Profesora: Ivonne Salas

Evaluación de yacimientos / II Semestre 2017

UNIVERSIDAD DE ANTOFAGASTA

Facultad de Ingeniería

Departamento de Ingeniería en Minas

TEORÍA DE MUESTREO: DUPLICADO Y ESTÁNDARES

DE ANÁLISIS DE MUESTRAS.

Camilo Riquelme González

Jordan Tapia Zea

02 Noviembre de 2017
SUMARIO

El negocio minero consiste principalmente en transformar los recursos minerales existentes

en un beneficio económico para el dueño y la comercialización de los mismos. Parte de la
transformación de los recursos minerales es de suma importancia la fragmentación que le
damos a la roca para separar el mineral de ley de aquel que no poseen las cualidades para
obtener un beneficio económico. El concepto de dividir las partículas o granos de la roca
matriz tiene la particularidad de disminuir la granulometría espacial de esta para obtener
una liberación clara del mineral y llevarlo a una composición más homogénea que la
obtenida en su conjunto, por ende incluye todas aquellas actividades en las que se liguen
a la trituración, chancado y molienda de estas para contener un concepto de liberación
radical y así la transformación de este en una materia prima lista para comenzar el
tratamiento final para su comercialización, es por esto que es necesario comprender la
importancia de esta en este negocio, pues de no utilizar una buena separación del mineral
de ley de la ganga genera pérdidas en relación a la cantidad inicial que posee este sólido
en su estructura principal.

La minería como negocio involucra una gran cantidad de capital con un alto nivel de
incertidumbre, y es la etapa de planificación la encargada de guiar para obtener el mejor
resultado económico, que parte con un modelo geológico, cuyas variables mineralógicas,
estructurales y otras, como lo es el armado del circuito de flotación para la posterior
recuperación de concentrado y relave, para esto es necesario obtener un tratamiento eficaz
en el proceso de trituración del mineral con el fin de lograr adquirir la mayor cantidad de
este en su separación, cabe mencionar que cada proceso es dependiente de la estructura
espacial de la roca, su composición y las características mecánicas que esta posea, de
acuerdo al método de recuperación utilizado, en este caso se abarcan los distintos
postulados de los tipos de rupturas existentes o mencionados para definir las cualidades de
cada uno con el comportamiento que obtuvieron en los análisis de muestras estudiadas, y
así postular a definir los conceptos de aleatoriedad y no aleatoriedad en la ruptura espacial
del sólido. Es necesario comprender que la lógica o finalidad de esta siempre es obtener la
separación de mineral al mayor porcentaje y lograr una estructuración global en donde el
analista comienza a separar el mineral según su distribución de ley obtenida con el fín de
enviar estas muestras para u estudio general en laboratorios y disminuir la incertidumbre
que poseen las compañías para denotar claramente la ley de estas en cada muestra, la
lógica utilizada es clara y precisa, contener una respuesta factible en la base de datos que
le administrarán los distintos laboratorios y que se asemeje a la estimada según los análisis
previos de la evaluación del yacimiento y del análisis de sus muestras es por esto que se
realiza una especie de “concurso”, en donde el laboratorio que mas se asemeje a las
condiciones de leyes establecidas gana, es por esto que para disminuir esta incertidumbre
generalizada se efectúan copias de datos originales para obtener respuestas con respecto
a las eficiencias que pueden tener los análisis en cada laboratorio, con ello podemos evitar
todos los problemas que se pueden generar en un estudio de análisis de muestras como
una mala calibración de los equipos, un error del analista en la rotulación de las muestras,
una contaminación de las muestras en el laboratorio o simplemente una pérdida de
muestra. Cabe mencionar que este proceso es sumamente importante y es por esto que su
alto costo es necesario de pagar para eliminar la incertidumbre que nos genera no conocer
claramente lo que hay bajo nuestra superficie terrestre, pues además de simplemente
conocer las muestras, también podemos analizar como esta distribuido el mineral, que
profundidad tiene nuestro futuro yacimiento, el tipo de yacimiento a generar y finalmente
disminuir los riesgos en el proyecto minero.

El factor aplicado en el análisis de muestra es simple, lograr disminuir la incertidumbre que

genera una serie de muestras obtenidas por sondajes para llevarlos a una liberación
mineral, luego clasificarlos y obtener una rotulación del mineral para luego estandarizarlos
en gráficas de clasificación como baja, media y alta ley con el fin de agruparlos y mantener
un orden en la planificación de estos para su estudio. Finalmente se debe enviar estas
muestras a los laboratorios pertinentes y obtener la clasificación final vía bases de datos y
gráficas y así lograr una resolución clara para disminuir nuestra incertidumbre a base de
errores que teóricamente son aceptados según su clasificación.
ÍNDICE

