1

LA TEORIA DEL MUESTREO

Una muestra es una pequea porcin de un lote de material, el cual contiene todos los componentes, en la
misma proporcin que existe en el original. El objeto de cualquier procedimiento de muestreo es obtener un
porcin representativa del todo. Las propiedades analizadas de la muestra pueden ser usadas para predecir o
pronosticar las propiedades de la poblacin de la cual la muestra fue extrada.
El control de calidad de cualquier industria se basa en procedimientos de muestreos constantes y
regulares. Adems, es necesario un conocimiento de estadstica aplicada para el caso que se desee pronosticar
las caractersticas de la poblacin a partir de los resultados de muestreo. El rol del anlisis estadstico es
grande en cualquier tecnologa donde se desee establecer la validez de un conjunto de datos de pruebas
experimentales y donde se requiera tomar decisiones.
El muestreo y la inferencia estadstica son utilizados en circunstancias en las cuales no es factible obtener
informacin de todos los integrantes de una poblacin, tales como en el anlisis qumico y biolgico, control
de calidad industrial investigaciones sociales. El mtodo ms elemental de muestreo es el muestreo aleatorio,
basado en la teora de probabilidades. Segn esto, cada elemento de la poblacin que es muestreada tiene la
misma probabilidad de ser seleccionado. Por ejemplo, en una clase de 50 estudiantes, para obtener una
muestra aleatoria de ese grupo, cada estudiante tiene exactamente la misma probabilidad, 1/50, de ser
seleccionado.
Las prcticas deficientes de muestreo son una causa primordial de inexactitudes en los valores
calculados. Desafortunadamente, el muestreo preciso requiere de grandes cantidades de materiales, lo que hace
del muestro una tarea difcil y costosa. El costo de las instalaciones y personal para el muestreo es directo y
tangible, pero los beneficios de un muestreo preciso, aunque indirectos, menos tangibles y de corto alcance,
pueden ser ms significativos. Como los anlisis numricos pueden obtenerse con tanta facilidad sobre
muestras deficientes que sobre muestras buenas, fcilmente se genera un falso sentido de seguridad en la
mente del ingeniero en la oficina, cuando solamente ve los resultados numricos y no observa como fueron
tomadas las muestras en el campo.
La composicin del material que se mueve en un proceso es caractersticamente irregular, excepto en
casos muy especiales. Idealmente un proceso continuo operando en estado uniforme deber dar un flujo de
materiales uniforme, pero no se puede suponer tal estado; son necesarios el muestreo y el anlisis para conocer
las caractersticas reales de la poblacin que se analiza.

1. Razones para el muestreo
Al desarrollarse una investigacin estadstica se deben seguir ciertos pasos o etapas despus de definir el
problema en trminos estadsticos. Antes de recolectar los datos, se debe decidir de que forma se van a colectar
dichos datos; es decir los procedimientos a utilizar para obtener la muestra, de manera que podamos aprender
algo acerca de la poblacin sobre la base de datos extrados de una parte de ella.
Las razones para el muestreo se pueden definir como las siguientes: primero, las poblaciones que se investigan
pueden ser infinitas, y en tales casos el muestreo es el nico procedimiento posible; segundo, an en casos de
poblaciones finitas, muy frecuentemente el muestreo es el nico procedimiento prctico, pues la poblacin
finita puede constar de millares o millones de elementos y su recoleccin completa es prcticamente imposible;
en tercer lugar, la medicin de propiedades de una poblacin a veces requiere de la destruccin de sus
elementos, para determinar determinadas propiedades fsicas por ejemplo.
Los resultados obtenidos por el estudio de una muestra pueden ser iguales o an ms precisos que los hallados
de una cuenta completa de la poblacin, puesto que, ante la posibilidad de evaluar a toda una poblacin, el
tiempo que requerira ello podra conducir a que en el transcurso de la evaluacin se produjesen cambios
importantes que al finalizar la evaluacin, el resultado sera diferente.

2. Bases del muestreo
Aunque la diversidad es una cualidad universal de los datos, no hay virtualmente ninguna poblacin
estadstica en la prctica cuyos elementos varen entre si sin lmite. Los hechos de que cualquier poblacin
tiene propiedades caractersticas y que las variaciones de sus elementos son claramente limitadas, hace posible
que se escoja una muestra relativamente pequea y al azar que pueda reflejar bastante bien las caractersticas
de la poblacin.
Otra propiedad interesante e importante de los datos es la regularidad o uniformidad. Las fuerzas
relacionadas, pero independientes que producen la variabilidad de una poblacin estn a menudo tan
2
equilibradas y concentradas que tienden a generar iguales valores arriba y abajo de cierto valor central
alrededor del cual tienden a agruparse la mayor parte de los valores.
Debido a la uniformidad estadstica, si se escoge una muestra grande al azar, las caractersticas de esta
muestra difieren muy poco de las caractersticas de la poblacin. La uniformidad o regularidad es la tendencia
de las caractersticas mensurables al agruparse alrededor de cierto centro de gravedad. La medida de tal
tendencia central es un promedio del que divergen las observaciones individuales en cierta forma definida. Los
promedios son ms estables que los valores individuales. Adems, los promedios resultan ms estables cuantas
ms observaciones haya en la muestra.
La razn bsica de que cantidades mayores de datos tienden a exhibir menos fluctuacin es una tendencia
de las unidades de datos a compensarse unas con otras. El mismo efecto de compensacin puede esperarse
cuando aumenta el tamao de la muestra.
En la prctica, para hacer inferencias generalmente solo tomamos una muestra. Sea esta grande o
pequea, estamos casi seguros de que sus caractersticas no son exactamente las de la poblacin. Cmo
podemos estar seguros entonces sobre el grado de confianza de nuestras conclusiones?. La respuesta a la
pregunta es aleatoriedad. La medicin objetiva de los errores por muestreo requiere que la muestra sea al
azar. Esto es as porque este conocimiento solo puede ser obtenido aplicando las leyes matemticas de
probabilidad, las que a su vez, solo pueden ser aplicadas a muestras al azar.

