SQM NITRATOS S. A.

Toma de muestras para el control de

calidad de mineral y control de procesos
Variabilidad a pequea escala
1) Optimizacin del protocolo de muestreo
a) Efecto pepita in situ
b) Error fundamental
c) Agrupacin y error de segregacin
2) La aplicacin de protocolo de muestreo
a) Delimitacin del error
b) Extraccin del error

3) Preservacin de la integridad de la muestra
a) Errores de preparacin
contaminacin del error
prdida de error
Alteracin del error
error humano
el fraude y el sabotaje
4) Error analtico
a) alcance versus principio
b) interferencias aditivas
c) interferencias proporcionales
d) secado temperatura basal
e) disolucin tcnica
f) composicin de los residuos de disolucin
g) contaminacin y prdidas


Variabilidad a pequea escala
Variabilidad en gran escala
1) Interpolacin del error
a) Tiempo
b) Espacio
2) Error peridico
3) Ponderacin del error
Establecimiento de prioridades
S,
Por todos los
medios
S,
Nada que
perder.
No
S,
pero se debe
hacer un
estudio de
viabilidad
PEQUEO
GRANDE
Efecto del
Problema
Costo de la
fijacin del
problema
GRANDE PEQUEO
Establecimiento de prioridades para la toma de
muestras de oro
Sesgo de
prueba
correccin de
factor de ronda
Robin
Modo de
muestreo

WE

SPC

PE


TQM

GE
FE DE
EE AE
intervalo de
muestreo in situ
efecto pepita

PEQUEO
GRANDE
Efecto del
Problema
Costo de la
fijacin del
problema
GRANDE PEQUEO
La mesa de tres patas



Beneficios de la Empresa
Gestin
eficaz
Comprensin
de la
variabilidad
Correcta
toma de
muestras
Gestin eficaz
1) Identificar los problemas estructurales
2) invertir en la solucin de los problemas
estructurales
3) identificar los problemas circunstanciales
4) El tiempo y el dinero que se puede ahorrar en los
problemas circunstanciales
5) comprender y actuar sobre todas las fuentes de
variabilidad
6) ser proactivo en lugar de reactivo
Correcta toma de muestras
1) Efecto pepita in situ
2) Error fundamental
3) Agrupacin y error de segregacin
4) Delimitacin del error
5) Extraccin del error
6) Errores de preparacin
7) Interpolacin del error
8) Error peridico
9) Ponderacin del error
10) Error analtico


Comprensin variabilidad
1) Variabilidad genera costos visibles e invisibles.
2) Variabilidad es un problema y una oportunidad
3) Hay muchos tipos de variabilidad
4) Todos los errores de muestreo aumentan la
variabilidad
5) Geoestadstica analiza la variabilidad en la mina
6) Cronoestadstica analiza la variabilidad en la
planta
7) Minimizar la variabilidad de una estrategia de
mejora continua
Polvos y finos

1) polvos y finos comprenden materiales desde 10
micras a 1000 micras.
2) manejo se hace ms difcil con:
a) aumentar el contenido de humedad,
b) creciente gama de distribucin de tamao de partcula,
c) gama cada vez mayor de la distribucin de la densidad,
que inducen todos los fenmenos de segregacin por
percolacin del material ms fino.


Pastas
Las pastas son mezclas de slidos y lquidos que no
se separan fcilmente, tales como tortas de filtracin
y lodos.
suspensiones coloidales tienen propiedades similares
de manipulacin.
Problemas son:
1. adherencia y friccin a la superficie de los equipos,
2. agrietamiento por grumos,
3. Dificultades en el bombeo y transporte
Lodos
Los lodos pueden dividirse en 2 categoras:
1. La solucin de no-lodos:
El estado de dispersin aleatoria de las partculas slidas en un
lquido se puede mantener sin turbulencias o con agitacin
mecnica.
2. Decantacin de lodos:
Una agitacin mecnica continua o la presencia de turbulencias
son necesarias a fin de mantener un estado de dispersin
aleatoria.
En corriente laminar, y especialmente en los conductos
horizontales, la heterogeneidad de distribucin grande por
fraccin de tamao y densidad de las capas puede tener lugar,
dando lugar a difciles problemas de separacin durante el
muestreo y procesamiento.
Por lo general, las partculas slidas son mayores a 20 micras.
Lote
Un lote se refiere a un lote de la materia, la
composicin de la que se va a estimar.

Ejemplos
a 50,000 toneladas de mineral de reserva
a 3 metros HQ de diamante
un bloque entero de mineral
muestra una cara subterrnea,
una sub-muestra de laboratorio ...
Incrementar
Un incremento a un grupo de partculas, o una cierta
cantidad de lquido o de gas con slidos en
suspensin, se extrae del lote en una sola operacin
del dispositivo de muestreo
Muestra
Una muestra es una parte del lote, a menudo se
obtiene por la reunin de varios incrementos o
fracciones de un lote, y la intencin es que los
represente en las operaciones posteriores.

Una muestra no es cualquier parte del lote: su
extraccin debe respetar las normas que la teora del
muestreo establece.

Su extraccin debe ser equiprobabilstica.
Espcimen
Una muestra es una parte de la lote obtenida sin
respetar las reglas de la teora del muestreo, basado
en el concepto de equiprobabilidad.