SUMARIO................................................................................................ 7
DEFINICIONES GENERALES .................................................................... 12
CAPITULO 1: INTRODUCCIÓN ................................................................. 14
1.1 OBJETIVOS...................................................................................... 14
1.1.1 OBJETIVO GENERAL....................................................................... 14
1.1.2 OBJETIVOS ESPECÍFICOS ............................................................... 14
1.1.3 ALCANCE ...................................................................................... 15
CAPÍTULO 2 .......................................................................................... 16
REVISIÓN BIBLIOGRÁFICA ..................................................................... 16
2.1 TEORÍA DE MUESTREO ..................................................................... 16
2.1.1 PRECISIÓN ................................................................................... 16
2.2.2 EXACTITUD .................................................................................. 17
2.2.3 ANÁLISIS DE CALIDAD................................................................... 17
2.2.4 CONTROL DE CALIDAD................................................................... 18
2.2.5 CERTIFICACIÓN DE CALIDAD .......................................................... 18
CAPÍTULO 3 .......................................................................................... 19
ANÁLISIS Y RESULTADOS GRÁFICOS ESTÁNDAR DE LA BASE DE DATOS ..... 19
3.1 ESTÁNDAR DEL CUT (BATCH 1 – 100) ................................................ 19
3.2 ESTÁNDAR DEL CUT (BATCH 101 - 200) ............................................. 20
3.3 ESTÁNDAR DEL CUT (BATCH 201 – 277) ............................................. 21
3.4 ESTÁNDAR DEL CUS (BATCH 1 – 100) ................................................ 22
3.5 ESTÁNDAR DEL CUS (101 – 200) ....................................................... 23
3.6 ESTÁNDAR DEL CUS (BATCH 201 – 277)............................................. 24
3.7 ESTÁNDAR DEL BLANCO CUT VERSUS CUS 20% .................................. 25
CAPÍTULO 4 .......................................................................................... 26
ANÁLISIS Y RESULTADOS GRÁFICOS DUPLICADOS DE LA BASE DE DATOS .. 26
4.2 DUPLICADOS LOG – LOG CUT ............................................................ 27
4.3 DUPLICADOS DIFERENCIA DE MEDIA VERSUS DIFERENCIA ENTRE
VALORES DEL CUT. ................................................................................ 28
4.4 DUPLICADOS DIFERENCIA RELATIVA VERSUS FRECUENCIA ACUMULADA
DEL CUT. .............................................................................................. 29
4.5 DUPLICADOS DISPERSIÓN CUS ......................................................... 30
4.6 DUPLICADOS LOG – LOG CUS ............................................................ 31
4.7 DUPLICADOS DIFERENCIA DE MEDIA VERSUS DIFERENCIA ENTRE
VALORES DEL CUS................................................................................. 32
4.8 DUPLICADOS DIFERENCIA RELATIVA VERSUS FRECUENCIA ACUMULADA
DEL CUS. .............................................................................................. 33
CAPÍTULO 5 .......................................................................................... 34
CONCLUSIÓN Y RECOMENDACIONES ....................................................... 34
CONCLUSIÓN ........................................................................................ 34
RECOMENDACIONES .............................................................................. 35
BIBLIOGRAFÍA....................................................................................... 36
TABLA DE FIGURAS

Figura 2.2.3.1 Esquema del análisis de calidad en una muestra. .................. 17

Figura 3.1.1 Gráfico lineal de los estándares del CUT (BATCH 1 – 100). ........ 19
Figura 3.2.1 Gráfico lineal de los estándares del CUT (BATCH 101 – 200). .... 20
Figura 3.3.1 Gráfico lineal de los estándares del CUT (BATCH 201 – 277). .... 21
Figura 3.4.1 Gráfico lineal de los estándares del CUS (BATCH 1 – 100)......... 22
Figura 3.5.1 Gráfico lineal de los estándares del CUS (BATCH 101 – 200). .... 23
Figura 3.6.1 Gráfico lineal de los estándares del CUS (BATCH 201 – 277). .... 24
Figura 3.7.1 Gráfico lineal de los blancos CUT VERSUS CUS 20% (247 DATOS
EXPUESTOS). ........................................................................................ 25
Figura 4.1.1 Gráfico de dispersión de las leyes de los datos originales versus
duplicado del CUT (247 DATOS EXPUESTOS)............................................. 26
Figura 4.2.1 Gráfico de dispersión log – log de las leyes de los datos originales
versus duplicado del CUT (247 DATOS EXPUESTOS). ................................. 27
Figura 4.3.1 Gráfico de abanico de la diferencia de valores versus media entre
valores de los datos del CUT (247 DATOS EXPUESTOS). ............................. 28
Figura 4.4.1 Gráfico de la frecuencia acumulada versus diferencia relativa de
los valores de los datos del CUT (247 DATOS EXPUESTOS). ........................ 29
Figura 4.5.1 Gráfico de dispersión de las leyes de los datos originales versus
duplicado del CUS (247 DATOS EXPUESTOS). ........................................... 30
Figura 4.6.1 Gráfico de dispersión log – log de las leyes de los datos originales
versus duplicado del CUS (247 DATOS EXPUESTOS). ................................. 31
Figura 4.7.1 Gráfico de abanico de la diferencia de valores versus media entre
valores de los datos del CUS (247 DATOS EXPUESTOS). ............................. 32
Figura 4.8.1 Gráfico de la frecuencia acumulada versus diferencia relativa de
los valores de los datos del CUS (247 DATOS EXPUESTOS). ........................ 33
DEFINICIONES GENERALES

Roca: Son agregados de minerales sólidos de origen natural, cuyos componentes son
definidos y se encuentran ordenados en su interior formando cristales. Existen tres
categorías, cuyos procesos de formación son bien distintivos: las rocas pueden
ser ígneas, sedimentarias o metamórficas.

Roca mineral: Denominación que se le da a la roca de cierta calidad (ley).

Roca estéril: Denominación a la roca de menor calidad a la requerida o sin ley.

Rotura de la roca: Son superficies a lo largo de las cuales una roca o mineral se ha roto.
(Superficies a lo largo de las cuales el material ha perdido cohesión). Las fracturas se
distinguen por el movimiento relativo que ha ocurrido a lo largo de ellas durante su
formación. Además, se puede entender como rotura a la fragmentación de esta para otorgar
la liberación del mineral de ley compuesto en ella.

