a 95% menos 0.015 cm (malla 100) usando un
plato pulverizador.
5. Finalmente, se selecciona una sub-muestra de 30-gramos para ensayo de fuego.
Calcule la constante C del muestreo para cada etapa del muestreo. (Use 16.0 como la densidad de las
partculas de oro.)
Calcule el Factor constante K vlido para todas las etapas de la trituracin.
Calcule la desviacin estndar del Error Fundamental para cada etapa del muestreo (expresada en %
relativo).
Calcule la desviacin estndar del Error Fundamental Total (expresado en % relativo).
Cuals son los puntos dbiles de este protocolo? Qu podemos hacer por ello?

Estrategia de Mejoramiento Continuo


D su opinin detallada sobre la siguiente estrategia de
mejoramiento continuo para una empresa cuprfera.

Qu hara usted en forma diferente?


Objetivo Estratgico

Administracin Superior

Definicin de problemas estructurales

Mina
Geologa

Lixiviacin

Molienda

Datos Calidad
Objetivos

Flotacin

Fundicin
Extraccin SX

Refinera
Plan de Negocios Minero:

Ejecucin del Plan

Cronoestadsticas

Lista deseada definicin

Cut-off (ley
de corte)

Recuperacin

Nivel de impurezas

Costos

Calidad

Geoestadsticas

Muestreo

Herramientas

Laboratorio

Anlisis Cuantitativo/
Control de Calidad

Modelos
Procesos
Control
Sistema EMPV/Grficos
Efectos

Balance Metalrgico
Contabilidad

La
LaPrueba
Pruebade
deHeterogeneidad
Heterogeneidad

Esta disertacin describe una prueba que es recomendada cuando es difcil estimar el Factor de
Liberacin de un componente de inters. Es particularmente verdadero para componentes
menores, tales como el oro, molibdeno, cobre, arsnico, etc.
La prueba es recomendada para optimizar los protocolos de muestreo durante la exploracin, en la
Mina y en el Molino.
La idea es de estimar la varianza S2FE del Error Fundamental con un experimento. Tal experimento
es delicado y debe ser realizado por un experto.
Un cierto nmero de muestras se renen, ensayadas para cada uno de los componentes de
inters y es calculada una varianza relativa S 2ai de los ensayos.
Bajo condiciones especficas establecidas por el experimento, podemos escribir:

2
S FE

S a2i
ai2

Precauciones a tener en cuenta:


Rena una muestra compuesta de 300-Kg hecha de 50 incrementos de 6-Kg, ya sea recolectada en la Mina, o del medio ncleo de la perforadora de diamante o de rechazos de la perforadora RC.
Tamice los fragmentos ms gruesos y desarrolle la prueba de Heterogeneidad en estos fragmentos.
Es ideal desarrollar la prueba con fragmentos de 1 cm.
Las muestras recolectadas para desarrollar la Prueba de Heterogeneidad deberan estar constitudas
por relativamente pocos fragmentos, con el objeto de hacer insignificante el Error Analtico.
Los fragmentos recolectados para constituir cada muestra debe ser seleccionado uno por uno al azar,
con el objeto de hacer insignificante el Error de Segregacin.

Descripcin de la Prueba de Heterogeneidad


CASO REAL EN UNA MINA DE COBRE

1.

El compuesto fue formado por material de 49 lugares diferentes, dentro de un mismo tipo de
mineralizacin. El compuesto hmedo pesaba 306 kgs. El compuesto fue secado durante la
noche a 11 C . Despus del secado el compuesto pesaba 300 kgs. El contenido de humedad
fue de 2%.

2.

Divida la muestra completa en tres lotes usando el procedimiento de paleo fraccionario y


nombre a cada lote como A, B y C, respectivamente. A = 150 kgs., B=90 kgs. Y C= 60 kgs.

3.

Tamice el sublote de muestra A con harneros a 1.25cm, 0.63cm, o.335cm, 0.17cm, 0.085cm,
0.0425cm, and 0.212cms.

4.

Pese cada fraccin de tamao.

5.

Esparza la fraccin 1.25 cm + 0.63 en una superficie limpia. La Prueba de Heterogeneidad se


desarrollar en esta fraccin donde d = 1.05 cm.

6.

A partir de esta fraccin, recoja 100 muestras. Cada muestra debe estar formada por
fragmentos p seleccionados de a uno al azar, hasta 50 gr. Ennumere estas muestras de 1 a 100,
pese cada una de ellas y registre los valores para p.

7.

Pulverice cada muestra directamente en un anillo cerrado y pulverizador de pliegue en cerca del
95% a menos 106 micrones. Es inaceptable el uso de pulverizadores de plato polvorientos.

8.

Ensaye cada muestra para cobre soluble en cido y cobre total.

9.

Muela todas las fracciones de tamao, y la que queda de la fraccin -1.25 cm+0.63 cm, al 95%
menos 0.30, usando un molino Boyd, y recoja una separacin de alrededor de 1000 gms de
cada una de los tamaos fraccionados. Si la fraccin de tamao ms grande tiene menos de
1000g, use la fraccin completa. Pulverice cada una de las separaciones de 1000g al 95%
menos 106 micrones usando un LM2. Ensaye cada fraccin de tamao en triplicado para cobre
soluble en cido y cobre total.

Prueba de Heterogeneidad: Continuacin

10.

Tome el sub-lote B y seprelo en 16 partes iguales, usando un divisor rotatorio equipado con 16
segmentos. Usted obtendr 16 partes de 5.625 g. Registre todos los pesos exactos.

11.

Muela cada parte a menos 0.3cm con un molino Boyd , luego pulverice toda la parte al 95%, menos
106 micrones usando dos veces 2.800g en un pulverizador LM5.

12.

Esparza cada parte pulverizada en una bandeja grande, y recoja una muestra de 0.5 g hecha de
alrededor de 12 incrementos al azar, y una muestra de 1.0 g hecha de alrededor de 24 incrementos al
azar. La muestra es ensayada dos veces usando 0.5 g cada vez. As, para el sub-lote B usted obtiene
16 ensayos de 0.5 g cada uno de un lote de 5.625 g. y 32 ensayos duplicados de 0.5 de 16 lotes de 1
g. Registre los 3 ensayos y los pesos de cada una de las 16 partes. Haga lo mismo para el cobre
soluble en cido y cobre total.

13.

Tome el sub-lote C y mulalo a alrededor del 95% menos 0.3cm usando un molino Boyd. Luego
separe C en dos lotes iguales : C1 y C2 de cerca de 30 Kgs cada uno.

14.

Tome el sub-lote C1 y seprelo en 16 partes iguales, usando un divisor rotatorio equipado con 16
segmentos. Obtendr 16 partes de 1.875 g . Registre todos los pesos exactos.

15.

Tome una parte y desarrolle un anlisis de distribucin de tamao usando mallas de 0.63cm, 0.335cm,
0.17cm, and 0.085cm Recombine las fracciones de tamao, para que podamos usar esa parte en los
pasos siguientes.

16.

Pulverice cada una de las partes a alrededor del 95% menos 106 micrones usando un LM5.

17.

Esparza cada una de las partes pulverizadas en una bandeja grande, y recoja una muestra de 0.5 g
hecha de alrededor de 12 incrementos al azar, y 1 muestra de 1.0 g formada por 24 incrementos al
azar. La muestra de 1.0 g es ensayada dos veces usando 0.5 g cada vez. De esta manera, para el
sublote C1 usted obtendr 16 ensayos de 0.5 g cada uno de un lote de 1.875 g. y 32 ensayos
duplicados de 0.5 g de los 16 lotes de 1 g. Registre los tres ensayos y sus pesos para cada una de las
16 partes. Haga lo mismo para cobre soluble en cido y cobre total.

Prueba de Heterogeneidad: Continuacin

18.

Tome el sub-lote C2 y mulalo a alrededor del 95% menos 0.085cm con un LM5 usando incrementos
pulverizados de 3600g por 45s.

19.

Luego, separe el sub-lote C2 en 16 partes iguales, usando un divisor rotatorio equipado con 16
segmentos. Usted obtendr 16 partes de 1.875 g. Registre todos los pesos exactos.

20.

Tome una parte y desarrolle un anlisis de distribucin usando harneros de 0.17cm, 0.085cm, y
0.0425cm . Registre todos los pesos usados. Recombine las fracciones de tamao, para que podamos
usar esas partes en los pasos siguientes.

21.

Pulverice cada una de las partes al 95% menos 106 micrones usando un LM5.

22.

Esparza cada una de las partes pulverizadas en una bandeja grande, y recoja una muestre de 0.5 g
hecha de alrededor de 12 incrementos al azar, y una muestra de 1.0 g hecha de alrededor de 24
incremementos al azar. La muestra de 1.0 g es ensayada dos veces usando una de 0.5 g cada vez. De
manera que para el sub-lote C-2, obtenga 16 ensayos de 0.5 g; cada uno de un lote de 1.875 g. y 32
ensayos duplicados de 0.5 de 16 lotes de 1 g. Registre los 3 ensayos y los pesos para cada uno de las
partes. Haga lo mismo para cobre soluble en cido y cobre total.

23.

Recombine todos los rechazos del sub-lote C2 sub-lot, para as obtener un lote D de aproximadamente
30Kg D que es de 95% menos 106 micrones.

24.

Luego, separe D en 16 partes iguales, usando un divisor rotatorio equipado con 16 segmenetos. Usted
obtendr 16 partes de 1.875 g. Registre todos los pesos exactos.

25.

Tome una parte y desarrolle un anlisis de distribucin de tamao usando mallas de 0.0425cm,
0.0212, and 0.0106cm. Registre todos los pesos. Recombine las fracciones de tamao, para que
podamos usar esa parte en los pasos siguientes.

Prueba de Heterogeneidad: Continuacin

26.

Esparza cada parte pulverizada en una bandeja grande, y recoja una muestra de 0.5 g formada por
12 incrementos al azar. La muestra de 1.0 g es ensayada 2 veces usando 0.5 g cada vez. De
manera que del sub-lote D, pueda obtener 16 ensayos de 0.5 g cada uno, de un lote de 1.875 g y
32 ensayos duplicados de 0.5 g de 16 lotes de 1.0 g. Registre los 3 ensayos y los pesos de cada
una de las 16 partes. Haga la mismo para cobre soluble en cido y cobre total.

27.

De cualquiera de los rechazos de menos 106 micrones de la prueba, prepare una muestra de
10000g. Tamice la muestra entera en una malla de 212 micrones: Siempre habr una gran
cantidad de material que no se muela muy bien. Separe los minerales gruesos.Lave este material
grueso. Separe los minerales gruesos mediante paneo. Con el concentrado grueso, prepare
varias secciones pulidas para averiguar la naturaleza exacta del material que no se ha triturado
bien.

Haga las cosas bien a la primera vez.

La Prueba de Heterogeneidad tiene una importancia crtica en un proyecto. Probablemente necesita ser
efectuada solamente una vez en la vida de un tipo dado de mineralizacin para un proyecto determinado.
Por lo tanto, enfquese en la produccin y deje que el experto lo ayude a hacer esta prueba bien a la
primera vez.

Francis Pitard Sampling Consultants, LLC tiene una prolongada experiencia en la interpretacin de
las Pruebas de Heterogeneidad (por ejemplo., Francis Pitard y Eduardo Magri) y tiene el soporte de
software adecuado para calcular los nomogramas de las muestras y sugerir los protocolos ptimos
de muestreo.
E-mail: fpsc@aol.com
http://www.fpscsampling.com
Voice: 303-451-7893 (USA)
Fax: 303-280-1396 (USA)

Guas de Clculo

Definamos:

C la Constante de Muestreo para la fraccin de tamao


S a2i
2
i

la varianza relativa de 100 ensayos

del tamao de fragmento de la fraccin probada


M Seli peso promedio de las 100 muestras

S a2i M Si

C f g c

con

2 3
i

a d

Asumiendo que la variabilidad del Factor de Liberacin obedecen al modelo:

C f g c

d
d

d
d

f g c d

De una fraccin dimensionada a otra, el trmino


permanece razonablemente constante.
Por consiguiente, llamamos a este trmino Factor K que no cambia desde una etapa de trituracin a otra.

K C d

Estudio de Caso

Parte Uno

La Prueba de Heterogeneidad, descrita anteriormente, fue desarrollada para Cobre Total en un


Proyecto de Cobre. Los resultados de las 100 muestras recogidas hechas de 50 fragmentos cada una,
se muestran ms abajo. El protocolo actual para el muestreo en hoyos de tronadura es como sigue: Se
recoge una muestra de 4.000 g en la Mina. El tamao de fragmento mximo es 1.9 cm. En el
Laboratorio, la muestra se seca y se enva a un robot de preparacin de muestras. La muestra se
divide en 2.000 g. y es molida al 95% menos 0.3 cm usando un Molino JAW. La muestra es dividida en
100 g y luego pulverizada al 95% menos 106 micrones. Finalmente, una muestra de 0.25 g gram es
usada para el procedimiento analtico.
Calcule el Factor K
Calcule un nomograma de la muestra.
Es ptimo el protocolo?
Qu podemos hacer para mejorarlo?

Estudio de Caso: continuacin

Sample
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

No of Fragments
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50

Weight/g
65.6
73.5
80.63
72.22
89.35
87.58
58.38
66.51
88.82
79.68
100.58
78.81
85.88
97.86
89.83
96.09
74.48
82.11
84.1
86.3
66.98
91.53
75
52.06
88.63
58.17
84.32
57.39
78.56
74.34
86.26
85.28
66.69
80.27
89.65
67.17
82.97
78.52
88.26
69.67
78.07
93.68
63.58
94.13
74.82
78.87
93.56
71.97
60.38
70.81

%T Cu
0.68
0.74
0.72
0.61
0.73
0.74
0.45
0.64
0.71
0.71
0.62
0.97
0.73
0.71
0.66
0.64
0.65
0.76
0.72
0.34
0.62
0.65
0.97
0.77
0.73
0.69
0.75
0.55
0.73
0.73
0.63
0.71
0.83
0.65
0.69
0.89
0.62
0.61
0.57
0.58
0.74
0.68
0.88
0.69
0.37
1.56
0.87
0.84
0.77
0.61

Estudio de Caso: continuacin

Sample
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
Sum
Average

No of Fragments
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50

Weight/g
92.41
97.21
73.53
76.22
85.86
64.96
67.58
78.03
72.57
79.79
86.82
75.32
74.79
78.29
83.85
75.64
92.32
67.75
73.22
87.96
91.06
73.68
78.57
82.06
73.34
75.96
79.33
82.06
79.38
78.06
88.52
70.72
72.24
70.59
79.85
76.98
70.69
74.02
67.57
103.15
84.39
87.18
70.28
66.5
88.19
75.29
81.74
65.74
77.53
84.82
7873.51
78.74

%T Cu
0.67
0.66
0.59
0.76
0.45
1.69
0.76
0.56
0.46
0.94
0.75
0.74
0.69
0.76
0.79
0.86
0.77
0.67
0.61
0.71
0.65
0.53
0.67
0.62
0.75
0.62
0.83
0.84
0.71
0.62
0.71
0.72
0.78
0.45
0.54
0.64
0.97
0.77
0.76
0.74
0.89
0.69
0.71
0.62
0.58
0.62
0.88
0.74
0.68
0.34
71.07
0.71

Estudio de Caso: Nomograma

Estudio de Caso: Lnea de Seguridad

Estudio de Caso: Protocolo de Muestreo

Bueno
Bueno, pero
inseguro para
Segregacin

Punto Dbil

Estudio de Caso: continuacin

Fraccin de Tamao

Peso del Tamao de


Fraccin despus del
secado y molienda.

% Cobre Total

+1.25 cm

32 Kg

0.65

-1.25 +0.63 cm

59 Kg

0.72

-0.63 +0.335 cm

17 Kg

0.75

-0.335 +0.17 cm

13 Kg

0.75

-0.17 +0.085 cm

9 Kg

0.79

-0.085 +0.0425 cm

7 Kg

0.92

7 Kg

1.12

6 Kg

1.27

-0.0425 +0.0212 cm
-0.0212 cm

Qu precauciones deberan tomarse en un protocolo de muestreo?

Estudio de Caso: continuacin


Comparando la Teora con la Realidad

500

Sustitudo para un estimado de


la varianza entre 16 partes.

Constant C

400

300

CRe ality

200

2
S FE
MS

d3

100

1cm

Fragment size d

2cm

En su opinin, porqu hay tantas diferencias entre la teora y la realidad, para los valores pequeos del
tamao de fragmento d?

SIZE-01

LA DETERMINACIN DE LA DISTRIBUCIN DEL


TAMAO DE PARTCULAS DE UN LOTE, ES A MENUDO
UNO DE LOS CRITERIOS MS IMPORTANTES.

1 La Calidad de un producto.
2 La Eficiencia de un proceso.
3 El cumplimiento con la clusula de un contrato
comercial.
4 La evaluacin de la exactitud de un sistema de
muestreo.
5 La evaluacin de la representatividad de una
muestra,...

SIZE-02

CANCELACIN Y MINIMIZACIN DE LOS


ERRORES DE MUESTREO.
1 PE:

Eliminacin Preventiva

2 DE:

Delimitacin Correcta

3 EE:

Extraccin Correcta

4 GE:

Homogenizacin

CE1

Muchos incrementos
5 CE2: Optimizacin del intervalo del muestreo.
6 CE3: Elija el modo adecuado de seleccin del
muestreo =
Azar Sistemtico,
Azar Estratificado,
Azar Simple

SIZE-03

EL ERROR FUNDAMENTAL FE
NUNCA SE CANCELA
m (FE) 0
Definiciones:
L c:
Lc

Clase del tamao de partcula de inters


Proporcin del Lc en el lote L

MLc: Peso de la clase de inters


NLc: Nmero de fragmentos en Lc
Fj:

Un fragmento de Lc

MFj:

Peso del fragmento Fj

aFj:

Para cada uno de los fragmentos de Lc

FLc:

Fragmento promedio de la clase Lc

MFLc: Peso de FLc

aFj = 1

IH L

CLCULO DE
ai

IH L

SIZE-04

aL
2
aL

Mi

ML

Lc a i aF 1
j

in

Lc a i 0

out of

1 aLc
IH L
2
j
a Lc

IH L

1 aLc


2
a Lc

2
*

Mj

IH L

a Lc

M Lc
X Lc

constante
1 aLc

aLc

Mi


i ML
ML

Mj

Mi


i ML
XL

2
X Lc X L

SIZE-05

2
a Lc

IH L

muy pequeo
1 2a Lc

X Lc y

a Lc

X Lc X L

X L debera expresarse en

trminos prcticos porque

Mi y

M j no

son conocidos.
Es relativamente fcil cuando tenemos una idea
aproximada de la distribucin del tamao de la
partcula.

Es suficiente para sustituir

Fi

Fj

de una clase de partcula dada por el fragmento


promedio de esta clase.

SIZE-06

Primero definamos:
N Lx: nmero de fragmentos en la clase

Lx

FLx: fragmento promedio de la clase

Lx

M FLx
: peso del fragmento promedio
a Lx: proporcin de

FLx

L x en el lote

M FLx M Lx /, N Lx

Por definicin:
cambiando M i

L.

luego

por los fragmentos promedios:

Mi 2
N
M
M
M FLx M Lx
XL
Lx FLx FLx
ML
ML
i ML
x
x

Pero M L M Lx / a Lx,
X L M FLx a Lx
x

luego

SIZE-07

De la misma forma:
X Lc

M j2

j M Lc

N Lc M FLc M FLc
M Lc M FLc

M Lc
M Lc
X Lc M FLc

Entonces podemos escribir:

IH L

1 2a Lc
a Lc

M FLc M FLx a Lx
x

Todos los trminos en esta frmula pueden ser tanto


calculados como estimados cuando tenemos, a
nuestra disposicin, una idea aproximada de la
distribucin del tamao de la partcula.

SIZE-08

El peso promedio de los fragmentos de una clase de tamao de la


partcula, puede estimarse de dos formas diferentes:
1. Mediante medicin directa del peso de un nmero dado de
fragmentos seleccionados al azar, dentro de la clase.
2. Mediante clculo usando las siguientes dos frmulas:
3
M FLc vFLc fd FLc
3
M FLx vFLx fd FLx

Con:

d FLc

upper opening 3 lower opening 3


2

d FLx same

3
3
IH L f
2 d FLc d FLx aLx
x

a Lc

SIZE-09

a
1 , luego
If a Lc es pequeo:
x Lx

3
IH L f
2 d FLc
gd 3

a Lc

Ahora podramos calcular la varianza del error


fundamental:
1

1
1
3
3

2 d FLc gd
f
ML
Ms
a Lc

2
sFE

A menudo esta frmula puede ser simplificada:


Si

M L 10 M s

Si

d FLc no es muy diferente de

Si

a Lc

es pequeo, entonces
2
sFE

f 1
3

d FLc
M s a Lc

SIZE-10

Nota Importante: si los fragmentos gruesos


representan una gran proporcin del lote, digamos ms
3
del 20%, el gd
trmino
debera mantenerse.
Evaluacin de la representatividad de una muestra
Si deseamos que una muestra sea representativa de
todas las fracciones dimensionales de los fragmentos,
entonces debera ser representativa de los framentos
ms grandes, que es la condicin ms difcil de cumplir.
As, por definicin podramos escribir:
d FLc d

y
Luego:

a Lc 5% 0.05

d
2
sFE
18 f

Ms

Por supuesto, asumimos que el material investigado no


g 0.25
est calibrado:
.

Muestreo de Oro
Teora y Prctica

El Caso Especial del Oro

Preparado y presentado por


Francis F. Pitard
Francis
Pitard
Sampling
Consultants
14800 Tejon Street Broomfield, Colorado 80020 USA
Tel: (303) 451-7893 Fax: (303) 280-1396
E-mail: fpsc@aol.com Web: www.fpscsampling.com
The enclosed material is protected by copyright law,
Francis Pitard Sampling Consultants, LLC 2000

Peculiaridades del Muestreo de


Metales Preciosos
Los problemas tericos y prcticos generados por el muestreo de
materiales que contienen metales preciosos, han sido dirigidos
por especialistas por largo tiempo.
Las soluciones a menudo son poco satisfactorias:
Demasiado tericas e intiles para el ingeniero.
Demasiado simplistas
Basadas en observaciones empricas sin bases slidas.

Las peculiaridades del muestreo de metales preciosos caen en


tres categoras:

Financieras

Tericas

Prcticas

Peculiaridades Financieras
Pequeas cantidades de materiales pueden
involucrar grandes cantidades de dinero.

La precisin y exactitud son la preocupacin


principal.
La precisin y exactitud son difciles de optimizar.
El muestreo de metales preciosos es ms
desafiante que cualquier otro material.

Peculiaridades Tericas
Una diferencia entre los metales preciosos y otros metales, es
que estos tienen material estril en muy bajos niveles.
Debido a esto, dos de los 8 tipos mayores de Errores de
muestreo pueden llegar a ser aplastantes:

El Error de Muestreo Fundamental


Es el mnimo Error de Muestreo, generado por las diferencias
en contenido entre fragmentos individuales y dependientes en:

Peso de la Muestra
Forma del
Fragmento
Densidades del Oro
y la Ganga

Etapa de Liberacin
del oro.
Tamao de
Fragmento
Contenido de
Oro.

El Error de Agrupamiento y
Segregacin
Es un Error de Muestreo complementario generado por las
diferencias en el contenido entre los incrementos de la
muestra y dependiente de:
El Error Fundamental en s mismo.
El nmero de incrementos por muestra.
La etapa de segregacin de metales preciosos.

Peculiaridades Prcticas
El contenido de metales preciosos de una muestra y el
contenido de metales preciosos del lote
correspondiente, puede ser muy diferente.
El contenido de metales preciosos de una sub-muestra
analtica y el contenido de metales preciosos de la
muestra de la cual fue seleccionada, tambin puede
ser diferente.
La densidad de los metales preciosos es enorme,
promoviendo el fenmeno de segregacin por la
liberacin.
Las partculas de metales preciosos no se muelen bien,
manchan y cubren el equipamiento de muestreo.
Todos estos problemas se aumentan, ya que baja el
contenido de metales preciosos y la distribucin de los
metales preciosos en un material dado se vuelve
irregular.

El Uso de un Enfoque Lgico


es un Deber
El Error Fundamental del Muestreo es el Error de Muestreo
mnimo y no debemos olvidar los otros 8 errores del muestreo:

El Efecto Nugget In-situ

Puede ser minimizado mediante el aumento del


dimetro de la perforacin.
Es dependiente del volumen de la muestra.
Est cercanamente relacionado con el Error
Fundamental, pero ocurre antes de que el material haya
sido quebrado.

El Error de Agrupamiento y
Segregacin.

Rena tantos incrementos de muestras como sea


posible en la prctica.
Haga homogneo el material antes del muestreo.
Minimice el Error Fundamental

El Error de Preparacin

Evitar

Errores Humanos
Contaminacin
Alteracin de los componentes
Prdida de finos y remoldeos

El Error de Delimitacin del


Incremento

Un incremento no es solamente cualquier parte de un


lote. La delimitacin de sus lmites debe ser tal que d a
todos los fragmentos de un lote una probabilidad
constante de ser seleccionado por el instrumento de
muestreo. Genera Biases.

El Error de Extraccin del


Incremento

Un incremento no se puede extraer correctamente si el


instrumento de muestreo no mantiene la integridad del
incremento delimitado correctamente. Genera Sesgos.

El Error de Interpolacin del


Incremento

Este error ocurre cuando se tiene la intencin que la


muestra sea representativa de un perodo dado de
produccin.
El tiempo de intervalo entre los incrementos debe ser
optimizado.

El Error de Fluctuacin Peridico

Este error ocurre cuando el muestreo sistemtico est


en fase con un fenmeno peridico. En tal caso puede
llegar a ser enorme.
A menudo es un problema para obtener buenos
balances del material en la Planta.
El muestreo al azar estratificado puede eliminar este
Error de Muestreo.

El Error de Pesaje
La variabilidad del rango de flujo podra afectar la calidad de
la muestra, si los incrementos reunidos no son proporcionales
al flujo. Este error genera biases.
Regular el rango de flujo es la mejor solucin.
Se recomienda el uso de muestreo y sub-muestreo
proporcional.

De aqu en adelante, asumimos que los ocho errores del


muestreo han sido minimizados y son insignificantes.

El Error Fundamental del


Muestreo siendo el error mnimo,
debe ser minimizado en todos
los protocolos de muestreo.

Por sentido prctico, nuestro anlisis se limitar al oro.

Hay tres casos:

1 El oro es liberado
2 El oro no es liberado
3 El oro est asociado con otro componente.

El Oro es liberado
En el oro liberado encontramos:
Depsitos aluviales donde el oro est generalmente
libre o completamente liberado con la ganga aluvial.
Minerales de oro no liberados despus que han sido
molidos y pulverizados al tamao de liberacin del oro.
Algunos concentrados de mineral de oro.

El problema presentado por el oro liberado, puede


solucionarse usando un modelo binominal. En este caso
particular, los resultados obtenidos por Prigogine,
Ingamells, y Gy estn en concordancia, pero el trabajo de
Gys es el ms completo de todos.

Es fcil demostrar que las propiedades fsicas de las


partculas ms grandes de oro, en el mineral finamente
molido, son los factores ms importantes.

IH L f Au g Au Au d 3 Au Au / a L

Donde:

f Au es el factor de forma del oro: 0.2

g Au es el factor de distribucin del tamao de las


partculas de oro: 0.25

Au

Au
aL

se asume que sea: 1.0


es la densidad del oro nativo: 16
es el contenido promedio de oro esperado
expresado como parte de uno.

Por consiguiente:
IH L

0.8 d 3 Au / a L

Clculo de la Varianza del Error


Fundamental de Muestreo

1
1

Ms M L

s 2 FE

0.8 3
d Au
aL

Donde:

Ms

es el peso de la muestra

ML

es el peso del lote del cual se extrajo la


muestra.

Si:

M L 10 M s

S 2 FE 0.8 d 3 Au / a L M s

Una Limitacin Importante


Debemos asegurarnos que la muestra sea
representativa de todas las fracciones dimensionales de
las partculas del material de la cual se ha recogido.
Debe cumplirse la siguiente condicin:

d 3 g IH L / 25

Donde:
dg

es el tamao de las partculas ms grandes de la


ganga.

Manteniendo en mente esta limitacin, podemos usar los


siguientes monogramas de muestreo para resolver
nuestros problemas.

Figura 1 - Oro Liberado. Clculo del peso de la muestra con una desvia
estndar designada del Error Fundamental s = + - 15%.

TAMAO d (CMS) DE LAS PARTCULAS DE ORO MS GRANDES

Figura 2 - Oro Liberado. Clculo del peso de la muestra con una desvia
estndar designada del Error Fundamental s = + - 5%.

TAMAO d (CMS) DE LAS PARTCULAS DE ORO MS GRANDES

Figura 3 - Oro Liberado. Clculo del peso de la muestra con una desvia
estndar designada del Error Fundamental s = + - 1 %.