Una muestra nunca debe ser usado para representar
el lote y debe ser etiquetado como tal.

Su nico propsito es el de ser cualitativa
Propiedad Circunstancial
Una propiedad en funcin de la parte del problema
de muestreo en la que no tenemos control.

Ejemplos:
1. La precisin es una propiedad circunstancial.
2. el resultado de una prueba de sesgo es tambin una
propiedad tpica circunstancial.
3. el resultado de una ronda ejercicio robin.
Propiedad Estructural
Una propiedad intrnseca del material a ser muestreado.
Es independiente de la parte del problema de muestreo
durante los cuales no tenemos control.

Ejemplos:
1. La heterogeneidad de un material es una propiedad
estructural: as, debe realizar pruebas para cuantificar
esta heterogeneidad.
2. La correccin de un dispositivo de muestreo es una
propiedad estructural: as, debe realizar inspecciones
para valorar esta correccin.
Protocolo de muestreo



Primarias de muestreo S1

Rechazo
primario
Rechazo
secundario
Rechazo
terciario
ltimo
Rechazo
A partir del
muestro
Muestra preparada primario S1

Muestra secundaria S2

Muestra preparada secundaria S'2
Muestra de laboratorio S3
Muestra preparada terciario S'3
Submuestra analtica S4
Anlisis
Resultado
final
Parcialidad
Un sesgo es igual a la media del error de muestreo
total, cuando es distinto de cero.
Un sesgo de muestreo significativo es siempre
introducida por muestreo correctos.
Por lo general, el muestreo correcto no est sesgado
en una cantidad significativa.


Correcta toma de muestras:
DE + EE + WE + PE = insignificante
Componente
Un componente es una parte elemental, o un
constituyente que se pueden separar y cuantificar por
anlisis.
Hay componentes qumicos y fsicos.
Ejemplos:
1. El contenido de slice de un embarque de almina.
2. La proporcin de las partculas de +63 micras en un
cemento.

Componente crtico
Es un producto qumico o un componente fsico de
inters, la proporcin de estos es muy importante, y
debe ser estimada.

Contenido
Ya que siempre es mucho ms fcil tratar con valores
adimensionales y relativos, vamos a utilizar la palabra
"contenido" para la proporcin de cualquier componente.
ejemplos:
1. 2% +63 micrones en un cemento, se escribe 0,02.
2. 100 ppm en slice almina pura, se escribe 0,0001.

Contenido crtico
El contenido crtico se refiere al contenido de
componente crtico o componente de inters.
Heterogeneidad
La importancia de una definicin clara de
heterogeneidad es considerable en este curso.
Homogeneidad se puede definir como la condicin
de un lote en el que todos los elementos que lo
componen son exactamente idnticos, la
heterogeneidad se define como la condicin de un
lote en las que estos elementos no son estrictamente
idnticos.
Por lo tanto, podemos decir que la homogeneidad es
el cero de la heterogeneidad y es un lmite inaccesible
Modelo discreto
El modelo discreto identifica el lote con un conjunto
discreto de unidades, tales como partculas
individuales o grupos de partculas.

En cuanto al muestreo, un lote se define por el
conjunto finito de todas las partculas o grupos de
partculas que se caracterizan por su contenido y su
peso.
Modelo de seleccin continua

El muestreo es un proceso de seleccin, y la
continuidad es concepto matemtico.
Sin embargo, la materia es esencialmente
discontinua.
As, cuando nos fijamos en un lote mediante el
modelo continuo, a propsito ignoramos todas las
discontinuidades dentro del lote, y ver las
propiedades de cualquier punto dado de la totalidad
del lote.

Estimador
Por definicin, el verdadero contenido desconocido de una
muestra es un estimador del verdadero contenido
desconocido del lote correspondiente.
Una estimacin puede ser seleccionado para representar el
verdadero contenido desconocido de la muestra, y el
verdadero contenido desconocido de un lote.
Una estimacin puede ser usada para representar el
contenido real de una muestra desconocida, pero no para
representar el verdadero contenido de un lote.



Estimacin y el estimador de una muestra puede no ser
representativo del verdadero contenido de un lote.
Estimar
El resultado obtenido a partir del anlisis de una
submuestra de laboratorio, para un constituyente de
inters, es una estimacin del verdadero contenido
desconocido de la muestra original que se entrega al
laboratorio.
El resultado siempre se ve afectado por varios
errores, no hay medidas exactas o anlisis exactos.
Comprensin de la heterogeneidad
Hay varios tipos de heterogeneidades y siempre
debemos especificar qu tipo de heterogeneidad que
estamos hablando.