Liberación del mineral: Hace referencia al tamaño de grano mínimo al cual hay que moler
una mena para lograr separar sus especies minerales de la ganga. Cabe mencionar que
esta puede realizarse por una rotura aleatoria o no aleatoria.

Rotura aleatoria: Fragmentación de la roca de forma aleatoria con el fin de liberar el

mineral de ley existente en esta independientemente de la textura, caracteres físicos y la
mecánica del sólido. Generalmente se aplica para conceptos de estudios de la roca.

Rotura no aleatoria: Fragmentación de la roca de forma selectiva según sus caracteres

físicos y mecánicos del sólido con el fin de liberar el mineral de ley existente. La aplicación
de este tipo de rotura o fragmentación es necesaria para obtener un mayor grado de
recuperación del mineral y lograr que el trabajo de la molienda sea eficaz en comparación
con el de rotura aleatoria.

Cargamento: Es la cantidad de material entregado en una sola partida.

Lote: Cantidad de material a ser muestreada, cuya composición se quiere estimar.

Incremento: Una cantidad de materia seleccionada del lote mediante un dispositivo de

muestreo en una sola operación.
Muestra: Es una cantidad de materia que es extraída del lote, a menuda obtenida mediante
la reunión de distintos incrementos o fracciones del lote es representativa.

Muestreo: Es la acción de recoger muestras representativas de la calidad o condiciones

medidas de un todo.

Protocolo de muestreo: Es un procedimiento tipo secuencial, que tiene por objeto

visualizar los pasos que se deben seguir hasta conseguir el producto.

Muestra equitativa: Una muestra es equitativa cuando es reproducible y suficientemente

exacta para satisfacer los requerimientos del cliente.
CAPITULO 1: INTRODUCCIÓN

Primeramente, cabe mencionar que este estudio se realizó con respecto a la base de datos
suministrada por el profesor a cargo en el cual se instó a realizar un análisis comprensivo
de las muestras según sus categorías y obtener resultados concretos sobre el estudio de
estas y como se distribuyen bajo las normativas de los batch y sus respectivos límites de
leyes. Es necesario comprender que el estudio previo no fue realizado por nosotros sino
por analistas que entregaron sus resoluciones del caso y que objetivamente dieron a
conocer sus resultados en base a las operaciones realizadas en cada muestra y así
concretar la decisión que otorgaremos en este estudio definitivo.

Además se estudió el caso de cada una de ellas y la comprensión de los diversos problemas
que pueden tener la base de datos con el fin de eliminar cada vez más la incertidumbre que
existe en las muestras y en las respuestas entregadas por los analistas.

1.1 OBJETIVOS

1.1.1 OBJETIVO GENERAL

Analizar y representar gráficamente la base de datos entregada por el profesor a cargo con
el fin de sostener una conclusión clara de cómo se distribuyen las leyes según los análisis
de las muestras, sus estándares correspondientes como alta, media y baja ley, y además
el análisis comprendido de los blancos para verificar la credibilidad del análisis por
laboratorio.

1.1.2 OBJETIVOS ESPECÍFICOS

• Estudiar la base de datos con el fin de realizar un orden en la estructura general de

los datos entregados y verificar sus errores, sus omisiones de batch y las leyes
correspondientes a cada estándar y duplicado.
 • Enfatizar sobre el análisis de gráficos correspondiente a cada comparación, tanto
como los estándares de alta, media y baja, sus blancos y los duplicados creados en
base a las muestras originales para comprender la respuesta de los laboratorios en
cada base de datos.

• Entregar una conclusión factible para disminuir la incertidumbre generada por los
analistas de los laboratorios y así responder las preguntas frecuentes a cada uno
de los análisis y sus respectivos gráficos comparativos del cut y el cus 20%.

1.1.3 ALCANCE

El trabajo se enmarca en el contexto de los siguientes alcances:

• Desarrollar un estudio para determinar la correspondencia de los datos

estandarizados en cada uno de los límites designados.

• Implementar un estudio en base a gráficos que representen la población de

muestras según estándar, error y duplicados.

• Estigmatizar la diferencia entre los datos anómalos y atípicos en cada estructura

estandarizada, blanco y duplicado.
CAPÍTULO 2

REVISIÓN BIBLIOGRÁFICA

En el siguiente capítulo se busca realizar un análisis general de la información

necesaria para la comprensión sobre el muestreo. Además, fundamentar sobre la toma de
decisiones y sus análisis respecto a las muestras y su objetivo principal en el estandarizado,
blanco y duplicado en la base de datos.

Cabe mencionar que este análisis va a depender de la distribución de las muestras según
los analistas y de cómo están relacionadas según sus estándares y la calidad de estas.

Las muestras suelen ser una parte de la población total de cada estándar, blanco y
duplicado con el fin que sean equiprobables para que otorgue una cierta incertidumbre
conocida evitando que se convierta en un espécimen así evitando estar fuera del análisis
de la teoría de muestreo.

Además, cada muestra es obtenida según los sondajes establecidos y rotulados según las
características que tiene y empleadas bajo las condiciones del análisis de muestreo.

