Muestreo Estadistico - Soluciones

TECNICAS DE MUESTREO
CAPITULO III
MUESTREO ESTADISTICO
LA TEORIA DEL MUESTREO
Una muestra es una pequeña porción de un lote de material, el cual

contiene todos los componentes, en la misma proporción que existe en el
original. El objeto de cualquier procedimiento de muestreo es obtener una
porción representativa del todo. Las propiedades analizadas de la muestra
pueden ser usadas para predecir o pronosticar las propiedades de la
población de la cual la muestra fue extraída.
El control de calidad de cualquier industria se basa en procedimientos de

muestreos constantes y regulares. Además, es necesario un conocimiento de
estadística aplicada para el caso que se desee pronosticar las características
de la población a partir de los resultados de muestreo. El rol del análisis
estadístico es grande en cualquier tecnología 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 estadística son utilizados en circunstancias en

las cuales no es factible obtener información de todos los integrantes de una
población, tales como en el análisis químico y biológico, control de calidad
industrial ó investigaciones sociales. El método más elemental de muestreo es
el muestreo aleatorio, basado en la teoría de probabilidades. Según esto,
cada elemento de la población 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 prácticas deficientes de muestreo son una causa primordial de inexactitudes
en los valores calculados. Desafortunadamente, el muestreo preciso requiere de
TECNICAS DE MUESTREO Pág. Nº

FEBRERO 2018
grandes cantidades de materiales, lo que hace del muestro una tarea difícil 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 más significativos. Como los análisis
numéricos pueden obtenerse con tanta facilidad sobre muestras deficientes que,
sobre muestras buenas, fácilmente se genera un falso sentido de seguridad en la
mente del ingeniero en la oficina, cuando solamente ve los resultado.
La composición del material que se mueve en un proceso es

característicamente irregular, excepto en casos muy especiales. Idealmente un
proceso continuo operando en estado uniforme deberá dar un flujo de
materiales uniforme, pero no se puede suponer tal estado; son necesarios el
muestreo y el análisis para conocer las características reales de la población
que se analiza.
1.- RAZONES PARA EL MUESTREO
Al desarrollarse una investigación estadística se deben seguir ciertos pasos o

etapas después de definir el problema en términos estadísticos. 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 población sobre la base de
datos extraídos 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 único procedimiento posible; segundo, aún en casos de
poblaciones finitas, muy frecuentemente el muestreo es el único procedimiento
práctico, pues la población finita puede constar de millares o millones de
elementos y su recolección completa es prácticamente imposible; en tercer
lugar, la medición de propiedades de una población a veces requiere de la
destrucción de sus elementos, para determinar determinadas propiedades
físicas por ejemplo.
Los resultados obtenidos por el estudio de una muestra pueden ser iguales o aún
más precisos que los hallados de una cuenta completa de la población, puesto
que, ante la posibilidad de evaluar a toda una población, el tiempo que requeriría
ello podría conducir a que en el transcurso de la evaluación se produjesen
cambios importantes que al finalizar la evaluación, el resultado sería diferente.

FEBRERO 2018
2.- BASES DEL MUESTREO
Aunque la diversidad es una cualidad universal de los datos, no hay

virtualmente ninguna población estadística en la práctica cuyos elementos
varíen entre si sin límite. Los hechos de que cualquier población tiene
propiedades características y que las variaciones de sus elementos son
claramente limitadas, hace posible que se escoja una muestra relativamente
pequeña y al azar que pueda reflejar bastante bien las características de la
población.
Otra propiedad interesante e importante de los datos es la regularidad o
uniformidad. Las fuerzas relacionadas, pero independientes que producen la
variabilidad de una población están a menudo tan 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 estadística, si se escoge una muestra grande al azar,
las características de esta muestra difieren muy poco de las características de
la población. La uniformidad o regularidad es la tendencia de las
características 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
más estables que los valores individuales. Además, los promedios resultan
más estables cuantas más observaciones haya en la muestra.
La razón básica de que cantidades mayores de datos tienden a exhibir

menos fluctuación es una tendencia de las unidades de datos a “compensarse
unas con otras”. El mismo efecto de compensación puede esperarse cuando
aumenta el tamaño de la muestra.
En la práctica, para hacer inferencias generalmente solo tomamos una

muestra. Sea esta grande o pequeña, estamos casi seguros de que sus
características no son exactamente las de la población. ¿Cómo podemos
estar seguros entonces sobre el grado de confianza de nuestras
conclusiones?. La respuesta a la pregunta es aleatoriedad. La medición
objetiva de los errores por muestreo requiere que la muestra sea al azar.
Esto es así porque este conocimiento solo puede ser obtenido aplicando las
leyes matemáticas de probabilidad, las que a su vez, solo pueden ser
aplicadas a muestras al azar.