En un primer anlisis podemos identificar dos tipos
de heterogeneidad, si tenemos en cuenta la parte de
como una poblacin Estadstico:
Constitucin heterogeneidad CH
Distribucin heterogeneidad DH


Heterogeneidad de una poblacin estadstica
Heterogeneidad de una poblacin estadstica
Heterogeneidad de una poblacin secuencial
En un segundo anlisis, podemos identificar otros
tipos de heterogeneidad si se considera el lote como
una poblacin secuencial.
Aprendimos que la heterogeneidad de contribucin
total h corresponde a la suma de los tres
componentes principales:
1. A corto plazo, la heterogeneidad aleatoria h1.
2. A largo plazo, heterogeneidad no aleatoria h2.
3. La heterogeneidad peridica h3


h = h1+h2+h3
Heterogeneidad fluctuacin error CE
Cada tipo de heterogeneidad es la fuente de un tipo
diferente de error en la muestra.

h1 conduce al error fluctuacin de corto alcance
heterogeneidad CE1: aleatorio
h2 conduce al error fluctuacin de largo alcance
heterogeneidad CE2: no aleatoria
h3 conduce al error fluctuacin peridica de
heterogeneidad CE3: cclico

CE = CE1 + CE2 + CE3
Conceptos fundamentales estadsticos
utilizados en la teora del muestreo
a menudo, se enfrentan a numerosos problemas:
Cuidado de interpolacin ...
en la planta
?
Fluye corriente
Muestra #1 Muestra #2
Tener cuidado en la interpolacin
El variograma
Sill o meseta
V [j=0]
Fluye corriente
Sacar muestra
valor de muestra tomada al azar extrapoladas
a plena seccin transversal de la corriente
La correccin se aplica al muestreo para evitar errores de extrapolacin, a travs de:
1. delimitacin correcta de la muestra,
2. extraccin de la muestra correcta.
Cuidado de la generalizacin
Es prudente utilizar el mismo protocolo de
muestreo para estos dos minerales de oro?


Cuidado de el tipo de variabilidad de los datos
Utilizar un enfoque lgico
Los errores de muestreo son aditivos, por lo que
merecen una atencin especial.

1. identificar todas las posibles causas de los errores
de muestreo y la variabilidad que generan.
2. estudiar a fondo cada causa, uno a la vez.
3. sacar conclusiones de sonido y las
recomendaciones del anlisis terico.
4. hacer algo al respecto.
Un grupo de trabajo recomend secuencia
1. La identificacin de los diferentes tipos de heterogeneidad
realizadas por un componente dado en un lote de material.
2. seleccin de un protocolo de muestreo apropiado.
3. clculo de los errores muestrales asociados con dicho protocolo: la
cuantificacin de la precisin.
4. aplicacin prctica de un protocolo de muestreo.
5. evaluacin de todos los problemas relacionados con la exactitud
de muestreo: hacer frente a la precisin.
6. evaluacin del error analtico.
7. evaluacin del error de estimacin global.

Si no se hace nada acerca de cada paso mencionado
anteriormente, se generarn grandes costos invisibles y
se estropear la operacin.
Definicin de precisin
Precisin es una medida de la dispersin de las
estimaciones en torno a un estimador verdadero
desconocido, independientemente de cualquier sesgo
efectuar estas estimaciones.
Precisin es sinnimo de reproducibilidad.
En trminos de estadsticas, la precisin es una
caracterstica de la varianza de la distribucin de las
estimaciones.
Que es un error de incluir el concepto de precisin en
el concepto de precisin.

Definicin de precisin
estimador u
objetivo
dispersin de las
estimaciones o resultados
Definicin de la precisin
La precisin es una medida de la diferencia entre la
media de las estimaciones, y el estimador.
En trminos de estadsticas, la precisin es una
caracterstica de la media de las estimaciones de todo
el estimador.
Estimador u
objetivo
Media
Entender claramente la diferencia entre
sesgado y exacto
Exacto
Sesgado
El concepto de precisin se
basa en un lmite
seleccionado de aceptacin
Lmite de aceptacin
(pero, media de error
diferente de cero)
Sin lmite de
aceptacin
Entender claramente lo que es preciso o
reproducible
El concepto de
precisin se basa en un
lmite seleccionado de
aceptacin.
Preciso
Impreciso
la desviacin estndar de los
ensayos ms grandes que el
lmite de la aceptacin.
lmite de aceptacin del
68% de nivel de
confianza
Definicin de una muestra representativa
Una muestra es representativa cuando el cuadrado medio del error
de muestreo total no es mayor que la suma de la exactitud y
precisin aceptables:








definicin de una muestra equitativa: una muestra es
equitativa cuando es reproducible y exacto como para satisfacer
tanto al proveedor como al cliente.
Precisin Exactitud
Un caso lmite nunca encontrado
submuestreo + ensayo
de laboratorio A
submuestreo + ensayo
de laboratorio B
bisectriz
muestreo + ensayes es exacto, imparcial y perfectamente reproducible.
Caso tpico exacto y reproducible
submuestreo + ensayo
de laboratorio A
submuestreo + ensayo
de laboratorio B
bisectriz
muestreo + ensayes es exacto y suficientemente reproducible.
Caos, exactitud y precisin
muestreo + ensayes no es reproducible: no podemos decir que el muestreo +
ensayes es exacto o imparcial, ya que no existe una correlacin entre ambas series
de resultados.
submuestreo + ensayo
de laboratorio A
submuestreo + ensayo
de laboratorio B
bisectriz
no hay correlacin
Reproducible, sesgo absoluto
Muestreo + ensayes es parcial y reproducible (sesgo absoluto):
por lo que el muestreo se refiere, este caso no es realista. Pero
ciertamente muestra un sesgo analtico.
submuestreo + ensayo
de laboratorio A
submuestreo + ensayo de laboratorio B
bisectriz
Sesgo reproducible, relativo


muestreo + ensayes es parcial y reproducible (sesgo relativo): Por lo
que el muestreo se refiere, este caso no es realista. Pero, sin duda
muestra un sesgo analtico.
submuestreo + ensayo
de laboratorio A
submuestreo + ensayo de laboratorio B
bisectriz
Sesgo reproducible siguiendo una ley desconocida
muestreo + ensayes es sesgada y reproducible, pero sigue una ley
desconocida. por lo que el muestreo se refiere, este caso no es
realista. pero sin duda muestra un sesgo analtico.