3. El problema del muestreo
Los procedimientos para disear un procedimiento de muestreo son: a) definir el objetivo del muestreo; b)
especificar los materiales a muestrear en trminos de cantidad de flujo y los rangos de los parmetros de
calidad del material; c) definir la cantidad de muestra a extraerse para lograr un determinado nivel de
precisin; y, d) definir el equipo a utilizar para el muestreo primario que permita obtener una muestra
representativa y que no introduzca errores segn las definiciones estadsticas.
El problema cualitativo en un mineral triturado se describe en la Figura 1. En esta Figura los elementos
negros representan las partculas de inters y el resto materiales de la ganga.

A
B
C


Figura 1: Seccin de mineral.

Una muestra del tamao apropiado deber contener una representacin estadsticamente vlida del todo.
En esta Figura se puede contabilizar un total de 100 partculas visibles en la seccin de mineral que
representa. Naturalmente, se encontrarn diferente nmero de partculas en otras secciones no visibles, pero se
puede asumir que las partculas ocultas se encuentran distribuidas completamente aleatorizadas de modo que
cada seccin contenga un nmero proporcional de partculas de acuerdo al tamao de la seccin.
El concepto de representacin de muestra se ilustra tomando tres secciones del material de la Figura 1.
Las partes A y B poseen la misma rea cada una y la seccin C es del doble del rea que las otras. Obsrvese
la superposicin de reas. Los granos de mineral contabilizados son: A = 32; B = 19; y C = 56. Si
establecemos una evaluacin de granos por rea observada, se notar que la seccin completa representada en
la Figura 1 contiene 2. 35 granos/cm
2
; la seccin A = 3.01 granos/cm
2
; la seccin B = 1.79 granos/cm
2
; y la
seccin C = 2.64 granos/cm
2
. Entonces para cada seccin el error en relacin al todo son de + 28%, -24% y
+12% respectivamente para cada rea con respecto al total. De esto resulta que las muestras de menor tamao
3
difieren en mayor proporcin del verdadero valor que las muestra de mayor tamao. Esto ilustra el efecto del
tamao de muestra (o peso) al caracterizar un material por muestreo, y tambin proporciona un ejemplo
cualitativo del problema de la representacin estadstica de la tcnica de muestreo.
Las muestras trituradas de mineral comprende una coleccin discreta de piezas de roca, cada una con sus
propias caractersticas en tamao y contenido de mineral. Porciones de rocas seleccionadas aleatoriamente de
una pila de mineral o de una corriente en movimiento de mineral mostrarn variaciones entre trozos al efectuar
los ensayes respectivos, esto debido a la distribucin no uniforme del material, observndose variaciones de un
fragmento de roca a otro. Al existir variaciones entre los fragmentos de roca se condiciona a un mayor nivel de
trituracin y as un mayor nmero de partculas minerales se liberan de la ganga estril. Con una muestra
consistente de partculas de diferente tamao, las variaciones entre muestra disminuirn al incrementarse el
tamao de muestra (mayor cantidad de partculas se incluyen en la muestra), ya que las partculas con diverso
contenido de mineral y diverso tamao se incluirn en la muestra final. Las variaciones entre muestra se
podrn disminuir al nivel deseado con el incremento del tamao de muestra. Naturalmente, esto acarrea
mayores costos en la operacin de muestreo.
Diversos aspectos emergen de esas observaciones. Primero, el tamao de muestra esta relacionado al
nivel de variacin entre muestra. Segundo, para observar variaciones en un caso especfico es necesario
observar muestras del mismo peso; a mayor nmero de muestras, mejor ser el estimado estadstico de las
variaciones entre muestra. Tercero, para obtener un valor de variacin entre muestra, fijar, ya sea el tamao
de muestra y variar el nmero de muestras, o fijar el nmero de muestras y variar el tamao de muestra para
obtener la precisin de muestreo. Cuarto, el tamao de muestra es influenciado por la abundancia del mineral
til; un mineral de alta ley se podr caracterizar adecuadamente con una muestra pequea, manteniendo todos
los dems factores iguales; lo contrario suceder con un mineral de baja ley. Un quinto punto refiere la
relacin entre el tamao del mineral valioso y el tamao de la roca; si la relacin es pequea, la muestra
deber ser necesariamente mayor para obtener una caracterizacin ms adecuada. Este punto refiere por lo
tanto al grado de dispersin del mineral. Finalmente; para minimizar el tamao de muestra, es preferible
muestrear pequeas partculas en vez de grandes trozos.

4. Probabilidad y muestreo
Para ilustrar estadsticamente el problema del muestreo, consideremos el siguiente ejemplo. Se tiene una
poblacin de 100 frijoles, la cual consiste de 10 frijoles negros y 90 frijoles blancos (los frijoles negros
representan al elemento de inters y los blancos a los dems constituyentes de una poblacin). Si se sacara una
muestra de 10 frijoles de la poblacin, cules son las probabilidades de conseguir una muestra que contenga:
0, 1, 2, 3 y 4 frijoles negros respectivamente?

Solucin:
La probabilidad de obtener un nmero de frijoles negros de una muestra total se calcula mediante la
siguiente expresin:
P x negro
n
x n x
p q
x n x
( )
!
!( )!

donde:

p = probabilidad de que haya un negro en la poblacin.
q = probabilidad de que haya un blanco en la poblacin
x = nmero de negros en la muestra extrada
n = tamao de la muestra.


p q n
10
100
01 1 01 0 9 10 . ; . . ;


Para x = 0, es decir, cero negros y diez blancos:

4

P negros
P negro
( )
!
! !
( . ) ( . ) .
( )
!
! !
( . ) ( . ) .
0
1


10
0 10
01 0 9 0 349
10
1 9
01 0 9 0 387
0 10
1 9

Similarmente:

P negros
P negros
P negros
( ) .
( ) .
( ) .
2
3
4

0194
0 057
0 011


Obsrvese que en una muestra de 10 frijoles, obtener un frijol negro y nueve blancos, sera una muestra
representativa del total, y esta combinacin tiene una probabilidad de 0.387, o sea, se tiene aproximadamente
39 % de posibilidades de obtener una muestra totalmente representativa del todo.
Obsrvese ahora el problema del muestreo de otra manera. Se tiene un recipiente con 250 frijoles negros y
750 frijoles blancos. Los frijoles negros representan al elemento de inters y los blancos a los dems
constituyentes de una poblacin. Se sacan del recipiente muestras de 100 frijoles y se contabiliza el nmero de
frijoles negros de cada muestra extrada. Se repite el procedimiento por 1,000 veces. Los resultados reales del
experimento se dan en la Tabla 1. y se comparan con los resultados tericos que se obtienen utilizando la
formula:
P x negro
n
x n x
p q
x n x
( )
!
!( )!