FEBRERO 2018
3.- EL PROBLEMA DEL MUESTREO
Los procedimientos para diseñar un procedimiento de muestreo son:
a) definir el objetivo del muestreo;

b) especificar los materiales a muestrear en términos de cantidad de flujo
y los rangos de los parámetros de calidad del material;
c) definir la cantidad de muestra a extraerse para lograr un determinado
nivel de precisión; y,
d) definir el equipo a utilizar para el muestreo primario que permita obtener
una muestra representativa y que no introduzca errores según las
definiciones estadísticas.
El problema cualitativo en un mineral triturado se describe en la Figura 1.

En esta Figura los elementos negros representan las partículas de interés y el
resto materiales de la ganga.
B
A
Figura 1: Sección de mineral.

FEBRERO 2018
Una muestra del tamaño apropiado deberá contener una representación

estadísticamente válida del todo. En esta Figura se puede contabilizar un total
de 100 partículas visibles en la sección de mineral que representa.
Naturalmente, se encontrarán diferente número de partículas en otras
secciones no visibles, pero se puede asumir que las partículas ocultas se
encuentran distribuidas completamente aleatorizadas de modo que cada
sección contenga un número proporcional de partículas de acuerdo al tamaño
de la sección.
El concepto de representación de muestra se ilustra tomando tres

secciones del material de la Figura 1. Las partes A y B poseen la misma área
cada una y la sección C es del doble del área que las otras. Obsérvese la
superposición de áreas. Los granos de mineral contabilizados son: A = 32;
B = 19; y C = 56. Si establecemos una evaluación de granos por área
observada, se notará que la sección completa representada en la Figura 1
contiene 2. 35 granos/cm2; la sección A = 3.01 granos/cm2; la sección
B = 1.79 granos/cm2; y la sección C = 2.64 granos/cm2. Entonces para cada
sección los errores en relación al todo son de + 28%, -24% y+12%
respectivamente para cada área con respecto al total. De esto resulta que
las muestras de menor tamaño difieren en mayor proporción del verdadero
valor que las muestras de mayor tamaño. Esto ilustra el efecto del tamaño de
muestra (o peso) al caracterizar un material por muestreo, y también
proporciona un ejemplo cualitativo del problema de la representación
estadística de la técnica de muestreo.
La muestra triturada de mineral comprende una colección discreta de

piezas de roca, cada una con sus propias características en tamaño y
contenido de mineral. Porciones de rocas seleccionadas aleatoriamente de
una pila de mineral o de una corriente en movimiento de mineral mostrarán
variaciones entre trozos al efectuar los ensayes respectivos, esto debido a la
distribución no uniforme del material, observándose variaciones de un
fragmento de roca a otro. Al existir variaciones entre los fragmentos de roca se
condiciona a un mayor nivel de trituración y así un mayor número de
partículas minerales se liberan de la ganga estéril. Con una muestra
consistente de partículas de diferente tamaño, las variaciones entre muestra
disminuirán al incrementarse el tamaño de muestra (mayor cantidad de
partículas se incluyen en la muestra), ya que las partículas con diverso
contenido de mineral y diverso tamaño se incluirán en la muestra final. Las
variaciones entre muestra se podrán disminuir al nivel deseado con el

FEBRERO 2018
incremento del tamaño de muestra. Naturalmente, esto acarrea mayores

costos en la operación de muestreo.
Diversos aspectos emergen de esas observaciones. Primero, el tamaño

de muestra está relacionado al nivel de variación entre muestra. Segundo,
para observar variaciones en un caso específico es necesario observar
muestras del mismo peso; a mayor número de muestras, mejor será el
estimado estadístico de las variaciones entre muestra. Tercero, para obtener
un valor de variación entre muestra, fijar, ya sea el tamaño de muestra y
variar el número de muestras, o fijar el número de muestras y variar el
tamaño de muestra para obtener la precisión de muestreo. Cuarto, el tamaño
de muestra es influenciado por la abundancia del mineral útil; un mineral de
alta ley se podrá caracterizar adecuadamente con una muestra pequeña,
manteniendo todos los demás factores iguales; lo contrario sucederá con un
mineral de baja ley. Un quinto punto refiere la relación entre el tamaño del
mineral valioso y el tamaño de la roca; si la relación es pequeña, la muestra
deberá ser necesariamente mayor para obtener una caracterización más
adecuada. Este punto refiere por lo tanto al grado de dispersión del mineral.
Finalmente; para minimizar el tamaño de muestra, es preferible muestrear
pequeñas partículas en vez de grandes trozos.
4.- PROBABILIDAD Y MUESTREO
Para ilustrar estadísticamente el problema del muestreo, consideremos el

siguiente ejemplo. Se tiene una población de 100 frijoles, la cual consiste de
10 frijoles negros y 90 frijoles blancos (los frijoles negros representan al
elemento de interés y los blancos a los demás constituyentes de una
población). Si se sacara una muestra de 10 frijoles de la población, ¿cuáles
son las probabilidades de conseguir una muestra que contenga: 0, 1, 2, 3 y 4
frijoles negros respectivamente?
Solución:
La probabilidad de obtener un número de frijoles negros de una muestra

total se calcula mediante la siguiente expresión:

FEBRERO 2018
donde:
p = probabilidad de que haya un negro en la población.

q = probabilidad de que haya un blanco en la población
x = número de negros en la muestra extraída
n = tamaño de la muestra.
Para X= 0, es decir cero negros y diez blancos.
Similarmente:
P (2 negros) ꞊ 0.194
P (3 negros) ꞊ 0.057
P (4 negros) ꞊ 0.011
Obsérvese que, en una muestra de 10 frijoles, obtener un frijol negro y

nueve blancos, sería una muestra representativa del total, y esta combinación
tiene una probabilidad de 0.387, o sea, se tiene aproximadamente 39 % de
posibilidades de obtener una muestra totalmente representativa del todo.
Obsérvese 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 interés y los blancos a los demás constituyentes
de una población. Se sacan del recipiente muestras de 100 frijoles y se
contabiliza el número de frijoles negros de cada muestra extraída. 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 teóricos que se obtienen
utilizando la fórmula:

FEBRERO 2018
De estos resultados tabulados se puede observar que si se sacan 1,000

muestras, solamente 92 de las 1,000 representarían correctamente el valor
de la población; es decir, 92 muestra contienen 25 frijoles negros y 75 blancos
cada una. Sin embargo, las otras 908 muestras también serían valores
verdaderos, causales o al azar y no pueden ser descartados.
La Figura 2 describe la distribución normal de la extracción de frijoles,

según los valores calculados y los valores reales observados. Nótese la gran
aproximación existente entre ambos gráficos. Obsérvese también que la gran
mayoría de extracciones caen en el intervalo [19, 31] frijoles negros en una
muestra de 100. Asociado este concepto de probabilidad a una operación de
muestreo, el obtener una muestra totalmente representativa del total tiene
muy bajas probabilidades; más bien, la mayoría de muestras obtenidas
adecuadamente se distribuirán en un rango determinado alrededor del
verdadero valor.
Tabla 1 Valores reales y calculados del experimento de extracción de frijoles

FEBRERO 2018
Histograma del experimento de extracción de muestras de 100 frijoles
ANALISIS DE ERROR
La diferencia entre el valor exacto de la característica de un lote y su estimación a

partir de una muestra, es lo que se denomina error o desviación.
Estos errores pueden agruparse en dos categorías: Aleatorios y Sistemáticos. Los
errores aleatorios son aquellas variaciones que se distribuyen en torno a un valor
medio, teniendo igual probabilidad de ser mayores o menores que el promedio.
A diferencia del error sistemático o sesgo, que siempre presenta la misma tendencia.
1. Exactitud y Precisión.
En teoría del muestreo de minerales se utilizan las nociones de exactitud y precisión.

La figura I.1 clarifica estos conceptos.
En términos estadísticos estos conceptos corresponden respectivamente a la media,
la cual debe ser insesgada (exactitud) y a la varianza del error, la cual debe ser
pequeña (precisión)

FEBRERO 2018
Fig 1.1
a) Exactitud sin precisión.

b) Precisión sin exactitud.
c) Exactitud y precisión.
d) Ninguno.
En resumen:
Exactitud ↔ Media
Precisión ↔ Varianza
“La media debe ser insesgada (sin desviación sistemática) y la varianza debe ser
pequeña”.
Ejemplo:
Sea ML una población o lote con 4 datos y MS una muestra de 2 observaciones del
lote:
ML = { x1, x2 , x3, x4} N = 4

MS = {a1, a2} n = 2}
La media del lote es (observar que en nuestro caso minero nos interesa en general
el muestreo sin reemplazamiento):
M0 = (x1 + x2 + x3 + x4 ) / 4

FEBRERO 2018
y la media de las muestras (posibles) es:
m*=(m1+m2+m3+m4+m5+m6) / 6
se observa entonces que:
m0 = m*
Se dice que la media de la muestra (de 2 observaciones) m=(xi+xj)/2 es un

estimador insesgado de la media del lote m0=(x1+x2+x3+x4)/4.
La propiedad de disponer de un estimador insesgado se cumplirá cuando la muestra

sea equiprobable.
En la práctica, cuando sea posible, siempre se deben utilizar estimadores

insesgados (la experiencia muestra que no existe nada más complejo que corregir
sesgos).
2. El Muestreo Estadístico. Ecuaciones.
Dispositivo para experimentos de muestreo. Sirve para demostrar que las fórmulas
de muestreo “funcionan”.
Estudiaremos a continuación las fórmulas del muestreo estadístico las cuales
constituyen una excelente introducción a las fórmulas del muestreo de minerales.
2.1. Formulas del muestreo aleatorio.
Sea:
ML = { x1, x2, x3,... xN }