submuestreo + ensayo
de laboratorio A
submuestreo + ensayo de laboratorio B
bisectriz
Comportamiento tpico del sesgo de muestreo
muestreo + ensayes es parcial y no reproducible: esto es,
por mucho, lo ms frecuente encontrado en el muestreo.
en el muestreo, no existe una tendencia constante
submuestreo + ensayo
de laboratorio A
submuestreo + ensayo de laboratorio B
bisectriz
Definicin de una variable aleatoria
Si una variable, como el contenido de oro de una muestra puede
tomar un valor entre varios valores posibles, es por definicin una
variable aleatoria.
pero, algunos valores son ms probable que sucedan que otros
3 parmetros importantes para describir una
distribucin de probabilidad
Modos
Media
aritmtica
Mediana
Hay varios tipos de promedios
la media aritmtica:
la media cuadrtica:
la media geomtrica :
la media ponderada :
la media armnica:
Importante parmetro de dispersin:
La varianza
varianza de una
poblacin completa, con
N = 4:
varianza de una
poblacin de muestra:
la media de 1, 2, 3, 4 no es el
promedio real.
La distribucin normal
La distribucin normal, o distribucin de Gauss, es la
distribucin de probabilidad ms familiar.
supongamos que obtenemos una muestra turno de 8 horas
para controlar el %Copper de la alimentacin ms spera
de una planta de flotacin. Si todas las estimaciones
posibles de la verdad desconocida %Cooper de la primera
muestra es de grandes submuestras suficientes, la
distribucin de estas estimaciones puede tender hacia una
distribucin en forma de campana de Gauss.
La distribucin normal
Punto de
inflexin significa
= modo
= mediana
Frecuencia
Factor t de Student-Fisher
Lmite de confianza para una estimacin aislada:


El clculo de la varianza de un pequeo nmero de
estimaciones distribuidos normalmente, esta
variacin no puede completamente representa la
distribucin de probabilidad correspondiente que se
ilustra por un gran conjunto de estimaciones.
El factor t de Student-Fisher nos permite minimizar
este problema.
Factor t de Student-Fisher
Uso conveniente de los valores relativos,
adimensional

La varianza relativa:


La desviacin estndar relativa o el coeficiente de
variacin:


En la teora de muestreo Pierre Gy, utilizamos solamente
variaciones relativas y desviacin estndar relativa.
La desviacin estndar no tiene propiedades
aditivas
Al aadir errores, utilice siempre la varianza.
Ejemplo:
El primario %S
FE
= +-20%
El secundario %S
FE
= +-11%
El terciario %S
FE
= +-4%

Total %S= 20% + 11% + 4% = +-35%

Varianza total S
2
FE
=(0,20)
2
+(0,11)
2
+(0,04)
2
= 0,0537

Total%S
FE
=+-23%


INCORRECTO
CORRECTO
El teorema del lmite central no es universal
El teorema del lmite central:
La poblacin puede tener cualquier distribucin
desconocida con una media y varianza finita .
Tomar muestras independientes de tamao n de la
poblacin. Como el tamao de n aumenta, la
distribucin de los medios de la muestra se acercar
a una distribucin normal con media y la varianza
/ n.
La media muestral es en s misma una variable
aleatoria con una media real y desviacin estndar

m :





Esta frmula es tambin la que ha sido responsable
de la mayor nmero de errores cometidos en la
cuenta de la estadstica. Si las muestras no son
independientes, la frmula anterior no es vlida.
El teorema del lmite central no es universal
Espacial o temporalmente para datos correlacionados, la ecuacin
anterior puede sobreestimar el error residual. Al calcular el nmero
si las muestras para alcanzar un determinado nivel de confianza,
suponiendo que los datos no correlacionados producir un
resultado exigiendo ms muestras de las necesarias, esto puede
ocasionar gastos innecesarios en un programa de muestreo.
La distribucin binomial
La distribucin binomial se produce cuando un
material contiene slo dos componentes
distinguibles y estos componentes se producen como
partculas discretas o racimos.
Si el nmero de partculas o grupos es muy grande,
esta distribucin puede aparecer continua.
La forma de la curva de distribucin de ensayo
obtenidos mediante la medicin de muestras de un
material depende de las proporciones relativas de los
dos componentes en el material original.
La distribucin binomial
Llammosle p a la proporcin de grupos de un
componente, con q = 1-p
N es el nmero de muestras tomadas del lote, con
reemplazo.
Varianza = npq
Valor medio = np
La distribucin de Poisson
La distribucin de Poisson a menudo ocurre cuando
un componente traza, hecha de raras partculas
aisladas o clusters, aparece en un material dado.
Tambin se produce cuando el peso de la muestra es
demasiado pequea por uno o varios rdenes de
magnitud, en comparacin con un peso ptimo que
se debe calcular en todos los protocolos de muestreo.
La distribucin de Poisson es un caso lmite de la
distribucin binomial, donde p se vuelve
extremadamente pequeo.
La distribucin de Poisson
Llamemos r el nmero real de partculas de
elementos traza en una muestra. el nmero
hipottico promedio de partculas de elementos
comerciales por muestra, o la media de la
distribucin. P (x = r) la probabilidad de que las
partculas de r elementos traza que aparecen en una
muestra.
Varianza = = npq = np desde q cerca de 1
Valor medio = = np
Forma de una distribucin de Poisson
Forma de una distribucin de Poisson
Se necesita
por lo menos
= 6 para la
distribucin a
un aspecto
normal
La distribucin logartmica normal
A veces, el logaritmo de la variable, en lugar del valor
numrico real, se distribuye normalmente alrededor
de la media de la distribucin.
Este ejemplo de distribucin se encuentra a menudo
en la exploracin geolgica.
Sin embargo, con ms frecuencia que no, una
distribucin logartmica normal se asume, cuando de
hecho es una distribucin de Poisson.