2.1 TEORÍA DE MUESTREO

2.1.1 PRECISIÓN

Es el detalle con el que un instrumento o procedimiento puede medir una variable y el grado
de reproducirla o duplicarla con el fin que sean iguales o semejantes con su respectivo error
aceptado.
2.2.2 EXACTITUD

Es lo que acerca esta medición al valor real, el error es la diferencia entre el valor real y el
medido, sin embargo, puesto que el valor real nunca se conoce realmente, el error siempre
debe estimarse. Este está basado bajo los estándares establecidos según las leyes
otorgadas como rango admisible. Además, se utiliza con el fin de concretar un grado de
reproducción del dato, así duplicarlo y obtener un grado de precisión en el objetivo. En este
caso la exactitud la vemos en el round robin realizado a los distintos laboratorios
suministrados.

2.2.3 ANÁLISIS DE CALIDAD

Uso de datos de un sistema de medición estable, para proporcionar una evaluación

estadística de haber alcanzado un determinado y deseado nivel de aceptabilidad
conllevando a la realización de los estándares del control de calidad de las muestras (ver
figura 2.2.3.1).

Figura 2.2.3.1 Esquema del análisis de calidad en una muestra.

2.2.4 CONTROL DE CALIDAD

Todo aquel conjunto de actividades cuyo propósito es el de controlar la calidad de un

análisis en la base de datos con el fin que cumpla con las estándares de calidad propuestos.
El propósito es proporcionar una calidad que sea satisfactoria, adecuada, confiable y
económica.

2.2.5 CERTIFICACIÓN DE CALIDAD

Todo el conjunto de actividades cuyo propósito es el de certificar que el trabajo o análisis

total de control de la calidad se está haciendo en una forma efectiva. Esto es, los
procedimientos de certificación de calidad se usan para evaluar la calidad de los datos que
se están generando. Para ello se gestionan las planillas batch acorde a los estándares
establecidos y su análisis según los rangos necesarios para la calidad.
CAPÍTULO 3

ANÁLISIS Y RESULTADOS GRÁFICOS ESTÁNDAR DE LA BASE DE DATOS

3.1 ESTÁNDAR DEL CUT (BATCH 1 – 100)

En el siguiente gráfico analizamos la estandarización de los datos que están agrupados
según su clasificación alta, media y baja con sus respectivos rangos aceptados para esta.
Se puede apreciar que existen datos anómalos que no interceptan ningún límite de
aprobación del error los cuales para alta no se encontraron, (BATCH 20) para media y
(BATCH 20 y 58) para baja. Además, podemos encontrar datos atípicos en alta (BATCH 1,
2, 12, 28 y 35), media (BATCH 23) y para baja (BATCH 39, 41, 42, 55, 68 y 75). Por
consiguiente, podemos mencionar que en el de baja ley existe un BATCH inexistente el
cual corresponde (BATCH 6).

Cabe mencionar que llamaremos datos anómalos a aquellos que no corresponden a la ley
estimada según su clasificación, pero que sí interceptan algún límite asociado a otro rango
de ley, y llamaremos atípicos a aquellos datos que no interceptan ningún rango y sólo
obtienen un error lejano al estimado. (ver figura 3.1.1).

GRÁFICO LINEAL DE LOS ESTÁNDARES DEL CUT

0.700
ALTA
0.600
L.I
V.R
0.500
L.S
0.400 MEDIA
CUT %

L.I
0.300
V.R

0.200 L.S
BAJA
0.100
L.I
V.R
0.000
0.5 10.5 20.5 30.5 40.5 50.5 60.5 70.5 80.5 90.5 L.S
BATCH

Figura 3.1.1 Gráfico lineal de los estándares del CUT (BATCH 1 – 100).
3.2 ESTÁNDAR DEL CUT (BATCH 101 - 200)

En el siguiente gráfico analizamos la estandarización de los datos que están agrupados

según su clasificación alta, media y baja con sus respectivos rangos aceptados para esta.
Se puede apreciar que no existen datos anómalos ni atípicos por lo tanto estos están
aceptados dentro del rango que se propone, pero si contienen BATCH inexistentes en alta
(BATCH 148 Y 182) y en media (BATCH 166, 170, 182 y 183).

Cabe mencionar que llamaremos datos anómalos a aquellos que no corresponden a la ley
estimada según su clasificación, pero que sí interceptan algún límite asociado a otro rango
de ley, y llamaremos atípicos a aquellos datos que no interceptan ningún rango y sólo
obtienen un error lejano al estimado. (ver figura 3.2.1).

GRÁFICO LINEAL DE LOS ESTÁNDARES DEL CUT

0.600
ALTA
0.500
L.I

0.400 V.R
CUT %

L.S
0.300
MEDIA
0.200 L.I
V.R
0.100
L.S
0.000 BAJA
100 110 120 130 140 150 160 170 180 190 200
L.I
BATCH

Figura 3.2.1 Gráfico lineal de los estándares del CUT (BATCH 101 –
200).
3.3 ESTÁNDAR DEL CUT (BATCH 201 – 277)

En el siguiente gráfico analizamos la estandarización de los datos que están agrupados

según su clasificación alta, media y baja con sus respectivos rangos aceptados para esta.
Se puede apreciar que no existen datos anómalos ni atípicos por lo tanto estos están
aceptados dentro del rango que se propone, pero si contienen BATCH inexistentes en alta
(BATCH 212), en media (BATCH 212) y en baja (BATCH 212).

Cabe mencionar que llamaremos datos anómalos a aquellos que no corresponden a la ley
estimada según su clasificación, pero que sí interceptan algún límite asociado a otro rango
de ley, y llamaremos atípicos a aquellos datos que no interceptan ningún rango y sólo
obtienen un error lejano al estimado. (ver figura 3.3.1).