TAMAO d (CMS) DE LAS PARTCULAS DE ORO MS GRANDES

Problemas Asociados con la


Liberacin de Oro durante la
Preparacin de la Muestra.
El peligro de la segregacin es extremadamente alto,
debido a que las partculas de oro liberadas, tienen una
densidad muy alta (dos veces la densidad de la galena,
seis veces la densidad de cualquiera ganga comn).
Cualquier operacin de manejo
inmediatamente genera una fuerte
segregacin.
Las partculas de oro pueden perderse dentro de los
ngulos internos y partes del instrumento de muestreo,
las cuales son inacesibles.
La homogeneizacin de un lote o de una muestra
que contiene oro liberado es absolutamente
imposible. La efectividad de tal procedimiento es
ilusoria.

Prdida de Oro
Hay tres diferentes formas en que el oro puede perderse
fcilmente:
Las partculas de oro permanecen en el circuito de
muestreo y preparacin.
El oro liberado se puede perder por la
pulverizacin en un circuito cerrado, con un
harnero de malla de 100 150. Las partculas de
oro tienden a aplanarse con la pulverizacin y el
operador impaciente es a menudo tentado por
botar la segunda o tercera de sobretamao.
El oro liberado mancha los discos pulverizadores,
morteros y mezclas. Este tipo de equipamiento no
debera ser usado con oro liberado, a menos que
el objetivo sea el de dorar el equipo con oro de 24
kilates.

Las Soluciones Satisfactorias


son Caras.
Harnee una gran muestra con un harnero de -100
micrones, y ensaye con fuego toda la fraccin +100
micrones. Haga un ensayo de fuego estndar en la
fraccin -100 micrones.
Manipule una gran muestra mediante lixiviacin por
cianuro.
Concentre el oro liberado o casi liberado con mesa
sacudidoras, super-platillos u otros mtodos:
Pese el concentrado y las colas en forma
separada.
Funda el total del concentrado y la muestra ms
larga posible de las colas.
Calcule el contenido de oro de la muestra
procesada.

Contaminacin por Oro


El cambio tambin es real:
Los separadores-divisores, molinos y pulverizadores,
deberan ser usados en un Laboratorio que reciba las
muestras de diferentes leyes, tales como alimentacin,
concentrados y colas de una planta de procesos.

Cuando sea posible, deberan utilizarse salas distintas


para cada producto.

Estudio de un Cuerpo
Mineralizado, usando una
Tcnica de Perforacin Clsica.
Asumamos que tenemos un cuerpo de mineral que
contenga oro libre. El promedio de contenido de oro es
de alrededor de 0.4 Gramos/ton.
Localmente, las partculas ms grandes de oro son de
alrededor de 0.24 cms.
El peso necesario de la muestra no excede un Error
Fundamental FE con una desviacin estndar 2sFE 32%
de alrededor de una tonelada.
Pero una Perforadora equipada con un vstago para
broca con cable de acero de alta calidad (HQ), extrae
muestras de sondaje de 6.35 cms. De dimetro, lo cual
corresponde a una muestra de 25 kgs. Por cada 3 metros
de interseccin.
En este caso, la estimacin del Error Fundamental se
vuelve sin sentido y la distribucin sobre el oro es
probable que obedezca una Distribucin POISSON
introducida artificialmente.

Conclusin #1
Muchos resultados del oro son demasiado bajos y muy
pocos son muy altos.
En tal caso, es muy peligroso sacar alguna conclusin
con muy pocas muestras. Sin embargo, si podemos
M s 25 Kg
acceder a 40 muestras de peso efectivo,
todo es como si analizramos el compuesto de una
muestra de peso efectivo.
M s 1 ton .

Conclusin #2
En este ejemplo, la ley promedio del oro es conocida al
32% con un 95% de posibilidades de ser correcta despus
de analizar completamente 40 muestras de perforacin de
25 kgs.

El Oro no es liberado
La mayora de otros tipos de minerales de oro no son
liberados. Asumamos que el oro no est asociado con
otro mineral.
Asumamos que el lector est familiarizado con la Teora
del Muestreo, de manera que lo difcil es estimar el Factor
de Liberacin del oro.
Los siguientes clculos requieren que encontramos los 2
3 fragmentos ms ricos en oro, entre los 200
fragmentos ms grandes reunidos uno a uno al azar, en
un gran compuesto de la muestra representativa del
material a ser investigado.
Estos 2 3 fragmentos ricos en oro, pueden ser
rpidamente identificados por un corto escaneo XRF.
Despus de la identificacin pueden ser analizados en su
totalidad mediante ensayo de fuego.
El resultado ms alto es llamado a MAX
y est
asociado a un tamao mximo de partcula d

Demostramos fcilmente que la constante de muestreo IH L


puede ser calculada como sigue:
a MAX

Au g
1
d3
aL
g a MAX Au 1 a MAX

IH L fg

Donde:
f es el factor de forma de la ganga (generalmente

0.5)
g es la distribucin del tamao de partcula de la

ganga (generalmente 0.25)

a L es el contenido promedio esperado del lote.

a MAX

es la ley mxima de oro esperada en un


fragmento solo en las fracciones dimensionales
ms gruesas.

Au

es la densidad del oro nativo (generalmente 16)

es la densidad de la ganga (generalmente 2.6)

es el tamao del harnero que debera retener no


ms que el 5% del material.

Luego, podemos calcular la varianza del Error


Fundamental como sigue:

S 2 FE

1 / Ms 1 / M L

IH L

Bajo estas condiciones podemos calcular y sacar un


nomograma de muestras, til a usar para resolver nuestros
problemas, como el ejemplo mostrado en la Figura 4.

Si

M L 10 M s

remueva 1 / M L

El Oro est Asociado con Otro


Mineral.
Muchos minerales, tales como galena, espalerita,
calcopirita, pirita, cromita, etc., a menudo contienen
algunos metales preciosos como oro, plata u otros.
Para un mineral dado, podemos asumir que la ley del oro
vara poco en el mineral. Podemos considerarlo
constante.
Bajo estas condiciones el contenido de oro se vuelve
poco importante.
Deberamos concentrar nuestra atencin slo en el
contenido mineral.

Luego, volvamos al caso general:


S 2 FE

Donde:

1 / Ms 1 / M L

IH L

IH L f g c d 3

f es el factor de forma de la ganga

g es el factor de distribucin del tamao de la


partcula de la ganga
c es el factor de composicin mineralgica

es el factor de liberacin del mineral


es el tamao de malla de un harnero que puede
retener no ms de 5% del material a ser
muestreado.

Alguna informacin
1 Cuidado con las informaciones, a menudo no son lo
suficientemente buenas.
2 Se debe entender las variadas fuentes de la variabilidad
de las leyes del oro.
3 Tan pronto como sea posible, desarrolle los
experimentos necesarios para comprender la
variabilidad de las variadas fuentes de las leyes del oro.
4 Entonces, y solamente entonces, optimice su rea,
Mina, Planta y Protocolos de muestreo del Laboratorio.
5 Asegrese que los instrumentos de muestreo sean los
correctos para implementar sus protocolos de muestreo.
6 El muestreo del oro no puede ser improvisado
empricamente. El sentido comn es una buena cosa,
pero siempre se quedar corto para solucionar sus
problemas de muestreo.

7 Los protocolos de muestreo adecuados y


muestreadores correctos son equivalentes a una poltica
de seguros contra prdidas financieras. El costo de
algunas pruebas, muestreadores correctos, y cursos
internos, a menudo son amortizados en un muy corto
tiempo.
8 Capacite a su personal en la Teora y Prctica del
Muestreo del oro. Es un juego que usted no puede
perder.
9 Quin debera ser capacitado:

Constitucin In-Situ de la Heterogeneidad

Efecto Nugget In Situ: NE


Escenario #1: Pepitas slidas

?
?

Constitucin In-Situ de la Heterogeneidad

Efecto Nugget In Situ: NE


Escenario #2: El Efecto Grupal (racimo)

?
?

Un Enfoque Comn, Terico

dm

95% que pasa a cierta


abertura del harnero.

dm

equivalente a un aglomerado
local

Volviendo a la Frmula de Gy para minerales


liberados.

Podemos usar una frmula modificada:

2
FE

1
1
3

f m g m cm d m
MS ML

Solamente los siguientes factores son relevantes:


La masa MS de la muestra a ser recolectada,
La masa del lote, cuyo efecto es insignificante ML > 10 MS,
El factor de forma fm de la pepita o racimo del mineral de inters,
La distribucin del tamao de partcula gm de la pepita o racimos del mineral
de inters,
El factor mineralgico cm, y
El tamao, si las pepitas o racimos/aglomerados ms grandes equivalentes dm
del mineral de inters.

Ejercicio # 1: Impureza del Arsnico

Un depsito de cobre porfrico en Chile es perforado con su contenido de


arsnico: Para el proceso de flotacin, para entregar concentrado de cobre,
dentro de las especificaciones de contenido de arsnico, para las fundiciones, la
Mina debera ya sea eliminar o mezclar cuidadosamente cualquier mineral con
un contenido de arsnico mayor que 100 ppm.
El programa de exploracin utiliza muestras de perforacin de ncleo de
diamante NQ de 2 metros y medio. Para el arsnico, no es raro observar y grupo
de minerales de arsnico o vetas adyacentes dentro de un pequeo volumen,
digamos cerca de 1 litros ms o menos, equivalente a un partcula sola de - 5
cms.
Averige cul debera ser la masa de la muestra para asegurar que la desviacin
estndar relativa SNE no sea mayor que 15%.
Averigue cuntas muestras de perforacin de ncleo de diamante de NQ de dos
metros y medio, muestras de perforacin NQ, muestras totales de 1/2 HQ y
muestras RC de 50 kgs., deberan ser promediadas antes de obtener una base de
datos importante para propsitos de control de la ley del mineral.
Haga el mismo ejercicio si el racimo aglomerado equivalente fue de 1 cm., y si
la ley esperada fue de 500 ppm o 20 ppm.

La Solucin del Nomograma

Ejercicio # 2: Sub-producto Molibdeno

Un depsito de cobre porfrico en Chile es perforado por su contenido de


molibdenita. El contenido promedio esperado de molibdenita es 0.040%.
El programa de exploracin usa muestras de perforacin de ncleo de diamante de
2 metros y medio NQ. Para el molibdenito, no es raro observar un grupo de vetas
adyacentes dentro de un pequeo volumen, digamos de alrededor de 1 litro, ms o
menos equivalente a una sola partcula de 1 cm.
Averigue cual debera ser la masa de la muestra para asegurar que la desviacin
relativa estndar SNE no sea mayor que 15%.
Averigue cuntas muestras de perforacin de ncleo de 2 1/2 mts. NQ, muestras
total de NQ, muestras de HQ, muestras totales HQ , y muestras RC de 50-Kgs
deberan ser promediadas antes de obtener una base de datos importante para
propsitos de control de ley del mineral.
Haga el mismo ejercicio si el grupo aglomerado equivalente fue de 0.3 cm. Y si la
ley esperada fue 0.100%, 0.020%.

La Solucin del Nomograma

Ejercicio # 3: El Oro en Bruto y Casos de


Agrupamiento de Oro Fino

Un depsito de oro en bruto en Brasil, es perforado por su contenido de oro: El


contenido promedio es 1.50 g/t.
El programa de exploracin usa muestras de perforacin de ncleo de diamante
HQ de 3 metros total. El oro visible no es extrao. Dentro de un volumen
pequeo, digamos alrededor de 1 litros, se pueden observar partculas de oro
llegando a un equivalente a un sola partcula de 0.25 -cm.
Averigue cul debera ser la masa de la muestra para asegurar que la desviacin
estndar relativa SNE no sea mayor que 15%.
Averigue cuntas muestras de perforacin de ncleo HQ de 3 metros total, y
muestras RC 60 kgs., deberan ser promediadas antes de obtener una base de datos
importante para propsito de control de la ley del mineral.
Haga el mismo ejercicio si el racimo aglomerado equivalente fue 0.05 cm, y si la
ley esperada fue de 0.75 g/t, 3.00 g/t.

La Solucin del Nomograma

El Contenido del Mineral de Baja Ley L

Sin importar el efecto Nugget In Situ, una cierta proporcin


del mineral de inters, podra ser fcil de muestrear:
Esta proporcin es llamada como el
Contenido de Mineral de Baja Ley L.
A veces los protocolos de muestreo se seleccionan de tal
manera que somos capaces de responder efectivamente para
el contenido de mineral de baja ley, mientras que una
proporcin sustancial permanece mucho ms evasiva y
posiblemente no considerada:
Qu sucedi?

El Contenido del Mineral de Baja Ley L :


Una Homogeneidad de Pequea-Escala engaosa
Ejemplo:
2/3 del oro = L
1/3 del oro

Un caso estructural que no tiene nada que hacer con


el Efecto Nugget In-Situ

En este caso, el dimetro de perforacin no es importante.

Estimacin del Contenido de Mineral de Baja Ley


L: Mtodo # 1

MUESTRAS ORDENADAS POR % INCREMENTO DE ORO

Estimacin del Contenido de Mineral de Baja Ley


L: Mtodo # 2

Este mtodo es conveniente cuando dos series de muestras


con masas MS1 y MS2 son probables de lograr dos
distribuciones asimtricas diferentes.
Cuando la masa de la muestra disminuye, los resultados del
ensayo llegan a ser distribuidos menos simtricamente.

La media X y el modo Y se separan.


C.O. Ingamells sugiri la siguiente frmula:

Y1 M S 2 X Y2 Y2 M S1 X Y1
L
M S 2 X Y2 M S1 X Y1

Mtodo # 2:
Estimacin de Y1 y Y2

Frecuencia

Y1
Y2

L
gt / oro

Y1 y Y2 pueden ser estimados visualmente


usando histogramas, o calculando las
medias armnicas.

El resultado ms probable del ensayo Y:


Y y X pueden ser muy diferentes.
g / t g o ld

15%

X
Y
L

C.O. Ingamells sugiri la siguiente frmula:


2 X X L M S 1 V NE M S 1 L
2

2 X L M S 1 V NE M S 1
2

Estimacin de la Varianza VNE del Verdadero Efecto


Nugget In-Situ

El Enfoque Variogrfico:
Varianza V[j]
Sill
Covarianza o
Correlacin

Varianza

V[j=0]
V[j=0] = Varianza Muestreo/Medicin

Distancia o Tiempo j entre dos muestras.

La Varianza VNE es solamente uno de los muchos


componentes de la Varianza V0.

Este hecho es pobremente entendido por los Geoestadsticos.


2
S
DEn
n

S
n

2
FEn

2
HE1

2
NE

2
S
WEn
n

2
GE n

2
S
AEn

V [0]
S
n

2
EEn

2
S
PEn
n

La Contribucin de VNE Dentro de V0.

La VNE , la ms probable de todas las otras varianzas que


contribuyen a V0 tambin ser grande.

Haciendo la suposicin ms optimista que


el protocolo de muestreo es optimizado,
el equipamiento de muestreo es el correcto, y
el Error Analtico es minimizado,
la contribucin de VNE podra ser de alrededor de la mitad de
V0.

Los Efectos de Grandes VNE y V0.

Si VNE y V0 son dejados sin resolver, ocurrirn consecuencias


econmicas desagradables:
Se modela un variograma que se convierte en un ejercicio
intil.
Las Tcnicas Kriging no funcionan.
Alta ley de Corte ignora parte del recurso [X L]
* La conciliacin de los problemas son exacerbados.
La recuperacin ptima de los recursos naturales, se convierte
en una tarea esquiva, cuyas consecuencias econmicas son
asombrosas.

Qu es una mala V0 ?
VNE siendo parte de V0
V[j]

Umbral
Malo

Alerta

Bueno

j
0

Hay un espacio para el compromiso, pero no abuse mucho


de su suerte.

Recomendaciones Cuando VNE


Es Muy Grande

Seleccione un dimetro de perforacin tan grande como sea posible.


Cuantifique las fallas de la masa del mdulo bsico de observacin:
Necesaria. N M
S

Confe en una buena geologa, buscando lmites naturales e indicadores


claves.
Para componentes importantes que hacen-dinero , asegrese de
seleccionar leyes de mineral y de corte que estn bajo L.
Confe en apilamientos de baja ley.
No corte ninguna ley alta para el clculo de del promedio total de ley.
Aprenda a vivir con problemas de conciliacin: Asegrese que la
Administracin se preocupa de los efectos de elipses de precisin.

Distribucin de Heterogeneidad DH

En el siguiente material, nos referiremos solamente a la Distribucin de Heterogeneidad de lotes


pequeos y movibles.

CH

hnj
CHn

CHn

DH

hi

hn

Definamos algunas anotaciones:

an contenido de un grupo dado de fragmentos


anj contenido de un fragmento dado en un grupo dado.
hn la heterogeneidad llevada por un grupo dado.
hnj la heterogeneidad llevada por un fragmento dado en un grupo dado.
Mn el peso de un grupo dado.
Mnj el peso de un fragmento dado en un grupo dado.
G

N el nmero de grupos de un tamao dado para vaciar el lote


Nnj el nmero de fragmentos en un grupo dado.

Heterogeneidad hnj llevada por Un Fragmento en un Grupo Dado

Exactamente como el procedimiento que seguimos para definir la Constitucin de Heterogeneidad


CHL del lote, podemos definir la Constitucin de Heterogeneidad CH n de un grupo de fragmentos
como la varianza relativa, no dimensionada, de las heterogeneidades h nj generadas por Nnj
fragmentos dentro del grupo.

N1

CH n S 2 hn j

nj

2
n j hn j

Realmente, en lo que estamos interesados es en la Constitucin de Heterogeneidad Promedio


llevada por todos los grupos de fragmentos.

C Hn

n CH n
NG

Ahora, definamos la heterogeneidad h n llevada por un grupo fragmentos:

hn

an

aL Mn NG
aL ML

Definimos la Distribucin de Heterogeneidad DHL del lote, como la varianza relativa, no dimensional
de las heterogeneidades hn generadas por NG grupos de fragmentos.

DH L S

hn

N G n a n a L M n2
1
2

n hn
NG
a L2 M L2

CH L DH L C H n
CH L DH L 0

DHL Dominio de Variabilidad

El mximo de DHL es CHL en s mismo cuando CHn = 0

DH L max

CH L

El mnimo de DHL es definido como un mnimo absoluto [DHL]min bajo el cual es imposible
homogeneizar despus el material. Es un lmite inaccesible en el cual cada grupo del lote podra
mirarse como una muestra azarstica. Este mnimo es realmente una variable al azar, la media de la
cual puede relacionarse a CHL como sigue, cuando el nmero de grupos y fragmentos son nmeros
grandes:

mean DH L min

NG
CH L
NF

Definimos un Factor de Agrupamiento Y como se indica a continuacin:

1 NG

Y
NF
Esta presentacin se vuelve un problema cuando Y = 0. Pero, NG y NF a menudo son nmeros
diferentes, Por consiguiente Y es a menudo un nmero grande en s mismo. Por consiguiente,
elegimos la siguiente presentacin aproximada:

1
N
G
1 Y
NF
1
1Y
CH L DH L CH L
CH L
1Y
1Y

Definicin del Factor de Segregacin Z

Para calcular DHL debemos multiplicar CHL por un factor entre 1 y 1+Y. Elegimos para escribirlo
YZ.

DH L

1 YZ
N
CH L 1 YZ G CH L
1Y
NF

DH L 1 YZ N G i

ai

a L M i2
a L2 M L2
2

Definicin del Error de Agrupamiento y Segregacin GE


El Error de Agrupamiento y Segregacin GE es definido por su media y varianza:

mediaGE

Muy pequea - a menudo insignificante

2
2
YZSFE
SGE

Factor de Agrupamiento

Factor de
Segregacin

Varianza del Error Fundamental

Cancelacin y Minimizacin del Error de Agrupamiento y Segregacin GE

1. La cancelacin de la varianza del Error Fundamental no es posible.


2. La cancelacin del Factor de Agrupamiento Y no es prctica.
3. La cancelacin del Factor de Segregacin es ilusoria.

Lo nico que podemos hacer es minimizar cada de estos tres factores:

1. Minimizacin de la varianza del Error Fundamental:


Calcule las constantes del muestreo
Dibuje nomogramas de muestreo
Optimice los protocolos de muestreo
2. Minimizacin del Factor de Agrupamiento:
Para un peso dado de la muestra, saque tantos
incrementos y tan pequeos como sea posible en la
prctica, con respecto a DE, EE, y PE.
3. Minimizacin del Factor de Segregacin:
Homogeneizar el lote antes del muestreo, pero es muy difcil
lograr el xito debido a la omnipresencia de la gravedad.

Conear y Cuartear

Esta muy antigua tcnica est generalmente restringida al muestreo de lotes de


materiales de menos 5 cms, cuyo peso sea menor a 5 tons.

Lote
B
A

C
D

Muestra con
incrementos
N=2

2
S GE

2
S SE

Paleo Alterno

Una alternativa ms rpida, barata y mejor es la Tcnica del Paleo Alterno.

Muestra Potencial elegida al


azar.

Rechazo

2
S GE

2
S SE

N ?

Paleo Fraccional Real

Proporcin del Muestreo =


1/5
S1

N
S2

S3

Lote

S4

S5

2
S GE

2
S SE

N ?

Seleccione una
muestra al azar

Paleo Fraccional Degenerado

Proporcin de Muestreo =
1/5

Muestra Autoritativa

Lote

Rechazo

Separador Divisor

El Separador Divisor, tambin conocido como Separador Jones o Divisor


Jones, consiste en un conjunto de un nmero par de canales adyacentes,
numerados generalmente entre 10 y 20.
Estos canales forman un ngulo de alrededor de 45 o ms, con un plano
horizontal. Ellos guan el material que cae alternativamente hacia los baldes
derecho e izquierdo.

N=7

2
S GE

2
S SE

Los Terrones de Laja Japoneses

Delimitacin Incorrecta

Delimitacin Correcta

De este cuadro, usted puede hacer una clara distincin entre el concepto de:
Error de Agrupamiento y Segregacin Y el Concepto de Error de Delimitacin del Incremento?.

N = 24

2
S GE

2
S SE

24

Ejemplo de Mezcladora V, usada para lograr la


Distribucin de Homogeneidad
Nunca llene la mezcladora sobre el
nivel de los ejes de rotacin.

Ejes de Rotacin

Es probable que vuelva a ocurrir la


Segregacin en el punto de descarga.

En su opinin, despus que la homogeneizacin haya sido realizada,


Cmo y dnde debera ser tomada la muestra?

Un lote de nquel fue dividido en 3 sub-lotes iguales.

Estos sub-lotes se usan para desarrollar las siguientes pruebas:

Prueba #1: Un sub-lote no est homogeneizado antes del


muestreo. Se esparce en forma pareja en una superficie limpia.
Es dividido en 16 capas iguales que son ensayadas para nquel
separadamente.

Los resultados estn expresados en % de Nquel.

1.085

1.139

1.066

1.126

1.185

1.192

1.182

1.228

1.237

1.241

1.189

1.228

1.194

1.187

1.199

1.177

Promedio:

1.178% Ni

SR total:

4.33%

SFE:

1.08%

SAE:

0.20%

SSE:

4.19%

Prueba # 2: El segundo sub-lote se divide en 16 partes, usando


un separador divisor, sin Homogeneizacin preliminar.

Los resultados estn expresados como % Nquel.


1.216
1.149
1.141
1.227

1.203
1.154
1.214
1.158

Promedio:
SR total:
SFE:
SAE:
SSE:

1.205
1.175
1.201
1.182

1.220
1.209
1.214
1.161

1.189% Ni
2.43%
1.08%
0.20%
2.17%

Prueba # 3: El tercer sub-lote primero es homogeneizado


usando una tcnica alternativa de paleo. Luego, ste es dividido
en 16 partes, usando un separador divisor.

Los resultados estn expresados en % Niquel.


1.188
1.196
1.177
1.202

1.171
1.207
1.164
1.176

Promedio:
SR total:
SFE:
SAE:
SSE:

1.169
1.202
1.174
1.196

1.180
1.195
1.206
1.159

1.185% Ni
1.33%
1.08%
0.20%
0.75%

Conclusiones

DHL no puede ser mayor que CHL. Sin embargo, esto no

significa S2GE no puede ser mayor que S2FE.


Si no se siguen las recomendaciones hechas en la Teora de
Muestreo, la varianza del Error de Agrupamiento y
Segregracin, y cualquier otra varianza generada por alguna
forma de segregacin, puede llegar a ser agobiante.

La Segregacin es un concepto relativo

La cantidad de segregacin medida de las muestras podra depender en


gran medida de su peso.
Reunir pocas y pequeas muestras podra ser engaoso.
Si el objetivo es mapear la segregacin, entonces es necesaria la
recoleccin de muchas muestras pequeas.

A menudo la Segregacin es un fenmeno


transitorio que siempre cambia
Flujo

Material de pequea densidad


Material de alta densidad

La Segregacin de fragmentos densos de los ms livianos de la misma


fraccin dimensionada en la descarga de la correa transportadora.

El cambiar una parte del equipo puede


cambiar totalmente la segregacin
Flujo de cada
En una canaleta

Angular o liviano
Redondo o pesado

Caso #1: La Segregacin de fragmentos densos de los ms livianos de una


fraccin tosca dimensionada similar.
Caso #2: La Segregacin de fragmentos angulares de los redondos de una
fraccin tosca dimensionada similar.

Ejercicio:

1. Ponga el muestreo tomado en este contexto.


2. Encuentre las posibles consecuencias para el control del
proceso.

La Segregacin debida a la heterogeneidad


del tamao del fragmento.

Flujo

Segregacin de las partculas finas de fragmentos ms grandes en clases


de densidades similares.

Ejercicio: Encuentre varias razones para este tipo de segregacin.

El efecto del flujo de arrastre del aire en la


trayectoria de la partcula, es una funcin
del tamao de la partcula.

Canaleta

Partculas ms grandes: No influye


el arrastre del aire

Partculas finas: Fuerte influencia


del arrastre del aire.

Flujo muy lento y flujo libre de


finos cernidos (filtrados)

Flujo Lento

Los finos cernidos estn dentro de la pila, mientras que los fragmentos
gruesos ruedan hacia abajo por los costados.

Ejercicio: Encuentre al menos otros dos ejemplos donde tiene lugar


el mismo fenmento de segregacin.

Segregacin debida a la heterogeneidad de


la forma del fragmento.

Flujo Lento

Segregacin generada por diferentes ngulos de reposo en el depsito.

Ejercicio: Ubicacin Correcta para un


Sistema de Muestreo

Flujo Distribudo Homogneamente.

Flujo Segregado

1.

Dnde ejecutara la toma del muestreo?

2.

Si usted ya tuviese un sistema de muestreo incorrecto Dnde


debera usted instalarlo?

3.

Donde debera instalar un sistema de muestreo correcto?

Conclusiones y Preguntas

El fenmeno de Segregacin puede aumentar el Error de


Agrupamiento y Segregacin Cmo?

El fenmeno de Segregacin puede confundir al Ingeniero


a cargo del control del proceso. Cmo?

El fenmeno de Segregacin puede ser muy perjudicial


para el proceso. Cmo?

El fenmeno de Segregacin puede mostrar cun crtica


es la correccin de delimitacin del incremento. Porqu?

Segregacin introducida por el uso de


una vibro-esptula de laboratorio.

Trayectoria de la esptula vibratoria

Trayectoria
del Material

Mezcla cuarzo-cromita

Cuarzo casi puro

Cromita casi pura

Esta clase de segregacin puede ser devastadora para la exactitud de


los Ensayos de Laboratorio.

Alimentador Estacionario y separador


rotatorio sectorial
1

6
7

1. Embudo 2. Transportador Vibratorio 3. Generador de Vibracin 4. Alimentador Revolvedor


5. Separador Sectorial Radial + vista superior 6. Jarros
7. Motor y Engranaje.

Cada jarro podra tener exactamente el mismo contenido para los


componentes de inters, sin embargo, si usted no tiene precaucin, algo
puede resultar muy equivocado en cada jarro. Qu es?

Segregacin en Silos, Depsitos y


Tolvas (embudos).
Para muchos productos finos y lechados, es crticamente muy
importante mantenerlos no segregados.
1.1. Antes de llegar al siguiente paso de un proceso,
y
2. Antes de que se recolecte una muestra.

La tecnologa de los Silos, Depsitos y Tolvas, para el manejo y


almacenamiento de materiales finos, es a menudo emprica y
pueden surgir muchos problemas.

Ejemplo:
Es necesario usar un flujo de masa para las tolvas entre dos etapas
del muestreo. De otra manera es necesario vaciar completamente
la tolva que contiene un incremento, antes de introducir otro.

Confeccionemos un listado de lo que puede salir mal.

1. Segregacin en la entrada del


2. silo, depsito o tolva.

Flujo

Soluciones:
1.

Uso de depsito de flujo de masa (volumen),

2.

Uso de sistema de alimentacin de multi-punto para el


depsito.

2. Percolacin de Finos entre


partculas ms gruesas.
Los vacos entre las partculas gruesas tienden a llenarse con
finos. El material podra desarrollar una fuerte cohesin debido a
la consolidacin. Como resultado, el rango de flujo en la
descarga del depsito puede volverse errtica o an detenerse.