MS = { a1, a2, a3,... an }
(se supone que los ai corresponden a una elección al azar, sin reemplazar de los xi).
m*= (a1 + a2 + a3 +... + an ) / n m0= (x1 + x2 + x3 +... + xN ) / N

FEBRERO 2018
por otra parte, hay que calcular la varianza de la muestra, según la formula siguiente:
s2 = [ (a1-m*)2 +(a2-m*)2 +(a3-m*)2 + ... +(an-m*)2 ] / (n - 1)
Se puede demostrar que la varianza S2 = Var(m*) del error de muestreo está dada
por:
S2 = s2 ( 1/n – 1/N )
Luego, el error de muestreo, con 95% de confianza, asumiendo que los errores son
gaussianos, lo cual es una aproximación razonable (ver Anexo 5), verifica la
desigualdad:
-2S < error < 2S
Las ecuaciones anteriores resuelven el problema del muestreo aleatorio estadístico.
Observación:
El error de muestreo es pequeño cuando:

a) n es próximo a N (en particular, si n = N el error es nulo)
b) la varianza s2 es pequeña. Esto ocurre cuando hay poca variabilidad
(los datos ai son próximos a su promedio m*)

FEBRERO 2018
Fig 2.2 64 manzanos y su rendimiento en bushels.
Ejemplo:
En la figura 2.2 se tienen N = 64 árboles de manzanas con su rendimiento en

bushels: 1 bu = 35 lt (podrían ser diámetros de partículas, leyes de muestras, etc.)
La media real es m0=5.56. Mediante una tabla de números al azar (ver Anexo 1), se
sorteó la siguiente muestra (sin reemplazamiento) de n=8 árboles:
{6, 5, 5, 9, 6, 6, 2, 3}
Obteniéndose:
Media estimada = 5.25 Bu
Error de estimación = 1.40 Bu
(el error de estimación, con 95% de confianza es 2S).

FEBRERO 2018
2.2. Formulas del muestreo aleatorio estratificado.
En el caso del muestreo aleatorio estratificado se eligen k estratos, siendo N1, N2,
N3, ..., Nk los tamaños de cada estrato. En cada estrato tomamos ni datos. El
tamaño de la población total es N:
N = N1+ N2+ N3+ ... + Nk

m*=(N1m1+N2m2+N3m3+...+Nkmk)/N
Es un estimador insesgado de la media de la población m. y la varianza del error de

estimación es:
S2 = [ (N1S1)2 +(N2S2)2 +(N3S3)2 +...+(NkSk)2 ] / (N)2
(observar que siempre se multiplica por Ni y nunca por ni)
En las expresiones anteriores se tiene:
mi = [ a1 + a2 + a3 + ... + ani ] / ni
Si2 = si2 (1/ni – 1/Ni)
si2 = [ (a1-mi)2 +(a2-mi)2 +(a3-mi)2+ ... + (ani-mi)2 ] / ( ni - 1 )
El muestreo aleatorio estratificado, bien aplicado, proporciona, en general, mejores

resultados que el muestreo aleatorio simple.
Ejemplo:
En el caso anterior de los árboles, las tres últimas filas corresponden a árboles
nuevos. Realizar varios muestreos estratificados con dos estratos (árboles viejos y
árboles nuevos); ver que la teoría funciona comparando la estimación, el valor real y
el error.
3. Consideraciones prácticas para el muestreo de minerales.
Resulta difícil proporcionar recomendaciones prácticas generales acerca del

muestreo de minerales, debido a que esta operación se realiza en todas las etapas
de un Proyecto Minero ya que no existen dos minas iguales entre sí.
El punto fundamental es siempre (para no tener sesgos) y resultados reproducibles:
“Muestras representativas, es decir equiprobables y de varianza pequeña”

FEBRERO 2018
Figura IV.1:
Recordar que:
insesgado ↔ exacto
varianza pequeña ↔ preciso
a) sesgado, varianza grande

b) insesgado, varianza pequeña
c) insesgado, varianza grande
d) sesgado, varianza pequeña
1. ERRORES EN LA TOMA DE MUESTRAS
Al tomar una muestra en terreno, es muy frecuente cometer errores; sobre todo
cuando la muestra es tomada directamente de una corriente o flujo de carga, los
más comunes son:
- El punto de muestreo no es el más adecuado.