GRÁFICO LINEAL DE LOS ESTÁNDARES DEL CUT

0.600
ALTA
0.500 L.I
V.R
0.400
L.S
CUT %

MEDIA
0.300
L.I
V.R
0.200
L.S

0.100 BAJA
L.I
0.000 V.R
200 210 220 230 240 250 260 270 280
L.S
BATCH

Figura 3.3.1 Gráfico lineal de los estándares del CUT (BATCH 201 –
277).
3.4 ESTÁNDAR DEL CUS (BATCH 1 – 100)

En el siguiente gráfico analizamos la estandarización de los datos que están agrupados

según su clasificación alta, media y baja con sus respectivos rangos aceptados para esta.
Se puede apreciar que existe solo un dato atípico en la media (BATCH 5) por lo tanto el
resto están aceptados dentro del rango que se propone, pero si contienen BATCH
inexistentes en alta (BATCH 55) y en baja (BATCH 5).

Cabe mencionar que llamaremos datos anómalos a aquellos que no corresponden a la ley
estimada según su clasificación, pero que sí interceptan algún límite asociado a otro rango
de ley, y llamaremos atípicos a aquellos datos que no interceptan ningún rango y sólo
obtienen un error lejano al estimado. (ver figura 3.4.1).

GRÁFICO LINEAL DE LOS ESTÁNDARES DEL COBRE SOLUBLE

0.600
ALTA
0.500 L.I
V.R
0.400
CUS 20%

L.S
0.300 MEDIA
L.I
0.200
V.R

0.100 L.S
BAJA
0.000
L.I
0.5 10.5 20.5 30.5 40.5 50.5 60.5 70.5 80.5 90.5
BATCH V.R

Figura 3.4.1 Gráfico lineal de los estándares del CUS (BATCH 1 – 100).
3.5 ESTÁNDAR DEL CUS (101 – 200)

En el siguiente gráfico analizamos la estandarización de los datos que están agrupados

según su clasificación alta, media y baja con sus respectivos rangos aceptados para esta.
Se puede apreciar que existen datos atípicos en alta (BATCH 200), media (BATCH 146 y
187) y baja (BATCH 127) por lo tanto el resto están aceptados dentro del rango que se
propone, además contienen BATCH inexistentes en alta (BATCH 148, 171 y 182) y en
media (BATCH 166, 170, 182, 183, 199).

Cabe mencionar que llamaremos datos anómalos a aquellos que no corresponden a la ley
estimada según su clasificación, pero que sí interceptan algún límite asociado a otro rango
de ley, y llamaremos atípicos a aquellos datos que no interceptan ningún rango y sólo
obtienen un error lejano al estimado. (ver figura 3.5.1).

GRÁFICO LINEAL DE LOS ESTÁNDARES DEL CUS

0.600

ALTA
0.500
L.I
V.R
0.400
L.S
CUS 20%

MEDIA
0.300
L.I
V.R
0.200
L.S
BAJA
0.100
L.I
V.R
0.000
L.S
100 110 120 130 140 150 160 170 180 190 200
BATCH

Figura 3.5.1 Gráfico lineal de los estándares del CUS (BATCH 101 –
200).
3.6 ESTÁNDAR DEL CUS (BATCH 201 – 277)

En el siguiente gráfico analizamos la estandarización de los datos que están agrupados

según su clasificación alta, media y baja con sus respectivos rangos aceptados para esta.
Se puede apreciar que existen datos atípicos en media (BATCH 217, 234 y 238) y baja
(BATCH 259) por lo tanto el resto están aceptados dentro del rango que se propone,
además contienen BATCH inexistentes en alta (BATCH 209, 212 y 263), en media (BATCH
212) y en baja (BATCH 211).

Cabe mencionar que llamaremos datos anómalos a aquellos que no corresponden a la ley
estimada según su clasificación, pero que sí interceptan algún límite asociado a otro rango
de ley, y llamaremos atípicos a aquellos datos que no interceptan ningún rango y sólo
obtienen un error lejano al estimado. (ver figura 3.6.1).

GRÁFICO LINEAL DE LOS ESTÁNDARES DEL CUS

0.600
ALTA
0.500 L.I
V.R
0.400
CUS 20%

L.S
0.300 MEDIA
L.I
0.200
V.R

0.100 L.S
BAJA
0.000
L.I
200 210 220 230 240 250 260 270 280
BATCH V.R

Figura 3.6.1 Gráfico lineal de los estándares del CUS (BATCH 201 –
277).
3.7 ESTÁNDAR DEL BLANCO CUT VERSUS CUS 20%

En el siguiente gráfico analizamos la diferencia entre los blancos del CUT versus CUS 20%
de los datos que están agrupados con el fin de relacionarse entre ellos y obtener un valor
de ley cercana a cero, por lo tanto, se puede apreciar que tenemos leyes atípicas (BATCH
25, 156, 181, 205 Y 210). Además, en la base de datos hay datos inexistentes (BATCH 6,
182, 183, 212 Y 236). (ver figura 3.7.1).