Soluciones:
1.

Uso de un depsito de masa de


flujo (volumen),

2.

Uso de un sistema de alimentacin


de multipunto para el depsito.

3. Remocin incompleta de un material fino


previamente cargado.

Soluciones:
1.

Uso de un depsito de flujo


de masa (volumen),

2.

Instale platos vibratorios a


lo largo de las paredes del
depsito.

4.Degradacin del material fino por el


almacenamiento prolongado que promueve
el aterronamiento y la aglomeracin.

Soluciones:
1.

Uso de una depsito de


flujo de masa (volumen)

2.

Fluidice el material usando


caeras de aire.

5. Creacin de un arco estable que interfiere con


el flujo adecuado de material fino.

Soluciones:
1.

Uso de una abertura de


descarga ms grande.

2.

Uso de un depsito de flujo de


masa (volumen).

3.

Aireacin de las partculas finas


puede minimizar el problema de
puenteo.

6. Desarrollo de orificios o tubos durante la


descarga, dejando material estril a lo largo de
las paredes del embudo.

Soluciones:
1.

Uso de depsito de flujo de


masa (volumen).

2.

Fluidice el material usando


caeras de aire.

Qu es un Depsito de Flujo de Masa (Volumen)?

75o

Ventajas de un Depsito de Flujo de Masa

1.

La superficie de los materiales que bajan dentro del


depsito es uniforme.

2.

El material que entra primero sale primero.

3.

Se mantiene la integridad de la muestra.

4.

Se minimiza la segregacin.

5.

El material ms fino no taponear el sistema.

6.

Proporciona un flujo continuo y uniforme en la descarga,

Sin embargo:

An as los depsitos de flujo de masa pueden funcionar mal si


el sistema de descarga no est bien diseado.

7. Problema con el diseo de la salida de


alimentacin del depsito de la
correa transportadora.
Rpido

Lento

Velocidad Uniforme

Depsitos de
Flujo de Masa

3.5o

Incorrecto

Correcto

Flujo Uniforme

Flujo Segregado

4 to6o

8. Problema con el diseo de un


alimentador de tornillo sinfn al depsito.

Rpido

Velocidad Uniforme

Lento

Flujo Uniforme

Flujo Segregado

Incorrecto

Correcto

9. Problema con el diseo de la salida


del depsito de alimentacin al
transportador vibratorio.

Lento Rpido

Flujo Segregado

Velocidad Uniforme

Flujo Uniforme

10o

Vibrador Magntico

Incorrecto

Correcto

Segregacin en el Apilamiento (Stockpile):


Enviando un ciclo costoso al Molino SAG

ROM

SAG

Nivel del Stockpile va subiendo:


Rango de Flujo al Molino SAG con demasiados finos
Nivel del Stockpile va bajando:
Rango de Flujo al SAG con demasiados fragmentos gruesos

Tons/hora Cclico
Consumo Energa Cclico
Alimentacin de distribucin de
tamao partculas cclico al
Molino de Bolas.

El
ElError
Errorde
deDelimitacin
Delimitacindel
delincremento
incremento
en
enla
laMina
Minayydurante
durantela
laexploracin.
exploracin.

Sub-perforacin
anterior.

Actual Sub-perforacin

Este sesgo de delimitacin comnmente es introducido cuando se muestrea


el material de los hoyos de tronadura en la Mina, este es un problema con
desvastadores efectos para el control de la ley del mineral, y para el
desempeo financiero de largo plazo de la Mina:
ESTE PROBLEMA NO RECIBE LA ATENCIN QUE MERECE.

Dividiendo
Dividiendoun
undepsito
depsitotri-dimensional
tri-dimensionalen
en
22depsitos
depsitosdimensionales.
dimensionales.

Z
X
Y

En algunos casos, el muestreo en hoyos de tronadura es tan malo que podra


llegar a ser factible separar la perforacin RC de varios bancos a la vez.

La
Laperforacin
perforacinde
deestril
estriloouna
unamala
malainvestigacin
investigacin
geolgica
geolgicapodra
podracrear
crearun
unsesgo
sesgode
dedelimitacin.
delimitacin.

Estril
na
Zo alizada
er
n
i
M

La
Lalongitud
longitudconstante
constantede
desondaje
sondaje
podra
podrano
noser
seruna
unabuena
buenaidea.
idea.

100% Recuperacin
65% Recuperacin

97% Recuperacin

Muestra de 3 metros
Est seguro que el compuesto de la muestra de 3 metros
formada por 3 diferentes recuperaciones, es exacta?

Una longitud de muestreo sistemtico puede generar un gran sesgo en la


exploracin geo-qumica.

La
Laconsistencia
consistenciadel
delcanal
canalde
dela
la
muestra
muestraes
esun
undeber.
deber.

Correcto

Correcto

Incorrecto

Interceptar
Interceptartodo
todoel
elflujo
flujode
delas
lasvirutas
virutas(ripio)
(ripio)
extradas
extradases
esun
undeber.
deber.

Asumir que las pequeas ventanas de muestreo recolectan una muestra representativa de
todos los tamaos de fraccin es una forma intolerable de jugar:
No tiene nada que ver con el muestreo.

Uso
Usode
deun
unbalde
balderadial
radialpara
para
muestreo
muestreode
dehoyos
hoyosde
detronadura.
tronadura.

Sistema
Sistemade
deMuestreo
Muestreosugerido
sugeridopara
para
muestreo
muestreode
dehoyos
hoyosde
detronadura
tronadurayyRC.
RC.

Puerta de
Inspeccin.

Embudo Alimentador

Flujo que cae alrededor del cono.


Cono desviador

Cono que asegura un corte


perfecto de los cortadores.

Rodamiento

Cortadores Rotatorios

Rodamiento a prueba de polvo.

Rodamiento
Cmara del Flujo Principal
Motor: 15 revoluciones
por minuto como mximo.

Muestra

Rechazos

Sistema
Sistemade
deMuestreo
Muestreosugerido
sugeridopara
paramuestreo
muestreode
de
hoyos
hoyosde
detronadura
tronadurayyRC:
RC:Vista
VistaSuperior.
Superior.

Parte del cortador en el flujo

Cmara del Muestreador

Cono que asegura un corte


perfecto de los cortadores.

Embudo Alimentador

Flujo que cae alrededor del cono.

Cono Desviador
Cono Apex donde cae el flujo.

Muestreo
Muestreode
deun
unApilamiento
Apilamiento(Stockpile):
(Stockpile):
Un
Unproblema
problemamuy
muydifcil
difcilde
dedelimitacin.
delimitacin.

Muestreo
Muestreode
deun
unApilamiento
Apilamiento(Stockpile):
(Stockpile):
Siempre
Siempretenga
tengaacceso
accesoaacualquier
cualquierparte
parte
que
quedesee,
desee,al
alazar.
azar.

Muestreo
Muestreode
deun
unApilamiento
Apilamiento(Stockpile):
(Stockpile):
Uso
Usode
deun
unBarreno
Barreno

Revestimiento protector

Parte Faltante

Muestreo
MuestreoSubterrneo:
Subterrneo:
Uso
Usode
deBroca
Brocade
deMuestreo
Muestreo(Sampdrill)
(Sampdrill)
versus
versuscanal
canalde
demuestreo.
muestreo.

Embolo Toilet de la
taza de goma.

Sistema recolector de muestra


en el fondo de la taza de goma.

Resorte para mantener la


taza de goma siempre en la
pared.
Perforadora de Impacto

Brazo flexible para apoyar


el peso de la perforadora,
cuando es operada por el
trabajador.

Muestreo
MuestreoSubterrneo:
Subterrneo:
Sampdrill
Sampdrilles
esmucho
muchoms
msconsistente
consistenteque
que
cualquier
cualquiercualquier
cualquiercanal
canalmanual
manualde
demuestreo
muestreo
real.
real.

CANAL DE MUESTREO TEORICO

CANAL DE MUESTREO REAL

Parmetros del Muestreo:


p= Profundidad del Hoyo

Perforadora de Muestreo d=Dimetro de los Hoyos


s=Espaciamiento entre los Hoyos
c=Longitud del Compuesto
n=Nmero de hoyos perforados en c

Muestreo
MuestreoSubterrneo:
Subterrneo:
Comparacin
Comparacinde
deProfundidad
Profundidadentre
entreel
elSampdrill
Sampdrill
yylos
loscanales
canalesde
demuestreo
muestreoaaintervalos
intervalosde
de11metro.
metro.

METROS

Muestreo
MuestreoSubterrneo:
Subterrneo:
Delimitacin
DelimitacinCorrecta
Correctapara
parael
elfrente
frente
del
delcanal
canalde
demuestreo.
muestreo.

Mineral

Material
Estril

Material
Estril
Algunos minerales pueden mostrar un fuerte
enriquecimiento cerca de los contactos.
No confunda el lmite ideal de la muestra (delimitacin
correcta) con la muestra real recolectada (extraccin
correcta).

Muestreo
MuestreoSubterrneo:
Subterrneo:
Hasta
Hastadnde
dndepueden
puedenesperarse
esperarsepartculas
partculas
de
deoro
oroen
enel
elmaterial
materialestril?
estril?

Mineral

Material
Estril

Material
Estril

Como prueba, recolecte las muestras en variadas


distancias desde el contacto, en el lado del material
estril. Cada muestra debe estar paralela al contacto.

Perforacin
Perforacinparalela
paralelaaaestructuras
estructurasmineralizadas:
mineralizadas:
El
Elmapeo
mapeode
deuna
unailusin.
ilusin.

Fosos
Fososde
deperforacin
perforacinaatravs
travsde
dela
lamineralizacin:
mineralizacin:
Un
Unmapeo
mapeoms
msrealista
realistadel
delmineral
mineralyyel
elmaterial
materialestril.
estril.

El ERROR DE DELIMITACIN del incremento


en la Planta.

El ERROR DE DELIMITACIN DE del incremento introduce los ms grandes


biases encontrados en el muestreo.

y
z
x

1.

Una muestra debe ser equiprobabilstica.

2.

Un flujo de proceso siempre est segregado.

3.

Un flujo de proceso es tri-dimensional.

4.

Pero, depende de nosotros desarrollar un muestreo tri-dimensional, bidimensional o uni-dimensional.

Muestreo
MuestreoUni-dimensional
Uni-dimensional

Corriente
de flujo

Parte consistente
a travs del flujo

Para un exacto balance metalrgico, se debe desarrollar un muestreo unidimensional.


Para un efectivo control del proceso, se recomienda desarrollar un muestreo
uni-dimensional.

Ejemplos
Ejemplosde
demuestreo
muestreotri-dimensional
tri-dimensional
Caso
Caso#1:
#1:Muestreo
Muestreode
deun
uncarro
carrode
deferrocarril.
ferrocarril.

Encuentre, por lo menos, 3 problemas.

Ejemplos
Ejemplosde
demuestreo
muestreotri-dimensional
tri-dimensional
Caso
Caso#2:
#2:Muestreo
Muestreode
deun
unCargador
CargadorFrontal
Frontal

Encuentre, por lo menos, 3 problemas.

Apilamiento (Stockpile)

Incremento recogido

Compuesto de la Muestra

Muestreo
Muestreodel
delFlujo
Flujo

Hay tres elecciones, pero solamente una se puede ejecutar correctamente.

Todo el flujo parte del tiempo

Parte del flujo todo el tiempo

Parte del flujo parte del tiempo

Validez
Validezde
dela
laDelimitacin
Delimitacindel
delIncremento:
Incremento:
No
Notomar
tomaren
encuenta
cuentalos
losfragmentos.
fragmentos.

Corriente de Flujo

La amplitud (anchura) del incremento


debe permanecer constante todo el
trayecto a travs del flujo.

Estructura
Estructuracorrecta
correctaposicionada
posicionadaen
enuna
una
correa
correatransportadora
transportadoradetenida.
detenida.

Posicionamiento
Hidrulico.

Correa transportadora
detenida.

Muestra de
Referencia

Este sistema puede proporcionar una buena muestra de referencia, cuando se efecta
una prueba de bias.

Muestreador
Muestreadorde
deruta
rutarecta
rectaal
alflujo
flujotransversal.
transversal.

Flujo que cae

El cortador debe cruzar el flujo a


una velocidad constante.
Incremento
de la Muestra

Ancho del Corte se


mantiene constante.

Incremento
de la Muestra

Flujo

Vista Superior
Direccin del
Cortador

El
ElCortador
Cortadorpuede
puededaarse
daarsecon
conel
elexceso
excesode
detrabajo.
trabajo.

Flujo que Cae

Se debe mantener cuidadosa y


sistemticamente las cuchillas del cortador.

Ancho del Corte


no constante

Incremento
de la Muestra

Flujo

Vista Superior
Direccin del
Cortador.

El
ElCortador
Cortadoryylas
lasCuchillas
Cuchillasdeben
deben
ser
serlimpiadas
limpiadasen
encada
cadaTurno
Turnode
deTrabajo.
Trabajo.

Flujo que cae

Las cuchillas del cortador deben ser


cuidadosamente lavadas despus de cada corte.

Ancho del Corte


no constante.

Incremento de
la Muestra.

Flujo

Vista Superior
Direccin del
Cortador.

El
ElSistema
SistemaAccionador
Accionadordel
delCortador
Cortador
no
nodebe
debeestar
estarbajo
bajodiseo.
diseo.

Flujo

Direccin del Cortador

Ancho del Corte


no constante

La
LaPosicin
PosicinEstacionaria
Estacionariadel
delCortador
Cortador
debe
debeestar
estarlejos
lejosdel
delflujo.
flujo.

El Sistema Accionador del Cortador debe ser elctrico.

Flujo

Direccin del Cortador

Ancho del corte


no constante.

El
ElMuestreador
MuestreadorRotatorio
RotatorioVezin
Vezin

Flujo

u
3d

Flujo

Direccin del Cortador

Flujo

Incremento de
la Muestra.
Vista Superior

Ancho del Corte


mantenido
constante.

Validez
Validezde
deun
unMuestreador
MuestreadorVezin
Vezin

Abertura del Cortador W


Abertura del Cortador w

Circunferencia c
Circunferencia C

c
w

Constante

Rango de Muestreo
C
W

Un
UnMuestreador
MuestreadorComn
ComnVerzin,
Verzin,incorrecto
incorrecto

Vista superior

Flujo

Incremento de la
Muestra.

Si
Siuna
unaparte
partedel
delflujo
flujose
sepierde
pierdeen
enel
elmuestreador,
muestreador,
resulta
resultaun
unsesgo
sesgode
dedelimitacin.
delimitacin.

Flujo que cae

Parte del flujo


se pierde.

Incremento de
la Muestra

Flujo

Vista Superior

Direccin
del Corte

El
Elflujo
flujono
nodebe
deberecolectar
recolectarningn
ningnmaterial
materialcuando
cuando
est
estdetenido
detenidoen
enposicin
posicinestacionaria.
estacionaria.

Flujo

Area afectada por un


problema de polvo.
Direccin
del Cortador

Contaminacin

Flujo

Si
Sisolamente
solamentese
sedispone
disponede
deuna
unaposicin
posicin
estacionaria,
estacionaria,el
elcortador
cortadorno
nodebe
deberetroceder
retrocederaatravs
travs
del
delflujo
flujodemasiado
demasiadopronto.
pronto.

Durante la trayectoria de retorno,


hay un rea donde nada puede
ser tomado por el cortador.

Flujo

Solamente una posicin


estacionaria.

Sondas
SondasEstacionarias
EstacionariasEn-el-Flujo
En-el-Flujo

Flujo

Muestra

Flujo

Muestra

Flujo

Muestra

La presuncin intolerable:
El flujo no est segregado, por consiguiente, el recolectar
cualquier parte del flujo es bastante bueno.

Introduccin
Introduccinde
deuna
unaturbulencia
turbulenciaen
enel
elflujo
flujo
para
paraminimizar
minimizarla
lasegregacin
segregacinaatravs
travsdel
delflujo.
flujo.

Flujo

Muestra

Movindose de muy malo a malo !

Se
Sedebe
debelavar
lavarla
lasonda,
sonda,previo
previoaarecolectar
recolectarla
lamuestra.
muestra.

Flujo

Muestra

Puerta
PuertaEstacionaria
Estacionariapor
porflujo
flujo

El material fino que se mueve en la parte


superior del flujo nunca es muestreado.

Punto de Muestreo

Incremento de
la Muestra.

Flujo

El
ElError
Errorde
deAgrupamiento
AgrupamientoyySegregacin
Segregacin
al
alrescate:
rescate:Una
Unaalternativa
alternativaatractiva
atractiva

Flujo interior que


induce turbulencia.

Cinco Cortadores

X
El flujo de la muestra va
a una etapa de muestreo
similar, ms pequea.

Flujo Principal

Sistema de Muestreo sugerido para el control del proceso del muestreo de lechadas:
Sistema Thermo Gamma-Metrics Anstat.

Dimensin X es muestreada todo el tiempo.


Dimensin Y es completamente representada.
Dimensin Z es representada por el agrupamiento de varios incrementos
minimizando el efecto de segregacin a travs del flujo.

Canal
Canalde
deMuestreo
Muestreoaatravs
travsdel
delflujo.
flujo.

Flujo

Incremento
de la Muestra

Ejercicio: Encuentre qu es lo que est equivocado


con este sistema de muestreo.

Estabilizando
Estabilizandoel
elrango
rangodel
delflujo,
flujo,antes
antesdel
del
Analizador
Analizadoren
enLnea.
Lnea.

Flujo

Analizador en-lnea

Flujo

Ejercicio:
Ejercicio:
Qu
Quest
estequivocado
equivocadobsicamente
bsicamentecon
conun
un
muestreador
muestreadorde
dealeta?
aleta?

Flujo que cae


El ancho del incremento, a travs
del flujo, no se mantiene constante.

Posicin inactiva,
abierta.

Posicin inactiva,
cerrada.

Flujo
1

Flujo

Incremento de
la muestra.

La
Lamayora
mayorade
delos
lossistema
sistemade
dedesviacin
desviacindel
delflujo,
flujo,
llevan
llevanaaun
unincremento
incrementodel
delsesgo
sesgode
dedelimitacin.
delimitacin.

Incremento de
la muestra.

Flujo

Incremento de
la muestra.

Flujo

Ejercicio:
Ejercicio:
Qu
Quest
estbsicamente
bsicamenteequivocado
equivocadoen
en
este
estemuestreador
muestreadorde
demanguera?
manguera?

Flujo que cae.

Trayectoria de la manguera

El ancho del incremento, a


travs del flujo, no se mantiene
constante.

2
1

Flujo

Flujo

Incremento de
la muestra.

Ejercicio:
Ejercicio:
Porqu
Porquest
estcorrecto
correctoeste
este
muestreador
muestreadorde
demanguera?
manguera?

Flujo que cae


El ancho del incremento, a travs
del flujo, se mantiene constante.
Trayectoria de la manguera
1

Flujo

1
2

Flujo

Vista Lateral del cortador

Incremento de
la muestra.

Vista Superior del cortador

Ejercicio:
Ejercicio:
Es
Esimportante
importantela
laforma
formadel
delflujo?
flujo?

El ERROR DE DELIMITACION del incremento en


el Laboratorio.

Incremento de
la muestra.

Este procedimiento de muestreo es muy importante en el Laboratorio.


Sin embargo, ha sido mal usado en un caso de engao fascinante en
el muestreo comercial.

La
Lasencillez
sencillezdel
delmuestreo
muestreousando
usandoun
un
modelo
modelouni-dimensional.
uni-dimensional.

Incremento de
la muestra.

La
Laherramienta
herramientade
demuestreo
muestreopodra
podrano
norespetar
respetarlas
las
reglas
reglasde
dela
lavalidez
validezde
dela
ladelimitacin.
delimitacin.

Incremento
Incompleto
incorrecto

Incremento
completo
Correcto.

Diseo
Diseocorrecto
correctode
deuna
unapala,
pala,cuchara
cuchara
yyesptula.
esptula.

Diseo correcto

Diseo incorrecto

Esptula

Cuchara

Pala

Ejercicio:
Ejercicio:
Qu
Quest
estbsicamente
bsicamenteincorrecto
incorrectocon
con
los
losincrementos
incrementosseleccionados?
seleccionados?

Similitudes
Similitudesentre
entreel
elproceso
procesode
deincremento
incremento
yyel
elproceso
procesode
deseparacin.
separacin.

Proceso de incremento
1. Seleccin del Punto de Muestreo

2. Extensin de delimitacin del


incremento.

3. Extraccin del incremento

4. Reunin del incremento

Proceso de Separacin
1. Delimitacin de fraccin

2. Separacin de Fraccin

3. Creacin de dos muestras potenciales

4. Seleccin de la muestra

El
Elpobre
pobreuso
usode
deun
unseparador
separadordivisor:
divisor:
Un
Unsesgo
sesgode
dedelimitacin
delimitacinseguro
seguro

El
Eluso
usode
deun
unbalde
baldereceptor
receptorpara
paraalimentar
alimentaral
al
separador
separadordivisor:
divisor:
Un
Unsesgo
sesgode
dedelimitacin
delimitacinseguro.
seguro.

o, an peor:

El
Eluso
usocorrecto
correctodel
delseparador
separadordivisor
divisorrequiere
requierelas
las
siguientes
siguientescondiciones:
condiciones:

1.

Todas las canaletas son del mismo ancho.

2.

Hay el mismo nmero de canaletas a ambos lados.

3.

La pala de alimentacin tiene exactamente el mismo ancho que la apertura


de todas las canaletas combinadas.

4.

Las separaciones entre canaletas son hojas muy angostas.

5.

Alimente el separador divisor lentamente, en el medio.

6.

La muestra debe ser seleccionada al azar o en forma alternada de un lado


al siguiente.

7.

Ambas muestras potenciales debe tener pesos iguales y distribuciones


iguales de tamao de partcula.

La
Lavalidez
validezde
dedelimitacin
delimitacindel
delconeo
coneoyycuarteo.
cuarteo.

B
A

C
D

El coneo y cuarteo pueden no ser efectivos para miminizar el Error de


Agrupamiento y Segregacin, pero la delimitacin de los incrementos es
correcta.

Cmo
Cmopueden
puedenlos
losincrementos
incrementossesgados
sesgadosllevar
llevar
aaun
unmuestra
muestraexacta?
exacta?

ara
h
c
u

3
1,

C
uch

Para un paleo alternado, el trabajo nunca


se completa antes que el lote original se
termine completamente . Entonces, y slo
entonces, una de las dos pilas nuevas
pueden seleccionarse al azar como una
muestra.

,5

ara

,
,7

2,

9..

4,

6,

8..
.

Ilustracin
Ilustracinde
deun
undivisor
divisorrotatorio
rotatorioincorrecto.
incorrecto.

Depsito + Vibro
Transportador.

Flujo

Ilustracin
Ilustracinde
deun
undivisor
divisorrotatorio
rotatoriocorrecto.
correcto.

Incremento Radial correcto


1

6
7

1. Embudo 2. Transportador Vibratorio 3. Generador de Vibracin 4. Alimentador


Giratorio 5. Separador sectorial Radial + vista superior 6. Jarros 7. Motor y Engranaje.

Ilustracin
Ilustracinde
deun
undivisor
divisorrotatorio
rotatoriotpico.
tpico.

CUALES SON LAS VENTAJAS Y DESVENTAJAS?


EMBUDO ALIMENTADOR

PUERTA DESLIZANTE

ALIMENTADOR VIBRATORIO

DEPOSITOS REMOVIBLES

TORNAMESA
ACCIONAMIENTO (Encerrado)

El
ElError
Errorde
deExtraccin:
Extraccin:
Ejemplo
Ejemplodurante
durantelalaExploracin
Exploracinyyen
enlalaMina
Mina

Material delicado en fracturas


o contactos
es perdido selectivamente.

100% Recuperacin
65% Recuperacin

97% Recuperacin

Muestra de 3 metros

El Error de Extraccin podra haber sido llamado el Error de Recuperacin de la


muestra.

El
ElError
Errorde
deExtraccin:
Extraccin:
Una
Unabuena
buenarecuperacin
recuperacindel
delncleo
ncleode
delalamuestra
muestra
es
esmuy
muyimportante.
importante.
Agua de
enfriamiento
Cortadores
+
agua

Cabeza
Cnica de
Diamante

Ncleo sin
descomponer

Corte
Cortede
defragmentos,
fragmentos,ooel
elrespeto
respetoaala
la
Regla
Regladel
delCentro
Centrode
deGravedad.
Gravedad.

Es
Esimportante
importantela
laeleccin
eleccinde
dela
labroca
brocade
de
perforacin
perforacinde
dencleo
ncleode
dediamante.
diamante.

Elevador del
Ncleo (muestra
de sondaje)

Bajo torque en la muestra


de sondaje:
Menos fragmentacin:
Ms Recuperacin

Alto torque en la muestra


de sondaje:
Ms fragmentacin:
Menos Recuperacin

Los
Losgrandes
grandesriesgos
riesgosde
dela
laperforacin
perforacinde
de
Circulacin
CirculacinReversa.
Reversa.

La Perforacin de Circulacin Reversa es rpida y barata, pero los riesgos son


muchos:
1.

Area de Excavacin, introduciendo contaminacin en la muestra.

2.

Parte de la muestra se pierde en grietas y fracturas.

3.

Contaminacin de los niveles superiores, especialmente despus de


alcanzar la tabla de agua (napa).

4.

Material llevado al hoyo por engrosamiento local.

5.

Falla al levantar fragmentos durante el perodo de muestreo.

6.

Falla al recolectar partculas finas perdidas con el aire o en la lechada.

7.

Pobre geologa, por consiguiente, pobres geoestadsticas.


Conclusin:

Durante la exploracin del mineral, la perforacin de Circulacin Reversa


puede introducir devastadoras biases de extraccin. Es justo decir que es
una forma de apuesta. Es una tcnica de perforacin muy atractiva, pero sea
muy cuidadoso.

El
ElEfecto
Efectode
deSacado:
Sacado:
Perforacin
Perforacinde
deNcleo
Ncleode
deDiamante
Diamante

In-Situ

Recuperacin Ideal

Efecto de Sacado

El
ElEfecto
Efectode
deSacado:
Sacado:
Perforacin
Perforacinde
deCirculacin
CirculacinReversa
Reversa

In-Situ

Efecto de Sacado

El
ElEfecto
Efectode
deSacado:
Sacado:
Cuantificacin
Cuantificacin
Ejemplo de Calcopirita

aL
aC
aR
dL
RC
RCeff
RR
RReff
H
D

El contenido real de Calcopirita de la roca (%),


El contenido real de Calcopirita de la perforacin con ncleo de diamante (%),
El contenido de Calcopirita de la perforacin RC (%),
El tamao promedio observado de los granos de Calcopirita,
o amplitud (grosor) de la veta (cm),
El radio del ncleo del diamante (cm),
El radio efectivo del ncleo del diamante (cm),
El radio del hoyo RC (cm),
El radio efectivo del hoyo RC (cm),
La longitud de la intercepcin de la perforacin (cm),
La densidad de la roca (g/cc).

C eff

R eff

El
ElEfecto
Efectode
deSacado:
Sacado:
Frmulas
FrmulasUtiles
Utiles

RCeff RC 0.5d L

RRe ff R R 0.5d L
WC DhRC2

WCeff Dh RC 0.5d L
CC

WC
RC2

WCeff
RC 0.5d L 2
WRe ff Dh RC 0.5d L

WR
RR2
CR

WRe ff
RR 0.5d L 2

El
ElEfecto
Efectode
deSacado:
Sacado:
Ejercicio
Ejercicio

La muestra de sondaje (ncleo) NQ tiene un dimetro de 4.76 cm. El contenido


de cobre del anlisis del ncleo es de 1.00%. El tamao promedio de los granos de
Calcopirita es de 0.2 cm. Cul debera ser el contenido real de cobre?

Un hoyo de RC tiene un dimetro de 12 cms. El contenido de cobre del anlisis es


de 1.00%. El tamao promedio de los granos de Calcopirita es de 0.2 cm. Cul
debera ser el contenido real de cobre?

Clasificacin
Clasificacinde
delos
loscortes
cortesdurante
durantela
la
Perforacin
Perforacinde
deCirculacin
CirculacinReversa.
Reversa.

Perforando
Perforandomaterial
materialblando:
blando:
Arcilla,
Arcilla,Laterita,
Laterita,Tierra.
Tierra.

Muestra del Sondaje Estirado

2
1

Recuperacin
RecuperacinParcial
ParcialyySelectiva
Selectivade
dela
laMuestra.
Muestra.

Los sedimentos, arena y


arcilla son posibles de ser
recuperado.

Los fragmentos grandes


probablemente sean
rechazados.

Contaminacin
ContaminacinHoyo
HoyoAbajo
Abajo

MATERIAL ESTERIL

MINERAL
MATERIAL
ESTERIL.

Distorsin y creacin de
reservas que no existen

Reservas
desconocidas,
reales.

Problemas
Problemasde
deExtraccin
Extraccincon
conlos
losbarrenos.
barrenos.

Los fragmentos gruesos son empujados hacia afuera.

