Curso Pitard Junio 28

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
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 Extraccin
Error de Preparacin
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
Laboratorio B
Muestreo + Ensayo es lo suficiente exacto y reproducible.
Caos, exactitud y precisin
Laboratorio A
Bisectriz
45o
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
Laboratorio A
Bisectriz
45o
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
Laboratorio A
Bisectriz
45o
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
Laboratorio A
Bisectriz
45o
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.
Laboratorio A
Bisectriz
45o
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
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
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
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
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
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.
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.
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
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
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?

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.
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
estndar designada del Error Fundamental s = + - 5%.
estndar designada del Error Fundamental s = + - 1 %.
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%.
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.
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
(Stockpile):
Siempre
Siempretenga
tengaacceso
accesoaacualquier
cualquierparte
parte
que
quedesee,
desee,al
alazar.
azar.
Muestreo
Muestreode
deun
unApilamiento
(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
Ancho del corte

no constante.
El
ElMuestreador
MuestreadorRotatorio
RotatorioVezin
Vezin
Flujo
u
3d
Flujo
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
Borde
Principal
Forma
Formade
delos
losBordes
Bordesdel
delCortador
Cortador
Borde de
Salida
Fragmento
fcilmente
perdido.
Borde
Principal.
Fragmento
ganado con
dificultad.
Paredes Interiores
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
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.
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.
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

Tercer Punto V[j=3] del Variograma

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)

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
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
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
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
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
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

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.
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.
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.

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

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.

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
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
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
El efecto Nugget in-situ

El Error Fundamental
Segregacin.
Intervalos de Muestreo
Modos de Muestreo
Implementacin de los
Error de Extraccin
Errores de Preparacin
Fraude
Error en el Peso
Error en el Pesaje
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 Extraccin
Error de Preparacin
Error Peridico
Error de Pesaje
Error Analtico
Pata #3:
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..
Ejemplo en la Mina
Muestreo en Hoyo de Tronadura
RecuperacinZero
Muestra
Recuperada
Buena Recuperacin
Sub-perforacin
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.
Ejemplo de Laboratorios
Sub-muestra
Analtica
Segregacin?
Seleccionando la submuestra analtica
Al menos nueve
incrementos
Ejemplos en la Planta
Muestra
Muestreador con cortador Fijado
Muestreador de
caera de presin
Muestra
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.
Es crtica la buena recuperacin.
Agua de Enfriamiento
Cortadores
+
Agua
Cabezal de diamente
cnico.
Ncleo no
Interrumpido
Ejemplo en la Mina
Polvo Fugitivo
Cortina
Polvo Fugitivo
Cortina
Recupere todos los finos
Cicln Primario
Colector de
Barra
Hacia el
colector
de polvo
Sellos
Cicln
Secundario
Al sistema de
muestreo.
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.
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.

Ejemplos en Laboratorios
Prevenga el uso de maquinaria polvorienta de

antigua tecnologa.
Molinos de Quijada
Molinos de Rodillo
Separadores de Mineral
Pulverizadores de Disco

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
Deteccin de un costo invisible.
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 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 (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.
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
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 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
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
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.
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

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
USA
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
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
Fax: 303.280.1396
USA
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
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
Fax: 303.280.1396
USA

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

Curso Pitard Junio 28

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Curso Pitard Junio 28

Uploaded by

Copyright:

Available Formats

CURSO TEORIA DEL

MUESTREO (F. PITARD)

Direccin de Calidad - GRAC

Implementando el Protocolo de Muestreo

Manteniendo la Integridad de la Muestra

Error de Agrupamiento y Segregacin

nada que perder

Costo de solucin del problema

Costo de solucin del problema

La Mesa de tres patas

Identifique Problemas Circunstanciales

Comprender y actuar sobre todas las

Sea Proactivo en vez de Reactivo

Hay varios tipos de Variabilidad

Todos los errores de muestreo magnifican

Los Geoestadsticos analizan la Variabilidad

Los Cronoestadsticos analizan la Variabilidad

Minimice la Variabilidad mediante un Constan

Definicin de Trminos Bsicos

Dado que el desarrollo de la teora del muestreo es

de muchos trminos fundamentales.

Polvos o Slidos Finos

Los polvos o finos slidos comprenden materiales que

El manejo se vuelve ms difcil con

Las pastas son mezclas de slidos y lquidos que no se

Los Problemas son:

1. Adherencia y friccin a la superficie del equipo,

Un incremento es un grupo de partculas o

Una muestra es una parte del lote, a menudo obtenida

Una muestra no es solamente alguna parte del lote:

Su extraccin debe ser equi-probabilstica.

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

Un especimen nunca debera usarte para representar el lote

Su propsito solamente debera ser cualitativo.

Una propiedad depende de la parte del problema

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

Es una propiedad intrnseca del material a ser muestreado.

Muestra Primaria preparada S1

Muestra Secundaria preparada S2

Muestra Terciaria preparada S3

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

Una muestra sesgo significativa es siempre introducida

Generalmente, un muestreo corregido no es sesgado en

Modelo de Seleccin Continua

El muestreo es un proceso de seleccin y la continuidad es

De esta manera, cuando miramos un lote que usa un

El modelo discreto identifica el lote con un conjunto

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

El resultado obtenido del anlisis de una muestra de

Este siempre est afectado por varios errores, y no hay

Por definicin, el contenido verdadero desconocido de una

Un estimado puede ser seleccionado para representar el

Un estimado puede ser seleccionado para representar el

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

La importancia de una clara definicin de heterogeneidad

Dado que la homogeneidad puede definirse como la

Consecuentemente, decimos que la homogeneidad es

Hay varios tipos de heterogeneidades y

En un primer anlisis podemos identificar dos tipos de

En un segundo anlisis, podemos identificar otros tipos de

Aprendimos que la contribucin total de heterogeneidad h

1. Corto-Plazo, heterogeneidad al azar h1

Error de Fluctuacin de Heterogeneidad CE