De estos resultados tabulados se puede observar que si se sacan 1,000 muestras, solamente 92 de las 1,000
representaran correctamente el valor de la poblacin; es decir, 92 muestra contienen 25 frijoles negros y 75
blancos cada una. Sin embargo, las otras 908 muestras tambin seran valores verdaderos, causales o al azar y
no pueden ser descartados.
La Figura 2 describe la distribucin normal de la extraccin de frijoles, segn los valores calculados y los
valores reales observados. Ntese la gran aproximacin existente entre ambos grficos. Obsrvese tambin
que la gran mayora de extracciones caen en el intervalo [19, 31] frijoles negros en una muestra de 100.
Asociado este concepto de probabilidad a una operacin de muestreo, el obtener una muestra totalmente
representativa del total tiene muy bajas probabilidades; mas bien, la mayora de muestras obtenidas
adecuadamente se distribuirn en un rango determinado alrededor del verdadero valor.

5. Prueba de normalidad
La distribucin normal es un modelo terico que describe la variabilidad en la variable X, y se asume que
los parmetros de poblacin y son conocidos. Supngase que estos parmetros son desconocidos y se
desea estimar estos de una muestra de tamao n, los naturales estimadores son el promedio y varianza de
muestra respectivamente, x y s
_
2
. Ya que son slo estimados de los parmetros de poblacin y , no se sabe
si la distribucin normal proporciona el modelo apropiado para el anlisis de la variabilidad de las
observaciones en consideracin.
Tal vez la manera ms simple de verificar si las observaciones provienen de una distribucin normal es
elaborando el histograma de las observaciones. Ya que la frecuencia relativa de un histograma es un estimado
de la densidad de probabilidad, se debe verificar si el grfico se asemeja a la curva de la campana
correspondiente a la distribucin normal. Sin embargo, es difcil verificar si un pequeo nmero de datos
proviene de una distribucin normal.

Los percentiles, q
i
, normales dependen de los parmetros y . En la prctica se puede reemplazar estos
parmetros por sus estimados x y s
_
2
. Alternativamente, se puede graficar los valores estandarizados z
i
versus
los respectivos percentiles x
i
Ya que q x s z
i
+
_
i
y que bajo normalidad x
i
q
i
se encuentra que los puntos de
un diagrama de dispersin de z
i
vs. x
i
deben caer aproximadamente en una lnea recta con pendiente 1/s y que
pasa por el punto
( , )
_
x 0
. Tal grfico se denomina grfico de probabilidad normal. Si se observa desviaciones
del patrn lineal, es suficiente evidencia de que los datos no provienen de una distribucin normal.

5




Tabla 1: Valores reales y calculados del experimento de extraccin de frijoles.

n= 100 ne gros= 250 p= 0. 25
tota l = 1000 q= 0. 75
Acum Acum
x n-x P (x ) P (x ) *1000 RE A L P (x ) P (x )*1000
9 91 0. 000 0 0. 000 0
10 90 0. 000 0 0. 000 0
11 89 0. 000 0 0. 000 0
12 88 0. 001 1 0. 001 1
13 87 0. 001 1 0. 002 2
14 86 0. 003 3 0. 005 5
15 85 0. 006 6 6 0. 011 11
16 84 0. 010 10 10 0. 021 21
17 83 0. 017 17 12 0. 038 38
18 82 0. 025 25 22 0. 063 63
19 81 0. 037 37 35 0. 100 100
20 80 0. 049 49 48 0. 149 149
21 79 0. 063 63 61 0. 211 211
22 78 0. 075 75 78 0. 286 286
23 77 0. 085 85 89 0. 371 371
24 76 0. 091 91 100 0. 462 462
25 75 0. 092 92 100 0. 553 553
26 74 0. 088 88 94 0. 642 642
27 73 0. 081 81 84 0. 722 722
28 72 0. 070 70 72 0. 792 792
29 71 0. 058 58 57 0. 850 850
30 70 0. 046 46 44 0. 896 896
31 69 0. 034 34 31 0. 931 931
32 68 0. 025 25 24 0. 955 955
33 67 0. 017 17 14 0. 972 972
34 66 0. 011 11 9 0. 984 984
35 65 0. 007 7 5 0. 991 991
36 64 0. 004 4 3 0. 995 995
37 63 0. 002 2 2 0. 997 997
38 62 0. 001 1 0. 999 999
39 61 0. 001 1 0. 999 999
40 60 0. 000 0 1. 000 1000
41 59 0. 000 0 1. 000 1000
42 58 0. 000 0 1. 000 1000
Hi st ogramas de muest ras de fri jol es
0
10
20
30
40
50
60
70
80
90
100
110
9 1 1 1 3 1 5 1 7 1 9 2 1 2 3 2 5 2 7 2 9 3 1 3 3 3 5 3 7 3 9 4 1
Nro . d e frijo le s n e g ro s p o r mu e s t ra d e 100
F
r
e
c
u
e
n
c
i
a

(
N
r
o
.

d
e

m
u
e
s
t
r
a
s
)
Calcula da
Real


Figura 2: Histograma del experimento de extraccin de muestras de 100 frijoles.

6



Ejemplo: Para ilustrar el procedimiento, se tomara los siguientes datos de Resistencia a la Compresin de
Bloques de Concreto. Estos datos ordenados segn su posicin ordinal son como sigue:

Orden 1 2 3 4 5 6 7 8 9 10
Valor 31.3 32.3 42.2 42.3 44.5 47.5 49.2 50.0 53.9 60.9

Si diversos valores se repiten, se les asigna la posicin ordinal promedio.
Se calcula P
i
= (i - 0.5)/n. Los valores estandarizados normales satisfacen P
i
= P(Z z
i
) = (z
i
) para i =
1, 2, ,n y se determinan de la Tabla Normal. Por ejemplo, z
i
satisface P
1
= (1 - 0.5)/10 = 0.05 = P(Z z
1
) y
esta dado por z
1
= -1.645. El segundo satisface P
2
= (2 - 0.5)/10 = 0.15 = P(Z z
2
) y esta dado por z
2
= -
1.04; y as sucesivamente. Estos valores se anotan en la ltima columna de la Tabla 2. El grfico de los
valores normales vs. las observaciones, se da en la Figura 2.