El
ElError
Errorde
deExtraccin:
Extraccin:
Ejemplo
Ejemplode
deMuestreo
Muestreode
deHoyos
Hoyosde
deTronadura.
Tronadura.

Cortina

Polvo Fugitivo

Cortina

Polvo Fugitivo

El
ElError
Errorde
deExtraccin:
Extraccin:
Se
Sedeben
debenrecuperar
recuperartodos
todoslos
losfinos.
finos.

Vstago
Collector

Cicln Primario

Al Colector
de Polvo

Sellos

Ciclo
Secundario

Al Sistema de Muestreo

Un
Uncontacto
contactogeolgico
geolgicode
dealto
altogrado
gradopodra
podraser
ser
contabilizado
contabilizadodos
dosveces
vecesdurante
durantela
laextraccin
extraccinde
dela
la
muestra.
muestra.

Mineral
Estril

Estril

El contacto de altogrado podra ser


contabilizado dos veces.
El muestreo de canal podra sobre-estimar la ley del estril si el operador se
acerca demasiado al contacto.

Cuando
Cuandomuestree
muestreematerial
materialestril,
estril,mantngase
mantngase
alejado
alejadode
delos
loscontactos.
contactos.

Contacto
contabilizado una
vez

Lmite de la muestra 10
cms dentro del material
estril.

Delimitacin sugerida de la muestra, para evitar un bias devastador de la


extraccin.

Un
Uncaso
casomuy
muydifcil:
difcil:
Muestreo
Muestreoen
enpuntos
puntosdibujados
dibujados

Excavacin en Bloques

Recoleccin de una
muestra de fragmentos de
menos de 5 cms.

Recoleccin de una
muestra de peascos de
ms de 5 cms.

Generalmente, se recolecta solamente una muestra formada por fragmentos de


menos de 5 cms., llevando a un bias de extraccin muy grande.

Muestreando
Muestreandoen
enlos
lospuntos
puntosdibujados:
dibujados:
Dibuje
Dibujeun
ungrfico
grficode
decontrol
controlcon
conlos
losresultados
resultadosde
de
ambas
ambasmuestras.
muestras.

% Cu

Area donde el mineral


se mezcla con otro
mineral de los niveles
superiores

Area donde el mineral


est contaminado con el
estril de los niveles
superiores.

2.00

1.00

Ley de Corte

B
0
500

1000

1500

2000

2500

3000

3500

4000

4500

5000

Tons

Ejemplo de muestreo alternado en los puntos dibujados en una Mina de Cobre:


A: Muestras con fragmentos menores de 5 cms.
B: Muestras con peascos de ms de 5 cms.

El
ElERROR
ERRORDE
DEEXTRACTION
EXTRACTIONdel
delincremento
incrementoen
enla
la
Planta.
Planta.

Como el ERROR DE DELIMITACION, el ERROR DE EXTRACCIN EE introduce


los biases ms grandes encontrados en el muestreo.
Debe respetarse la Regla del Centro de Gravedad:
Todos los fragmentos que tienen su centro de gravedad dentro del modelo de
incremento extendido, pertenece al modelo del incremento extrado.

Debe caer en ambos lados


al azar.

Condiciones
Condicionesde
devalidez
validezde
dela
laextraccin
extraccinrelativa
relativaaala
la
caractersticas
caractersticasdel
delcortador.
cortador.

Condiciones que probablemente juegan un rol importante:


1.

Rectitud de los bordes del cortador

2.

Grosor de los bordes del cortador

3.

Forma de los bordes del cortador

4.

Longitud de la abertura del cortador

5.

Inclinacin de la abertura del cortador

6.

Ancho del cortador

7.

Velocidad del cortador

8.

Profundidad, capacidad y diseo general del cortador

9.

Turbulencias y velocidad del flujo

Rectitud
Rectitudde
delos
losbordes
bordesdel
delCortador
Cortador

Correcto
Asumimos que ambos bordes del cortador estn
rectos y perpendiculares a la trayectoria del
cortador.

Incorrecto
La principal condicin a cumplir es asegurar que el
borde de salida est perfectamente
superpuesto al borde principal,
1.

Mediante un traslado para cortadores de


va recta, o

2.

Mediante una rotacin para cortadores de


va circular.

Grosor
Grosorde
delos
losBordes
Bordesdel
delCortador
Cortador

Fragmento
perdido
Borde de
Salida

Fragmento
Ganado
Paredes Interiores

Direccin del Cortador

Borde
Principal

Forma
Formade
delos
losBordes
Bordesdel
delCortador
Cortador

Borde de
Salida
Fragmento
fcilmente
perdido.

Borde
Principal.
Fragmento
ganado con
dificultad.

Paredes Interiores

Direccin del Cortador

Bordes
Bordesajustables
ajustablesdel
delCortador:
Cortador:
Pueden
Puedenarruinar
arruinarla
lavalidez
validezdel
delsistema
sistemade
demuestreo.
muestreo.

Placa
Ajustable

Material
Acumulado

Trayectoria
del Cortador

El borde principal de un cortador rotatorio puede siempre permanecer sucio,


mientras que el borde de salida permanece limpio.
Tambin, las placas ajustables raramente permanecen perfectamente
simtricas.

Diseo
Diseode
delos
losBordes
Bordesdel
delCortador
Cortador

Diseos Malos

Buen Diseo

YX

70o

Longitud
Longitudde
dela
laAbertura
Aberturadel
delCortador
Cortador

Extraccin Errnea

Prdida de Fragmento

Incremento

Flujo

Extraccin Correcta

Fragmento Recuperado

Incremento

Flujo

El
ElFlujo
FlujoSecundario
Secundariodebe
debeestar
estarrepresentado
representadoen
enla
la
Muestra.
Muestra.

Incremento

Flujo

1. Flujo Principal
2. Flujo Secundario

Inclinacin
Inclinacinde
dela
laAbertura
Aberturadel
delCortador
Cortador

Flujo

Flujo
Incremento

Los
LosCortadores
Cortadoresno
nodebern
debernser
serverticales.
verticales.

Flujo

Incremento

Flujo

El
ElCortador
Cortadorno
nodebera
deberarebalsar
rebalsar

Flujo

Incremento

Flujo

Volumen de material presente dentro del cortador.


Volumen Mximo aceptable en el cortador.
Tiempo de corte del Flujo
Tiempo de Descarga

Tiempo

Muchos
Muchoscortadores
cortadoresestn
estnpobremente
pobrementediseados.
diseados.

Flujo

Incremento

Flujo

El
ElCortador
Cortadordebe
debecruzar
cruzarun
unflujo
flujoquieto.
quieto.

Estanque
de Aguja.

ujo
Fl

Buzn
Divergente

Cortador
Plataforma
de Trabajo

Flujo

Para que ocurra la validez de la extraccin,


el flujo no debera ir a ms de 2 metros/segundo.

El
ElCortador
Cortadorde
debalde
baldede
deflujo
flujotransversal
transversalno
nodebera
debera
estar
estarlleno
llenoaams
msde
de1/3
1/3..

Correcto

Incorrecto

Diseo
Diseode
deCortador
Cortadorrecomendado
recomendadopara
paramuestreo
muestreode
de
material
materialpegajoso.
pegajoso.

Y X

Diseo
Diseode
deCortador
CortadorRecomendado
Recomendado

W
Y
Acero muy duro, hojas
del cortador perfectamente
simtricas.

Z
<20

Las
Lasaberturas
aberturasdel
delCortador
Cortadordemasiado
demasiadoestrechas
estrechasno
no
funcionan
funcionanadecuadamente.
adecuadamente.

La abertura de un cortador mvil no puede ser ms pequea que 1 centmetro.

Requisitos
Requisitosde
deanchura
anchuradel
delCortador
Cortadorpara
parala
lavalidez
validez
de
dela
laextraccin
extraccin(correcta).
(correcta).

Las siguientes reglas se basan en la experiencia y no son universales.

Slidos mayores de 0.3 centmetros

W W0 3d

Requisitos
Requisitosde
deanchura
anchuradel
delCortador
Cortadorpara
pararangos
rangosde
de
flujo
flujomuy
muygrandes
grandesen
enlas
lasPlantas
Plantasde
deflotacin.
flotacin.

10000

Rango de flujo de la lechada


en metros cbicos/hora.

9000

8000

7000

6000

5000

4000

3000

2000

1000

0
0

Abertura del Cortador Recomendada


W0 en centmetros.

10

Requerimientos
Requerimientosde
develocidad
velocidaddel
delCortador
Cortadorpara
parala
la
validez
validezde
dela
laextraccin
extraccinde
delos
losmuestreadores
muestreadores
rotatorios.
rotatorios.

Validez
Validezde
dela
laextraccin
extraccinde
delos
losseparadoresseparadoresdivisores.
divisores.

No alimente demasiado rpido los separadores-divisores.

Correcto

Incorrecto

Los
Losseparadores-divisores
separadores-divisoresson
sonfcilmente
fcilmentemal
mal
usados.
usados.

Los
LosErrores
Erroresde
dePreparacin
PreparacinPE:
PE:
Manteniendo
Manteniendola
laintegridad
integridad de
dela
lamuestra.
muestra.

Todas las operaciones no-selectivas desarrolladas en el lote,


incremento seleccionado, o la muestra seleccionada, son
referidas como etapas de preparacin. Hay varias categoras:
1.

Transferencia del incremento de un sistema de muestreo a un


sistema transportador,

2.

Transferencia de un sistema transportador al prximo sistema de


muestreo,

3.

Etapas de Pulverizacin (molienda),

4.

Operaciones de cernido hmedas o secas,

5.

Secado de slidos,

6.

Filtracin de pulpas,

7.

Etapas de Homogeneizacin, etc

En una Etapa de Preparacin, el peso del material no cambia. Si lo hace,


no sirve para el propsito de muestreo.

Orgenes de los Errores de Preparacin

Los Errores de Preparacin son inherentes a aquellos que disean,


construyen, operar y mantienen los sistemas de muestreo. Ellos son
el resultado de:

1.

Ignorancia,

2.

Descuido,

3.

Incomodidad,

4.

Errores no intencionales,

5.

Fraude y sabotaje.

Los Errores de Preparacin pueden ser responsables de grandes


biases del muestreo. Requieren una preocupacin y atencin
cuidadosa.

Los Errores de Preparacin pertenecen a varias


categoras.

1. Errores de Contaminacin
2. Errores de Prdidas
3. Errores generados por un cambio en la
composicin qumica
4. Errores generados por un cambio en la
composicin fsica
5. Errores generados por una pobre capacitacin
6. Errores que resultan del fraude y sabotaje

1. Errores que resultan de la contaminacin:


Introduccin

Es casi imposible extraer, tritura, moler, pulverizar o cernir materiales,


sin introducir alguna contaminacin del:

equipo, o

del equipo cercano.

La mejor accin preventiva es asegurarse que se excluyan


contaminantes importantes o, por lo menos, que estn presentes en
cantidades insignificantes.
Cules contaminantes pueden ser tolerados y cules no, depende de
los objetivos dados a las muestras.

Por consiguiente, no es suficiente simplemente enlistar las


condiciones generales para minimizar la contaminacin. Adems,
el operador debe estar consciente del propsito del muestreo
para evitar el uso de equipo incompatible con la muestra.

Contaminacin por polvo

El muestreo de materiales que contengan grandes cantidades de


finos y partculas secas, genera problemas de contaminacin
difciles, a menudo imposibles de solucionar satisfactoriamente.

Soluciones para minimizar estos problemas:

1.

2.

1. Reduzca al mnimo la cada libre del material a ser


muestreado:

Suprima buzones largos desde las correas transportadoras.

Para lotes pequeos, se recomiendan los alimentadores


vibratorios.

Alimente lentamente los separadores-divisores.

2. Encierre todas las fuentes de polvo dentro de las cubiertas,


con una leve presin negativa de aire.

3.

Demasiada ventilacin siempre es daina.

3.- Proteja los cortadores en la posicin en vaco con tapas


para evitar la recoleccin de polvo en todo momento.

Contaminacin por material presente en el circuito


de muestreo: Dos casos
1. El mismo material es sometido al circuito de
muestreo a intervalos regulares.
Soluciones para minimizar los problemas de contaminacin:

1.

Asegrese que entre cada operacin el contenido del compuesto


de inters no cambie mucho.

2.

Es necesaria una limpieza rpida entre cada operacin, mientras


que no podra ser obligatoria una limpieza minuciosa y completa.

3.

En la exploracin geoqumica, o para el sub-muestreo en el hoyo


de tronadura, es aconsejable mantener la exacta secuencia de
recoleccin de las muestras a travs de todas las operaciones
subsiguientes.

4.

Acurdese que existe una estrecha correlacin entre el


incremento de la contaminacin y la disminucin del costo de
preparacin de la muestra.

5.

Siempre el seleccionar el laboratorio ms barato no es lo mejor y


conduce a daar los estndares de la industria.

Ejemplo durante la Exploracin

Contaminacin cruzada entre muestras sucesivas:


Es mala, pero puede ser superada.

La contaminacin cruzada entre muestras


lejanas, es una idea muy pobre.

2. Diferentes materiales son sometidos al circuito


de muestreo.

Soluciones para minimizar los problemas de contaminacin:


1.

Es una obligacin procesar la alimentacin, concentracin y colas,


con diferentes equipamientos instalados en salas distintas.

2.

Si esto no fuese posible, el circuito de muestreo debe ser limpiado


minuciosamente entre cada operacin.

3.

El circuito puede ser alimentado con material similar en


composicin al material real a ser muestreado y preparado.

4.

Todos los materiales recolectados en el curso de la limpieza


preventiva debe ser rechazado.

5.

Hay menos riesgo al pulverizar las colas, luego alimentacin y


luego concentrados, que de la otra manera.

Contaminacin por Abrasin

El Triturar, Moler, Pulverizar y Cernir, y en una menor extensin,


todas las operaciones de manejo desarrolladas en materiales
abrasivos, probablemente introduzcan en una muestra pequea
cantidades de material desgastado provenientes del equipo.

Ejemplos:
1.

Contaminacin de materiales de hierro usados para procesar el


valioso vidrio blanco.

2.

Contaminacin por hierro de una muestra de embarque de


mineral de hierro.

3.

Cobre, zinc, o hierro de cernidores desgastados.

4.

Zinc desgastado de lminas galvanizadas usadas para secar


muestras geoqumicas recolectadas durante la exploracin de un
depsito de zinc.

5.

Determinacin de cantidades de cloro en muestras geoqumicas


manipuladas manualmente.

Contaminacin por corrosin

La Corrosin del equipo de muestreo y preparacin,


probablemente ocurra con materiales agresivos tales como:
1.

Materiales hmedos que desarrollan reacciones cidas, tales


como minerales que contienen slfuros.

2.

Pulpas que contengan reactivos cidos en Plantas de Flotacin.

3.

Lechadas (fango) que contengan cidos fuertes en Plantas


Hidrometalrgicas.

4.

Plantas de proceso que involucren agua salada (de mar) u otras


soluciones alcalinas.

5.

Moho debido al aire hmedo.

En la gran mayora de los casos, la solucin es construir equipos


de muestreo con acero inoxidable de excelente calidad.

2. Errores que resultan en prdidas:


Prdidas de finos como polvo

La prdida de finos ocurre tan pronto como los materiales secos son
transportados, transferidos o enviados en cada libre hacia el
cortador de un muestreador.
Otra fuente de prdidas es el equipo de trituracin, molienda o
pulverizacin. Estas prdidas son aumentadas cuando estas partes
del equipo estn encerradas en sistemas antipolvos que funcionan
bajo un fuerte vaco.
Los sistemas antipolvo deberan usar el mnimo de vaco y pequeos
flujos de aire, que deben ser cuidadosamente controlados por el
operador.
Los molinos de martillo que rotan a alta velocidad y generan fuerte
turbulencia, no son recomendados.

Para pulverizar muestras hasta 5 kgs, se recomienda sistemas


completamente encerrados, tales como molinos de bola
vibratorios, molinos de anillo, molinos de golpe,...

Prdidas generadas en el Laboratorio, por el uso


de equipo de tecnologa antigua.

Evite el uso de maquinaria de antigua


tecnologa, muy polvorienta:
Chancadores de Mordaza

Chancadores de Rodillo

Separadores-Divisores

Pulverizadores de Disco

Prdidas generadas en el Laboratorio por el uso


de equipo de Tecnologa moderna.

El siguiente equipo de tecnologa moderna minimiza la prdida de


finos.
Chancador de Alto Rendimiento,
capaz de entregar material a
menos de 0.3 cm.

Molino de Golpe
Continuo

Divisor Rotatorio

Molino de Golpe LM2 LM5

Muestra Final

Prdida de material dejado en el circuito de


muestreo y preparacin.

Despus de cada operacin de muestreo, el equipo de muestreo y


preparacin debe ser limpiado.

Todo el material dejado en el circuito debe ser recuperado y


enviado de vuelta adonde pertenece:
Ya sea a los rechazos o a la muestra, dependiendo a cul de los dos
grupos pertenece este material.

Prdida de fracciones especficas de la Muestra.

Ejemplos:
1.

La prdida generada por un cernido descuidado: Nunca olvide


que el cernido puede lograr una segregacin perfecta de algunos
compuestos importantes. Tal segregacin se usa realmente en
nuestro beneficio o ventaja, cuando desarrollamos cernidos
metlicos en ensayos de oro. Pero, la prdida de una partcula
de oro, pegada en la malla, puede arruinarlo todo.

2.

La prdida generada por la mezcla de compuestos importantes.


Tratar de pulverizar partculas gruesas de oro es la mejor manera
para generar una prdida sustancial de oro.

3.

La prdida generada por las propiedades electrostticas de los


compuestos importantes. El mineral de tungsteno sceelite, que
se presenta como pequeas escamas, es un buen ejemplo.

3. Errores que resultan de la alteracin de la


composicin qumica.

Hasta aqu hemos considerado la suma o sustraccin del material.


Pero, la misma cosa pasa con los tomos o molculas.
Ejemplos:
1.

Un sulfuro que se transforma en sulfato,

2.

Un carbonato que se transforma en xido,

Peso de Componentes Crticos


Contenido Crtico
Peso de Componentes Activos
La estimacin del Contenido Crtico se altera cada vez que el
numerador o el denominador, o ambos, son cambiados.
Es exactamente lo mismo con los fragmentos, la deficiencia afecta la
probabilidad de seleccin de algunos compuestos que directamente
alteran la exactitud de la muestra en un amplio sentido.

Errores que resultan de la suma o sustraccin.

Ejemplos:
1.

Eliminacin del agua de constitucin

2.

Eliminacin del agua de cristalizacin

3.

Eliminacin del dixido de carbono

4.

Eliminacin de elementos voltiles o compuestos, tales como


mercurio, selenio, germanio y muchos compuestos orgnicos.

5.

Oxidacin de sulfuros

6.

Fijacin del agua

7.

Fijacin del dixido de carbono, etc

4. Errores que resultan de la alteracin de la


composicin fsica.

En la industria minera la composicin fsica de un mineral, a menudo


se relaciona con su contenido de humedad y/o la distribucin
de tamao de partcula.

Los problemas pueden ser:


1.

Agregado de agua, como Agua de Absorcin y/o Agua de


Adsorcin.

2.

Creacin de una clasificacin granulomtrica

3.

Sustraccin de agua, como Agua de Absorcin, Agua Occluded,


y/o Agua de Adsorcin.

4.

Destruccin de una clasificacin granulomtrica dada

5.

Sublimacin de sulfuro nativo, etc

5. Errores que resultan de fallas no intencionales

Por razones econmicas, polticas o psicolgicas, el muestreo dentro


del circuito de estimacin es el rea ms insignificante.
Esto es real para la mayora de los pases al punto que la Teora del
Muestreo an no se ensea en las Universidades u otros
establecimientos de enseanza superior.
Como resultado de esto, el operador de muestreo no est
preocupado de los principios ms elementales de la validez del
muestreo. Como sigue ciegamente una vaga recta basada en
operaciones empricas o en tradiciones bizarras, introduce
necesariamente fallas no intencionales:
Dejar caer muestras seguido por una recuperacin incompleta.
Mezcla fracciones que pertenecen a muestras diferentes.
Mezcla de etiquetas.
Pobre mantencin del equipo de muestreo.
Contaminacin y prdidas,

6. Errores que resultan de fraude o sabotaje

El hecho de que muy pocas personas estn familiarizadas con los


muchos aspectos sutiles de la Teora del Muestreo, perpeta la
sobrevivencia del fraude.
Ejemplos:
5.

La determinacin de humedad de un concentrado de cobre


durante un muestreo comercial.

6.

Introduccin de partculas de oro en muestras de mineral


triturado que van a un Laboratorio comercial.

7.

Laboratorios hacedores de dinero, que reciben miles de


muestras ambientales recolectadas a un alto costo, ignorando
las reglas de un correcto sub-muestreo.

8.

Alguien que sabiendo que un protocolo de muestreo est


equivocado, acepta el statu-quo en nombre de un estndar
defectuoso.

9.

Alguien que no tiene el tiempo, o el deseo, de mirar seriamente


hacia los problemas de preparacin y sub-muestreo, si el
contrato siempre se le da al Laboratorio ms barato.
El muestreo barato puede llevar posteriormente a un
desastre financiero.

El
ElError
Errorde
dePesaje
Pesaje WE
WE

La varianza del Error de Pesaje WE depende de las fluctuaciones del rango de


flujo de la lnea, desde la cual son recolectados los incrementos que forman la
muestra.
Algunos fabricantes de equipos de muestreo han implementado un modo de
seleccin sistemtica, basados en un tonelaje constante ms que en un intervalo
constante de tiempo.
Es una solucin cara y de alta mantencin.
Analicemos el problemas ms en profundidad:
Si llamamos M a la masa del incremento; W a la anchura constante del cortador
de flujo cruzado; V a la velocidad del cortador; y R al rango de flujo de la lnea,
sigue luego que:

W R
M
V

Anlisis

W R
M
V
Si seleccionamos un modo de seleccin sistemtico de incrementos, basados en
un tonelaje constante, el Error de Pesaje cancela si, y solamente si, el
peso del incremento tambin es constante.
Dado que W es constante, el peso del incremento tambin es constante
solamente si la velocidad del cortador V puede ser establecido
proporcionalmente al rango de flujo R: Esto es ms fcil decirlo que
hacerlo.
Los sistemas de muestreo de tonelaje constante pueden ser clasificados en dos
categoras:
1.

Los Sistemas que usan una velocidad constante del cortador: Estos estn
equivocados. Solamente reubicamos el problema en otro lado. Estos sistemas son
intiles.

2.

Los Sistemas que usan una velocidad proporcional del cortador.: En teora estn
correctos, pero en la prctica presentan enormes dificultades:

Medir el rango de flujo instantneo en el punto de muestreo con exactitud es


casi imposible.

Establecer la velocidad del cortador V proporcional al rango de flujo R es muy


difcil.

La realizacin de tal sistema confiable a un costo aceptable es casi imposible.

Mantener tal sistema confiable es costoso.

Conclusin

Si se hace un esfuerzo financiero con el objeto de reducir el Error de Pesaje, es


largamente ms barato y ms efectivo regular el coficiente del rango de flujo
durante el muestreo de un lote completo, representado por una muestra.
Si el coeficiente del rango de flujo va a cambiar drsticamente, slo tiene que
comenzar a recolectar una nueva muestra.
Por consiguiente, es ms barato y ms efectivo confiaren un intervalo constante
de tiempo entre los incrementos, si se respetan las siguientes pautas:
1.

La varianza de WE es aceptable cuando las fluctuaciones del rango de flujo


son mantenidas dentro del 10% relativo al nivel de confianza del 68%.

2.

La varianza de WE es insignificante cuando las fluctuaciones del rango


de flujo son mantenidas dentro del 5% relativo al nivel de confianza del
68% .

Un Muestreador Correcto Vezin es Perfectamente


Proporcional.

Flujo

u3d

Flujo

Direccin del Cortador

Flujo

Incremento
de la Muestra.
Vista Superior

Problemas con los


Pesmetros

R O M

W 1

SA G

W 2

Instalacin de un Pesmetro
Recomendado.

Correa #1

Torre de Muestreo
Menos de 70 metros

Correa #2
Almacenamiento
(Stockpile)

W1
Menos de 70 metros

Alrededor de 12 metros

W2 Correa #3

Alrededor de 12 metros

Los Tres Elementos de un


Programa Exitoso

La determinacin del tonelaje exacto que ingresa a la Planta es crticamente


importante.
Los Pesmetros son fuentes notorias de problemas de reconciliacin.
La exactitud de muchos pesmetros es dudosa, debido a la ubicacin en que
estn instalados, la forma cmo son limpiados, mantenidos y calibrados.
La exactitud de los pesmetros depende de muchos factores.
Adems, la experiencia en terreno prueba ser bastante menos optimista que las
garantas del fabricante.
Pese a ello, si se toman algunas precauciones, es posible la exactitud en el
pesaje con estos pesmetros.
Bsicamente, usted necesita tres elementos para implementar un programa
exitoso:
La instalacin inicial del pesmetro requiere ser la correcta.
Se requiere implementar un programa de pruebas lgico.
Monitoree las desviaciones en los Trazados de Diferencia Relativa.

La Instalacin del Pesmetro


Necesita ser la Correcta. [1]

El pesmetro y la correa transportadora no existen independientemente; Es


necesario que la empresa de ingeniera las construya juntas como un sistema
integrado.
La Retroadaptacin de un pesmetro a una correa transportadora, despus que
sta ha sido construda, probablemente no d resultados satisfactorios.
La ubicacin seleccionada para instalar el pesmetro es crtica, ya que debe ser
ubicada donde la tensin de la correa sea la menor.
La ubicacin de la romana debera estar a ms de 7 metros, pero a menos de 17
metros del punto de carga.
Las protecciones y poleas de entrenamiento, no deberan estar ubicadas a menos
de 7 metros de la ubicacin de la romana (balanza).
El pesmetro debera instalarse donde la correa transportadora est horizontal; No
pertenecer al rea donde la correa est inclinada. Se prefieren las correas en posicin
horizontal sobre la inclinada, debido a que en la posicin horizontal la tensin de la
correa es ms baja y ms predecible.

La Instalacin del Pesmetro


Necesita ser la Correcta. [2]

La correa transportadora debera ser relativamente corta, no ms de 70 metros de


largo.
El pesmetro debe estar a plomo y a nivel, lo cual es un problema insoluble si est
instalado en una pendiente.
Para que un pesmetro funcione bien, se debe minimizar la desalineacin de los
rodillos.
El ngulo de los rodillos debe ser muy exacto.
La desviacin de las vigas de la correa transportadora debe ser minimizada.
La temperatura ambiente debe mantenerse lo ms constante posible; En otras
palabras, el pesmetro no pertenece al ambiente exterior.
Las cadenas de calibracin o pesas, deberan ser seleccionadas para permitir una
calibracin a alrededor del 75% de la capacidad de la escala de calibracin.
El diseo del sistema de pesaje debera ser tal que una cantidad del material que
pas o va a ser pasado por sobre la correa, pueda ser pesado, si se requiere, en una
tolva de pesaje o en un vagn de ferrocarril.

La Vulnerabilidad del
Pesmetro.

El nico propsito de mostrar la siguiente frmula, es mostrar la debilidad de los sistemas de


pesaje. La fuerza P ejercida en la escala normal de la romana (balanza), en libras, a la correa
es como sigue:

P = [nQLcos/I2] + [2TD/L] + [24EID/L3]


Donde:
n es el nmero de POLINES montados en la correa transportadora,
Q es la carga normal de la correa transportadora, en libras por pie de longitud,
L es el espacio entre los polines, en pulgadas,
T es la tensin en la correa transportadora en la ubicacin de la romana, en libras,
E es el mdulo de elasticidad del material de la carcaza de la correa, en PSI (Libras por
pulgada cuadrada),
I es el momento de inercia del corte transversal de la carcaza, (in 4),
D es el desalineamiento entre los polines y los polines adyacentes, en pulgadas,
es el ngulo de inclinacin de la correa transportadora, en grados.
En teora, en un da normal, solamente el factor Q debera cambiar: es el que es medido. Pero,
si T ya no es predecible, todo se separa. Tambin, E, I, y D estn sujetos a leves cambios
con el tiempo: Recuerde, estos sistemas estn sometidos a tremendas vibraciones y frecuentes
cambios de viento y temperaturas.

Un Programa de Pruebas
Lgico
Hay tres mtodos de calibracin:
Usando material de peso conocido,
Usando pruebas de cadena, y
Usando pruebas de peso esttico.
Lo que es comn a cualquiera de estos mtodos es la etapa del balance cero.

La as llamada Calibracin Electrnica Cero, es til


solamente para chequear circuitos elctricos, ya que
ignora completamente los aspectos mecnicos del
sistema de pesaje, que son realmente las partes ms
vulnerables.

La Calibracin empieza con un chequeo de la alineacin de la romana (balanza),


limpieza y condicin general de la instalacin. La correa transportadora debera ser
operada por alrededor de 20 minutos, para asegurarse que la transportadora misma
se aproxime a las condiciones de operacin.