- El cortador de muestra no es el correcto.
El error por punto o lugar de muestreo se debe a que es necesario considerar el

lugar geográfico dentro de la instalación, condiciones del flujo en ese punto.
(velocidad, segregación, etc.), si existe en ese lugar caída libre del flujo para poder
barrer toda el área perpendicular a esa corriente y extraer una muestra
representativa, etc.

FEBRERO 2018
Cuando el cortador de la muestra no es el adecuado se tiene que la muestra dentro

de éste salpica, la abertura no corresponde, por lo tanto produce en forma
automática una clasificación, no tiene el largo suficiente para barrer todo el flujo, etc.
En la figura 3.1 se puede apreciar un cortador de muestras no apto para el caudal

en el que está siendo utilizado.
Fig. 3.1 Cortador de Muestras Mal Diseñado
2. ERRORES EN LA PREPARACION DE MUESTRAS
Los errores más frecuentes en la preparación de muestras, se pueden

clasificar de la siguiente manera.
 Por contaminación.
 Por pérdidas.
 Por alteración de la composición química.
-Los errores por contaminación suceden cuando materiales extraños contaminan el

lote o los muestras y pueden ser: contaminación con polvos de muestras que no
estén debidamente protegidas, cuando se genera polvo a partir de otras muestras,
por material presente en el circuito y/o equipo de reducción de tamaño y por
abrasión del equipo utilizado.

FEBRERO 2018
-Los errores por pérdidas pueden ser de dos tipos, pérdida por fino, cuando se
manejan materiales finos y secos y pérdidas de material remanente en el circuito de
muestreo o preparación de la muestra.
-Los errores por alteración de la composición química suceden por fijación y adición
o por sustracción o eliminación.
3. EL ERROR FUNDAMENTAL DEL MUESTREO. TEORÍA DE PIERRE GY UN

EXPERIMENTO DE MUESTREO.
En un recipiente se ponen 20 kilos de arroz, los cuales corresponden

aproximadamente a 1,000,000 de granos. Se toman 10 granos, se pintan de color
rojo, se introducen en el recipiente y se revuelve (observamos que lo anterior
corresponde a una muestra que podría ser de oro con una ley “alta” de 10 gr/ton).
Luego, con una pala adecuada se toma una muestra de unos 250
gramos. La experiencia se repite un cierto número de veces.
Se observa en este experimento:
a) Que es complicado tomar muestras en el caso de leyes bajas (10 ppm.).

Cuando la ley es más alta, por ejemplo, pintar 10,000 granos (caso de una
ley de cobre de 1%), la situación es más favorable.
b) En cada repetición resulta una ley (granos rojos/total de granos) diferente, a

pesar de que la muestra es equiprobable.
c) Las diferencias entre las leyes observadas y la ley real de 10 ppm

corresponden al error de muestreo, el cual se llama error fundamental del
muestreo. Este error es inevitable en las condiciones del enunciado y no se
puede reducir.
d) La media de las diferencias anteriores es nula, debido a que la muestra es

equiprobable.
e) La varianza de las diferencias se llama varianza del error fundamental del

muestreo.
f) El experimento se puede enriquecer al reemplazar los 10 granos rojos por

10 granos de metal (efecto de segregación). Se comprueba que la varianza
del error fundamental aumenta.
g) Se comprueba además que una manera de reducir la varianza del error

fundamental es realizando incrementos, es decir, tomar, por ejemplo 5
submuestras de 50 gramos para constituir la muestra primaria.
FEBRERO 2018
3.1 LA FÓRMULA DE PIERRE GY.
La fórmula de P. Gy proporciona, en el caso de material quebrado, la varianza

relativa del error fundamental del muestreo (la varianza relativa corresponde a la
varianza del error fundamental dividida por la ley media del lote elevada al
cuadrado, luego es una varianza sin dimensión).
Antes de presentar la fórmula de Gy, es necesario hacer una observación: se trata

de una fórmula aproximada, cuya demostración es difícil y fue realizada por el
geomatemático francés Georges Matheron. Esta fórmula ha mostrado debilidades
en el caso de minerales de baja ley (ppm.).
LA FÓRMULA DE GY
La varianza relativa del error fundamental de muestreo está dada por:
(Observar la estrecha analogía entre esa fórmula y la del muestreo aleatorio

simple).
Significado de los términos de la fórmula de Gy:
ML= masa del lote en gramos.

