Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIVERSIDAD DE ANTOFAGASTA
Facultad de Ingeniería
02 Noviembre de 2017
SUMARIO
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.
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
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.
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.
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
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.
• 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
REVISIÓN BIBLIOGRÁFICA
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.
2.1.1 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.
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).
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)
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).
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)
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).
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)
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).
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)
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).
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)
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).
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).
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
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).
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
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).
R² = 0.9791
1.000 Error 20 %
Error -20 %
0.100
Lineal (valor duplicado)
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.
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
120
DIFERENCIA RELATIVA %
100
80
60
40
20
0
0 20 40 60 80 100 120
FRECUENCIA ACUMULADA %
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).
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
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).
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.
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
70
60
50
40
30
20
10
0
0 20 40 60 80 100
FRECUENCIA ACUMULADA %
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
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