Un Programa de Pruebas
Lgico:
Balanceo Cero

El balance cero debera cumplir los siguientes requisitos:


Incluir un nmero integral de revoluciones de la correa. Esto asegura el cero lo
cual comprende variaciones en el grosor de la correa.
Incluir al menos 3 revoluciones integrales, 10 minutos, lo que sea mayor. Esto
reduce el problema de observacin de la exactitud.
Si es posible, empiece y termine el balanceo en cero, con la correa
transportadora funcionando.

Un Programa de Pruebas
Lgico:
Requerimientos de la Cadena
La Calibracin por Cadena es mucho mejor que la Calibracin de Peso Esttica.
La cadena debera ser seleccionada para cumplir los siguientes requerimientos:
La cadena debera tener un rango nominal por pie, igual a la carga deseada del
transportadora, y ser marcada como tal dentro de un 0.1% de exactitud del peso
total.
La uniformidad de la cabina en su rango de libras-por-pie deber estar dentro
del 0.25%, y ser mantenida.
La cadena debera ser lo suficientemente larga para extenderse hacia el
segundo poln fijo a los lados de la romana (balanza), como se muestra en la
prxima diapositiva.
La cadena debera ser del tipo rodillo libre o rueda, y tener un espacio no mayor
de 6 pulgadas y divide el separador de polines tan parejo como sea posible.
La cadena debe mantenerse seca y bajo cubierta contra polvo.
La estructura de montaje de la cadena debe ser tal que el posicionamiento
preciso de la cadena pueda ser lograda separadamente.
Por razones prcticas, el peso de la cadena est limitado a alrededor de 250
libras/pie y esto es insuficiente para la calibracin de sistemas de balanzas de
correas grandes ( es decir, 10000 tons/hora y ms).

Sistemas Tpicos de
Calibracin
Extensin de Cadena = nL

Poln Fijo #2

Poln Fijo #2

Lectura del Peso

Prueba de Cadena

Peso Estndar

Poln Fijo #2

Lectura del Peso

Prueba de Peso Esttico

Revisin
RevisinCrtica
Crticade
delos
losModos
Modosde
deMuestreo.
Muestreo.
El Muestreo es un proceso de seleccin, pero hay dos categoras de procesos
de seleccin.

El Proceso de Seleccin Probabilstico


Para que el Muestreo sea exacto, todos los constituyentes del lote son
sometidos al proceso de seleccin con una probabilidad constante y dada de ser
seleccionados:

El Muestreo debe ser Equiprobabilstico.


Procesos de Seleccin No-Probabilstico
Determinstico
Con Propsito
Autoritario

Revisin
Revisinde
deProcesos
Procesosde
deSeleccin
SeleccinNo-Probabilsticos
No-Probabilsticos

No hay un enfoque terico para procesos de seleccin no-probabilsticos.


Los errores del Muestreo usualmente son lo suficientemente grandes como para
privar a las muestras de cualquier valor prctico.
Tales mtodos son peligrosos y es asombroso notar que se usan donde pueden
ser ms dainos:

Muestreo Comercial
Evaluaciones Mineras
Control de Procesos
Control de Ley de Mineral
Plantas Pilotos
Evaluaciones Ambientales

Algunas organizaciones estndar an mencionan y recomiendan estos


mtodos engaosos e inaceptables.

Muestreo Determinstico: Muestreo Fortuito

La idea es: Agarra lo que puedas, mientras no te cueste dinero


No hay concepto ms errneo de la administracin que genere tantos costos
invisibles como severos.
En este caso, el operador est recolectando algn material de la parte del lote
que es fcilmente accesible con:
cucharas,
palas,
manos,
envases de caf,
Despreocupado de los problemas de segregacin, quizs, el operador trata de
recolectar tantos incrementos como le sea prcticamente posible. Sin
embargo, una gran fraccin del lote es sistemticamente mantenida fuera de
la herramienta de muestreo:
la parte inferior de un camin, vagn de ferrocarril o un tambor,
el centro de una correa transportadora,
el centro de un apilamiento,
Conclusin: El Muestreo Fortuito no puede ser exacto, debido a que algunas
unidades que forman el lote, tienen cero probabilidad de ser seleccionadas,
y porque la probabilidad de seleccin entre las unidades no puede mantenerse
constante.

Muestreo con Propsito (Intencional)

Si partes de un lote no son fcilmente alcanzables, el operador puede


seleccionar unidades de la mejor manera que pueda, entre aquellas que
son fcilmente accesibles. Cuando haga eso puede usar su juicio para
seleccionar algunas partes en vez de otras.
La exactitud de la operacin de muestreo depende de la eleccin que
realiza el operador.
Este tipo de muestreo es vlido solamente si el objetivo es el de recolectar
especmenes de muestra.

El Muestreo con Propsito no puede ser exacto ni equitativo.

Muestreo Autoritario

El Muestreo de Probabilidad est en contraste con el Muestreo Autoritario, en


el cual un individuo que est bien familiarizado con el lote que se va a
muestrear, selecciona una muestra sin considerar lo azarstico.
La validez de los datos reunidos de esta manera es totalmente dependiente
del conocimiento del operador. No es una prctica recomendada.

Sin embargo, el Muestreo Autoritario es a menudo necesario para


evaluaciones ambientales, con el objeto de separar sectores en caliente
de otros, en un rea contaminada. Luego, por supuesto, cada sector debe
ser sometido a un muestreo probabilstico.

Propiedades Comunes de los Procesos de


Seleccin No-Probabilsticos

Una fraccin importante del lote es sometida a un proceso de muestreo, con


una probabilidad cero de ser seleccionada. Por consiguiente, no puede ser
equitativa.
No hay enfoque terico posible. Por lo tanto, es imposible conectar
lgicamente los varios errores de muestreo al Modo de Seleccin.
El Muestreo est siempre polarizado a una extensin desconocida.

Conclusin: Ningn espcimen generado por un proceso de seleccin no


probabilstico, debera usarse para decisiones financieras importantes.

El Muestreo no es un Juego de Azar


Tengo poca paciencia con los cientficos que toman una placa de madera,
observan su parte ms delgada, y luego perforan un gran nmero de
orificios donde la perforacin es fcil.
Albert Einstein

Muestreo Probabilstico de Lotes Mviles

Se dice que un lote de material es mvil, cuando es pequeo o lo suficiente


valioso como para ser manejado econmicamente en su totalidad, con el nico
propsito de su muestreo.

Ejemplo: Todas las muestras cero-dimensionales que deben ser submuestreadas en el Laboratorio.

Se pueden usar dos procesos probabilsticos:


1.

El proceso de incremento:
El lote de material es transformado en un flujo uni-dimensional,
luego un muestreador de flujo transversal recolecta un cierto
nmero de incrementos para formar la muestra.

2.

El proceso de separacin:
El lote de material es particionado en varias fracciones, una de
las cuales es seleccionada al azar como una muestra.

Muestreo Probabilstico de
Lotes No-Mviles.

El nico proceso de muestreo probabilstico aplicable a los lotes no-mviles,


es el Proceso de Muestreo del Incremento.

Luego, el lote est representado por un conjunto de incrementos extrados del


lote, de acuerdo a un cierto Modo de Seleccin y mediante cierto aparato
de extraccin.

En la prctica:

El muestreo probabilstico de lotes tri-dimensionales es imposible: Tal


protocolo no puede ser defendible.
La nica solucin es transformar el lote tri-dimensional en una suma lgica
de lotes bi-dimensionales. Esto es exactamente lo que hacemos cuando
perforamos un depsito mineral.
El muestreo probabilstico de los lotes bi-dimensionales es difcil.
Se puede hacer si cada una de las muestras es un ncleo de sondaje, que
representa el grosor total del lote.
El muestreo probabilstico de lotes uni-dimensionales es relativamente
fcil y siempre es posible.

Revisin de los Varios Modos de


Seleccin de Muestreo.

Desde un punto de vista terico, podemos clasificar los varios Modos de


Seleccin de Muestreo como se indica a continuacin:

Muestreo Sistemtico:

Sistemtico Simple

Sistemtico Azarstico

Muestreo Azarstico Estratificado:

Azarstico Estratificado Simple

Azarstico Estratificado Autoritario

Muestreo Azarstico Estricto


Desde un punto de vista prctico, algunos de estos Modos de Seleccin de
Muestreo, deberan ser rechazados debido a que nunca proporcionan una
mejor alternativa con respecto a los otros. Por lo tanto, concentraremos
nuestra atencin en los siguientes 3 Modos de Seleccin de Muestreo:

Azarstico Sistemtico

Azarstico Estratificado Simple

Azarstico Estratificado Autoritario

Modos de Seleccin de Muestreo


para Lotes Bi-Dimensionales.
Definiciones:
Area: Es el lote iniciador entero. Su superficie y contorno son dictados por las
condiciones locales. Por ejemplo:
Un rea contaminada
Un ctodo de cobre
Sector: Es una fraccin del Area. Su tamao puede ser el objeto de
recomendaciones hechas por los estadsticos o normativas de las comisiones
regulatorias locales.
Ctodo de Cobre

Area Contaminada

Sector
Area

Sector Caliente:
Autoritario

Muestreando un Area Contaminada

Estrato

Sub-Estrato

Muestreando un Ctodo de Cobre

Perforar: Incremento de
la Muestra.

Estrato

Muestreando un Ctodo de Cobre:


Azarstico Sistemtico

Muestreando un Ctodo de Cobre:


Azarstico Estratificado

Modos de Seleccin de Muestreo para


Lotes Uni-Dimensionales.
Modo Azarstico Sistemtico

El Modo Azarstico Sistemtico es lejos el modo de seleccin ms popular. Es


tambin el ms reproducible.
Si sospechamos la presencia de ciclos, este
modo de muestreo debe ser evitado.

La Seleccin Sistemtica podra ser mirada como probabilstica, y como


defendible, solamente si el punto inicial es posicionado al azar dentro del
primer estrato.

Modo Azarstico Estratificado

El Modo Azarstico Estratificado no es bien conocido, pero lejos es el ms


exacto ante la presencia de ciclos.

Sub-Estrato

Incremento de FlujoTransversal.

Estrato

Introduccin a la Variografa
Aunque la presencia de correlacin en datos cronolgicos era muy conocida, no exista para
cuantificar la cantidad de correlacin de tiempo o espacio, hasta el desarrollo de mtodos geoestadsticos en la minera para el control del proceso. La herramienta ms poderosa y pragmtica
usada en Geo-Estadstica y Crono-Estadstica, es el Variograma.

Todos los flujos de procesos son heterogneos


Las Estadsticas Convencionales y el Control de Procesos Estadsticos fallan en dirigir el concepto
de heterogeneidad del flujo, por lo tanto, fallan para identificar claramente las varias fuentes de
variabilidad en un flujo de proceso.

El Variograma es un detective hbil


Hay varios tipos de heterogeneidad, por lo tanto, hay varios tipos de procesos de variabilidad. El
variograma puede abrir los secretos importantes que rodean la continuidad temporal o espacial y que
reflejan lo que el proceso est exactamente haciendo.

El Enfoque Cartesiano
Siempre

divida un problema complejo en una suma de pequeos problemas, entonces, y slo


entonces, resulvalos uno a uno
Ren Descartes Matemtico y Filsofo del Siglo 17

Podemos hacer una diferencia


Ya que expandimos el uso del Variograma para estudiar el proceso de variabilidad, como lo sugiere
Francis Pitard, hemos hecho importantes avances en la comprensin de las diferentes fuentes de la
variabilidad. Ahora estamos en una posicin mucho mejor para controlar efectivamente nuestros
procesos, desde rocas a ctodos.
Dr. Pedro Carrasco, Presidente de Comit de Control de Calidad de Codelco.

Hay muchos tipos de flujos de proceso uni-dimensionales.

1. Flujo, estacionario o mvil, formado por fragmentos slidos.

2. Flujo, estacionario o mvil, formado por lquido, con o sin slidos suspendidos.

3. Flujo, a menudo mvil, formado por gas, con o sin aerosoles suspendidos.

4. Flujo, estacionario o mvil, formado por un conjunto cronolgico de unidades distintas,


vagones de ferrocarril, camiones, bolsas, jarros, barriles...

5. Etctera
X. Un conjunto cronolgico de precios para un stock dado, cubre un largo perodo.

Estos casos, aparentemente diferentes, son en realidad idnticos,


desde el punto de vista prctico y terico.

La Heterogeneidad es la madre de la Variabilidad


El estudio de un gran nmero de conjuntos cronolgicos de datos, llevan a la conclusin que en la
mayora de los casos, son el resultados de la acumulacin, alrededor de un Promedio Objetivo, de
tres tipos de fluctuaciones con causas independientes.
Heterogeneidad hT = Heterogeneidad Total

Heterogeneidad h1 = Azarstico, Heterogeneidad Discontinua


Heterogeneidad h2 = No-Azarstica, Heterogeneidad Continua
Heterogeneidad h3 = Cclica, Heterogeneidad Continua
hT

h1

h2

h3

Definicin de Variograma
La forma ms natural de comparar dos valores, tales como a1 y a2 que representan,
respectivamente, el contenido de un componente de inters en la Unidad U1 y la Unidad U2,
separada por intervalo dado en el espacio o en el tiempo j, es considerar su diferencia d:

d a1 a 2
Movimiento del Flujo

j
a1

a2

Realmente, lo que es ms relevante es la diferencia promedio d


entre el contenido del
componente de inters de pareos de unidades [Nu - j] de un intervalo aparte dado j :

Nu j

am j am

En el siguiente esquema, asumamos que tenemos seis muestras sucesivas del flujo transversal,
recolectadas a un intervalo regular j = 1 = 10 minutos.

Si tenemos Nu = 6 muestras, y el desplazamiento j = 1, entonces el nmero de pareos es N u - j = 6


-1=5
Si tenemos Nu = 6 muestras, y el desplazamiento j = 2, entonces el nmero de pareos es N u - j =
6-2=4
Con el variograma nos enfocaremos en la diferencia de promedio entre muchos pareos de
muestras a un desplazamiento aparte dado de espacio o tiempo.
Pero la diferencia promedio tiende hacia cero ya que se incrementa [N u - j]. Por lo tanto,
D
definimos una nueva diferencia.
La cual es el promedio de las diferencias al cuadrado:

2
D
m am j am
Nu j

Con el objeto de comparar esta varianza con la varianza de las estadsticas convencionales, el
semi-variograma se define.

V j D / 2

V [ j]

1
2[ N u j ]

m am j am

Esta frmula se usa para calcular el Variograma Absoluto. El Variograma Absoluto tiene Unidades.

Ilustracin de la computacin del Variograma


Primer Punto V[j=1] del Variograma
Si j = 1, tenemos pareos [Nu - 1]

Segundo Punto V[j=2] del Variograma


Si j = 2, tenemos pareos [Nu - 2]

Tercer Punto V[j=3] del Variograma


Si j = 3, tenemos pareos [Nu - 3]

Podemos hacer el desplazamiento no dimensional de j con j = J/J mnimo.

EJERCICIO PRCTICO

Un flujo de escoria es muestrado cada 3 horas durante 60 horas, sub-muestreado y


ensayado por el contenido de Al 2O3 . Los Resultados son:
MUESTRA #

% Al2O3

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

4.96
5.07
4.90
4.87
4.86
4.82
4.78
4.76
4.80
4.73
4.79
4.71
4.78
4.75
4.81
4.78
4.73
4.71
4.69
4.77

Calcule un variograma absoluto de 9-puntos.


Qu ve en el variograma que no es obvio al mirar la Tabla de Resultados?

VARIANZ
A

Significado del Variograma

Ejemplo: El % de una escoria es monitoreado cada dos horas. Los siguientes ensayos % K 2O
cubren un perodo-ventana de 68 horas. Las especificaciones son 0.84% 0.10%. Cul es el
significado del variograma calculado?
Muestra #
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

% K 2O
0.96
0.80
0.93
0.85
0.96
0.98
0.87
0.72
0.74
0.70
0.86
0.99
1.07
0.95
0.83
0.62
0.91
0.93
0.97
0.91
0.85
0.92
0.85
0.75
0.56
1.05
0.91
0.96
0.99
0.86
0.89
0.45
0.79
1.06

VARIOGRAMA
ABSOLUTO :
%
(ESPECIFICACIONES: 0.84% + . 0.10%)

EN K2O EN ESCORIA

El Orden Cronolgico del Dato es Altamente Relevante.

VARIOGRAMA ABSOLUTO: % DE K2O CON PRDIDA CRONOLGICA

Primera Limitacin

Problema asociado con los valores centrales del dato cronolgico:

Dato no usado

No se recomienda calcular un variograma con un desplazamiento que vaya ms all de la mitad


del dato disponible.

El Nmero de Pareos [Nu - j] deber ser mayor o igual a Nu /2

Segunda Limitacin

Problema asociado con la precisin del Variograma:

El promedio de las diferencias cuadradas es conocido con buena precisin, solamente si el nmero
de pareos disponibles es suficiente.

La pauta es:

Nu - j

30

Muy buena precisin

Nu - j

25

Buena precisin

Nu j

20

Precisin Aceptable

Nu - j

15

Pobre precisin

Nu - j

10 menos : Insignificante

Lmite Recomendado

Tercera Limitacin
Problema asociado con la continuidad:

No se recomienda mezclar datos que obviamente pertenecen a series diferentes, como se ilustra en
la siguiente figura.

K2O en Clinker: No mezcle naranjas con manzanas.

Para que el Variograma sea potente, la variabilidad de las primeras diferencias debera
permanecer constante a travs del tiempo. Para un protocolo dado, bien establecido, esta
hiptesis generalmente se maneja bien, pero no deber ser tomada como garantizada.

El Variograma Relativo

Los Variogramas de diferentes experimentos, o de diferentes ventanas de tiempo, a menudo son ms


fciles de comparar, si ellos son relativos y sin dimensin.
aL es el promedio estimado de toda la informacin involucrada en los clculos.
La frmula recomendada es como se indica a continuacin:

V [ j]

1
2
2[ N u j ]a L

m am j am

VARIOGRAMA RELATIVO, SIN DIMENSION: % DE AI203 EN ESCORIA

Descripcin de la Heterogeneidad de un Flujo en


Trminos de un Variograma

EL ESTUDIO DE UN GRAN NUMERO DE VARIOGRAMAS MUESTRA QUE GENERALMENTE ESTN FORMADOS


POR TRES COMPONENTES PRINCIPALES:

V[j]

V1[j]

V2[j]

V3[j]

Trmino Peridico,
Continuo

Trmino no azarstico, de largo


plazo, continuo.

Trmino azarstico, de corto


plazo, Discontinuo.

Esta informacin del variograma, puede ser usada como gua:


Decisiones respecto a la adecuacin de los protocolos de muestreo y decisin.
Anlisis de costo/beneficio en proyectos para eliminar fuentes identificables de variabilidad,
mediante modificaciones ingenieriles.
Decisiones respecto a la frecuencia de muestreo.
La definicin de estrategias para el control del proceso.
Decisiones de diseos experimentales.

El Trmino Azarstico - De Corto-Plazo V1[j]


V[ j = 1]

es la variabilidad promedio, conocida, entre dos datos consecutivos.

V[ j = 0]

Simplificado a una notacin V0 es una estimacin de la variabilidad azarstica real,


No conocida, que afecta el conjunto de datos bajo estudio.

V0 Es definida como la fluctuacin de heterogeneidad de corto-plazo responsable de la


Variabilidad que no existe en el proceso. Es una variabilidad parsita introducida
Por los protocolos de muestreo y analticos. De manera, que es la variabilidad irrelevante
Pero desconcertante. Es irrelevante para los movimientos del proceso en que estamos
Interesados en monitorear y controlar.
Cuando V0 se convierte en el factor controlador en la
informacin generada rutinariamente, no es posible controlar
efectivamente un proceso. Por lo tanto, V0 debe ser
minimizado.

Componentes of V0

Cuando j tiende hacia cero, V[j = 1] tiende hacia0V

DE
FE
GE

EE

V0

AE
PE

Efecto Pepita Real In-Situ

Muestreo Incorrecto

Muestreo Correcto

La variabilidad irrelevante puede ser reducida por composicin o promedio a corto-plazo. El tamao
de V0 determina la extensin a la cual se necesita. La regla para calcular el error estndar de la
media se aplica.

El Trmino No Azarstico - Largo-Plazo V2[j]


Es una tendencia continua que afecta al proceso.
Es introducida por:

Variabilidad en la cantera,
Variabilidad de otras materias primas,
Variabilidad en stockpiles (almacenamientos) y silos,
Variabilidad de los Molinos,
Variabilidad de los Hornos,
Variabilidad introducida por la sala de control,
Variabilidad de los reactivos qumicos,
Etctera.

Es la variabilidad relevante que tratamos de controlar.

Ejemplo:

INCREMENTO = 1 HORA

El Trmino No Azarstico - de Largo-Plazo V 2[j]

Interpretacin Preliminar del Variograma


Paso #1: El Objetivo

Paso #2: Las Especificaciones

Paso #3: La Variabilidad del Muestreo + la Medicin

La Variabilidad del Muestreo + la Medicin =

2 V0

Paso #4: La Variabilidad del Intervalo de Muestreo

El Trmino Peridico, Continuo V3[j]


Los Ciclos son extremadamente importantes. Conozca sus ciclos. Ellos son siempre una
Oportunidad para minimizar un costo, ya sean visibles o invisibles.
Hay varios tipos de ciclos:

Perodo Regular y Amplitud: Una parte del equipo.


Perodo Regular y Amplitud Errtica: Personas,
Amplitud Regular y Perodo Errtico: La Sala de Control,
Amplitud y Perodo Errtico: La Cantera, la Segregacin en Almacenamientos
Silos.
Una gran mayora de los experimentos variogrficos
o variogramas calculados con los datos cronolgicos
existentes muestran ciclos.
Ejemplo:

Componentes del Trmino Peridico


El componente cclico en el dato cronolgico resulta en un componente cclico en el Variograma.
El Perodo T del ciclo en el Variograma es igual a la del componente cclico en el dato.

Consideremos una curva sinoidal h3t en el conjunto de datos en cualquier instante t, con una
amplitud h3 y un perodo T, y calcule su variograma:

h3t h3 sin 2 t / T

V3 j

h32
1 cos 2 j / T
2

Note que la amplitud del variograma

V3

h32
2

es la mitad del

tope del mnimo al mximo en el variograma. Esto hace que la amplitud del ciclo
en el variograma sea igual a la varianza del componente cclico en los datos.

Variografa Avanzada

El Componente Azarstico Residual del Variograma

V 4[j]

Vimos que la varianza del trmino azarstico estaba representada por V 0.

Debido a que los datos disponibles para calcular un variograma, son a menudo limitados, la
precisin de cada punto calculado en el variograma es afectado por V 0.

Esta precisin, o componente azarstico residual, an afecta la forma del variograma, y puede
convertirse en un problema para modelar efectivamente el Variograma.

Tambin, cuando tal ruido de fondo afecta el Variograma, puede confundirse con un componente
peridico para alguien que no sea bien experimentado en la Variografa.

Por lo tanto, el Variograma puede ser escrito como:

V j V1 j V2 j V3 j V4 j

V4 j 0 when N u j increases

Modelando el Variograma

El fenmeno peridico complejo y el componente azarstico residual V 4[j] podran originar que el
modelamiento del variograma se haga muy difcil, si no imposible.

Para evitar esta dificultad, podemos usar tres funciones auxiliares derivadas directamente del
Variograma:

El Primer orden integral,


El Segundo Orden Integral, y
El Promedio Mvil.

En un esfuerzo para permanecer pragmticos, sugerimos eludir el modelamiento matemtico del


Variograma.

No hay funciones matemticas que puedan reclamar un derecho divino a representar un


Variograma.
Dr. Michel David (1945-2000)
Profesor de Geoestadsticas

La clave para nuestro enfoque pragmtico es la interpretacin punto a punto del Variograma. La
ventaja de este enfoque es que no altera lo que conocemos de algunos puntos calculados,
representando el variograma obligatorio.

Usos de las Funciones Auxiliares del Variograma

Extrapolacin del Variograma a V0 con mayor


precisin y exactitud.

Suavizar la variabilidad azarstica residual V4[j].


Suavizar la variabilidad cclica.
Calcular la varianza s2(CE) del error de muestreo
de seleccin continua, total.
Controlar mejor un proceso mediante el nfasis en
la variabilidad relevante.

Interpretacin del Variograma Punto-a-Punto.

La integracin punto-a-punto ms efectiva de un Variograma, es dar a los valores del centro, un


intervalo de influencia igual a 1,

j 1, 2, 3, 4, ..., n 1
V j 0 y V0

Y los valores extremos:

V j n

un intervalo de influencia igual a 1/2.

V[j]
V[5]
V[4]

V[3]

V[2]

V[1]

V[0]

3
j

Determinacin de la Superficie del Variograma

Definimos una serie de superficies:

S 0 , S1, S 2, S 3,y S4 ,

S5

y calculamos S[j] definido como:

S j Est .

j
0V

j' dj'

o, en una forma pragmtica:

S 5

V 5
V0
V 1 V 2 V 3 V 4
2
2

S0 es cero por definicin.


V[j]
S[5]

V[5]
V[4]

S[4]
S[3]

V[3]
S[2]

V[2]

V[1]

S[1]

V[0]

3
j

j1

Generalizacin para todos los Valores de


S j S j 1

V j 1

V j

V[j]
V[5]
V[4]

V[3]

V[2]

V[1]

V[0]

3
j

Clculo Punto-a-Punto del Primer Orden Integral. Por definicin:

W j

1
j

0j V j' dj'

Sj
j

Para

j 0, S 0 0 and W 0 V 0

Para

j 0, W j

Sj
j

Suavizando el residual azarstico V4(j)


y los componentes cclicos V3(j)
Ejemplo sin Ciclo

PRIMER ORDEN INTEGRAL W DEL VARIOGRAMA

2W

Suavizando el residual azarstico V 4(j)


y los componentes cclicos V3(j)

Ejemplo con Ciclo (K20 en Escoria

PRIMER ORDEN INTEGRAL W DEL VARIOGRAMA

2W

El Segundo Orden Integral del Variograma

W(j)

Por definicin:

W ' j

1 j
2 j
j
W j' dj' 2 0 dj' 0V j" dj"

0
j
j
2
j2

0 j' W j' dj'

S ' j 0 S j' dj'


j

Si definimos

Para

j0

tenemos

2
j

S j' dj'
2 0
j

W ' j

entonces:

S ' 0 S 0 0

W ' 0 W 0 V 0
Para

j0
S ' j S ' j 1

S j 1
2

S j
2

2
j2

S' j

Continuacin de la suavizacin del residual azarstico V 4(j)


y los Componentes Cclicos V3(j) components
Ejemplo sin ciclo
SEGUNDO ORDEN INTEGRAL W DEL VARIOGRAMA

3W

Maximum

Ejemplo con Ciclo

3W

Uso de W o W para extrapolar el Variograma a V[0]


La extrapolacin del Variograma es exacta solamente si [ j = 1 ] es un desplazamiento muy corto,
por ejemplo, algunos segundos, algunos minutos, unos pocos centmetros o unos pocos metros.

Ejemplo de extrapolacin pobre

V[0]

Ejemplo de buena extrapolacin

V[0]

Definicin de Generadores de Errores


La Heterogeneidad resulta en varios errores de muestreo. Poner atencin a la heterogeneidad del
flujo del proceso es importante, debido a que podran resultar importantes efectos:
Identificacin de dificultades tcnicas,
Minimizacin de prdidas de productividad,
Minimizacin de costos operacionales.
Se deberan definir los siguientes trminos:
L : Un lote uni-dimensional dado
S : Una muestra representando a L obligatorio.
Q : El nmero de incrementos haciendo S
sy : Anotacin caracterstica del muestreo sistemtico
st : Anotacin caracterstica del muestreo azarstico estratificado
ra : Anotacin caracterstica del muestreo azarstico
CE : El Error de Seleccin Continua.

Los Generadores de Errores son:


Z j sy

: Un generador de error creado por el muestreo sistemtico

s 2 CE sy
Z j st

: Un generador de error creado por el muestreo azarstico estratificado

s 2 CE st
Z j ra

Z j sy

Z j st
Q

: Un generador de error creado por el muestreo azarstico

s 2 CE ra

Z j ra
Q

Frmulas para Calcular los Generadores de Errores

Muestreo Sistemtico:
La siguiente frmula fue derivada por G. Matheron para la estimacin de la varianza y extensin del
Error de Seleccin Continua. La Teora de las Variables Regionalizadas y sus Aplicaciones.
Centro de Morfologa Matemtica. Es cuela Superior Nacional de Minas de Pars. Libro # 5, pginas
66, 72, y 73. 1970.

Z j sy 2W j / 2 W ' j
Muestreo Azarstico Estratificado:

Z j st W ' j
Muestreo Azarstico:

Z j ra s 2 hT CH L
CH L

Constante en el lote L

Base del Variograma

Ejemplo del Clculo de s2[CE]


para un Intervalo de Muestreo Sistemtico
La alimentacin a un Silo es muestreada cada 4 horas. La muestra de 4 horas, est formada por 26
incrementos recolectados cada 9 minutos, usando el modo de muestreo sistemtico. Queremos
conocer la varianza del Error de Seleccin Continua CE, que afecta la determinacin del % de C3S
en este compuesto de 4-horas.