Tabla 2. Resistencia a la compresin de bloques de concreto y sus valores normales.
Observacin Posicin
P
i
n
i

0 5 .

Valor Normal
49.2 7 0.65 0.39
53.9 9 0.85 1.04
50.0 8 0.75 0.67
44.5 5 0.45 -0.13
42.2 3 0.25 -0.67
42.3 4 0.35 -0.39
32.3 2 0.15 -1.04
31.3 1 0.05 -1.64
60.9 10 0.95 1.64
47.5 6 0.55 0.13

Ya que los datos exhiben una relacin lineal bastante buena, se puede aceptar con seguridad que los datos
provienen de una distribucin normal.

Probabilidad Normal
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
20 30 40 50 60 70
Observaciones
V
a
l
o
r

n
o
r
m
a
l


Figura 2: Grfico de probabilidad normal.
6. Eliminacin de datos.
Normalmente se acepta que cuanto ms grande sea el nmero de medidas de una muestra dada, mayor
ser la confianza de que su media sea el valor verdadero; por tanto es conveniente obtener tantas medidas
como sea posible; sin embargo, hay un lmite prctico, sea por el mtodo de medida utilizado o la cantidad de
muestra disponible. El problema es decidir cuales deben ser aceptadas y cuales rechazadas. La prueba de la
desviacin estndar y el Criterio Q son mtodos para decidir el rechazo de algunos de los datos obtenidos.

7
a). Prueba de la Desviacin Estndar.
Si se han hecho muchas medidas a una muestra, las observaciones se aproximarn a una curva de
distribucin normal. Esta distribucin indica que cualquier dato tiene un 99/7% de probabilidad de caer en
el intervalo x t 3. Normalmente, cuando se utiliza la desviacin estndar como criterio de rechazo, se
toma el valor de 3. Se rechaza si el valor de una medida particular esta fuera de este intervalo.

b). El Criterio Q.
Puede utilizarse para rechazar una medida sobre un poblacin de 3 a 10 medidas de una cantidad a
cualquier nivel de confianza, aunque en circunstancias normales se utiliza el 90%; es decir, si se rechaza
una medida segn este criterio, se hace con una confianza del 90%. Para el aplicar el criterio Q se ordenan
las medidas en orden creciente, tomndose los valores ms divergentes, superior e inferior , calculndose el
rango (M
n
M
1
) y con el los cocientes Q para el mayor y menor valores, segn:

1
1
2
1
1 2
1
M M
M M
Q
M M
M M
Q
n
n n
n

Como los valores que podran eliminarse son M
1
M
n
, el criterio Q se aplica a ambos. Estos valores se
comparan con los que se anotan en la Tabla Nro. 3. Si Q
1
y Q
2
son mayores que el valor dado en la Tabla,
el dato puede ser rechazado con cierto lmite de confianza; por ejemplo, si Q
1
tiene un valor de 0.60 y el
nmero de datos, n = 7, el dato puede ser eliminado con un lmite de confianza del 90%.

Tabla Nro. 3: Valores de Q para rechazar datos con lmite de confianza del 90%

Nmero de
observaciones
Q
90%
3 0.94
4 0.76
5 0.64
6 0.56
7 0.51
8 0.47
9 0.44
10 0.41

Ejemplo: Se efectan 6 determinaciones de Fe en una misma muestra mineral, siendo los resultados los
siguientes:
% Fe 14.28 14.20 13.99 13.18 13.92 14.30

De donde : 420 . 0 % 98 . 13 s y x
El valor de s considera los 6 datos. Si se descarta la peor medida, 13.18 %, los nuevos valores calculados
son:
170 . 0 % 14 . 14 s y x

De modo que 3s = 3 * 0.170 = 0.510.
El lmite de aceptacin es: %Fe = 14.14 0.510 = [13.63; 14.65]
El valor 13.18 % no se encuentra dentro de estos lmites, por lo que se puede desechar. El procedimiento se
repite ahora con el peor valor de los restantes cinco datos. Hecho ello, se observa que 13.92 cae dentro de
los nuevos lmites, por lo que este dato no se desecha.
El criterio Q . Considera los datos ordenados

% Fe 13.18 13.92 13.99 14.20 14.28 14.30

El rango {M
6
M
1
] = (14.30 13.18) = 1.12
01 . 0
12 . 1
28 . 14 30 . 14
66 . 0
12 . 1
18 . 13 92 . 13
1
1
2
1
1 2
1

M M
M M
Q
M M
M M
Q
n
n n
n

8
El Q
90%
= 0.56; con lo que se determina que el dato de 13.18 % se elimina. Repitiendo el procedimiento se
encuentra que el resto de valores es aceptable. Por lo tanto, el valor aceptables de %Fe = 14.14.


7 Determinacin del tamao de muestra.
La determinacin del tamao de muestra es muy importante, puesto que si se toma una muestra muy
pequea, no ser representativa; y si la muestra es muy grande, se estara desperdiciando recursos. Por ello el
tamao de muestra adecuado deber ser considerado correctamente.

7.1. Tamao de muestra para definir el intervalo de confianza del promedio
Se est planificando un experimento y se quiere estar 100(1-) por ciento seguro de que el estimado esta
a h unidades del parmetro desconocido . Por ejemplo, queremos estar con el 95 % de confianza que nuestro
estimado se encuentre a h =2 unidades de . Cun grande debemos tomar la muestra n para estimar con tal
precisin?.
Ya que:

P X z
n
X z
n

+

1
]
1
1
1
1
( / ) ( / )



2 2 1

lo que se puede graficar segn:


X
( ) X z n ( / ) / 2 ( ) X z n + ( / ) / 2


De modo que la longitud del intervalo alrededor del promedio, h, es:


( ) h z n ( / ) / 2


De sta ltima expresin se tiene:


[ ]
n
z
h

2
2
2
2 ( / )


expresin que permite calcular el nmero mnimo de muestras, n, a considerarse en un muestreo. Esto requiere
conocer
2
. En muchas circunstancias, se puede tener una aproximacin razonable a
2
de anteriores pruebas
o datos.
La expresin anterior denota que el tamao de muestra, n, se incrementa al incrementarse el coeficiente de
confianza (1 - ) y disminuye al incrementarse h. Algunas veces se requerir bastante precisin, por lo que n
debe ser muy grande. Pero si no es posible recolectar grandes muestras, se deber reducir el coeficiente de
confianza o incrementar el ancho del rango h.
7.2. Tamao de muestra para evaluar la diferencia de dos promedios
Si se conocen (al menos aproximadamente) las desviaciones estndar
1
y
2
y los tamaos de las dos
muestras se consideran iguales, n
1
= n
2
= n, entonces puede determinarse el tamao requerido de la muestra,
de modo que se tenga confianza del 100(1-) por ciento en que el error en la estimacin de
1
-
2
sea menor
que h. El tamao requerido para la muestra de cada poblacin es:

[ ]
n
z
h

+ ( ) ( / )
1
2
2
2
2
2
2


9
8. Muestreo mediante incrementos
El muestreo por incrementos es el trmino aplicado a la forma de muestreo, en el que un nmero de
incrementos, especficamente medidos, se sacan de la poblacin y se compositan para formar la muestra
apropiada. En nmero real de incrementos requeridos y el tamao de cada incremento, son funciones de los
patrones se segregacin y dispersin de los valores de la poblacin. Cuando el muestreo mediante incrementos
se efecta correctamente, los resultados deben ser representados por una curva de distribucin normal, donde
la frecuencia se plotea contra el grado. Entonces es posible aplicar la teora de la probabilidad a los resultados
iniciales de muestreo y predecir el nmero de incrementos que sera requerido para dar un error especfico
probable de estimacin a cualquier nivel de confianza deseado.
Ya que :

( )
( )
( )
Z
x
S
n
Z S x n
e x
n
Z S
e

_
,

sea error de estimacion numero de unidades de diferencia

con respecto al valor promedio
numero de muestras
2


Ejemplo de aplicacin
Doce muestras de 5 libras son tomadas de un lote de mineral que contiene cinc, los cuales ensayaron lo
siguiente en % se Zn:
7.04; 8.10; 8.85; 6.25; 7.69; 8.76; 8.35; 7.57; 7.96; 9.30; 8.50 y 7.49.
Cuntos incrementos deben ser compositados con el objeto de que la muestra compsito ensaye dentro del 2
% del ensaye verdadero a un nivel de confianza del 95 %?

Solucin:

Valor promedio,
Varianza,
Desviacion estandar,
Error permisible de estimacion
para 95% de nivel de confianza
x .
S .
S .
e * . .
Z .
n =
. * .
.

_
,

_
,

7 99
0718
0847
2
100
7 99 01598
196
196 0847
01598
108
2
2

Se debe compositar 108 muestras de mineral para que el resultado final se encuentre en un rango 2%
alrededor del verdadero promedio.

9. Peso mnimo de muestra de un lote homogneo.
Un procedimiento para calcular la cantidad de muestra de una mezcla uniforme (homognea) de un lote
de mineral fue desarrollado por Gy

. El peso de muestra segn el procedimiento descrito es una cantidad ideal

y que puede ser considerada como un estimado de peso mnimo y toma en cuenta los errores normales de la
operacin de muestreo y ausencia de otras fuentes de error. Segn esta definicin, el error de muestreo es
aquel que surge de la dispersin no ideal del mineral, y se le denomina varianza del error fundamental, V
F
.
Los errores que se cometen durante el muestreo pueden ser disminuidos usando las tcnicas apropiadas, pero
el ms importante de ellos, el Error Fundamental, resulta de la heterogeneidad del material muestreado. El
adjetivo fundamental esta justificado por el hecho de que no puede ser eliminado; es el que perdura as sea

Gy, P. M.; The Sampling of Broken Ores: A Review of Principle and Practice, Proceedings, Institution of Mining
Metallurgy Symposium, London, 1963, pp.26-27.

10
perfecta la operacin de muestreo. Sin embargo, el error fundamental es el nico que puede ser estimado de
antemano.
Factores empricos se proveen para evaluar la incidencia del tamao de grano del mineral til, dispersin
del mineral, tamao de trozos de roca y promedio de contenido metlico. El error fundamental de muestreo
puede ser calculado para una muestra de peso W
S
tomada de un lote uniforme de peso W
L
mediante la siguiente
ecuacin:

( ) V
W W
A
A
A a A a fgbd
F
S L
L
L
L m L g

1
]
1

+

1
]
1
1 1 1
1
3


donde el error estndar se relaciona a la varianza del error fundamental por:

S V
F F


A
L
es la fraccin en peso del mineral en el lote;
a
m
es la densidad del mineral;
a
g
es la densidad de la ganga;
f es un factor adimensional que relaciona la forma de la partcula;
g es un factor adimensional que relaciona la distribucin de tamao;
b es un factor adimensional que relaciona la liberacin del mineral; y
d es el tamao de partcula relacionada a la malla por la que pasa el 95% de una muestra.

Se escogen la unidades apropiadas para W, A y d de tal modo que el lado derecho de la ecuacin sea
adimensional. Los trminos empricos propuestos por Gy derivados de una serie de experimentaciones, son
como sigue:
f de 0 a 1, con un valor promedio de 0.5 para minerales tpicos; varia hasta 0.2 para minerales con metales
preciosos y minerales con partculas metlicas.
g de 0 a 1 con valores de 0.25 para minerales extrados y no clasificados. Minerales clasificados segn
tamao toman valor de g de 0.5 o ms.
b de a 0 a 1, valor seleccionado de la Tabla 3.2 de acuerdo a la proporcin de d para estimar el tamao de
liberacin del mineral, d
b

El parmetro b es una medida de dispersin. Para minerales completamente dispersos, b toma valores que se
aproximan al lmite ms bajo y se aproxima al lmite superior para material heterogneo con granos de mineral
en estado libre, tales como el oro metlico.

Tabla 3: Factor de liberacin para minerales.

Factor de liberacin, b 0.8 0.4 0.2 0.1 0.05 0.02
d
d
b

1 4 10 40 100
heterogneo intermedio homogneo

Ejemplo de aplicacin

Calcular el error de ensayo para una muestra de 10 Kg. de mineral de Zinc con contenido de 6.6% de Zn
como esfalerita, ZnS, tomado de una pila uniformemente mezclada de 20,000 Kg. 95 % del mineral atraviesa
una malla de 2 cm. El tamao prctico de liberacin, d
b
, es de 0.2 mm. La densidad de la ganga es, a
g
, es de
2.5 y de la esfalerita, a
m
es 5.3 g/cc.
Peso molecular del ZnS = 97.43 g/mol; Peso atmico: Zn = 65.37; S = 32.064 g/mol
Solucin:

ZnS
Zn

97 43
6537
149
.
.
.