La distribucin logartmica normal
Moda Media
Desviacin
estndar
Lgica de muestreo y la estrategia de control
de procesos
La eleccin de una correcta toma de muestras, la estrategia de
calidad del mineral, y el proceso de control es una necesidad. Sin
embargo, una estrategia correctos y se selecciona a menudo ineficaz.
Cada da, mucha gente en la exploracin, control de mineral de
calidad, control de procesos, balance de material, acuerdos
comerciales y la vigilancia ambiental, estn luchando con este
problema.






Una comprensin clara de la diferencia entre dos conceptos puede
ahorrar mucho dinero para un determinado proyecto.
La respuesta a este difcil problema viene dado por los conceptos de:

Propiedades estructurales (es decir, causas de los problemas)
Propiedades circunstancial (por ejemplo, efectos de problemas)
Propiedad estructural
Una propiedad se dice que es estructural cuando necesariamente
resulta de cierto nmero de condiciones que se encuentran en
una posicin para controlar o cuantificar, y que se supone que se
cumple.

Ejemplos:
-la heterogeneidad de los minerales de cobre en un rea dada de
la mina,
-un protocolo de muestreo,
-las caractersticas de un dispositivo de muestreo,
-un procedimiento de control de proceso,
-las caractersticas de una unidad de proceso,
-un intervalo de muestreo,
-un punto de corte de cobre calidad seleccionado para la mina,
-un estndar, etc
A partir de causas a los efectos
Una caracterstica de la estructura es siempre cierto siempre y
cuando se opera con l. Uno o varios efectos pueden resultar de ello.

Independientemente si los datos generados por el efecto, no son
necesariamente en una posicin para su control.
Ejemplos:
-el contenido de cobre de una muestra,
-el sesgo generado por una muestra pobre,
la segregacin inducida por un silo,
-el ciclo de proceso introducido por un rastrillo en el interior de un
agente espesante,
-Un ensayo de cobre parcial introducido por un procedimiento
analtico inapropiado,
-el costo invisible generado por la seleccin de un punto de corte
calidad ilusin de cobre en la mina, etc ..
El efecto depende de la suerte.
Es la circunstancia que tienen que soportar
Propiedad circunstancial
Una propiedad se dice que es circunstancial cuando depende de las
condiciones que a que no estn necesariamente en condiciones de
controlar. Es la coyuntura.

Ejemplos:
Supongamos que usted invirti en apilado / recuperacin de
sistema que introduce una fuerte segregacin en una reserva de
productos de cobre. La cantidad de segregacin puede cambiar
debido a muchos factores circunstanciales, como por ejemplo:
-Un cambio en el contenido de humedad,
-Un cambio en la tasa de corriente de corriente,
-Un cambio en la densidad entre los fragmentos,
-Un cambio en la forma entre los fragmentos, etc



No hay mucho que usted puede hacer acerca de estos efectos
indeseables. La nica cosa que podra hacer es cambiar el sistema de
apilado / recuperacin que es la causa.
Conclusin:
Una caracterstica de la estructura seguir siendo as, a menos que
usted cambie:
-Un protocolo de muestreo deficiente,
-Un dispositivo de muestreo deficiente,
-Un procedimiento analtico inapropiado,
-Un diseo defectuoso de un silo de almacenamiento,
-hacerse ilusiones sobre la calidad del corte de cobre en la mina.
Una caracterstica de la estructura se puede confiar en ellas.

Pero, una propiedad circunstancial no se puede confiar y
estrictamente depende del azar. Por lo tanto, demasiado nfasis en
la solucin de los efectos de una causa es a menudo una prdida de
tiempo y dinero.
Es de suma importancia hacer hincapi en la identificacin de
las propiedades estructurales.
Invertir recursos en la bsqueda de la causa de un problema
en lugar de reaccionar a sus efectos.
Conceptos de propiedades primarias y
secundarias

Una propiedad se dice que es:

PRIMARIA cuando depende de la estructura de la
suela. Por lo tanto, es independiente de las
circunstancias.