Para solucionar este problema, se desarroll un experimento variogrfico con la estacin de


muestreo, tomando un incremento cada 30 segundos. Cada uno de los incrementos fue submuestreado y ensayado durante el procedimiento de rutina.
Muestra #

%C3S

Muestra #

%C3S

52.61

21

52.20

52.13

22

52.41

52.08

23

51.75

51.92

24

51.93

52.35

25

52.45

51.62

26

52.08

51.68

27

52.21

51.80

28

52.41

52.63

29

52.05

10

52.00

30

51.85

11

52.31

31

51.43

12

52.45

32

51.86

13

51.95

33

51.73

14

51.55

34

51.62

15

52.30

35

51.83

16

52.70

36

52.27

17

52.58

37

51.53

18

52.83

38

51.96

19

51.54

39

51.35

20

51.80

40

51.73

s2[CE] = [ 2(0.126) - 0.136 ] / 26 = 0.0045


s[CE] = 0.067% C3S

Debera entenderse claramente que Q = 26 divide solamente el error de muestreo.


Dado que el compuesto es ensayado slo una vez, no divide el Error Analtico
mediante Q.

Uso Correcto del Promedio Mvil

El Promedio Mvil tiene muchas aplicaciones convenientes, pero es importante no


usarlo mal. El nico propsito del Promedio Mvil es minimizar el efecto de la
variabilidad irrelevante, azarstica, en un conjunto de datos. Tambin puede ser
usado para minimizar el efecto del componente residual azarstico V 4[j] en un
Variograma.
El uso efectivo del Promedio Mvil involucra 4 Grficos:

1. Los datos originales am

2. El Promedio Mvil MA

3. El Ruido Azarstico RN:

RN = am - MA

4. Los Datos Corregidos CD relativos al


Promedio Real de Datos RDA:

CD = RDA - MA

o relativos al Promedio Objetivo:

CD = TA - MA

Uso Correcto del Promedio Mvil

Ruido Azarstico y Datos Corregidos

El siguiente grfico es muy til en el control del proceso.

Uso Incorrecto del Promedio Mvil

Una Aplicacin del Promedio Mvil:


El Trazado de Diferencia Relativa

El Trazado de Diferencia Relativa es una herramienta grfica poderosa y muy sencilla. El trazado
tiene las siguientes caractersticas:

En el eje vertical la Diferencia Relativa entre dos mediciones, intentemos


comparar, tal como dos Laboratorios, el A y el B.
% Diferencia Relativa = 100 (A - B) / [(A + B) / 2]

En el eje horizontal el promedio de A y B: [A + B] / 2


Clasificado en orden cronolgico, o
Clasificado por valores de incremento de [A + B] / 2

Luego, se traza el Promedio Mvil, el cual es la caracterstica ms importante.

En tal grfico es fcil detectar sesgos, analizar su importancia y seguir su


evolucin.

Ejemplo de un Trazado de Diferencia Relativa

Ejemplo de Aplicacin:
Cuidado con los Factores de Correccin

El muestreo incorrecto y la pobre medicin, podran introducir sesgos en una base de


datos.
Es tentador ajustar los datos sesgados mediante el uso de factores de correccin
basados en observaciones y experimentos.

Desafortunadamente, no hay tal cosa como un sesgo constante en el


muestreo.
Por lo tanto, informacin filtrada, eliminacin de cifras desconcertantes y el uso de
factores de correccin, son los sntomas de una pobre administracin, que slo consigue
aumentar la confusin.

Los Factores de Correccin solamente le dan a la


Administracin una falsa sensacin de seguridad.

Ejemplo de un Sesgo Analtico.

Relative Difference Plot


100

80
Relative
Difference
60

40

M = Mean
6.3055

20

Moving Ave
40

-20

-40
70

112.5

155

197.5

INDICE Pair
index (sorted
by average) POR PROMEDIO)
DE PAREO
(CLASIFICADO

N = 171 s_2A-B = 1.39679e-2 % s = 11.818 s_MEAN = 0.9037


M / s_MEAN = 6.9768 M / 2*s_MEAN = 3.4884 M / 3*s_MEAN = 2.3256

240

Ejemplo de un Sesgo de Muestreo.

Relative Difference Plot


75

37.5

Relative
Difference

0
M = Mean
-7.300

-37.5

-75

Moving Ave
30

-112.5

-150
1

125

249

373

INDICEPair
DEindex
PAREO
(ORDEN CRONOLGICO)
(chronological
order)

N = 497 s_2A-B = 6.24496e-2 % s = 24.989 s_MEAN = 1.1209


M / s_MEAN = -6.512 M / 2*s_MEAN = -3.256 M / 3*s_MEAN = -2.170

497

Introduccin al Control de Proceso Estadstico Variogrfico (SPC):


Cronoestadstica

El SPC Variogrfico es el resultado natural de la Teora de Muestreo, basado en el importante


concepto de la heterogeneidad del material. No hay un efectivo control del proceso posible sin
direccionar todos los diferentes tipos de heterogeneidad. Esta es la superioridad del SPC
Variogrfico sobre el SPC Convencional.

Elegimos llamar a esta nueva ciencia:

Cronoestadstica
La Cronoestadstica est basada en la informacin reunida con el Variograma. Por lo
tanto, definimos una jerarqua de los Lmites de Control basada en en el Variograma.

Lmites que cuantifican el ruido puro:


UCL y LCL = 3 V[0]
+ Desviacin de Tendencia del Proceso:
UCL y LCL = { (3 V[0]) + V2[ j=1] }

+ Desviacin del Ciclo del Proceso:


UCL y LCL = { (3 V[0]) + V2[ j=1] + V3 }

Razn Fundamental: Investigue las varias fuentes de la variabilidad


El Dr. W. Edwards Deming demostr claramente en varios experimentos, que no deberamos
reaccionar a variaciones dentro de 3 V[0]. En verdad, no hay razn lgica porqu alguien
debera reaccionar a alguna variabilidad que no existe en el proceso (es decir, UCL y LCL).
Este concepto nos permite optimizar el protocolo de muestreo/medicin.
Se debera establecer una activa reaccin filosfica on-going,para corregir todos los
movimientos del proceso, cuando ellos son lo suficientemente grandes como para mostrarse a
travs del ruido azarstico. Para estos movimientos, debemos estar listos para aplicar mtodos
correctivos.

Las variaciones caracterizadas por V 2[j=1] son movimientos reales del proceso, predecibles
sobre cierto marco de tiempo, y potencialmente corregibles. Por lo tanto, no queremos permitir
que las variaciones lleguen a ser ms grandes que { (3 V[0]) + V2[ j=1] } sin reaccionar
(es decir, UCL y LCL).
Sin embargo, agregando V2[ j=1] a los lmites UCL y LCL, para obtener UCL y LCL, se
hace una calculada tolerancia para los movimientos del proceso que estn fuera de nuestro
control. Por cierto, somos incapaces de reaccionar a intervalos de tiempo ms cortos que j =1.
Este concepto nos permite optimizar el intervalo de muestreo/medicin.
Agregando V3 a los lmites UCL y LCL, para obtener UCL y LCL, se hace una
calculada tolerancia para un ciclo de proceso ms all de nuestro control. Es muy difcil corregir
efectivamente un ciclo. Si este agregado llega a ser demasiado grande, es necesario investigar
las causas del ciclo. Algunas veces, son necesarias modificaciones ingenieriles del proceso
para eliminar un ciclo. Otras veces, un ciclo es introducido por nosotros mismos y por la forma
en que organizamos nuestro trabajo.

Conozca sus ciclos: Siempre hay una oportunidad para minimizar un costo
visible o invisible.

Estudio de Caso

Un Planta de cemento prepara un cemento especial que debe


cumplir con las siguientes 3 especificaciones: El Raw Mill
debe tener un promedio de 5.50% +63 partculas. La
Especificacin Superior es 5.80%. La Especificacin Inferior
es 5.20%.

El proceso es controlado mediante la toma de un compuesto


de muestra cada 2 horas.

Desarrolle un investigacin total de variabilidad para saber qu


pasa dentro de un perodo-ventana tpico de 120-horas.
Interprete el dato raw usando la Tabla de Datos.
Interprete el dato raw usando un trazado cronolgico.
Estudie el Variograma Absoluto, paso a paso.
Es necesario un experimento: Descubra cul.
Estudie el Grfico de Control Variogrfico, paso a paso.

J = 1 = 2 horas
Resultados en % +63
Muestra #

Muestra #

5.61

31

5.55

5.69

32

5.52

5.66

33

5.49

5.57

34

5.49

5.56

35

5.43

5.60

36

5.48

5.53

37

5.40

5.58

38

5.41

5.53

39

5.45

10

5.49

40

5.43

11

5.61

41

5.41

12

5.60

42

5.44

13

5.55

43

5.47

14

5.50

44

5.55

15

5.49

45

5.57

16

5.51

46

5.58

17

5.57

47

5.53

18

5.52

48

5.52

19

5.51

49

5.48

20

5.51

50

5.44

21

5.52

51

5.48

22

5.55

52

5.48

23

5.52

53

5.49

24

5.59

54

5.42

25

5.61

55

5.41

26

5.61

56

5.37

27

5.55

57

5.36

28

5.52

58

5.40

29

5.57

59

5.36

30

5.57

60

5.33

Mire un dato cronolgico existente en los grficos.

Estimacin de V[0], V[1], y V[Proceso j = 1]

V[1]

V[0]

V[Proceso j =1] = V[1] - V[0]

El Componente Cclico: Estimacin de V 3

Perodo

Mximo

V3
Segundo mnimo

V[0] est siempre


ubicado en el mnimo del
Ciclo.

La Tendencia del Proceso V2[j]

La Tendencia del Proceso V2 [ j ] es un concepto relativo dependiendo de la


escala de tiempo de la observacin. La escala est definida por el valor dado
a j.

2W

Cuando el variograma se incrementa rpidamente para un valor dado de j, la curva 2W


3W es la mejor estimacin de la tendencia del proceso.
Para los valores j hacia los cuales el variograma alcanza su mximo, las curvas 2W y
3W se vuelven insignificantes y no deberan ser usadas. Es entonces aconsejable usar
W W.
Hay, obviamente, una zona de transicin en la cual el usuario del programa
computacional debe tener precaucin, dado que las curvas 2w 3W llevaran a una
sobre-estimacin de la tendencia, en tanto que las curvas W W llevaran a una subestimacin de sta.

Estimacin de la Tendencia del Proceso V 2[j] : Limitaciones de las curvas W y


2W

Lo mismo se puede decir sobre las curvas W y 3W.

2W

En este caso, podramos anticipar el mximo del variograma en j =36, por lo tanto
nuestra estimacin de V2[j =36] podra ser levemente sobre-estimada mediante el
uso de la curva 2W. Pero, la curva W est obviamente sub-estimada.

Resumen de Todas las Observaciones (graficadas en un Grfico de Torta).

En su opinin, porqu controlar la tendencia del proceso es el principal problema


en este estudio de caso?

Experimento necesario para verificar la Exactitud de V[0] y V 2[Proceso j =1]

Se lleva a cabo un experimento para encontrar la variabilidad azarstica real V[0].


Se recolectan 30 muestras a intervalos de 10-segundos, exactamente bajo las mismas condiciones
que las muestras de rutina.
Los protocolos de sub-muestreo y analticos son mantenidos exactamente iguales que las
muestras de rutina.
Se obtienen los siguientes resultados:

Resultados en % +63
Muestra #

Muestra #

5.45

16

5.46

5.52

17

5.50

5.46

18

5.53

5.45

19

5.49

5.47

20

5.48

5.52

21

5.52

5.51

22

5.47

5.47

23

5.51

5.52

24

5.50

10

5.48

25

5.45

11

5.47

26

5.48

12

5.50

27

5.51

13

5.52

28

5.50

14

5.54

29

5.53

15

5.48

30

5.47

Experimento Variogrfico: Antecedente Cronolgico

Experimento Variogrfico de Corto-Plazo

Mejor Estimacin de V[1]

Buena Estimacin de V[0]

Definicin de Especificaciones Contractuales

Los Lmites de Especificacin son pautas para satisfacer un contrato celebrado con un Cliente, o
para asegurar el ptimo desempeo de un proceso.
Los Lmites de Especificaciones no tienen nada que ver con la variabilidad real de un proceso.

Los Lmites de Especificacin no son nada ms


que una lista deseada.

Deberamos definir:

US :

TA:

La Especificacin Superior

El Promedio Objetivo

LS : La Especificacin Inferior

No confunda los lmites de control con los lmites de especificacin.

Es su trabajo comprender la variabilidad de su proceso, en consecuencia tambin


es trabajo suyo establecer lmites de control razonables y realistas, que le permitan
investigar el proceso, corregirlo si es necesario, y mantenerlo dentro de las
especificaciones contractuales.

Usted conoce bien su proceso, por lo tanto, las especificaciones contractuales a


menudo se vuelven especificaciones auto-impuestas para un parmetro dado del
proceso.

Definicin de Lmites de Control de Procesos

Los Lmites de Control de Procesos fueron definidos en las lecturas de la Variografa. Hay
herramientas para hacer que el proceso entregue retroalimentacin, y para minimizar el efecto
negativo de todas las fuentes de variabilidad que no podemos controlar.
Deberamos definir:

UCL y LCL : Lmites de Control Superior e Inferior


cuantificando el componente de variabilidad 1, 2, 3 V[0]
{ 1, 2, 3 V[0] } + V2 [ j=1]

UCL y LCL : Cuantificando el componente de variabilidad


{ 1, 2, 3 V[0] } + V2 [ j=1]

UCL y LCL : Cuantificando el componente de variabilidad


{ 1, 2, 3 V[0] } + V2 [ j=1] + V3

Estos componentes de variabilidad pueden ser cambiados como se indica a continuacin:


UCL y LCL:

Mejore el protocolo de muestreo/medicin.

UCL y LCL:

Lo indicado anteriormente, adems de tomar muestras y hacer


mediciones ms a menudo.

UCL y LCL:

Lo indicado anteriormente, adems de eliminar o minimizar el ciclo


de proceso. Esto podra requerir modificaciones en la ingeniera.

Paso #1: Seleccione una Lista Deseada Realista

US

TA

LS

Paso #2: Verifique la Capacidad del Protocolo de Muestreo/Medicin.

UCL

LCL

Paso #3: Verifique la Capacidad del Intervalo del Muestreo/Medicin.

UCL

LCL

Paso #4: Verifique el Impacto del Ciclo Balanceado en el Tiempo

UCL

LCL

Razones para los Cursos de Muestreo


Preparado y Presentado por Francis F. Pitard
Francis Pitard Sampling Consultants, LLC

Sus decisiones son solamente tan buenas


como sus muestras !
Comunicando la importancia de un Muestreo Correcto

A la Administracin,

Al Directorio,
A los Accionistas,
A los Gelogos y Perforistas,
A los Mineros y Metalurgistas,
A los Qumicos Analistas,
A los Estadsticos,
Al personal de Ventas,
Para as conseguir flujo de caja, ms rentabilidad y valor accionario
agregado.

Responsibilidad de una
Empresa Minera

Si los Accionistas no pueden ver el valor de un


muestreo correcto, es responsabilidad de la empresas
mostrrselos a travs de.
Educacin de la Administracin para conseguir
recursos,
Capacitacin del personal clave para conseguir
resultados,
Educacin de Gelogos, Mineros y Metalurgistas,
para monitorear y verificar la calidad de los datos,
De esta forma los Estadsticos pueden desarrollar
evaluaciones de riesgo confiables y crebles.

Adquisicin de una base de datos


confiable como ventaja de una empresa.

Se necesita una estrategia correcta y equilibrada:


La Mesa de Tres Patas

Los beneficios econmicos de la Empresa,


aaden valor accionario y percepcin del mercado.

Enfasis sobre las causas de

Capacidad para comprender

los problemas mediante una


Administracin Proactiva.

la variabilidad y desarrollar
estudios estadsticos
confiables.

A strong commitment to
good sampling
and good laboratory practices

Francis Pitard's drawing


protected by copyright law, 2004

Sin embargo,
implementar un muestreo correcto
es ms fcil decirlo que hacerlo.

Exactamente como los temas de seguridad, debe


estar internalmente estandarizado a travs de:
la validez,
pautas internas,
capacitacin sostenida,
reforzamiento de la auditora.
ser monitoreado para su valor agregado a travs de:
mejoramiento de recuperacin de metal,
mejoramiento de la conciliacin,
valor agregado a los accionistas.

Los asistentes a los cursos deben aprender


a comprender mejor la variabilidad:

Variabilidad a Pequea-Escala,
la cual puede ser llamada la Variabilidad
Irrelevante: Es una molestia.
Variabilidad a Gran-Escala,
la cual puede ser llamada la Variabilidad
Relevante.

Variabilidad a Pequea-Escala:
El trmino V[0] en un variograma

Las cuatro soluciones para minimizar la


inflacin catastrfica de V[0] son:
Optimizar los Protocolos de Muestreo,
Implementar los Protocolos de
Muestreo,
usando sistemas de muestreo
correctos,
Preservar la integridad de las
muestras,
Minimizar el Error Analtico.

Optimizacin de los
Protocolos de Muestreo

Tres temas crticamente importantes:


Efecto (Pepita) Nugget In-Situ NE
(ejemplo: Seleccin del dimetro/longitud de una muestra de
sondaje)

Error Fundamental FE
(ejemplo: Masa de muestra y sub-muestras)

Error de Agrupamiento y Segregacin


GE
(ejemplo: Homogeneizacin y nmero de incrementos)

La Implementacin Prctica
de los Protocolos de Muestreo.
La Pesadilla del Muestreo
Las tres mayores fuentes del sesgo del
muestreo:
Error de Delimitacin DE
(Cada parte del lote a ser muestreado debe tener exactamente
la misma posibilidad de llegar a ser parte de la muestra).

Error de Extraccin EE
(El error de recuperacin de la muestra: El sistema de muestreo
no debe ser selectivo)

Error de Pesaje WE
(Los sistemas de Muestreo deben ser razonablemente
proporcionales)

Preservando la Integridad
de las Muestras

Otra mayor fuente del sesgo del muestreo:


Errores de Preparacin PE
(Los Errores ocurren entre las etapas del muestreo)

Contaminacin
Prdidas
Alteracin
Errores Humanos, Ignorancia
Fraude

Ejercicio Prctico 1:
Muestreo de Hoyos de Tronadura
Nombre el posible error (DE, EE, WE, o PE?) que ocurre en cada
uno de los siguientes puntos, y d soluciones. Tiene 10 minutos
de tiempo.

E
D

Segregacin

A Sub-perforacin

Muestra
Real

Muestra
Ideal

antigua.
B

Sub-perforacin
actual.

Esquema de Francis Pitard


Protegido por Ley de Derechos de Autor, 2004

Ejercicio Prctico 2:
Muestreador Primario para la
Alimentacin de una Planta.
Nombre el posible error (DE, EE, WE, o PE?) que tiene lugar en cada
uno de los siguientes puntos, y d soluciones. Tiene 10 minutos de
tiempo.
1

11

3
6
7

9
10

F r a n c i s P i t a r d 's d r a w i n g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4

Ejercicio Prctico 3:
El Muestreador Rotatorio Vezin
Un muestreador muy comn en la Industria Minera

Nombre el posible error (DE, EE, WE, o PE?) que tiene lugar en cada
uno de los siguientes puntos, y d soluciones. Tiene 10 minutos de
tiempo.

6
9

Flujo que cae

4
10

11

8
1

FrancisPitard's drawing
protected by copyright law, 2004

Ejercicio Prctico 4:
El Muestreador de Correa-Transversal
Un sistema de muestreo muy popular y peligroso.
Nombre el posible error (DE, EE, WE, o PE?) que ocurre en cada uno de los
siguientes puntos, y d soluciones. Tiene 10 minutos de tiempo.

7
6

1
2
3

5
F r a n c is P it a r d ' s d r a w in g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4

Porqu es tan esencial un


Curso de Capacitacin?

Dados todos los posibles problemas creados por cada uno


de los puntos indicados en los 4 ejercicios anteriores, que
deberan resueltos dentro de algunos minutos, estos
generalmente son objeto de innecesarias...
Dudas y argumentos,
Reuniones que slo consumen tiempo,
Argumentos interminables con las firmas de ingeniera
y fabricantes.
Pruebas de sesgo muy caras, seguidas por
estadsticas dudosas,

adems,
Debido a que cada uno de los puntos puede
llevar a devastadoras prdidas monetarias para
una empresa que no est atenta.
Vamos a dar algunos ejemplos sorprendentes.

Caso # 1:
Un mal protocolo seguido por
una implementacin incorrecta.

Gran Mina de Cobre


en el Norte de Chile:

US $ 134 000 000 en prdidas por diferencias


entre un mal protocolo de muestreo y submuestreo y uno mejor, para hoyos de tronadura,
durante un perodo de 10-aos.

P. Carrasco: WCSB1, Denmark 2003

Caso #2:
Un sistema incorrecto de muestreo para
las colas de una Planta de Flotacin.

Ejemplo de una Gran Mina de Cobre en Chile:

US $2 000 000 000 en prdidas a travs de las


colas en un perodo de 20-aos

P. Carrasco: WCSB1, Denmark 2003

Resumen:
Quines son los enemigos?

2
DEn

2
FEn

2
GEn

2
HE1

2
NE

Esquema de Francis Pitard


Protegido por Ley Derechos de Autor, 2004

Recuerde este signo:

SWEn

V[0]
S

2
EEn

S
PEn
n

2
AEn

Variabilidad a Gran Escala:


La variabilidad que usted necesita ver
para optimizar sus operaciones

Cuando la variabilidad a pequea escala agobia a la


variabilidad a gran escala, relevante para optimizar
sus operaciones, ocurren los siguientes problemas:
Reuniones interminables para resolver los
puzzles, argumentar y hacer acusaciones,
Es aplicada la correccin de factores hasta que los
datos se completen con normalidad,
Gelogos y Geoestadsticos no pueden hacer su
trabajo,
Los Mineros y Metalurgistas estn en guerra,
Se deteriora el desempeo de la Empresa,
La Administracin no est feliz,
Baja el valor de las acciones en el mercado.

Variabilidad a Gran Escala:


Porqu y Dnde es importante?

Para encontrar nuevos recursos naturales


Para cuantificar los recursos naturales
Para mostrar una razonable continuidad de los recursos
naturales
Para comprender los problemas de conciliacin durante la
actividad minera
Para optimizar los procesos en Minas y Plantas.
Para elevar la calidad de los productos
Para asegurar un justo retorno monetario de los
productos
Para disminuir las multas
Para reducir el fraude
Para minimizar la responsabilidad ambiental
Para levantar la percepcin del mercado en cuanto a la
salud fiscal de la Empresa.
Para mejorar las tendencias de rentabilidad

Variabilidad a Gran-Escala:
Cules son los componentes principales?
Durante la Exploracin

Es importante medir la anisotropa de una unidad geolgica.


La tendencia de las leyes podra ser diferente en el eje Norte-Sur
que en el Este-Oeste o a lo largo de un eje vertical.
Los rangos del variograma necesitan ser definidos en diferentes
direcciones.
La densidad de la perforacin necesita ser optimizada en
diferentes direcciones.
La continuidad del mineral y la zona de influencia necesita ser
definida en diferentes direcciones.
Se debe crear un modelo geolgico confiable.

Con una gran V[0] estas importantes y


crticas tareas, que llevan a un confiable
estudio de factibilidad, se vuelven
dbiles.

Variabilidad a Gran-Escala:
Cules son los componentes principales?
Durante la Minera

Seleccin del modelo de perforacin de la ley del mineral y,


densidad de perforacin.
Seleccin de una tcnica Kriging
Seleccin de una ley de corte realista y econmica.
Seleccin de un diseo de rajo
Seleccin de un nivel aceptable para la conciliacin de las
diferencias entre el control de ley del mineral y el modelo
geolgico.

Con un gran V[0] estas importantes y


crticas tareas, que llevan a una confiable
recuperacin de los recursos naturales,
se vuelve dbil.

Variabilidad a Gran-Escala:
Cules son los componentes principales?
Durante el Proceso

Un balance metalrgico creble necesita monitorear el


desempeo.
Necesita ser implementado el control de los
parmetros claves del proceso.
Las tendencias del Proceso necesitan ser tratadas a su
debido tiempo.
Los ciclos del proceso, siempre muy costosos,
necesitan ser identificados y ya sea eliminados o
minimizados.
Los grficos de control confiables deben ser
actualizados en muchos lugares.
Se debe prevenir la sobre-correccin del proceso.

Con un gran V[0] estas importantes y


crticas tareas, que llevan a una confiable
recuperacin de los recursos naturales,
se vuelve dbil.

Variabilidad a Gran-Escala:
Cules son los componentes principales?
Durante la Comercializacin con los
Clientes

A los Clientes les gusta un precio justo, pero odian las


sorpresas desagradables en la calidad del producto.
La aplicacin de multas es una forma comn de hacer
negocios: Lo que me cuesta a m, le cuesta a usted!
Usted no puede controlar la calidad de un producto
despus del hecho, pero usted debe implementar las
muchas cosas que pueden llevar a un buen producto,
desde el modelo geolgico, a la Mina, y a la Planta.

Con un gran V[0] estas importantes y


crticas, que llevan a una confiable
calidad de los productos, se vuelve
dbil.

Una larga lista de beneficios y oportunidades:


Cmo pueden las buenas prcticas de
muestreo dar acceso a todo esto?

Las Buenas Prcticas de Muestreo, al igual que Las


Buenas Prcticas de Laboratorio, es el corazn del
proceso de toma de decisin de la Administracin.
Las Decisiones no son hechas mediante mirar un
depsito o un proceso.
Las Decisiones son hechas mediante una mirada a las
muestras que representan un depsito o un proceso,
obligatoriamente.

OBLIGATORIAMENTE!
Tienen autoridad las muestras para representar un
depsito o un proceso?
Sus decisiones son solamente tan buenas como lo
son sus muestras.

Oportunidades:
Los Hechos

Si es eliminada la
causa:

Cursos Cortos,
Capacitacin
Estandarice
Talleres,
Si no es eliminada
la causa:

Re-analice

Oportunidades perdidas

Acciones com-

Analice los datos

pulsivas sobre
las causas de los
problemas

existentes y encuentre
los problemas
estructurales.

con nfasis en los efectos


de los problemas.

Esquema de Francis Pitard


Protegido por Ley Derecho de Autor, 2004

Mejoramiento Continuo del


Proceso Minero con nfasis
en las causas de los problemas.

Oportunidades:
El Mapa del Camino

Director de Estndares del Proceso Minero:


La Sinergia Necesaria para la Eficiencia del Proceso Minero

Seleccin de Estndares tiles


para una empresa minera.
Implementacin de las Polticas
de la empresa.

Seleccin y ofrecimiento
de cursos cortos,
talleres y capacitacin.

Guas para las Mejores


Prcticas
Seleccin de Expertos de
nivel mundial.

Identificacin de Problemas
Estructurales y,
Mejoramiento Continuo del
Proceso Minero

Acciones
Compulsivas

Contabilidad

Comunicacin con la
Administracin Superior
de las operaciones de
Esquema de Francis Pitard la Empresa.
Protegido por Ley Derecho de Autor, 2004

Comunicacin con los


Administradores y
Laboratorio de QA/QC.

Clculo del Factor Mineralgico


Ejemplos Prcticos
1.

Queremos analizar el contenido de oro de una muestra:


El contenido de oro es de alrededor de 2 ppm (0.058 opt)
El oro se presenta como pequeas pepitas de una densidad de alrededor de 16.0
La densidad promedio del porfdico adyacente es de alrededor de 2.8

Calcule el factor mineralgico.

2. Queremos analizar los contenidos de oro y plata de un concentrado de galena:


El contenido de oro es de alrededor de 100 ppm (2.9 opt), y se presenta como
un metal nativo de una densidad de alrededor de 16.0
El contenido de plata es de alrededor de 2500 ppm (73 opt), y se presenta
como un complejo de sulfuro de frmula AgPbSbS 3 de una densidad
aproximada de 5.0
La densidad de la galena es de 7.5
Pesos Atmicos: Ag = 108, Pb + 207, Sb = 122, S = 32
Calcule el factor mineralgico del oro y la plata.

3. Queremos determinar el contenido de oro de un sedimento de flujo:


El contenido de oro de una anomala confiable es arbitrariamente
fijada en 10 ppb.
La densidad del oro es asumida para ser de alrededor de 16.0.
El contenido de oro de la informacin general es asumido para no ser
disuelto por el procedimiento de lixiviacin por cianuro.
Calcule el factor mineralgico para el oro.

4. Queremos determinar el contenido de oro de un depsito


subterrneo:
El contenido esperado del oro es de alrededor de 32g/t.
La densidad de las partculas de oro es de alrededor de 16.0.
La densidad de la roca in-situ es 2.7.
Calcule el factor mineralgico del oro.