% ZnS = 6.6% *1.49 = 9.83 %
Contenido de ZnS en 10 Kg. de mineral: 10 Kg. * 0.0983 = 0.983 Kg.
11
La fraccin de ZnS en el mineral, A
L
, es:

A
Kg
Kg
L

0 983
10
0 0983
.
.



d
d
b

2 0
0 02
100
.
.

De la Tabla 3.2, el valor de b = 0.05
Usando: f = 0.5; g = 0.25, y aplicando la ecuacin descrita anteriormente, se tiene:


( ) ( ) V
V
S V
F
F
F F

1
]
1

1
]
1

1
10
1
20 000
10
1 0 098
0 098
1 0 098 53 0 098 2 5 05 0 25 0 05 2
0 000216 216 10
0 0147
3 3
4
,
*
.
.
. * . . * . * . * . * . *
. . *
.

El error fundamental de muestreo es de aproximadamente 1.5 % para el ZnS o de 1.0 % para el Zn. En
base a las probabilidades estadsticas, dos veces el valor de S
F
proporciona un 95% de confianza de tener los
valores de ensayo para el Zn en el intervalo 6.6% t 2.0.

Ejemplo de aplicacin:
En el ejemplo de aplicacin anterior, si el valor 2 S
F
para el Zn es de 0.2%, qu peso de muestra se debe
tomar?

Solucin:
El valor 2 S
F
para el ZnS es de 0.3 % o equivalente a 0.003. De aqu S
F
= 0.0015. Aplicando la
ecuacin:


( ) V
W W
A
A
A a A a fgbd
F
S L
L
L
L m L g

1
]
1

+

1
]
1
1 1 1
1
3


y teniendo en cuenta que el valor 1/W
L
= 1/20,000 = 5x10
-5
se puede despreciar por pequeo, se tiene:
( ) ( ) ( )
3 3 2
2 * 05 . 0 * 25 . 0 * 5 . 0 * 5 . 2 * 098 . 0 3 . 5 * 098 . 0 1
098 . 0
098 . 0 1
10 *
1
0015 . 0
1
]
1

1
]
1

S
W

( ) [ ] 05 . 0 * 245 . 0 78 . 4 * 2 . 9 10 *
1
10 * 25 . 2
3 6
+
1
]
1

S
W

Kg W
W
S
S
7 . 982
10 * 211 . 2 *
1
10 * 25 . 2
3 6

1
1
]
1

Es decir, de un lote de 20,000 Kg. Se debe tomar aproximadamente 1,000 Kg. de mineral, lo que representa
aproximadamente un 5 % del total. Tngase en cuenta de que el intervalo de certeza para los ensayes de Zn se
desea que estn en 6.6% t 0.2, lo cual de por si es una exigencia de alta precisin para el muestreo, por ello la
necesidad de esa elevada cantidad de muestra.

Ejemplo de aplicacin:
El intervalo de confianza para los ensayes de Zn puede ser establecido arbitrariamente, de acuerdo a
criterios prcticos de operacin. Supngase para el ejemplo anterior que se desea establecer el siguiente
intervalo: 6.6 % t 0.5, [6.1, 7.1]% en el cual con 95% de certeza se obtenga el valor real de ensaye de Zn,
cul deber ser el peso de muestra a tomarse del lote de 20,000 Kg.?

Solucin:
12

Para el ZnS, 9.9 t 0.75

2 S
F
= 0.75%; S
F
= 0.375% S
F
= 0.00375


( ) ( ) ( )
( )
[ ]
000375
1
10
1 0 098
0 098
1 0 098 5 3 0 098 2 5 05 0 25 0 05 2
1406 10
1
10 9 2 4 78 0 245 0 05
1406 10
1
2 211 10
157 23
2 3 3
5 3
5 3
. *
.
.
. * . . * . * . * . * . *
. * * . * . . * .
. * * . *
.

1
]
1

+

1
]
1

1
]
1
+

1
]
1

W
W
W
W Kg
S
S
S
S


De estos dos ltimos ejemplos se concluye que mientras ms precisin se requiera en el muestreo, mayor
deber ser la cantidad de muestra a tomar.
Este mtodo de calculo terico de muestreo de minerales tiene en consideracin los siguientes detalles:
1. Se debe tener alto nivel de confianza del valor promedio de ensaye del elemento de inters. En el caso de
los ejemplos, el valor de 6.6 % de Zn se obtuvo como valor promedio de una gran cantidad de ensayes del
cuerpo mineral del que fue extrado el lote
2. El mtodo de clculo descrito solo considera la existencia de una sola especie mineralgica de inters,
ZnS. Para el caso en que dos ms especies mineralgicas contengan el elemento de inters, se deber
considerar un promedio ponderado de todas las propiedades que se necesiten en la ecuacin.
3. El valor W
S
calculado es el mnimo terico requerido desde el punto de vista estadstico. Como qued
mencionado anteriormente, se considera el error fundamental como el nico susceptible de ser
cuantificado. Los otros errores, tales como mtodo de muestreo, heterogeneidad variable del mineral,
instrumentos de muestreo, preparacin de muestra, etc., al no poder ser cuantificados, contribuirn a hacer
la operacin de muestreo ms imprecisa, lo que obligar a tomar mayor cantidad de muestra.