SECUNDARIA cuando depende de la estructura y
las circunstancias.
Relacin lgica entre una propiedad estructural
primaria y una propiedad circunstancial secundaria
Responder s o no, en orden cronolgico, las dos preguntas siguientes.
1. es el propio de la
estructura primaria
de existir?
2. es la
propiedad
secundaria
observada?
S
No
S
No

Posible


Cierto


Imposible


Probable

Relacin lgica entre la exactitud y la
precisin de muestreo
responder, en orden cronolgico, las dos preguntas siguientes
1. es el dispositivo
de muestreo
primaria correcto o
incorrecto?
2. es la
muestra
recogida en
segundo
lugar exacto
o parcial?
Correcto
Incorrecto

Exacto
Parcial

Posible


Cierto


Imposible


Probable

Relacin lgica entre la correccin de un Fondo para el apilado /
recuperacin y la constancia de la alimentacin que entrega al Proceso
responder, en orden cronolgico, las dos preguntas siguientes

1. es el diseo del apilado
/ recuperacin de las
instalaciones ante todo
correcto o incorrecto?
2. es la
alimentacin
de ir al
proceso
secundaria-
mente
constante?
Correcto
Incorrecto
constante
Muy
variable

Posible


Cierto


Imposible


Probable

Constitucin heterogeneidad CH
En el siguiente material, que se refieren slo a la heterogeneidad
Constitucin de los lotes de bienes muebles pequeos.







Vamos a definir una notacin algunos:
a
i
el contenido de un fragmento dado i
a
L
El contenido medio del lote L
h
i
la heterogeneidad llevado por un fragmento dado i
m
i
el peso de un fragmento dado i
M
L
el peso del lote L
N
F
el nmero de fragmentos en el lote L
Lote
L
La heterogeneidad h
i
Llevado por un
fragmento
La heterogeneidad h
i
llevado por un fragmento

homogeneidad: a
i
= a
L

heterogeneidad: a
i
a
L

Pero:

por lo tanto:

La heterogeneidad h
i
Llevado por un
fragmento
La constitucin de heterogeneidad del lote (CH
L
)
es la varianza relativa, sin dimensiones de las
heterogeneidades de alta todos los fragmentos N
F
.

Modelado CH
L
en un modo ms sencillo
Por razones prcticas, vamos a eliminar N
F
partir de
la ecuacin CHL, multiplicando CH
L
por un factor
constante M
L
/N
F


IH
L
definida como el factor constante en la constituin
de la heterogeneidad
Modelado CH
L
en un modo ms sencillo
Ahora, tenemos la intencin de calcular el IH
L
en una
manera amistosa.
Una simplificacin aproximada del IH
L

Cada fragmento de tamao/densidad de la fraccin
L
ab
est representado por el fragmento de promedio
F
ab
caracterizado por:

su volumen: su densidad:


su peso: su contenido medio:

Una simplificacin aproximada del IH
L

Despus de reordenacin de todos los trminos obtenemos:



Hay que eliminar los dos trminos expresados como a
ab

Esto se puede hacer haciendo dos hiptesis.
1. experiencia muestra que el contenido a
ab
vara mucho
ms de la fraccin de densidad a la siguiente fraccin de
tamao de uno a otro. Por lo tanto:
Una simplificacin aproximada del IH
L

2. La proporcin de la fraccin de tamao a en la fraccin de
densidad b es igual a la proporcin si la fraccin de tamao
a en el lote. Por lo tanto:





Despus de la sustitucin, obtenemos la frmula muy
importante:
X Y
Una simplificacin aproximada del IH
L

Vamos a estimar X e Y por separado:



f
ab
se define como un factor de forma de los fragmentos. Se
trata de un factor de correccin teniendo en cuenta el hecho de
que los fragmentos no son cubos perfectos. Este factor es
adimensional.

Clculo de X, primera parte: la forma de los fragmentos factor f
Cubo f=1 Esfera f=0,523
Carbn f=0,45 Mineral de hierro f=0,50
Pirita f=0,47 Cuarzo f=0,47
Roca comn f=0,5 biotita, mica, scheelita, ... f=0,1
Oro liberado f=0,2 Minerales aciculares f>1
El trmino de suma fcilmente podra ser estimado realizando un
anlisis de distribucin de tamao del material en la investigacin.
Esto ser hecho en una prueba de heterogeneidad posterior.
Para clculos rpidos, aproximados, el trmino de suma podra ser
escrito as:
Clculo de X, segunda parte: el factor g de distribucin de tamao de
fragmento
La g es un factor de correccin que tiene en cuenta el
hecho que todos los fragmentos no son el mismo
tamao d. En este acercamiento claramente debemos
definir cual la d es.