Clculo del Factor de Liberacin


Ejemplos Prcticos
1. Mineral de oro que contiene alrededor de 2 ppm de oro no-liberado
(0.058 opt). Si una rpida investigacin semi-cuantitativa XRF
muestra que los fragmentos ms grandes de cortes RVC (d = 1/2
pulgada) ocasionalmente contiene hasta 750 ppm de oro (22 opt),
Cul sera el Factor de Liberacin para los fragmentos de 1/2
pulgadas en este mineral?.

2. Un concentrado de galena contiene 100 ppm de oro (2.9 opt) como


metal, y 12340 ppm AgPbSbS3 (360 opt). Ocasionalmente, algunas
partculas de este concentrado contienen hasta 25000 ppm (730 opt)
y 24% AgPbSbS3 (7000 opt). Calcule los factores de liberacin de
mineral de oro y plata en este concentrado.

3. Un mineral de oro es triturado a menos 4 pulgadas (10 cms) previo a alcanzar un


muestreador de flujo cruzado; a menos 1 pulgada (2.5 cms) previo a alcanzar el
muestreador secundario; a 10 mallas (0.17 cm) previo a alcanzar el muestreador
terciario, finalmente a menos 100 mallas (0.015 cm) previo al ensayo de fuego.

El contenido promedio de oro de este mineral es de alrededor de 2 ppm (0.058


opt). Una investigacin mineralgica de la fraccin heavy obtenida de una
concentracin de gravedad, muestra que el 85% del oro (es decir, la definicin
del tamao de liberacin dl ) es liberado cuando el material es pulverizado a
menos 40 micrones.
Calcule el factor de liberacin del oro en cuanto el mineral alcance:
1. El muestreador primario:

2. El muestreador secundario:

3. El muestreador terciario:

4. La sala de balance previo al ensayo de fuego:

4. Queremos determinar el contenido de oro de un depsito subterrneo. Una


muestra del frente es tomada rutinariamente para control de ley del mineral. Se
espera que la ley promedio de oro sea de alrededor de 32 g/t. Las muestras son
molidas a 95% menos 1.05 cm., usando una trituradora de mordaza, antes de ser
separadas. Una rpida investigacin mediante Rayos X, muestra que algunos de
los fragmentos entre 1.25 cm (1/2 pulgada) y 0.635 cm (1/4 pulgada), contienen
ocasionalmente hasta 7750 g/t.
Calcule el factor de liberacin del oro en la muestra promedio del frente como
de la entregada por la trituradora de mordaza.

Estudio de Caso
A partir de las colas de una antigua mina, recolectamos una muestra de compuesto
de 50 kgs. El tamao mximo de partcula d del material es de alrededor de 1/4 de
pulgada (0.67 cm).
Queremos enviar una sub-muestra no ms pesada que 2 kgs a un Laboratorio.
Sobre esta sub-muestra de 2 kgs., queremos determinar el contenido promedio de
oro de las colas. Se espera que el contenido de oro est en alrededor de 2 ppm.
La desviacin estndar asignada del Error Fundamental FE es

2S 15%

, el cual es un lmite requerido por un estudio de factibilidad.

A qu tamao d trituraremos la muestra de 50 kgs antes de separarla?. Se


resuelve el problema con un compuesto de 50 kgs?.
Sabemos por un estudio mineralgico y de anteriores anlisis, que el oro est
finamente diseminado en la roca y que la ley mxima encontrada localmente en
partculas de 1/4 de pulgada, no es de ms de 100 ppm. Use 16.0 para la densidad
del oro.

Estrategia de 18 Puntos
Punto
Punto ## 1:
1:
Fuentes
Fuentes de
de los
los Problemas
Problemas de
de
Reconciliacin
Reconciliacin de
de la
la Ley
Ley de
de Mineral.
Mineral.

Modelo Geolgico

Logstica
Protocolos de Muestreo
Implementacin de los Protocolos de
Muestreo
Comprensin de la Variabilidad
Medicin Comn de la Variabilidad
Capacitacin

Modelo Geolgico

Continuidad e interpolacin

Continuidad y extrapolacin
Contactos
Fallas
Zonas de Transicin
Selectividad
Exploracin
Mineraloga

Logstica

Contratistas
Inventarios
Stockpiles (Almacenamiento)
Palas de Carguo
Camiones de Extraccin
Agua
Prdidas en forma de polvo

Protocolos de Muestreo

El efecto Nugget in-situ


El Error Fundamental
El Error de Agrupamiento y
Segregacin.
Intervalos de Muestreo
Modos de Muestreo

Implementacin de los
Protocolos de Muestreo

Error de Delimitacin
Error de Extraccin
Errores de Preparacin
Fraude
Error en el Peso
Error en el Pesaje

Comprensin de la Variabilidad

Azarstica
No azarstica
Cclica
Comportamiento de alta ley
Ley de Corte
Variabilidad de la Mina Vaciada
Factores de Correccin
Tronadura Abatida

Medicin comn de la
Variabilidad

Contenido de Humedad
Densidad
Error Analtico

Capacitacin

Gelogos y Mineros:
Geoestadsticas y Teora del Muestreo

Metalurgistas y Qumicos:
Cronoestadsticas y Teora del Muestreo

Contabilidad de Alto Nivel:


En Minera, la obsesin hacia los costos
visibles puede llevar a hacer tambalear los costos
invisibles.

Punto
Punto Dos:
Dos:
Use
Use Estndares
Estndares

La Administracin, como una herramienta de incentivo para mejorar el desempeo y la eficiencia


de muchas reas, puede usar los Estndares ISO.
Pero, los Estndares ISO no son estndares para un buen muestreo, geoestadsticas o
cronoestadsticas.
Los estndares ISO solamente son guas organizacionales y lgicas. Es positivo para el nivel
superior de la compaa crear estndares en varias reas, adecuados para los intereses de corto y
largo plazo de la empresa.

Estndares que se recomienda crear:


Pruebas de Heterogeneidad para optimizar los protocolos de
muestreo.
Equipo de Muestreo correcto.
Check List (Lista de Verificacin) obligatoria para equipos nuevos
de muestreo, propuestas por las empresas de ingeniera o fabricantes.
Preparacin de Materiales de Referencia Estndar
Estudios de Variabilidad usando datos existentes.

Use Estndares ISO como marco referencial


para implementar manutencin preventiva.

Las Palas de carguo y los camiones de extraccin de la Mina; as como los molinos y las celdas de
flotacin en la Planta, necesitan manutencin preventiva, de la misma forma hay que hacerlo en las
siguientes muy importantes reas:

Sistemas de Pesaje, tales como balanzas y pesmetros.


Estaciones de Muestreo
Sistemas de muestreo instalados en las Perforadoras.
Equipamiento de Muestreo de los Laboratorios.
Equipamiento de Muestreo para control del proceso.
Equipamiento Analtico en la Planta y en el Laboratorio.
Capacitacin de administradores y supervisores.

Cursos de Capacitacin

Los cursos de capacitacin tpicos en la Mina, se dictan 3 veces en el ao:


Comunicacin, presentacin y habilidades de asertividad.
Redaccin de Informes
Fundamentos de la administracin del tiempo
Reuniones efectivas
Supervisin
Habilidades de Negotiacin
Primeros Auxilios
Prevencin de Riesgos
Sistemas 6 Sigma, SPC, y TQM (Administracin de Calidad Total)

Sin embargo raramente son ofrecidos los siguientes cursos:


Quizs alguna vez cada 10 aos

Estadsticas, Geoestadsticas y Cronoestadsticas.


Teora y Prctica del Muestreo.
Identificacin de los costos invisibles.

Punto
PuntoTres:
Tres:
No
No mal
mal utilice
utilicelos
los estndares
estndares

Una caracterstica potente de los estndares ISO, y algunos otros estndares, es la flexibilidad
para aadir elementos adicionales a los manuales del estndar. Elementos adicionales, tales
como un Muestreo correcto, SPC, TQM, Geoestadsticas y Cronoestadsticas, deberan asegurar
que los estndares no son mal utilizados.

Los sntomas de la mala utilizacin son:


La regla es el status quo (mantener lo mismo),
Los empleados pierden su creatividad,
Los empleados usan los estndares como una pantalla para
justificar su accin sobre la falta de ellos.
La Agencia de Certificacin hace funcionar la Compaa,
La Administracin persigue solamente la Certificacin,
El logro ms grande de los estndares resulta en poner demasiado
nfasis en la contabilidad metalrgica.

Punto Cuatro:
La Mesa de Tres-Patas

Es bueno perseguir estndares de certificacin, ya que


ayuda a la compaa a organizarse en reas muy
importantes. Esto lleva al concepto de la mesa de tres
patas.

Ganancias de la Compaa

Administracin
Efectiva

Muestreo
Correcto

Comprensin de la
Variabilidad

Pata #1:
Administracin Efectiva

Identificar problemas estructurales


Invertir en soluciones a los problemas estructurales
Identificar problemas circunstanciales
Se puede ahorrar tiempo y dinero en los problemas
circunstanciales.
Comprensin y accin sobre todas las fuentes de
variabilidad
Ser proactivo en vez de reactivo

Pata #2:
Muestreo y Medicin Correcta

Efecto Nugget (Pepita) In-Situ


Error Fundamental
Error de Agrupamiento y Segregacin
Error de Delimitacin
Error de Extraccin
Error de Preparacin
Error de Interpolacin
Error Peridico
Error de Pesaje
Error Analtico

Pata #3:
Comprensin de la Variabilidad

La Variabilidad genera costos visibles e


invisibles
La Variabilidad es un problema y una oportunidad.
Hay muchas clases de variabilidad
Todos los errores de muestreo magnifican la
variabilidad
Los Geoestadsticos analizan las variables en la
Mina
Los Cronoestadsticos analizan la variabilidad en la
Planta.
Minimice la variabilidad mediante una estrategia de
mejoramiento continuo.

Integre un buen muestreo, SPC,


y TQM en un programa simple.

El muestreo, SPC, y TQM deben ser cuidadosamente


integrados en un programa comn.
Todava, muy a menudo, son equivocadamente mantenidos
como programas separados, manejados por Departamentos
diferentes que raramente se comunican entre s.
Por lo dems, si se rompe una pata, generalmente no se
bota una mesa.
No es raro que una compaa pueda caminar con una pierna
solamente (por ejemplo, administracin reactiva), haciendo
imposible optimizar la recuperacin de los recursos
naturales de la Mina.

Punto
Punto Cinco:
Cinco:
Implemente
Implemente una
una filosofa
filosofa de
de muestreo
muestreo
equiprobabilstico.
equiprobabilstico.

El control de la ley de mineral y balance metalrgico, deben implementar el muestreo


equiprobabilstico, dando una oportunidad igual para que se seleccione todo el material a ser
muestreado.
Hay tres errores de muestreo, no bien conocidos, que son notorios para introducir los sesgos ms
grandes durante la exploracin, en la Mina, el Chancado, la Fundicin y en los Laboratorios, ellos
son:

El Error de Delimitacin
El Error de Extraccin
Los Errores de Preparacin
Las empresas de ingeniera y fabricantes de equipamiento de muestreo conocen muy poco con
respecto a estos errores, y durante muchos aos, han construdo e instalado equipamiento de
muestreo que transgrede las reglas ms elementales de un muestreo correcto. Por lo dems, los
organismos estandarizadores no conocen mucho mejor o estn confundidos acerca de estos
importantes errores del muestreo, los cuales no ayudan al objetivo.

El Error de Delimitacin:
Ejemplo durante la exploracin.

Recuperacin
100%

Recuperacin 65%

Recuperacin 97%

Muestra 3-metros
Est seguro que la muestra compuesta de 3 mts,.
hecha de tres diferentes recuperaciones es exacta?

Una longitud de muestra sistemtica puede generar un gran sesgo


en la exploracin geo-qumica..

El Error de Delimitacin:
Ejemplo en la Mina

Muestreo en Hoyo de Tronadura

RecuperacinZero

Muestra
Recuperada

Buena Recuperacin
Sub-perforacin

El Error de Delimitacin:
Muestreo recomendado para Hoyos de Tronadura

Hopper Alimentacin

Puerta de Inspeccin

Flujo que cae alrededor del cono

Cono que asegura el


Corte perfecto de los cortadores

Cono Deflector
Rodamiento

Cortadores Rotatorios

Rodamiento a prueba de polvo

Rodamiento
Cmara de Flujo Principal
Motor: 15 rotaciones
por minuto en su mayora

Muestra

Rechazos

Modificacin recomendada por el Sistema de Muestreo


de Metal Craft
Este cuadro es una vista lateral conceptual del sistema de muestreo recomendado a ser insertado en la parte
Inferior de la actual Circulacin Reversa de Metal Craft o
Hoyo de Tronadura Sistema de Muestreo bajando el cono invertido el
Sistema de Muestreo Metal Craft permanece lo mismo que antes. Pero, los cortadores estacionarios son reemplazados por dos cortadores
radiales. Usted notar la presencia de un segundo cono que asegura un corte perfecto de los cortadores. El
La puerta de inspeccin debe mantener toda la va a travs del cono exterior, para que podamos inspeccionar y limpiar los cortadores una vez
Da. Las partes ms delicadas que requieren buena ingeniera est ubicada en la base de los cortadores donde hay un
instalado un rodamiento a prueba de polvo.

El Error de Delimitacin:
Ejemplo de Laboratorios

Sub-muestra
Analtica

Segregacin?

El Error de Delimitacin:
Seleccionando la submuestra analtica

Al menos nueve
incrementos

El Error de Delimitacin:
Ejemplos en la Planta

Muestra
Muestreador con cortador Fijado

Muestreador de
caera de presin

Muestra

El Error de Delimitacin:
Muestreo correcto en la Planta

Cinco Cortadores

Flujo de Muestreo yendo a


una similar etapa de
Muestreo ms pequea

Sobreflujo induciendo
turbulencia

Flujo Principal

Sistema de muestreo sugerido para muestreo de control de procesos de lechadas.

Para el balance metalrgico, un sistema de muestreo de flujo cruzado sera la


opcin ideal.

El Error de Extraccin:
Ejemplo durante la exploracin

El material delicado
en fracturas o
contactos es perdido
selectivamente.

100% recuperacin
65% recuperacin

97% recuperacin

Muestra en 3-metros
El Error de Extraccin podra haberse llamado Error de Recuperacin.

El Error de Extraccin:
Es crtica la buena recuperacin.

Agua de Enfriamiento
Cortadores
+
Agua

Cabezal de diamente
cnico.

Ncleo no
Interrumpido

El Error de Extraccin:
Ejemplo en la Mina

Polvo Fugitivo

Cortina

Polvo Fugitivo

Cortina

El Error de Extraccin:
Recupere todos los finos

Cicln Primario
Colector de
Barra

Hacia el
colector
de polvo

Sellos
Cicln
Secundario
Al sistema de
muestreo.

El Error de Extraccin:
Ejemplo en la Planta

Moviendo el cortador a travs


del flujo.
Cortador diseado
correctamente.

Moviendo el cortador a travs


del flujo.
Cortador demasiado angosto y
diseado equivocadamente.

El Error de Extraccin:
Ejemplo en Laboratorios

La velocidad de rotacin del divisor


rotatorio podra introducir un sesgo si es
mayor que 45 cms/segundo en el punto del
buzn del material a ser muestreado.

Buzn
Alimentacin

Transportador por
Vibracin

Los Errores de Preparacin:


Ejemplo durante la exploracin.

Contaminacin cruzada entre muestras sucesivas; mala pero


puede ser superada.

Contaminacin cruzada entre muestras lejanas


es una pobre idea.

Los Errores de Preparacin:


Ejemplos en Laboratorios

Prevenga el uso de maquinaria polvorienta de


antigua tecnologa.
Molinos de Quijada

Molinos de Rodillo

Separadores de Mineral

Pulverizadores de Disco

Los Errores de Preparacin:


Ejemplos de Nueva Tecnologa.

El siguiente equipamiento minimiza la prdida de finos.

Chancador de alto rendimiento


capaz de entregar material
de menos 0.3 cm.
Anillo de Molienda
Continuo

Divisor Rotatorio

Anillo de Molienda LM2

Muestra Final

El Error de Pesaje:
Ejemplo en la Mina y Chancado.

Los pesmetros son fuentes notorias de reconciliacin de problemas. La exactitud de muchos pesmetros es
dudosa dada la ubicacin en que estn instalados y la forma en que son limpiados, mantenidos y
calibrados.
La experiencia de terreno prueba ser mucho menos optimista que las garantas de los fabricantes.
Pese a ello, si setoman algunas precauciones, es posible pesar con exactitud usando pesmetros.
Usted necesita tres elementos para implementar un programa exitoso:
1.

La instalacin inicial del pesmetro requiere ser correcta.

El pesmetro y el transportador no existen en forma independiente. Es necesario que la empresa


de ingeniera los construya juntos como un sistema integrado.

La ubicacin seleccionada para instalar el pesmetro es crtica, ya que debe ser instalado donde
la tensin de la correa sea la mnima.

El pesmetro debe ser instalado donde el transportador (correa) est horizontal.

Se debe minimizar la detencin de los polines.

El ngulo de los rodillos albardillados debe ser muy exacto.

La defleccin de las vigas del transportador debe ser minimizada.

La temperatura ambiente debe mantenerse constante. Los pesmetros no son para ambientes
exteriores.

El Error de Pesaje:
Ms para un programa exitoso.

2.

3.

Se necesita implementar un programa de pruebas lgico.

Cada seis meses, desarrolle tres pruebas con material ya pesado.

Cada prueba necesita al menos alrededor de 30 minutos.

Las tres pruebas deben ser hechas con diferentes pesos, con el objeto de descubrir si la
calibracin cero es correcta.

El material pesado puede ser calibrado en camiones.

Esta prueba es costosa e interrumpe la produccin.

Cada dos semanas, desarrolle su prueba estndar.

Monitoree las desviaciones en los trazados de diferencia relativa para determinar, despus de
algunas semanas, si las desviaciones son variables azarsticas o no azarsticas.

W1

W2

Si W1 y W2 son calibrados en la maana, en la tarde del mismo da, a menudo ya estn en


desacuerdo.

El Error del Pesaje:


Efecto de los Almacenamientos (Stockpiles)

W1
Almacenamiento

W2
Comparemos W1 y W2 durante un largo perodo de tiempo, estos dos pesmetros deberan mostrar
exactamente el mismo tonelaje. Pero, hay un gran almacenamiento entre los dos. Suponiendo que los dos
pesmetros estn bien calibrados, la diferencia W1 - W2, sin considerar el almacenamiento, debera ser de una
variable azarstica.
Si la calibracin est siendo mal hecha en cualquiera de los pesmetros, la diferencia W1 - W2 no ser ms una
variacin azarstica.
Esto sugiere que el trazado relativo y las diferencias dimensionales expresadas en %, entre W1 y W2, tres veces
al da en un grfico de control, y siguiendo un Promedio Mvil de 20 puntos, debera indicar cuando la
diferencia relativa 100 [w1-w2]/ [(w1+w2)/2] no ser ms una variacin azarstica.

Punto
Punto Seis:
Seis:
No
No confunda
confunda cantidad
cantidad de
de trabajo
trabajo con
con
productividad
productividad real.
real.

Gelogos, mineros, metalurgistas y qumicos, deben aprender a hacer el trabajo en forma


correcta y a la primera vez.
La Calidad y la Productividad no son incompatibles.
Ambas pueden ser logradas al mismo tiempo, si los requerimientos siguientes son
cuidadosamente implementados a lo largo del tiempo de vida de un proyecto:
1.

Estudie la heterogeneidad que llevan los constituyentes de inters tan tempranamente


como sea posible.

2.

Optimice los protocolos de muestreo de acuerdo a los factores de heterogeneidad.

3.

Implemente los protocolos de muestreo usando los sistemas de muestreo correctamente


diseados y mantenidos.

4.

Cuantifique la precisin y exactitud de los protocolos de muestreo y sub-muestreo, y las


mediciones analticas.

5.

Identifique y cuantifique los componentes de variabilidad llevados mediante los datos


generados.

A menos que esta inevitable secuencia sea implementada a travs del proceso, la cantidad de
trabajo estar innecesariamente aumentada y la productividad ser pobre.

Punto
Punto Siete:
Siete:
Establezca
Establezca una
una lista
lista deseada
deseada realista
realista
para
para cada
cada parmetro
parmetrodel
del proceso.
proceso.
Los problemas de reconciliacin entre Mina y Chancado, pueden ser minimizados
si cada parmetro de control de proceso, es mantenido cuidadosamente bajo
control.
Para cada parmetro clave, establezca una lista deseada consistente en tres valores
claves:

Una Especificacin Superior [US], sobre la cual el proceso no trabaja bien.

Un Promedio Objetivo [TA], en el cual el proceso se desarrolla en la mejor


forma.

Una Especificacin Inferior [LS], bajo la cual el proceso no trabaja bien.

Para un parmetro dado, muchos administradores e ingenieros no tienen claro qu es


deseada. Tal conducta muestra una pobre comprensin de las diferentes fuentes de
variabilidad inherentes al proceso y sistemas de muestreo/medicin.

Sin lista deseada = No es posible un anlisis de


variabilidad significativo.

Un mina de nquel tiene varios bancos trabajando simultneamente. Una de las


mayores preocupaciones es el nivel de arsnico, el que debera mantenerse bajo
los 30 ppm. Los siguientes datos cubren un perodo de 6 meses.
Data
X
68

US

53.8

39.6

TA

25.4
LS
11.2

move ave

-3
1

40

79

118

157

Increment = 24 hours
US
UCL
UCL'
UCL''

=
=
=
=

3.00E+01
2.64E+01
2.97E+01
3.58E+01

LS
LCL
LCL'
LCL''

=
=
=
=

1.00E+01
1.36E+01
1.03E+01
4.25

TA
= 2.00E+01
Mean
= 1.30E+01
2 sigma

mean

Una lista deseada equilibrada es el resultado


de un cuidados anlisis de variabilidad.

Una lista deseada podra tener valores dinmicos que podran cambiar en el
tiempo.
Pese a ello, el concepto de lista deseada permanece igual, y lleva al
Administrador a decidir cundo y cmo la lista debera cambiar.
Haga una cuidadosa planificacin para coordinar la listada deseada con otros
importantes parmetros.
Una lista deseada lgica no se puede improvisar y debera ser el resultado de
un cuidadoso anlisis de variabilidad.

En consecuencia, una lista deseada es necesariamente un


proceso de toma de decisin iterativo.

Punto
Punto Ocho:
Ocho:
Trabajo
Trabajo Inteligente,
Inteligente, no
no Duro
Duro

Una buena comprensin de las varias clases de heterogeneidad y la


variabilidad que ellas generan en el proceso, ayuda a implementar un exitoso
programa de control estadstico del proceso.
En el siguiente ejemplo, la variabilidad cclica que afecta las tons/hora
procesadas a travs de un Molino SAG, obliga al Promedio Objetivo (TA) que
se ajuste a 540 tons/hora con el objeto de que el molino raramente suba a un
ajuste de punto crtico de 600 tons/hora [US].
Sobre US el desempeo del molino podra colapsar totalmente.

LS

TA

480

540

US

Frequencia

T/h

600

Minimizando la Segregacin del


Stockpile (Almacenamiento)
Chancado Primario

Segregacin

SAG

Minimizando la Amplitud del Ciclo

Nuevo TA
LS

Productividad
Mejorada

Mismo US

Ejemplo #2:
Optimizando la quebradura con explosivos

La perforacin y tronadura en la Mina, es a menudo vista como una tarea cuyo


costo debe ser minimizado.
Sin embargo, el costo de la Molienda es de alrededor de 20 veces el costo de la
tronadura.
En consecuencia, la cuidadosa optimizacin de la quebradura del terreno con
hoyos de perforacin, deberan tener un tremendo efecto econmico para las
unidades que siguen en el flujo productivo :
Minimizando la dilucin del mineral,
Incrementando la productividad de Palas y Camiones,
Minimizando los costos de chancado,
Minimizando los costos de molienda,
Incrementando la productividad de la molienda,
Incrementando la recuperacin de metal,
Disminuyendo los niveles de impurezas en el concentrado, etc....

Quebrar en vez de desplazar.

Sin un adecuado monitoreo del desempeo de la gestin de tronadura, las unidades


que siguen en el flujo productivo, es improbable que sean optimizadas.

X
La vigilancia y monitoreo X en un grfico de control, pueden generar una
gran cantidad de beneficios extras para la compaa.

Ejemplo #3:
Ms tons por da Minera/Molienda!

La optimizacin de la Mina, Molienda, Flotacin y Lixiviacin, requiere


romper el siguiente paradigma:
Ms toneladas en Minera y Molienda incrementan necesariamente los
beneficios de la compaa.
El inters cultural de la declaracin anterior est creado por el rechazo a
admitir que hay costos invisibles.
Si no puedo poner un costo en los libros de contabilidad, ste no existe

El objetivo principal de la perforacin y la tronadura


debera ser maximizar la fragmentacin y minimizar la
dilucin.

Ms Toneladas por da en Minera/Molienda


puede ser un terrible Paradigma.

Ficcin de
Factibilidad

Valor NET presente MUS$

Triste
Realidad

800

Menos

Ms

Pero los mismos beneficios

0
20
Rango Minas Mtons/ao

40

Punto
Punto Nueve:
Nueve:
Precaucin
Precaucin de
de las
las Unidades
Unidades Econmicas
Econmicas
dentro
dentro de
de la
la misma
misma Compaa.
Compaa.
Hoy en da, en muchas compaas, la Mina, la Molienda, la Fundicin, la Refinera y
algunas veces incluso los Laboratorios, podran trabajar como unidades econmicamente
independientes, dentro de la misma empresa.
La Administracin aprendi que las unidades econmicamente independientes se
desempean mejor, ya que llegan a ser ms responsables para un desempeo de costo
efectivo.
Es un buen principio. Pero, no sin peligros.
Por cierto, todas estas unidades trabajan en un cronologa lgica e inescapable, donde el
desempeo de una afecta grandemente el desempeo de la prxima.
En consecuencia, el sub-producto de las unidades econmicas es la exportacin de un
problema a la unidad siguiente, dado que no mantienen un incentivo para corregir algunos
detalles importantes.
La filosofa es la Fundicin se preocupar de eso y la Refinera de esto otro.

Para llegar a lograr un costo efectivo de esa forma, usted


bien podra crear una pesadilla para los fundidores y
refinadores.

Retroalimentacin entre Unidades

Geologa

Mina
Laboratorio
Molienda

Fundicin

Direccin por Objetivos:


S, pero!

Los Objetivos de Calidad de Datos (DQO) siempre deberan estar primero.


Objetivos de Calidad de Datos
(DQO)

Control
de Proceso
unPractice
sentido amplio y
Sampling
Theoryen
and
decisin de la administracin.

Temas Mineros

Administracin de
la Variabilidad
(EMPV)

Temas Metlrgicos

Pronstico Geostadstico y Estadstico

Evaluacin del Riesgo, Elipse de


Precisin y Corte.

Capacidades del Laboratorio

Temas del Cliente

Recursos Humanos

Control de Proceso en un sentido amplio y decisin


de la administracin.

Punto
Punto Diez:
Diez:
La
La Seleccin
Seleccin de
de la
la ley
ley de
de corte:
corte:
Precaucin
Precaucin con
con la
la mala
mala clasificacin.
clasificacin.
La informacin de respaldo de Geologa, Mina y Molienda debe ser objeto de cuidadosos
anlisis estadsticos.
Un ejemplo es el costo de la precisin, que afectan las muestras de los hoyos de perforacin.
La Precisin, la cual podra generar una enorme mala clasificacin de la ley del mineral, no es
tomada lo suficientemente en serio en la mayora de las operaciones mineras.
Su efecto est mezclado con el deseo de llegar a ser sobre-selectivo, a travs del uso de leyes de
corte de mineral no realistas, basadas nicamente en realidades econmicas.
El diagrama de la diapositiva siguiente, ilustra un caso donde la Administracin selecciona una
ley de corte econmica para alimentar el molino con una ley promedio terica que fue predeterminada mediante un estudio de factibilidad.
Pero, la variabilidad azarstica que afecta el dato base, necesariamente resulta en una mala
clasificacin de la ley del mineral.
Si la ley esperada no es obtenida, la administracin podra ser tentada a incrementar la ley de
corte del oro.

Esta es una decisin reactiva, no est direccionada a las causas


del problema y corta drsticamente las reservas de mineral.

La Elipse de Precisin:
Una visin de la realidad

Muestras de Hoyos de Perforacin duplicadas de una mina de oro.