9. Planes de muestreo.
En la prctica muchos planes de muestreo son el resultado de una combinacin de sentido comn, reglas
empricas y factores prcticos, todos los cuales son difciles de cuantificar. Consecuentemente, es difcil
evaluar los errores inherentes a los planes de muestreo basados en tales criterios. Existe tres patrones bsicos
de muestreo a los cuales se hace frecuente referencia:
a) Un bloque en el que cada una de las muestras es ubicada aleatoriamente;
b) Un bloque dividido en n pequeos bloques con una sola y aleatoriamente ubicada muestra en cada
uno de los bloques; y
c) Un bloque dividido en pequeos bloques con una sola muestra cada bloque ubicada al centro de cada
bloque; Figura 9.

o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o o o
o o o
o o o
c a b

Figura 9: Patrones de muestreo: a) muestreo aleatoria en un bloque; b) muestreo aleatorio en pequeos
bloques; c) muestreo ordenado en el centro de pequeos bloques

13
Con alguna base estadstica, una regularidad en el plan de muestreo es preferible. Para variables que
estn fuertemente correlacionadas, tales como ley, distribucin, segregacin, etc., resulta mucho ms
conveniente efectuar muestreo con distribuciones regulares, tal como la mostrada en la Figura3.3 c) .
Adicionalmente, se proponen una serie de patrones empricos basados en planes regulares de muestreo, tal
como los mostrados en la Figura 10



Figura 10: Modelos empricos para obtener muestras de lotes.

El plan de muestreo depende de elecciones arbitrarias, tales como rea y volumen de influencia,
necesidades de precisin, cantidades de muestra requerida, etc. Los procedimientos que se establezcan se
pueden ir modificando conforme se vaya ganando experiencia

.

10. Proceso de particin
Los dispositivos para muestreo dispuestos en las trayectorias de flujo de material para extraer una
pequea parte pueden ser considerados en esencia un partidor. El proceso de particin de la muestra consiste
en eliminar porciones de muestra extrada de la operacin de planta. El trabajo de particin se puede efectuar
manualmente o mecnicamente. El trabajo manual se restringe a muestras que constan de algunas toneladas
hasta algunos cuantos gramos; los procedimientos mecnicos para muestras de 10 a ms toneladas.
Existe una gran variedad de mtodos de particin, pero la mayora cae en una de las siguientes cuatro
categoras:
a. Amontonado y cuarteo.
b. Riffling.
c. Paleo fraccionado y alternado.

a) Amontonado y cuarteo
El amontonado y cuarteo es probablemente el ms antiguo de los mtodos probabilsticos de muestreo. Se
le utiliza con material fino y de menos de 1 tonelada. El procedimiento ms comn se representa en la Figura
11

Mular, A. L; Roshan Bhappu; Mineral Processing Plant Design 2

nd
Edition; Society of Mining Engineers of the AIME;
New York, 1980.
14


Figura 11: Procedimiento de amontonado y cuarteo.

Segn este procedimiento el material se esparce en una superficie llana de fierro o concreto que pueda ser
fcilmente limpiada. Se apila el material formando un cono, por medio de una pala. Cada paleada se dirige a
la parte superior del cono formado. Esta operacin se repite por tres veces. Luego el cono es aplastado
utilizando la pala para formar un cono truncado primeramente y luego una torta circular plana. Esta torta se
divide en cuatro partes por medio de dos dimetros formando ngulo recto. Dos cuartas partes, las opuestas
entre s, se retienen como muestra y las otras dos se rechazan. La separacin se har en base a al criterio del
operario, quien decido las dos secciones a separar y a mantener.
Al tratar cantidades de mineral hasta 1 tonelada de peso, este mtodo no resulta ser muy eficiente;
consume mucho tiempo y es costoso

b). Riffling
El partidor riffle, conocido tambin como riffle Jones partidor Jones consiste de un ensamblaje con
igual nmero de chutes adyacentes, totalizando generalmente entre 12 y 20, raras veces ms. Estos chutes
forman un ngulo de 45

,o algo ms, con el plano horizontal. Estos chutes conducen el material

simultneamente hacia dos recipientes, Figura 12. El material se alimenta por medio de un cucharn
rectangular luego de haber efectuado una adecuada homogeneizacin del material.


Figura 12: Partidor riffle: correcto e incorrecto uso, respectivamente.

En la Figura 12 se observa la posibilidad de dar uso incorrecto al partidor. Segn ello se observa que uno
de los recipientes tiene ms posibilidades de recibir mayor flujo de material, por efecto de la posicin de
descarga del material desde el cucharn; adems que el material ms grueso tiende a fluir ms rpidamente.
Por ello es imprescindible que el vaciado de material proporcione una distribucin simtrica.
15
Para que haya un adecuado trabajo de particin en riffle, se recomienda que:
- el tamao mximo de partcula sea de 15 mm (0.6 pulg);
- el peso del lote desde unos cientos de gramos hasta algunos cientos de kilogramos;
- peso de muestra, algunos gramos;
- solo para materiales slidos y secos.

Usados correctamente, estos dispositivos son eficientes y baratos. Se construyen en diferentes tamaos ,
generalmente referidos al ancho de los chutes, valores que van de 30 a 6 mm (1.2 a pulg.). El tamao del
material a muestrear no debe exceder del valor de la mitad del ancho del chute , de lo contrario se corre el
riesgo de atoramientos.
Los riffles deben ser adecuadamente limpiados antes de su uso, eliminar todo vestigio de polvo; y despus
de su uso, recuperacin del polvo adherido de la muestra tratada. Es muy recomendable tambin alternar los
recipientes receptores de muestra, cambiandolos de izquierda a derecha peridicamente.

c) Paleo fraccionado y alternado.
Es el mtodo ms simple y econmico de grandes cantidades de muestra. Consiste en mover el total
del lote de muestra por medio de palas mecnicas o manuales, reteniendo 01 pala de N removidas. Este
mtodo tiene tres variantes:
- Paleo fraccional verdadero en donde del lote de muestra se extraen N distintos montones, luego se
selecciona uno de ellos para proceder como lo indicado anteriormente.
- Paleo fraccional degenerado, cada N
esima
paladas se deposita en el montn 1 y las remanentes (N-1) en
el montn 2. El montn 1 esta predeterminado para el procedimiento descrito anteriormente, y el
montn 2 para descarte.
- Paleo alternativo, del lote grande de muestra se alternan paladas a dos diferentes montones, uno de los
cuales se descarta y con el otro se procede como se indico al inicio.
El proceso descrito es tcnicamente correcto si se efecta adecuadamente, sin que el operador
pretenda algn tipo de simplificacin o rapidez forzada.
Los rangos de operacin de este proceso vara si se procede manual o mecnicamente. Para el trabajo
manual, ell mtodo se utiliza con material seco, hmedo o algo pegajoso; trozos de mineral no mayores de
100 mm (4pulg.); lotes de muestra de unas cuantas toneladas.
Alternativamente, el mtodo se puede aplicar al laboratorio qumico con uso de esptula.
Por consideraciones tericas, cada palada debe contener menos de M
L
/ 30N, lo cual asegura que cada
muestra potencial se forma de al menos 30 paladas. Por ejemplo, si:
el peso del lote es M
L
= 800 Kg.
si N=5 (1 palada de cada 4 se selecciona para muestra final)
30N=150, M
L
/ 30N = 5.3
Cada palada debe contener un mximo de 5. 3 Kg.