MS= masa de la muestra en gramos
d = diámetro máximo de partículas en cm. (en la práctica se utiliza el valor d 95
correspondiente al diámetro que verifica que el 95% de los diámetros son menores
que d95.)
d’= diámetro de partículas menores en cm (en la práctica se utiliza d05.)
La constante K (en estricto rigor no es una constante) se mide en gr/cm 3 y tiene la

expresión siguiente:
K = c·g·f·l
Donde:
c = factor de composición mineralógica (gr/cm3).

g = factor de distribución de tamaño (sin dimensión)
f = factor de forma de las partículas (sin dimensión)
FEBRERO 2018
l = factor de liberación (0 < l < 1, sin dimensión)
El factor de composición mineralógica c:
Tiene la expresión siguiente:




valor aproximadamente igual a g1/aL si aL es pequeño.
aL = proporción en peso del componente crítico o con valor comercial (mena).

g1 = peso específico del componente crítico (mena)
g2 = peso específico de la ganga
El factor de distribución de tamaño g:
Depende de d y d’. Se utiliza lo siguiente:
2 < d/d’ < 4 g = 0.50

1 < d/d’ < 2 g = 0.75
d/d’ = 1 g = 1.00
d/d’ > 4 g = 0.25
El valor más utilizado es g = 0.25 que corresponde a una situación bastante

general (el diámetro de la partícula máxima es superior a 4 veces el diámetro de la
partícula mínima).
El factor de forma de las partículas f.

Está definido por:
Si se supone que las partículas son aproximadamente esféricas, entonces:
Se recomienda entonces utilizar el factor: f = 0.5

FEBRERO 2018
El factor de liberación l.
Sean:
d = tamaño máximo de partícula (normalmente d95)

d1 = tamaño de liberación del componente crítico.
Se recomienda utilizar:
l=1 si d1>d
l = (d1/d)0.5 si d1<d
El factor de liberación constituye una de las debilidades de la Teoría debido a que

no representa bien el caso de leyes bajas (leyes medidas en ppm.).
Ejemplo: puntos de extracción en Mina Andina.

En la explotación subterránea de la Mina Andina, en la cual la mena es calcopirita
(CuFeS2), se extraen ML = 32.000 toneladas = 32.000.000.000 gramos, cada día.
La ley media es de 1.4% CuT.
Se muestrean, cada día, 50 puntos de extracción, tomando 5 kilos en cada punto,

luego MS = 50 * 5000 = 250.000 gramos
ML = 32 * 109 (producción del día)
MS = 25 * 104 (tamaño de la muestra)

d95 = 15 cm d’ = d05 = 0.021 cm.
aL = porcentaje de la calcopirita en peso = 4 % = 0.04
(P.A. Cu=63.5; Fe=55.8; S=32; % Cu en la calcopirita = 34.6%)
g1 = peso específico de la calcopirita = 4.2 gr/cm3

g2 = peso específico de la ganga = 2.8 gr/cm3
d1 = tamaño de la liberación de la calcopirita (50 micrones) = 0.005 cm.
c = factor mineralógico = ((1 - aL)/aL)((1 - aL) g1 + aL g2)=100
l = factor de liberación = (dl/d)0.5 = 0.02
f = factor de forma = 0.5
g = factor de distribución de tamaño = 0.25 (d/d’=714>>4)
Al aplicar la fórmula se obtiene la varianza relativa:

FEBRERO 2018
S2 = c·g·f·l·d3 (1/ MS - 1/ML) = 0.0031
2S = 0.11 = 11%
Con un 95% de confianza el error relativo es del 11% (es decir, el error es el 11%
de la ley medida)
Observación: en la práctica se tiene ML >> MS, luego, se puede despreciar el

término 1 /ML y la fórmula de Gy queda:
S2 = c·g·f·l·d3/MS
Se puede fijar el error deseado 2S (luego S es conocido) para encontrar el tamaño

mínimo de la muestra:
MS = c·g·f·l·d3/S2
A sugerencia de Gy:
S2 ≤ 0.01 → S ≤ 0.1, por lo tanto:
Es decir, con un 95% de confianza el error va a estar en 20% de la media
LA TEORÍA DE DOMINIQUE FRANCOIS-BONGARCON.
Se tiene una pila de 400 kilos, correspondiente a un hoyo de tronadura en una

mina de oro.
El diámetro nominal de las partículas es de=1 cm (d95)

El peso específico del oro es 19 gr/cm3.
El diámetro de liberación del oro es de 10 micrones=0.001 cm.
d95 = 1.0
f = 0.5
g = 0.25
c = g1/aL= 19.000.000 (suponiendo aL = 1 gr/ton = 1*10-6)
1 = (d1/d) 0.5 = 0.0316
Si S = 0.1, se obtiene un valor Ms igual a:
Ms =7.5 toneladas

FEBRERO 2018
(contradicción, la muestra es más grande que el universo)
El problema, según D.F. Bongarcon, radica en el factor de liberación 1, el cual

tiene la expresión más general siguiente:
l = (d1/d) b
La determinación del coeficiente b requiere experimentos de muestreo. En el caso

del oro, se ha determinado que b = 1.5, en el caso del cobre, b= 0.5. Si aplicamos
ahora la fórmula de Gy obtenemos:
Ms =7.51 kilos
Resultado bastante más razonable que el anterior.
LOS PROTOCOLOS DE MUESTREO.