4.62
0.83
0.49
1.4
2.07
1.4
1.34
1.78
1.39
1.67
2.33
5.57
4.13
3.97
3.8
2.65
4.63
3.81
7.3
5.41
5.12
3.93
4.65
7.71
1.64
4.28
2.86
4.37
3.73
2.98
2.37
1.31
2.08

3.92
3.62
1.1
0.86
1.47
1.59
1.63
2
1.03
1.14
2.39
3.91
4.48
4.09
3.75
3.45
5.6
3.76
7.21
5.73
4.84
4.74
4.74
6.8
3.3
4.49
2.96
4.43
3.53
3.49
2.71
1.48
1.11

1.37
1
1.76
4.47
4.81
1.72
1.45
1.21
3.4
5.58
3.56
1.4
0.47
0.51
1.24
0.89
1.3
2.54
3.69
4.32
4.81
7.79
5.61
5.67
7.93
6.29
5.59
9.48
14.1
9.45
7.22
7.62
6.79

0.9
1.09
1.35
2.51
3.01
2.22
1.41
1.55
1.33
3.46
3.5
1.11
0.56
0.59
0.81
1.01
1.11
2.18
3.42
3.91
4.43
8.04
5.76
8.15
6.74
6.05
4.53
13.5
13.4
14.2
9.45
6.29
6.89

3.83
3.78
4.08
4.23
1.55
1.43
1.33
0.41
0.29
1.51
0.72
2.88
2.84
0.32
0.29
1.01
0.36
1.21
2.42
2.09
4.06
2.26
5.69
4.11
7.41
8.72
7.24
9.45
14.1
9.48
8.79
8.4
8.28

3.63
3.39
4.05
2.12
1.27
1.39
1.05
0.36
0.31
0.93
0.82
1.13
3.09
0.35
0.26
0.83
0.37
1.61
1.92
0.65
4.14
3.14
5.33
4.12
7.88
8.86
12.9
9.36
6.24
13.5
10.7
10.3
3.41

La Elipse de Precisin:
Deteccin de un costo invisible.

La Elipse de Precisin:
Mineral mal clasificado.
Estril mal
clasificado como
mineral

Mineral mal
clasificado como
estril.

Simulacin de la verdadera ley in-situ

El Histograma de precisin:
Diferencias Relativas

Este Histograma de referencia


es obtenido de muestras
duplicadas de rutina.

Los nuevos Histogramas del muestreo


y el Histograma simulado.

Los cuatro enemigos de la precisin

El Efecto Nugget (Pepita) In-situ

El Error Fundamental

El Error de Agrupamiento y Segregacin

El Error Analtico

El Efecto Nugget In-situ

La varianza del Efecto Nugget in-situ, es inversamente proporcional al volumen


de la muestra.

El Error Fundamental

El Error Fundamental (FE) es el efecto directo de la Constitucin de Heterogeneidad de


un lote (CHL), el cual est expresado como sigue:

CH L N F

ai

a L M i2
a L2 M L2
2

donde NF es el nmero total de fragmentos F en el lote L, ai es el contenido de oro de un


fragmento, aL es el contenido promedio de oro del lote , Mi es el peso de un fragmento, y
ML es el peso del lote.
CHL est expresado como una varianza relativa, no dimensionada. Esta frmula es
completa y no contiene ninguna aproximacin ni suposiciones. Es muy importante el punto
de partida en la Teora del Muestreo. Para eliminar la tarea de estimar N F definimos un
nuevo y ms pragmtico trmino: IHL llamado Factor Constante de Constitucin de
Heterogeneidad.

IH L CH L

ML
CH L M i
NF

ai

a L M i2
a L2 M L
2

El Error Fundamental [2]

Con el objeto de estimar el IHL de una forma amistosa, podramos ordenar el lote en una
suma doble de fracciones de tamao y densidad, como se ilustra en la siguiente diapositiva.
Es el mismo lote. Ahora, el IHL llega a ser:

IH L

aL

M L

a L2 M L

donde V es el volumen promedio de un fragmento en una fraccin de tamao dada , y


es la densidad de una clase de densidad dada .
Esta es nuestra frmula de referencia. Es completa y no involucra suposiciones. Con el
objeto de estimar el IHL es posible desarrollar un completo anlisis de tamao-densidad en
un compuesto representativo de una unidad geolgica dada. Tal prueba est bien
documentada en el trabajo de Gy, pero es engorrosa y muy cara. Las aproximaciones
pueden ser hechas con las dos suposiciones, las cuales llevarn a un enfoque mucho ms
amistoso.

El Error Fundamental [3]

Suposicin 1: La experiencia muestra que el contenido de oro a vara mucho ms de


una fraccin de densidad a la prxima que de un tamao de fraccin a la prxima. En
consecuencia, en la anterior ecuacin podramos sustituir a por a. Esta suposicin es
siempre cercana a la verdad.

Suposicin 2: El estudio de un gran nmero de casos reales muestra que las


proporciones ML/ML varan poco de una fraccin de densidad a la prxima. En
consecuencia, podramos suponer que ML/ML puede ser reemplazada por su promedio
ML/ML , lo cual da ML = MLML /ML.
Ahora, podramos estimar IHL como sigue:

IH L

M L

M L

aL

a L2 M L

M L

El Error Fundamental [4]

L1

L2

L3

L 1

L 2

M F 11
M 11
a 11

M F 12
M 12
a 12

M F 21
M 21
a 21

M F 22
M 22
a 22

M F 31
M 31
a 31

M F 32
M 32
a 32

L 1

L 2

L 3

M F 13
M 13
a 13

M F 23
M 23
a 23

M F 33
M 33
a 33

L 3

IH

Modelo
S i z e - dde
e n s tamao-densidad
i t y m o d e l o f a l o t de un lote

El Error Fundamental [5]

El Factor Constante de la Constitucin de Heterogeneidad IHL puede ser dividido en los


siguientes componentes:

IH L fgcd 3
donde f es un factor de perfil de fragmento de alrededor de 0.5, g es un factor de
distribucin de tamao de fragmento de alrededor de 0.25, c es un factor de composicin

mineralgica,
es un factor de liberacin, y d es la abertura de tamao de un tamiz que podra retener
el 5% del material a ser muestreado en cualquier etapa de muestreo dada. Generalmente, la
principal dificultad yace en la estimacin del factor de liberacin por lo cual la literatura de
muestreo es cargada con preocupantes conceptos equivocados. La literatura en el
procesamiento de minerales guiada por el Dr. Pierre Gy en recientes publicaciones sugieren
la siguiente frmula:

d0
d

El Error Fundamental [6]

donde do es el tamao de liberacin del oro. En esta etapa, es adecuado rellamar la


definicin del tamao de liberacin do, como es mal utilizado a menudo en la literatura
de muestreo. El tamao de liberacin del oro do es definido como el tamao bajo el cual
el 95% del material debe ser molido con el objeto de liberar completamente al menos el
85% del oro. En consecuencia, no debera sorprender que do podra llegar a ser
extremadamente pequea cuando una cantidad sustancial de oro est en la solucin con
la roca. Analizaremos este problema mayormente en una de las prximas secciones de
este curso. Conociendo el IHL y todos sus otros componentes pueden llevar al clculo
de do. El producto K = fgcdo es relativamente constante de un estado de molienda a
otro (no se confunda con una fraccin de tamao a otra donde c puede cambiar
sustancialmente). Luego, el nomografo del muestreo puede ser calculado utilizando la
siguiente frmula:

1
1
2.5

Kd

M
M
S
L

2
S FE

El Error de Agrupamiento y Segregacin.

El Error de Agrupamiento y Segregacin (GE) es el efecto directo de la Distribucin


de Heterogeneidad de un lote (DHL), el cual se expresa como sigue:

DH L (1 YZ ) N G
i

ai

a L M i2
a L2 M L2
2

donde Y es un factor de agrupacin, Z es un factor de segregacin, y N G es el nmero


de grupos de fragmentos en el lote. NG est establecido por el tamao del incremento
recogido para hacer la muestra. De esta forma, la en la teora de muestreo la varianza del
Error de Agrupamiento y Segregacin se expresa como sigue:

2
2
S GE
YZS FE

Esta nueva varianza es imposible de calcular exactamente, debido a que el factor de


segregacin Z est establecido por la cantidad de segregacin que tiene lugar en el lote,
el cual es un fenmeno transitorio, dependiendo de la gravedad y muchos otros factores.
El clculo de la varianza es un ejercicio ineficaz. Sin embargo, deberamos analizar el
probable dominio de aquella varianza.

El Error de Agrupamiento y Segregacin [2]

Sabemos que DHL vara entre un mximo denominado CHL y un mnimo denominado
[DHL]min. , dada la omnipresencia de gravedad, diferencias severas en las densidades del
minera, y en tamaos de fragmentos, el DHL jams es cero. El [DHL]min es una variable
azarstica con una media (mean) que puede ser calculada como sigue:

mean DH L min

NG
CH L
NF

DHL

(DHL)min

Tiempo de
mezclado

El Error Analtico

Un procedimiento analtico incrementa probablemente la precisin y la variabilidad de


la exactitud en los siguientes puntos:

Alcance versus principio


Interferencias Acumuladas
Interferencias Proporcionales
Lnea Base de Temperatura de Secado
Tcnica de Disolucin
Composicin de residuos de disolucin
Contaminacin y Prdidas

El Nomograma de Muestreo:
Protocolo de muestreo recomendado.

Punto
Punto Once:
Once:
Diferencia
Diferencia entre
entrela
la variabilidad
variabilidad
azarstica
azarstica yyno-azarstica.
no-azarstica.
Un proceso podra ser forzado a quedar sin rumbo, a menos que el operador
est adecuadamente entrenado para reaccionar ante la variabilidad del muestreo
o medicin. Si no es exitosa, el operador podra potencialmente duplicar la
variabilidad total del proceso, cuando lo mejor que podra haber hecho es
dejarlo solo.

LS

TA

US
A

39

41

43

Cuando lee una medicin en el Punto A,


un operador consciente podra
corregir A por TA.

% Solidos

Forzando el proceso a quedar sin rumbo

El operador que no se dio cuenta de la variabilidad azarstica no tuvo nada que


hacer con el proceso.

LS

TA

US
A

39

41

43
% Slidos

El peligro del Sobre-control:


Tiempo de Pnico!

Sorprendido por la lectura en el Punto B, el operador corrige el B por TA,


repitiendo su error por segunda vez.

LS

TA

US

41

43

39

Variabilidad Original
Nueva Variabilidad

% Slidos

Punto
Punto Doce:
Doce:
Minimice
Minimice constantemente
constantemente
el
el costo
costo invisible.
invisible.
Cumplir los requerimientos provistos por una listada deseada no resulta en una minimizacin
constante del costo invisible. El Mejoramiento no es un esfuerzo de una sola vez.
A travs del pensamiento estadstico, es importante balancear los costos visibles e invisibles. Pero
mucha gente cree que cumplir con las especificaciones resulta en cero prdidas de dinero, como
se sugiere en el siguiente cuadro.
Cada vez que un sobreflujo del cicln que alimenta una planta de flotacin no cumple con las
especificaciones porcentuales de slidos, tiene lugar una cada en la recuperacin de metal y
productividad equivalente a US$1000.

LS

$
Prdida

TA

US
Nuevo
proceso

Antiguo
proceso
Prdida

Prdida
39

41

43

% Slidos

Prdidas monetarias basadas en costos


visibles e invisibles.

Para el control del grado del mineral, cualquier valor de error en la precisin, originado por el muestreo
y la medicin, genera una prdida monetaria.

LS
$ Prdida

TA

US
Nuevo
protocolo

Funcin de
Prdida

Antiguo
protocolo

-15%

+15%

El US y el LS debe ser seleccionado de acuerdo a lo que se juzgue como prdida razonable de dinero.
Sin embargo, se debe comprender claramente que an entre el US y el LS, hay una prdida monetaria.

Minimice la superficie de la elipse de precisin


para el control de grado del mineral.

La minimizacin de la superficie de la elipse de precisin, para el control de


grado del mineral, debe ser lograda mediante un cuidadoso monitoreo de la
precisin de cada muestra, sub-muestra y etapa analtica:

Duplique las muestras durante la exploracin


Duplique las muestras desde los hoyos de tronadura
Duplique las muestras de cada etapa de reduccin de peso de la
muestra.
Duplique los ensayos

Cada vez que el anlisis de la varianza de estos duplicados (contramuestra)


detecte un punto dbil, debe tomar accin, ya sea mediante el cambio de los
protocolos, cambiando el equipo de muestreo, o capacitando al personal.

Punto
Punto Catorce:
Catorce:
Implemente
Implemente un
un ciclo
ciclo de
de pensamiento
pensamiento creativo
creativo

El personal de Mina y Planta debe convivir en un sistema donde ellos puedan


conversar libremente sobre sus problemas. El siguiente ciclo es una falla total de la
administracin.

Objetivos Estratgicos

Geologa

Administracin Superior

Mina
Molienda

Lixiviacin
Flotacin
Fundicin

Electroobtencin

Refinera

Plan de Negocio Minero y Ejecucin


Geoestadsticas
Cronoestadsticas
QA/QC

Herramientas
Balance Metalrgico
Control de Procesos
Efectos
Contabilidad

Muestreo
Laboratorio
Modelos

Temor = Problemas de reconciliacin no


resueltos entre Mina/Molienda

Incremento del
Temor
Balance Metalrgico
ajustado diariamente

Matar al
mensajero

Administracin
Autoritaria

Informacin
Filtrada

Eliminacin de
Cifras Desconcertantes.

Conversando libremente sobre los problemas

Entusiasmo y orgullo

Equipo de Trabajo:
Manjelo sin temor

Confianza

Romper barreras
entre los Departamentos

Anlisis de variabilidad
en curso de
todos los datos existentes.

Enfasis en los
problemas estructurales

Punto
Punto Quince:
Quince:
Establezca
Establezca prioridades
prioridades de
de manera
manera econmica
econmica

Muchas personas estn desmotivadas por la complejidad de la idiosincracia de la reconciliacin de


la Mina/Molienda. Pero el problema puede ser resuelto, o al menos minimizado, si se asume una
buena estrategia.

Efecto del
problema

Problemas de
Alta Prioridad

Problemas a ser
resueltos despus de
desarrollar un Estudio
de Factibilidad.

Problemas de
Baja Prioridad

Problemas que no
ameritan demasiada
atencin.

Costo para solucionar el problema

Estableciendo prioridades:
Ejemplo para una mina de oro

Los anlisis de variabilidad en curso de todos los datos cronolgicos existentes, pueden ayudar a
establecer prioridades de manera lgica.

Efecto del
problema

Causas
DQO
FE GE
EE PE
WE AE

DE CE3

CE2

Pruebas de Sesgo,
Protocolos Firmados,
Factores de
Correccin,
Efectos.
Costo de solucin del problema

Punto
Punto Diecisis:
Diecisis:
Mejorar
Mejorarla
la variabilidad
variabilidad es
es
mejorar
mejorarla
la recuperacin
recuperacin de
de metal.
metal.
Es una experiencia de FPSC que un estricto control de los rangos de grados del metal de inters, entregados
por la Mina, tienen un profundo impacto sobre las recuperaciones de metal y tambin sobre la calidad de los
concentrados.
Todas las minas que tuvieron una administracin de apoyo a la poltica de mezclas de mineral, observaron
un gran mejoramiento en la molienda, fundicin y refineras en el perodo de un ao.

30

%Mo ROM
Variabilidad por turno

Recuperacin % Mo
100

20
50
10

0
Perodo: 6 meses
Recuperacin de Mo en una mina de cobre de gran tamao

Punto
PuntoDiecisiete:
Diecisiete:
Para
Paramejorar,
mejorar,utilice
utiliceherramientas
herramientasestadsticas
estadsticas
pragmticas
pragmticasbasadas
basadasen
enla
laobservacin
observacingrfica.
grfica.

Los complejos anlisis estadsticos a menudo son insuficientes para transmitir un mensaje
claro a los usuarios de las minas y la molienda.
En la era de los computadorres, nosotros sugerimos fuertemente que se debe enfatizar las
observaciones de los grficos, as la administracin puede comprender, rpida y
efectivamente, la variabilidad del proceso que tiene lugar dentro del da.
Por ejemplo, se pueden y se deben desarrollar coeficientes de correlacin, pruebas de
sesgo de significancia y otros clculos sofisticados. An as, a menudo son insuficientes
para dar una visin concreta de un problema.
Sin embargo, un trazado de diferencias relativas asociado con un simple promedio mvil,
como se muestra ms abajo pueden ayudar a un administrador de una manera mucho ms
efectiva.
No solamente puede ser cuantificada inmediatamente la magnitud de un sesgo, sino que
tambin puede ser seguida su evolucin en funcin del tiempo o grado.

Despus de todo, en el muestreo, no hay nada mejor que un sesgo


constante.

Ejemplo: Hoyos de Tronadura para oro


Ensayo de fuego cianuro lixiviado: Tiempo

Ejemplo: Hoyos de Tronadura para oro


Ensayo de fuego cianuro lixiviado: Grado

Punto
Punto Dieciocho:
Dieciocho:
Utilice
Utilice herramientas
herramientas de
de grficos
grficos concretas
concretas
para
para cuantificar
cuantificarcostos
costos invisibles.
invisibles.
Existing Data
Weight Units:
Content Units:
Ore:
PC:

Grams
g/t
Gold
1.5

Low Background Content Chart


LBC Chart Title
Low Background Gold Content
LBC X axis:
Samples ordered by increasing % Gold
LBC Y axis:
g/t Gold
Random Variability Chart
VAR Chart Title
Random Variability Guidelines
VAR X axis:
Weight of Gold Sample in Grams
VAR Y axis:
S g/t Gold
Composite Mode:
Sample Weight:
Grid Data:

Vertical Composites:
N samples:
N missing:
V ne:
A:
B:

Veritcal
8000
0.5
0.9
0.1
0.4
0.5
1.7
0.6

0.4
1.3
1.9
1
0.7
2.3
1.5

1
0.1
2.1
3.2
2.3
2.9
2.7

1.8
2.7
0.6
39
0.5
4.6
3.1

2.3
4.5
3.7
2.1
5.6
1.2
0.7

0.67

1.3

2.04

7.47

2.87

42
0
34.08
272675
1.4

5.96 S_2:

2.5 Q:

Horizontal Composites
1.12
1.6
2.48
7.72
1.63
2.2
1.47
Q_h:
6
1.26 Q_v:
7
0.7
0.1
6.5
0.6
0.2
0.5
0.2

Utilice el Diagrama de Muestreo


para acumular evidencias

Minimice trabajo y costos para


obtener la mxima informacin de calidad

Francis
Pitard
Sampling
Consultants

Programa Computacional EMPV


Reutilice Datos Existentes
Vaya adelante en el juego con el software EMPV
Sus datos han sido reunidos meticulosamente y almacenados a un costo
considerable. Tienen valor. No deje que se hagan polvo. Ahora con EMPV, usted
puede poner a trabajar esos datos y determinar la fuente de variabilidad mientras est
controlando los parmetros de los procesos claves. El programa EMPV de FPSC
(Administracin Efectiva de Procesos de Variabilidad) es fcil de usar y aprender,
poderoso y totalmente integrado. Posee avanzadas funciones crono-estadsticas que
facilitan la generacin de variogramas, cartas de control, cartas de promedio mvil y
grficos de torta.
EMPV es una efectiva herramienta utilizada por administradores para investigar los
parmetros de control de los parmetros de procesos claves de la operacin.
Tales investigaciones sobre la variabilidad de los procesos, minimizan las
consecuencias negativas resultantes de.
Productos de baja calidad
Baja recuperacin de metal
Consumo de energa
Consumo de reactivos qumicos
Mantencin excesiva o carencia de ella
Costosa sobre-correccin del proceso (re-proceso)
Metas no realistas
Desacuerdos entre Departamentos
Enfoque sobre efectos negativos

Algunas aplicaciones representativas del EMPV para lograr un mejor control de


Alimentacin de distribucin de tamao a una planta de flotacin.
Contenido de cianuro de un estanque de lixiviacin de oro.
Contenido de metal en escoria
Contenido de humedad del concentrado de cobre que alimenta a una Fundicin.
Descarga de polucin de una planta Regular
pH a travs de un proceso de lixiviacin de oro CIL o CIP
Temperatura de horno pirometalrgico
Impurezas en ctodos de cobre
Impactos de temperatura causados por desalineamiento del eje de un Molino SAG
Prdidas de carbn cargado (Gold) a travs de una planta CIL o CIP, etctera

Caractersticas del EMPV


Windows Estndar 95, 98, 2000 Interfase grfica de usuario
Capacidad para leer datos de un Libro de Trabajo Microsoft Excel 5
Formatos de archivo soportados para conjuntos de datos son: .vts, .xls, tab delimitados
ascii
Salidas grficas configurables por el usuario de alta calidad.
Trazado de datos, distribucin, promedio mvil y datos corregidos.
Trazados de variogramas Absolutos y Relativos con informes de retroalimentacin
sugeridos.
Cartas de Control de Procesos
Carta de Investigacin de Variabilidad
Grfico de Torta
Manual de Referencia del Usuario linkeado con Hyper-texto

EMPV is available exclusively for clients of FPSC.


14800 Tejon St.
Tel: 303.451.7893

Broomfield, Colorado 80020

Fax: 303.280.1396

http://www.fpscsampling.com

USA

E-mail: fpsc@aol.com

Uso del Variograma para identificar


los componentes de la Variabilidad

Rel Variogram: % Solids in cyclone overflow

V[Cclico

0.0061

Vario

0.0048936

0.0036872

V_cyclic+

V[proceso j=1]

0.0024808

0.0012744

V_cyclic-

V_trend_j

V[0]

V[tendencia j=12

6.8e-005
0

10

15

v[j=1] = 1 hour
Vario = Rel | Mean
Begin = 1
| Std
End
= 51 | Var

= 3.26E+01 | V(0) = 3.40E-04 | V[process j=1] = 1.61E-03


= 7.35E-02 | V(1) = 1.95E-03 | V[trend j=12] = 4.17E-03
= 5.40E-03 | Vmax = 6.10E-03 | V[Cyclic]
= 1.43E-03

20

Capacidad de Control Presente

Control de proceso de mala calidad = Reconciliacin


de mala calidad
X

% Solids
cycloneEN
overflow
PORCENTAJE
DE in
SOLIDOS
EL SOBREFLUJO DEL CICLON

US
41
TA
38.4

LS
move ave

35.8

mean
33.2
UCL
LCL

30.6

UCL'
28
1

11

21

31

41

51

LCL'

Increment = 1 hour
UCL''

US
UCL
UCL'
UCL''

=
=
=
=

3.60E+01
3.42E+01
3.55E+01
3.73E+01

LS
LCL
LCL'
LCL''

=
=
=
=

3.00E+01
3.18E+01
3.05E+01
2.87E+01

TA
= 3.30E+01
Mean = 3.26E+01
2 sigma

LCL''

Francis
Pitard
Sampling
Consultants

Programa Computacional OGC


Visualice el costo de la variabilidad con el Programa
OGC
OGC (Control de Grado del Mineral) es una herramienta efectiva para evaluar el
origen de la variabilidad de cualquier modelo de muestreo:
Un modelo de perforacin de exploracin,
Un modelo de perforacin de hoyos de tronadura,
Un modelo de perforacin de ctodos de cobre,
Un modelo de sub-muestreo de laboratorio a partir de una pulpa de muestra
analtica.
Por lo tanto, el enfoque OGC es muy verstil. Utiliza los principios de la Teora del
Muestreo como fue presentado por C.O. Ingamells. OGC no es un substituto para
buenos geoestadsticos, sino ms bien una herramienta complementaria que
muestra los efectos de no tener buenos programas geoestadsticos.
OGC es una herramienta efectiva, utilizada por los Administradores para investigar si
los protocolos de muestreo y modelos de muestreo son optimizados, y si no lo son,
los posibles efectos negativos que ello involucra.
Tales investigaciones sobre protocolos de muestreo y modelos de muestreo
imperfectos, podran minimizar las consecuencias negativas resultantes de
Protocolos de muestreo y sub-muestreo de mala calidad
Frecuencia de muestreo de mala calidad.

Datos Altamente Sesgados


Elipses de precisin mala calidad
Mala calidad en la seleccin de grado de corte
Grados de corte incompatibles con las elipses de precisin.
Costos de operacin muy elevados e invisibles.

Algunas aplicaciones del OGC podran incluir:


Evaluacin de fuentes de variabilidad en los datos existentes
Evaluacin de caractersticas de muestreo en un mineral primario o producto.
Optimizacin de los costos de explotacin mediante la optimizacin del peso
total de la muestra.
Cuantificacin de posibles prdidas monetarias usando las elipses de precisin
Cuantificacin de posibles prdidas monetarias usando muestras duplicadas
Cuantificacin de posibles prdidas monetarias usando muestras duplicadas
simuladas

La elipse de precisin:
Deteccin de un costo invisible

Uso del diagrama de muestreo para


acumular evidencias

Caractersticas OGC:
Windows Estndar 95, 98, 2000 interfase grfica de usuario
Capacidad para leer datos de un Libro de Trabajo Microsoft Excel 5
Los formatos de archivo apoyados para conjuntos de datos son: .vts, .xls, tab
delimited ascii
Salidas grficas de alta calidad configurables por el usuario.
Sofisticados Diagramas de Muestreo, elipses de precisin y su sinergia con cortes
de grado seleccionados.
Trazados de Diferencia Relativa y Promedio Mvil para detectar sesgos
adicionales.
Manual de Referencia del Usuario linkeados con Hyper-texto

OGC est disponible exclusivamente para clientes de FPSC.


14800 Tejon St.
Tel: 303.451.7893

Broomfield, Colorado 80020

Fax: 303.280.1396

http://www.fpscsampling.com

USA

E-mail: fpsc@aol.com

Francis
Pitard
Sampling
Consultants

Programa Computacional OSP


El OSP (Optimizacin de los Protocolos de Muestreo) es una herramienta altamente
efectiva utilizada por cualquiera que trate de optimizar un protocolo de muestreo.
Simplifica clculos complejos y provee un format lgico para ayudarlo a interpretar las
Pruebas de Heterogeneidad. Los Nomgrafos son la metodologa grfica fundamental
utilizada para facilitar la presentacin e interpretacin de:
Muestreo de anlisis de distribucin de tamao.
Metales preciosos o base liberados.
Pruebas de Heterogeneidad involucrando fragmentos o muestras recogidas una por
una.
Pruebas de Heterogeneidad involucrando muestras duplicadas.
Anlisis de datos pareados (Pairs)
El OSP es utilizado para optimizar los protocolos de muestreo para anlisis de
distribucin de tamao de partculas, para metales preciosos liberados y para
componentes no liberados de inters.
El OSP es utilizado para detectar sesgos condicionales en dos series de mediciones
generadas por dos diferentes mtodos respectivamente.

OSP apoya 5 opciones mayores:


1. Muestreo para anlisis de distribucin de tamao (Tamao).
2. Casos donde es liberado un metal precioso, o cualquier otro metal o mineral
(Metal)
3. Pruebas de Heterogeneidad involucrando fragmentos o muestras recolectadas una
a una (Hetero #1)
4. Pruebas de Heterogeneidad involucrando muestras duplicadas (Hetero #2)
5. Anlisis de Pareo de Datos (Pairs) utilizando el Trazado de Diferencia Relativa y el
Promedio Mvil.
Las Tcnicas Grficas facilitan la presentacin e interpretacin de estos anlisis. Los
Nomgrafos son la metodologa grfica fundamental en las primeras 4 opciones. Un
Nomgrafo le permite representar la relacin entre tres variables sobre una carta de
dos dimensiones. Por ejemplo, la Opcin 1 (Tamao - Size) relaciona las tres
variables.
Tamao de partcula mxima de metal liberada, d
Variacin del Error Fundamental , S2FE
Peso de la Muestra, MS

El pre-requisito para el uso del programa OSP es que el usuario debe estar
familiarizado y cmodo con la Teora del Muestreo. Por lo tanto, el usuario debe tener
un entrenamiento intensivo de los cursos breves de Francis Pitard. De otra manera,
el riesgo de la sub-utilizacin y mal uso del programa es grande. El archivo HELP
(ayuda) maneja solamente los mecanismos del programa, pero no la Teora del
Muestreo.

Caractersticas OSP:
Windows Estndar 95, 98, 2000 interfase grfica de usuario
Capacidad para leer datos de un Libro de Trabajo Microsoft Excel 5
Formatos de archivo apoyados para conjuntos de datos son: .vts, .xls, tab delimitado ascii
Salidas grficas de alta calidad configurables por el usuario.
Nomografos de muestreo
Evaluacin de protocolos de muestreo existentes
Protocolos de muestreo recomendados
Trazados de diferencia relativa y promedio mvil
Deteccin condicional de sesgos
Manual de Referencia del Usuario linkeados con Hyper-textos

OSP est disponible exclusivamente para clientes de FPSC.


14800 Tejon St.
Tel: 303.451.7893

Broomfield, Colorado 80020

Fax: 303.280.1396

http://www.fpscsampling.com

USA

E-mail: fpsc@aol.com

Ejemplo: Hoyos de Tronadura para oro


Ensayo con fuego cianuro lixiviado: Grado

TRAZADO DE DIFERENCIA RELATIVA CON UN PROMEDIO MVIL DE 7 PUNTOS POR LEY PROMEDIO:
ENSAYO DE FUEGO - 10.000 GRAMOS CIANURO LIXIVIADO.

El Muestreo Nomografo:
Protocolo de muestreo recomendado

PRUEBA DE HETEROGENEIDAD PARA COBRE : NOMOGRAFO DE MUESTREO PARA K = 10,


E ILUSTRACIN DE UN PROTOCOLO DE MUESTREO RECOMENDADO.

Ruta ptima