GRÁFICO LINEAL BLANCO CUT V/S CUS 20%

1.2

1
LEYES MUESTRAS

0.8

0.6
CUT
0.4 CUS20%
0.2

0
0 20 40 60 80 100 120 140 160 180 200 220 240
BATCH

Figura 3.7.1 Gráfico lineal de los blancos CUT VERSUS CUS 20% (247
DATOS EXPUESTOS).
CAPÍTULO 4

ANÁLISIS Y RESULTADOS GRÁFICOS DUPLICADOS DE LA BASE DE DATOS

4.1 DUPLICADOS DISPERSIÓN CUT

En el siguiente gráfico analizamos la relación de los datos originales versus los datos
duplicados que están agrupados entre sí y que no deben tener un error superior al 20% ya
que se busca interpretar cuan preciso es la relación espacial de ellos en una curva de
dispersión con respecto a su pendiente que por consiguiente deberían expresar una
semejanza relativamente afín entre ambas. Podemos afirmar que sí existen datos
inexistentes en original y en duplicados, ambos con el mismo batch (BATCH 6, 48, 52, 61,
74, 94, 147, 161, 173, 180, 181, 212, 237, 245). Se puede apreciar que no existen datos
atípicos en ambos, ya que el rango de error entre ambos, como ya lo mencionamos,
corresponde al 20% y en este caso al analizar su correlación espacial es muy cercano a 1
(R² = 0.9791) cómo se puede verificar. (ver figura 4.1.1).

GRÁFICO DE DISPERSIÓN DUPLICADO CUT

4.500
4.000 y = 0.9986x - 0.0022
LEY MUESTRA DUPLICADO

3.500 R² = 0.9791

3.000
2.500
2.000
1.500
1.000
0.500
0.000
0.000 0.500 1.000 1.500 2.000 2.500 3.000 3.500 4.000
LEY MUESTRA ORIGINAL

Figura 4.1.1 Gráfico de dispersión de las leyes de los datos originales

versus duplicado del CUT (247 DATOS EXPUESTOS).
4.2 DUPLICADOS LOG – LOG CUT

En el siguiente gráfico analizamos la relación de los datos originales versus los datos
duplicados que están agrupados entre sí y que no deben tener un error superior al 20% ya
que se busca interpretar cuan preciso es la relación espacial de ellos en una curva de
dispersión logarítmica con respecto a su pendiente que por consiguiente deberían expresar
una semejanza relativamente afín entre ambas. Se puede verificar claramente que hay
datos atípicos, el cual corresponden a 9 de ellos. Además, afirmamos que sí existen datos
inexistentes en original y en duplicados, ambos con el mismo batch (BATCH 6, 48, 52, 61,
74, 94, 147, 161, 173, 180, 181, 212, 237, 245). Se puede apreciar que aún existiendo datos
atípicos de ambos fuera del 20% de error, su correlación lineal está bastante acertada ya
que comprende una correlación espacial es muy cercano a 1 (R² = 0.9791) cómo se puede
verificar. (ver figura 4.1.1).

Grafico Log-Log CuT

10.000
y = 0.9986x - 0.0022 valor duplicado
LOG LEY DUPLICADO

R² = 0.9791
1.000 Error 20 %

Error -20 %
0.100
Lineal (valor duplicado)

0.010 Lineal (Error 20 %)

Lineal (Error -20 %)

0.001
0.010 0.100 1.000 10.000

LOG LEY ORIGINAL

Figura 4.2.1 Gráfico de dispersión log – log de las leyes de los datos
originales versus duplicado del CUT (247 DATOS EXPUESTOS).
4.3 DUPLICADOS DIFERENCIA DE MEDIA VERSUS DIFERENCIA ENTRE VALORES
DEL CUT.

En el siguiente gráfico analizamos la relación de la diferencia de media versus la diferencia

de los datos originales y duplicados que están agrupados entre sí y que no deben tener un
error superior al 20% ya que se busca interpretar cuan preciso es la relación espacial de
ellos en una curva de dispersión con respecto a sus errores del 0 al 20% que por
consiguiente deberían expresar una semejanza relativamente afín entre ambas. Se puede
verificar claramente que hay datos atípicos, el cual corresponden a 13 de ellos (BATCH 13,
14, 20, 21, 22, 31, 44, 46, 47, 64, 65, 122, 236). Además, afirmamos que sí existen datos
inexistentes en original y en duplicados, ambos con el mismo batch (BATCH 6, 48, 52, 61,
74, 94, 147, 161, 173, 180, 181, 212, 237, 245). (ver figura 4.3.1).

GRÁFICO ABANICO DIFERENCIA VALORES VS

MEDIA ENTRE VALORES
1.000
DIFERENCIA DE VALORES

0.800 DIFERENCIA
0.600 ERROR 10%
0.400
ERROR 20%
0.200
0.000 ERROR -20%
-0.200 ERROR -10%
-0.400
Lineal (ERROR 10%)
-0.600
-0.800 Lineal (ERROR 20%)
-1.000 Lineal (ERROR -20%)
0.000 0.500 1.000 1.500 2.000 2.500 3.000 3.500 4.000
Lineal (ERROR -10%)
MEDIA ENTRE VALORES

Figura 4.3.1 Gráfico de abanico de la diferencia de valores versus media

entre valores de los datos del CUT (247 DATOS EXPUESTOS).
4.4 DUPLICADOS DIFERENCIA RELATIVA VERSUS FRECUENCIA ACUMULADA
DEL CUT.

En el siguiente gráfico analizamos la relación de la frecuencia acumulada versus la

diferencia relativa entre los datos originales y duplicados que están agrupados entre sí. Se
puede apreciar que 94% de los datos se sitúan bajo un error del 20%. Además, afirmamos
que sí existen datos inexistentes en original y en duplicados, ambos con el mismo batch
(BATCH 6, 48, 52, 61, 74, 94, 147, 161, 173, 180, 181, 212, 237, 245). (ver figura 4.4.1).