Las operaciones que conciernen al tratamiento de las muestras (chancado,
mezcla, reducción, etc.) deben quedar claramente establecidas, desde un peso
inicial Q (de varios kilos) hasta la muestra de laboratorio q (de algunos gramos).


tomando logaritmo:

Si tengo una muestra de 100 kg.:
Si la muelo: d95 disminuye, por lo tanto el error se hace más chico.
Si la cuarteo: MS disminuye, por lo tanto aumenta el error.
Debo diseñar una secuencia o protocolo de manera de llegar hasta mi muestra de

laboratorio sin llegar a tener un error relativo superior al 10%.

Ejemplo:
Datos del mineral:

Calcopirita: CuFeS2
Ley de CuT = 3% → “ley de calcopirita” = 8.7%.
t = 0.087
c = 42.61
FEBRERO 2018
f = 0.5
g = 0.25
d95 = 5 cm.
Diámetro de liberación = 0.025 cm.
Densidad de la calcopirita = 4.2 [gr/cm3]
Densidad de la ganga = 2.6 [gr/cm3]
MS = 100.000 gr
Por lo anterior:
l = 0.0707 (función del d95, por lo tanto, varía si hay molienda)
S2 = 4,7E-04 (función de l y de MS, por lo tanto, varía si hay reducción del peso de
la muestra o si hay molienda)
Punto Masa Diámetro Factor l Error

(gr) (cm) Relativo S2
A 100.000 5 0.0707 4,7E-04
B 50.000 5 0.0707 9,4E-04
C 50.000 2.5 0.1000 1,7E-04
D 8.000 2.5 0.1000 1,0E-03
E 8.000 2 0.1118 6,0E-04
F 200 2 0.1118 2,4E-02
Ejemplo: testigos en una mina de oro:

FEBRERO 2018
a) cortar el testigo por la mitad d = 6 cm, peso = 8 kilos

b) chancar 100% mediante chancador primario a un tamaño de 1 cm
c) moler 100% mediante molino de rodillos a un tamaño de 0.2 cm
d) seleccionar, por medio de riffle 400 gramos de mineral
e) pulverizar los 400 gramos a - 150# (0.106 mm)
En la figura anexa se muestra un protocolo bastante riguroso:

FEBRERO 2018
Ejemplo:
Tenemos un testigo de sondeo de 0.5 m de longitud y de 3.5 cm de diámetro. El
testigo tiene un 15% de esfalerita (ZnS, aprox. 2/3 de Zn) y un 85% de estéril. La
densidad de la esfalerita es de 4.0 gr/cm3 y la de la roca de caja de 3.2 gr/cm 3. El
mineral se molerá a un tamaño menor de 1.65 mm. El tamaño de liberación de la
partícula es de 0.2 mm.
Calcular el error incurrido cuando:
a. Se toma una muestra de 200 gr. después de la molienda.

b. La muestra de 200 gr. se pulveriza a menos de 74 micrones y se toman
5 gr. para el análisis.
Volumen de la muestra = π·r2·h = 481 [cm3]

Densidad de la muestra = 0.15·4 [gr/cm3] + 0.85·3.2 [gr/cm3] = 3.32 [gr/cm3]
Masa de la muestra = 3.32 [gr/cm3] · 481 [cm3] = 1600 gr.
Ley de zinc estimada en la muestra = 15% · 2/3 = 10%
La muestra que se enviará a reducir de tamaño tendrá aprox. 800 gr. (recordar que
un testigo normalmente se corta a la mitad para ser analizado).
aL : contenido medio de mineral = 0.15

g1 : 4 [gr/cm3]
g2 : 3.2 [gr/cm3]
luego, c=21.99 [gr/cm3]
l = (0.02/0.165)½ = 0.35
supongamos: f=0.5 y g=0.25 Entonces:


S 2 = (0.165)3·0.5·0.25·0.35·21.99·(1/200 – 1/800) = 1.62 · 10
S1 = 4.0 · 10-3 (error relativo)
El error absoluto es: 4.0 · 10-3 · 15% = 0.06% de esfalerita. Dado que 2/3 de la
esfalerita es Zinc: 0.06% · 2/3 = 0.04% Zn.
Luego con un 95% de confianza, podemos decir que la concentración de Zinc se

encuentra en el intervalo: 10% ± 0.08% Zn.
FEBRERO 2018
En la segunda parte:
d=0.0074 cm y l>1.0, luego l=1.0. obtenemos:
S 2 = (0.0074)3·0.5·0.25·1.0·21.99·(1/5 – 1/200) = 2.17 · 10 -7
S2 = 4.66 · 10-4
El error absoluto es: 4.66 · 10-4 · 15% = 7 · 10-3 % de esfalerita o 4.67 · 10-3 % Zn.
El error combinado de ambas muestras es:
S2 = S 2 + S 2 = 1.62 · 10-5 + 2.17 · 10-7 = 1.642 · 10-5
S = 4 · 10-3 % de esfalerita.
El error absoluto combinado es de:
4 · 10-3 ·15% = 0.06% de esfalerita o 0.04% de Zn.
Por lo tanto, con un 95% de confianza la ley está en el intervalo: 10% ± 0.08% Zn.