11. Preparacin de muestras
La muestra obtenida del proceso de muestreo debe ser sometida a una serie de operaciones de
preparacin para que puede ser sometida a las operaciones de anlisis qumico. Estas operaciones incluyen el
secado, trituracin y pulverizacin.

11.1. Secado
Generalmente las muestras de mina se encuentran lo suficientemente secas como para llevarlas a
trituracin y molienda; pero cuando la humedad excede algunos porcentajes, es necesario someter la muestra
a secado antes de su trituracin y pulverizacin. Los hornos u hornillas se deben evitar por el riesgo de
sobrecalentamiento de la muestra que puede ocasionar descomposicin de alguno se sus componentes. Se
deben utilizar secadores que no excedan de los 110
o
C.

11.2 Reduccin de tamao
La reduccin se logra por trituracin, molienda y finalmente pulverizado. La muestra de planta se
tritura utilizando equipo convencional de laboratorio, tales como trituradoras de quijadas o de conos y discos
pulverizadores. De ser posible, la mejor combinacin consiste de pequeas trituradoras de quijadas que puedan
reducir, por ejemplo de 10 a 5 mm (0.4 a 0.2 pulg), seguida de una trituradora de rodillos para que reduzca el
16
grano a tamaos de 2 a 3 mm (ambas en circuito cerrado). A continuacin un disco pulverizador de discos
para reduccin a 100 a 150 micrones (malla 150 - 100), en una etapa, o mejor an en dos etapas. Es
conveniente disponer de dos pulverizadores: el primero ajustado hasta tamao de 0.8 mm y el segundo hasta el
tamao requerido para anlisis (usualmente 100 a 150 micrones).

11.3. Reduccin de peso
Lo cual usualmente se lleva a cabo por particin . Los partidores tipo Riffle son muy convenientes para
este propsito. Todo laboratorio debera tener un grupo de partidores de varios tamaos.

12. Fuentes de error en la preparacin de muestras.
Todas las operaciones que se realizan en la preparacin de muestras son potenciales generadoras de error,
tanto que pueden alterar seriamente el contenido de los elementos que se analizan.

12.1. Contaminacin por polvo
Cuando se manipula materiales que contienen partculas finas, es prcticamente imposible prevenir la
formacin de nubes de polvo que tienden a volar por todos los lugares, causando contaminacin de una
muestra, si es que esta no est adecuadamente protegida. Las soluciones a esto son:
- Prevenir la formacin del polvo reduciendo las cadas de material todo lo que sea posible.
- Encerrar las fuentes inevitables de polvo en cajas cerradas, usando colectores de polvo con algn
sistema de succin.
- Proteger el circuito de muestreo y cada uno de los dispositivos de preparacin de muestras.

12.2. Contaminacin por material presente en los equipos
Cualquier circuito o dispositivo que trabaja intermitentemente, sea en planta o en laboratorio, debe ser
cuidadosamente limpiado por medio de aire comprimido o por vaco, segn la naturaleza del material. Un
circuito y equipos que tratan el mismo tipo de material todos los das, no necesita una limpieza tan profunda
como lo requiere el tratamiento de distintos tipos de material. Una limpieza profunda semanal es suficiente.
Si se da el caso que el laboratorio recibe mineral de distintos grados, p. Ej. mineral de cabeza, relaves,
concentrados, lo recomendable es disponer de equipos diferentes para cada producto y mejor an en
ambientes separados. Si no es posible esto y material de diferentes grados se van a tratar en los mismos
equipos, es conveniente triturar un material inerte despus de haber procesado un material de alta ley.

12.3. Contaminacin por abrasin
El chancado, molienda y pulverizacin casi invariablemente arrastran alguna cantidad de material
desprendido por abrasin. Esto se torna problemtico cuando la presencia de hierro se penaliza. La solucin
esta en seleccionar el material conveniente, que puede incluir maquinaria de acero.

12.4. Contaminacin por corrosin
La corrosin de la muestra y del equipo de preparacin de muestra se va a producir cuando se manipula
algn producto corrosivo, tales como: minerales hmedos que desarrollan reacciones cidas (sulfuros tales
como pirrotita, pirita, etc); pulpas de flotacin cida; flotacin de pulpas con agua de mar, soluciones o
pulpas de procesos hidrometalrgicos; minerales muy corrosivos, tales como potasa.
En cada caso particular, la solucin debe ser consultada a un especialista de corrosin de metales.

12.5.Prdidas de polvo fino
Puede convertirse en una fuente importante de error si es que alguna parte de la muestra se pierde como
polvo. Los recipientes cerrados adecuadamente son la solucin al problema. Debe cuidarse tambin que los
sistemas de extraccin de gases y polvos no se conviertan en otra fuente de prdida de mineral.
12.6. Prdidas de mineral remanente en los equipos de preparacin de muestra
Obviamente se debe poner cuidado en no dejar nada de material remanente en los equipos que se
utilizaron.
La prisa o la impaciencia del operador tambin puede causar olvidos involuntarios o el desechar alguna
parte muy gruesa del mineral en cualquier fase del proceso. Se debe tener presente que cualquier fraccin del
mineral puede aportar un contenido diferente del resto.

17
12.7. Errores por alteracin en la composicin qumica
La pirrotita, maracasita, pirita, chalcopirita, etc., pueden ser muy reactivos, especialmente en hmedo y
finamente divididos los minerales. La oxidacin de los minerales por fijacin de oxgeno y generar, por
ejemplo sulfatos, puede en alguna medida alterar el resultado de composicin qumica.
Existe tambin la posibilidad de fijacin de agua o dixido de carbono, presentes siempre en la atmsfera.
La fijacin de agua es mas comn ya que algunos minerales son higroscpicos. Si eso ocurre, ser necesario
colocar la muestra en un desecador entre operaciones.
El agua de constitucin y CO
2
se pueden eliminar si las temperaturas de secado exceden los 110
o
C.