Frecuencia Acumulada % Versus Diferencia

160
Relativa%
140

120
DIFERENCIA RELATIVA %

100

80

60

40

20

0
0 20 40 60 80 100 120
FRECUENCIA ACUMULADA %

Figura 4.4.1 Gráfico de la frecuencia acumulada versus diferencia

relativa de los valores de los datos del CUT (247 DATOS EXPUESTOS).
4.5 DUPLICADOS DISPERSIÓN CUS

En el siguiente gráfico analizamos la relación de los datos originales versus los datos
duplicados que están agrupados entre sí y que no deben tener un error superior al 20% ya
que se busca interpretar cuan preciso es la relación espacial de ellos en una curva de
dispersión con respecto a su pendiente que por consiguiente deberían expresar una
semejanza relativamente afín entre ambas. Podemos afirmar que sí existen datos
inexistentes en original y en duplicados, ambos con el mismo batch (BATCH 5, 7, 24, 31,
41, 47, 51, 52, 57, 58, 59, 60, 73, 89, 95, 100, 101, 106, 130, 131, 140, 146, 160, 172, 179,
180, 184, 185, 211, 236, 242). Se puede apreciar que no existen datos atípicos en ambos,
ya que el rango de error, como ya lo mencionamos, corresponde al 20% y en este caso al
analizar su correlación espacial es muy cercano a 1 (R² = 0.9912) cómo se puede verificar.
(ver figura 4.5.1).

GRÁFICO DE DISPERSIÓN CUS

2

1.8

1.6
LEY MUESTRA DUPLICADA

1.4

1.2

0.8
y = 1.0071x - 0.0014
0.6 R² = 0.9912

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
LEY MUESTRA ORIGINAL

Figura 4.5.1 Gráfico de dispersión de las leyes de los datos originales

versus duplicado del CUS (247 DATOS EXPUESTOS).
4.6 DUPLICADOS LOG – LOG CUS

En el siguiente gráfico analizamos la relación de los datos originales versus los datos
duplicados que están agrupados entre sí y que no deben tener un error superior al 20% ya
que se busca interpretar cuan preciso es la relación espacial de ellos en una curva de
dispersión logarítmica con respecto a su pendiente que por consiguiente deberían expresar
una semejanza relativamente afín entre ambas. Por consiguiente, no se verifican datos
atípicos. Además, afirmamos que sí existen datos inexistentes en original y en duplicados,
ambos con el mismo batch (BATCH 5, 7, 24, 31, 41, 47, 51, 52, 57, 58, 59, 60, 73, 89, 95,
100, 101, 106, 130, 131, 140, 146, 160, 172, 179, 180, 184, 185, 211, 236, 242). Su
correlación lineal está bastante acertada ya que comprende una correlación espacial es
muy cercano a 1 (R² = 0.9791) cómo se puede verificar. (ver figura 4.6.1).

Grafica Log-Log CuS

10

y = 1.0071x - 0.0014
R² = 0.9912
1
LOG LEY DUPLICADO

0.1

0.01

0.001
0.01 0.1 1 10
LOG LEY ORIGINAL
Series1 Error 20 %
Error -20 % Lineal (Series1)
Lineal (Error 20 %) Lineal (Error -20 %)

Figura 4.6.1 Gráfico de dispersión log – log de las leyes de los datos
originales versus duplicado del CUS (247 DATOS EXPUESTOS).
4.7 DUPLICADOS DIFERENCIA DE MEDIA VERSUS DIFERENCIA ENTRE VALORES
DEL CUS.

En el siguiente gráfico analizamos la relación de la diferencia de media versus la diferencia

de los datos originales y duplicados que están agrupados entre sí y que no deben tener un
error superior al 20% ya que se busca interpretar cuan preciso es la relación espacial de
ellos en una curva de dispersión con respecto a sus errores del 0 al 20% que por
consiguiente deberían expresar una semejanza relativamente afín entre ambas. Se puede
verificar claramente que no hay datos atípicos. Además, afirmamos que sí existen datos
inexistentes en original y en duplicados, ambos con el mismo batch (BATCH 5, 7, 24, 31,
41, 47, 51, 52, 57, 58, 59, 60, 73, 89, 95, 100, 101, 106, 130, 131, 140, 146, 160, 172, 179,
180, 184, 185, 211, 236, 242). (ver figura 4.7.1).

GRÁFICO ABANICO DIFERENCIA VALORES VERSUS MEDIA DE

VALORES DEL CUS
0.6

0.4
DIFERENCIA ENTRE VALORES

Series1
ERROR 10%
0.2
ERROR 20%
0 ERROR -10%
ERROR -20%
-0.2
Lineal (ERROR 10%)
Lineal (ERROR 20%)
-0.4
Lineal (ERROR -10%)
-0.6 Lineal (ERROR -20%)
0 0.5 1 1.5 2
MEDIA ENTRE VALORES

Figura 4.7.1 Gráfico de abanico de la diferencia de valores versus media

entre valores de los datos del CUS (247 DATOS EXPUESTOS).
4.8 DUPLICADOS DIFERENCIA RELATIVA VERSUS FRECUENCIA ACUMULADA
DEL CUS.