FEBRERO 2018

Muestreo Estadistico - Soluciones

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Muestreo Estadistico - Soluciones

Cargado por

Copyright:

Formatos disponibles

TECNICAS DE MUESTREO

LA TEORIA DEL MUESTREO

Una muestra es una pequeña porción de un lote de material, el cual

El control de calidad de cualquier industria se basa en procedimientos de

El muestreo y la inferencia estadística son utilizados en circunstancias en

TECNICAS DE MUESTREO Pág. Nº

La composición del material que se mueve en un proceso es

1.- RAZONES PARA EL MUESTREO

Al desarrollarse una investigación estadística se deben seguir ciertos pasos o

TECNICAS DE MUESTREO Pág. Nº

2.- BASES DEL MUESTREO

Aunque la diversidad es una cualidad universal de los datos, no hay

La razón básica de que cantidades mayores de datos tienden a exhibir

En la práctica, para hacer inferencias generalmente solo tomamos una

TECNICAS DE MUESTREO Pág. Nº

3.- EL PROBLEMA DEL MUESTREO

Los procedimientos para diseñar un procedimiento de muestreo son:

a) definir el objetivo del muestreo;

El problema cualitativo en un mineral triturado se describe en la Figura 1.

Figura 1: Sección de mineral.

TECNICAS DE MUESTREO Pág. Nº

Una muestra del tamaño apropiado deberá contener una representación

El concepto de representación de muestra se ilustra tomando tres

La muestra triturada de mineral comprende una colección discreta de

TECNICAS DE MUESTREO Pág. Nº

incremento del tamaño de muestra. Naturalmente, esto acarrea mayores

Diversos aspectos emergen de esas observaciones. Primero, el tamaño

4.- PROBABILIDAD Y MUESTREO

Para ilustrar estadísticamente el problema del muestreo, consideremos el

La probabilidad de obtener un número de frijoles negros de una muestra

TECNICAS DE MUESTREO Pág. Nº

p = probabilidad de que haya un negro en la población.

Para X= 0, es decir cero negros y diez blancos.

Obsérvese que, en una muestra de 10 frijoles, obtener un frijol negro y

Obsérvese ahora el problema del muestreo de otra manera. Se tiene un

TECNICAS DE MUESTREO Pág. Nº

De estos resultados tabulados se puede observar que si se sacan 1,000

La Figura 2 describe la distribución normal de la extracción de frijoles,

Tabla 1 Valores reales y calculados del experimento de extracción de frijoles

TECNICAS DE MUESTREO Pág. Nº

Histograma del experimento de extracción de muestras de 100 frijoles

La diferencia entre el valor exacto de la característica de un lote y su estimación a

En teoría del muestreo de minerales se utilizan las nociones de exactitud y precisión.

TECNICAS DE MUESTREO Pág. Nº

a) Exactitud sin precisión.

ML = { x1, x2 , x3, x4} N = 4

TECNICAS DE MUESTREO Pág. Nº

y la media de las muestras (posibles) es:

se observa entonces que:

Se dice que la media de la muestra (de 2 observaciones) m=(xi+xj)/2 es un

La propiedad de disponer de un estimador insesgado se cumplirá cuando la muestra

En la práctica, cuando sea posible, siempre se deben utilizar estimadores

2. El Muestreo Estadístico. Ecuaciones.

2.1. Formulas del muestreo aleatorio.

ML = { x1, x2, x3,... xN }

m*= (a1 + a2 + a3 +... + an ) / n m0= (x1 + x2 + x3 +... + xN ) / N

TECNICAS DE MUESTREO Pág. Nº

s2 = [ (a1-m*)2 +(a2-m*)2 +(a3-m*)2 + ... +(an-m*)2 ] / (n - 1)

-2S < error < 2S

Las ecuaciones anteriores resuelven el problema del muestreo aleatorio estadístico.

El error de muestreo es pequeño cuando:

TECNICAS DE MUESTREO Pág. Nº

Fig 2.2 64 manzanos y su rendimiento en bushels.

s2 = [ (a1-m)2 +(a2-m)2 +(a3-m)2 + ... +(an-m)2 ] / (n - 1)