En el siguiente gráfico analizamos la relación de la frecuencia acumulada versus la

diferencia relativa entre los datos originales y duplicados que están agrupados entre sí. Se
puede apreciar que 99.9% de los datos se sitúan bajo un error del 20%. Además, afirmamos
que sí existen datos inexistentes en original y en duplicados, ambos con el mismo batch
(BATCH 5, 7, 24, 31, 41, 47, 51, 52, 57, 58, 59, 60, 73, 89, 95, 100, 101, 106, 130, 131,
140, 146, 160, 172, 179, 180, 184, 185, 211, 236, 242). (ver figura 4.8.1).

Frecuencia Acumulada % versus Diferencia

Relativa%
100
90
80
DIFERENCIA RELATIVA %

70
60
50
40
30
20
10
0
0 20 40 60 80 100
FRECUENCIA ACUMULADA %

Figura 4.8.1 Gráfico de la frecuencia acumulada versus diferencia

relativa de los valores de los datos del CUS (247 DATOS EXPUESTOS).
CAPÍTULO 5

CONCLUSIÓN Y RECOMENDACIONES

CONCLUSIÓN

En el estudio realizado podemos concluir que en el caso de los estándares del CUT arrojó
mucha más anomalía y datos atípicos que el CUS, esto se puede ocasionar por una mala
rotulación de las muestras, una contaminación de estas o simplemente una mala calibración
de los equipos del laboratorio. Además, encontramos gran parte de datos inexistentes que
a cierta produce un grado de desconfianza para el cliente que está solicitando el estudio de
sus muestras, es necesario entender que las pruebas de laboratorio son claves en el
proceso de evaluar un yacimiento y planificar el sector de extracción de mineral, es por esto
que se necesita un grado de cuidado para obtener la exactitud en los datos.

En respuesta a la diferencia entre el CUT y CUS en el estandarizado indica que los cobres
insolubles juegan un rol fundamental, ya que son estos los que hacen la diferencia entre
ambos datos de la base de datos e indican el grado de confiabilidad que pueda tener.

Cabe mencionar que en el caso de los duplicados vimos una gran variedad del cobre total
en la cantidad de datos atípicos, pues cada vez que realizábamos un gráfico más detallado
encontrábamos un crecimiento de su dispersión lo cual encaja nuevamente a la resolución
del cobre insoluble en las muestras. Por el contrario, en el caso del CUS que nos dio como
confiabilidad de un 99.9% de los datos dentro de la dispersión de los datos o su distribución
dentro de ella, sí arrojó una gran diferencia en la inexistencia de datos (31 datos
inexistentes), lo que esto disminuye la credibilidad tan precisa que arrojaron los gráficos al
momento del análisis.

En el caso del análisis de los blancos, también arrojó variabilidad en la diferencia de las
muestras tanto en el CUT como en el CUS 20%, lo que rápidamente genera la duda en
cuanto a la calibración de los equipos y el equipo humano que trabaja en el laboratorio que
analizó todas las muestras, es cierto que no fueron tantas muestras con diferencias relativas
en magnitud, pero el solo hecho de no reconocer el error cero en estas o cercana a eso,
produce desconfianza en la calidad del laboratorio asignado.

Es necesario asumir que el análisis, control y certificación de calidad son los puntos clave
para el proceso general de la obtención de confianza y así disminuir nuestra incertidumbre,
siempre y cuando se tenga una gran cantidad de datos existentes y entro de los márgenes
establecidos, para ello se vuelve a recalcar que esto depende de un trabajo preciso y exacto
con sus errores de dispersión factibles dentro de lo que denominamos certero.
Finalmente podemos mencionar que la confiabilidad que nos entrega el CUS se obtiene, ya
que su formación mineralógica es generalmente un óxido cuprífero lo que es más fácil de
liberar de la formación rocosa global de la muestra a diferencia del cobre insoluble que tiene
una dureza mayor y es más difícil de liberar.

RECOMENDACIONES

Se sugiere para mejorar la calidad de muestreo reducir y conocer como se está

comportando la base de dato, como se comporta esta y cuales es la distribución de las
muestras.

Generalmente los problema de no seguir los procedimientos de muestreo, altera los

resultados, por ende induce a la toma de decisiones de forma errónea y con consecuencias
económicas que pueden destruir el motivo económico a seguir, es por esto que se
recomienda elaborar un método que asegure que todo el procedimiento se esté llevando a
cabo satisfactoriamente como por ejemplo evitar el contacto de otra muestra cercana a otra
o simplemente evitar el contacto de muchas personas trabajando o manipulando todas las
muestras.

Además, exigir un procedimiento que permita verificar que todos los equipos e instrumento
que influyen en el muestreo este calibrado y en óptimas condiciones para evitar anomalías
o datos atípicos.

Capacitar al personal adecuadamente con el fin que no genere alteración en las muestras
y evitar posibles contaminaciones de esta.

Otro punto importante es la forma en que se libera el mineral y como este se está rotulando
para diferenciar claramente una muestra de otra con su respectiva etiqueta.
BIBLIOGRAFÍA

• Marco Antonio Alfaro. Introducción al muestreo minero. Santiago de Chile,

2002.
• http://www.um.es/geograf/sigmur/temariohtml/node26_mn.html.
Alonso. Exactitud, precisión y error. 13 – 02 – 2006.
• http://www.geologia.uchile.cl/las-rocas-y-sus-procesos-de-formacion.
Autor desconocido. Universidad de Chile.
• https://www.codelco.com/glosario/prontus_codelco/2016-06-
22/175933.html#vtxt_cuerpo_T17. Codelco, Chile.