Si la d es definida como la apertura de cuadrado de un tamiz que
conservara exactamente el 5 % del material de investigacin por el peso,
entonces:

para material calibrado: g=0.5
para material no calibrado: g=0.25

g es adimensionado.
Clculo de Y, primera parte: el factor c
mineralgica
Y alcanza un mximo Y
max
cuando el constituido de inters se libera. Se define
c=Y
max
Vamos a definir:
la densidad del componente de inters
La densidad de la ganga
Resolviendo la ecuacin anterior para el componente de inters da Y
1





Resolviendo la ecuacin general de la ganga da Y2





El factor c mineralgica se expresa en gramos / cc
Clculo de Y, segunda parte: el factor de
liberacin l
Nos acabamos de definir el mximo de Y.
El mnimo de Y es Y
min
= 0 cuando a
a
=a
L

Por lo tanto, el dominio de Y es: 0 Y c
Para recuperar este margen se puede escribir: Y=c l
con: 0 l 1
l se define como el factor de liberacin. Es un factor
adimensional, teniendo en cuenta el hecho de que el
componente de inters no es necesariamente liberado.
Por definicin:
- Un material perfectamente homegneo tiene l = 0
- Un material perfectamente heterogneo tiene l = 1

Existen dos frmulas para calcular
rpidamente el factor de liberacin.
1. Despus de una investigacin microscpica de los
fragmentos ms gruesos de la muestra, se aislaron unos
pocos, donde el contenido del componente de inters es
alto. Despus de ensayar estos fragmentos, podemos
encontrar un contenido mximo se define como a
max
.


2. En el procesamiento de minerales, cuando se sabe el
tamao de liberacin d
l
del componente de inters, existe
un modelo aproximado para calcular rpidamente el valor
de l como una funcin del tamao d.
Existen dos frmulas para calcular
rpidamente el factor de liberacin.
Estas ecuaciones son slo un modelo aproximado y no se
debe dar por sentado.
Muchas personas alrededor del mundo han abusado
enormemente esta ecuacin. Bajo ninguna circunstancia
se debe utilizar a menos que tenga informacin de
procesamiento de minerales a su disposicin, o si usted
ya conoce la constante K de muestreo introducido ms
tarde en la prueba de heterogeneidad.
El tamao de liberacin d
l
de un componente de
inters se define como el tamao por debajo del 95%
del material molido a fin de liberar completamente al
menos 85% de la componente de inters.
Varianza del error fundamental FE
En la teora de muestreo, el Dr. M. Pierre Gy demostr que
la varianza del error fundamental S
2
FE
se puede escribir
como:


Donde P es una probabilidad de seleccin constante
aplicada a todos los fragmentos en el material a muestrear.
Por definicin:


Donde M
S
es el peso de la muestra y M
L
el peso del lote.
Despus de la sustitucin se obtiene:
Varianza del error fundamental FE
IH
L
= f g c l d
3



tamao de los fragmentos
gruesos en centmetros.

factor de liberacin

factores mineralgicos

tamao de fragmento de factor de distribucin

fragmento del factor de forma
Definicin del error fundamental FE
El error fundamental FE se define como un error que
tiene lugar cuando la seleccin de incremento es
correcto, y cuando los incrementos que componen una
muestra estn hechas de slo un seleccionado de forma
aleatoria. Por lo tanto, es un caso lmite.



1. La media del error fundamental:
Cuando el muestreo se aplica correctamente, la media
m (FE) del error fundamental es insignificante.



FE es el error de muestreo mnimo posible en cada etapa de
muestreo de un protocolo de muestreo
2. Varianza del Error Fundamental:


Si el M
L
peso del lote es de al menos 10 veces
superior a la M
S
, se puede escribir:



Se define un muestreo constante C:
Construccin de un nomograma de muestreo
Queremos optimizar un protocolo de muestreo y que
sea defendible. El nomograma de muestreo puede
ayudarnos.
Para incluir tanta informacin como sea posible. Se
sugiere hacer un nomograma de muestreo con las
coordenadas logartmica.
En tal caso, es conveniente tomar el logaritmo de
Construccin de un nomograma de muestreo
o: Y = C1 + C2 X

El derivado de la cual es: Y = -1

En conclusin:

la lnea que representa un determinado
valor de d en el nomograma tiene una
pendiente igual a -1
Caractersticas del nomograma de muestreo
Prueba de heterogeneidad: Toma de muestras de barrenos en la cantera (% SiO2)
Etapa de Preparacin
Etapa de muestreo
La prueba de heterogeneidad
Esta presentacin describe una prueba que se
recomienda cuando es difcil estimar el factor de
liberacin de un componente de inters. Es
particularmente cierto para los componentes menores,
tales como oro, molibdeno, cobre, arsnico, etc ...
La prueba se recomienda para optimizar los protocolos
de muestreo durante la exploracin, en la mina, y el
molino.
La idea es estimar la varianza del error fundamental S
2
FE

con un experimento. Tal experimento es delicado y debe
ser realizado por un experto.
Un cierto nmero de muestras se recogen, se analizan
para cada componente de inters, y un S
2
ai
varianza
relativa de los ensayos se calcula.
bajo condiciones especficas fijadas por el experimento, se
puede escribir:


Precauciones a tomar:
Recoger un 300 [kg] muestra variada hecha de 56 [kg] incrementos, ya sea
recogidos en la mina, o del ncleo de perforacin de diamantina o de
perforacin RC rechazada.
En pantalla los fragmentos ms gruesos, y se realiza la prueba de
heterogeneidad de estos fragmentos. La realizacin de la prueba en 1 [cm]
fragmentos es ideal.
Las muestras recogidas para realizar la prueba de heterogeneidad debe ser
hecha con relativamente pocos fragmentos con el fin de hacer que el error
analtico sea insignificante.
Los fragmentos recogidos para cada muestra se deben seleccionar al azar, con
el fin de hacer que la agrupacin y segregacin error insignificante
Descripcin de la prueba de heterogeneidad
Un caso real en una mina de cobre
1. El compuesto fue hecho de material de 49 ubicaciones diferentes
dentro de un solo tipo de mineralizacin. El compsito hmedo
pesaba 306 [kg]. El compsito se sec durante la noche a 110 C.
Despus del secado, el compsito pesaba 300 [kg]. El contenido
de humedad fue del 2%.
2. Dividir la muestra entera en tres lotes, usando un procedimiento
con pala fraccionada, y llame a cada lote A, B, y C,
respectivamente. A= 150 [kg], B= 90 [kg], C=60 [kg].
3. Pantalla de toda un sub-lote a travs de 1,25 [cm], 0,63 [cm]
0,335 [cm [, 0,17 [cm], 0,085 [cm] 0,0425 [cm] y [cm] 0,212
pantallas.
4. Pese cada fraccin de tamao.
5. Corre la -1,25 [cm]+0,63 [cm] fraccin en una superficie limpia:
La prueba de heterogeneidad se realiza en esta fraccin, en el que
d = 1,05 [cm]




6. De esta fraccin, se recogen 100 muestras. Cada muestra debe ser
hecha de p fragmentos, los que se seleccionan al azar, de hasta 50
[gr] cada uno. El nmero de estas muestras (1 a 100), se pesa cada
una, y los valores de registro para p.
7. Pulverizar cada muestra directamente en un anillo cerrado y
pulverizador de disco a aproximadamente 95% menos 106 micras. El
uso de pulverizadores placa polvo es inaceptable.
8. Ensayo de cada muestra para el cobre soluble en cido y cobre total.
9. Triturar fracciones de tamao, y lo que queda de la -1,25 [cm] +0,63
[cm] fraccin a 95% menos 0,3 [cm] con una trituradora de Boyd, y
recoger una fraccin de aproximadamente 1000 [gr] de cada tamao
fraccin. Si la fraccin de tamao grande tiene menos de 1000 [gr],
usar toda la fraccin. Pulverizar cada 1000 [gr] dividida al 95% -106
micras utilizando LM2. Ensayo de cada fraccin de tamao en
triplicado para el cobre soluble en cido, y cobre total.
Prueba de heterogeneidad: continuacin
10. Tome sub-lote B, que se dividi en 16 divisiones iguales,
utilizando un divisor rotativo equipado con 16 segmentos. Usted
obtiene diecisis 5625 [gr] split. Registre todos los pesos exactos.
11. Triturar cada divisin a menos 0,3 [cm] con una trituradora de
Boyd, despus se pulveriza la divisin entera a aproximadamente
95% -106 micrones utilizando dos veces 2800 [gr] en un
pulverizador LM5.
12. Esparza cada divisin pulverizado en una bandeja grande, y
recoger uno 0,5 [gr] muestra compuesta de alrededor de 12
incrementos al azar, y una muestra [gr] hechas de alrededor de 24
incrementos al azar. El 1 [gr] muestra se ensaya dos veces con 0,5
[gr] cada vez. As que por el sub.lot B, se obtiene diecisis 0,5 [gr]
ensayada, cada uno de un 5625 [gr] mucho, y duplicado 32 0.5
[gr] analizaron a partir de diecisis 1 [GR] lotes. Informar de los 3
ensayos y los pesos de las 16 divisiones. Haga lo mismo para el
cobre soluble en cido y el cobre total.
Prueba de heterogeneidad: continuacin
13. Tomar sub-lote C y triturarlo a aproximadamente 95% -0,3
[cm] utilizando una trituradora de Boyd. A continuacin,
divida C en 2 porciones iguales C1 y C2 sobre 30 [kg] cada uno.
14. Tome sublote C1, que se dividi en 16 divisiones iguales,
utilizando un divisor rotativo equipado con 16 segmentos.
Usted obtiene diecisis 1875 [gr] splits. Registre todos los
pesos exactos.
15. Tomar una divisin y le realizar un anlisis de distribucin de
tamao utilizando 0,63 [cm] 0,335 [cm], 0,17 [cm] y [cm]
0,085 pantallas. Informar todos los pesos. Recombinar las
fracciones de tamao, as que podemos usar esa divisin en los
siguientes pasos.
16. Pulverizar cada divisin a aproximadamente 95% -106 micras
utilizando un LM5.

Prueba de heterogeneidad: continuacin
17. Unte cada divisin pulverezada en una bandeja grande, y recoger una
0,5 [gr] muestra compuesta de alrededor de 12 incrementos al azar, y
una muestra [gr] hechas de alrededor de 24 incrementos aleatorios.
El 1 [gr] muestra se ensaya dos veces udins 0,5 [gr] cada vez. As,
para el C1 sublote, se obtiene diecisis 1 [GR] lotes. Informar de los 3
ensayos y pesos para cada una de las 16 divisiones. Haga lo mismo
para el cobre soluble en cido y cobre total.
18. Tome sublote C2 y triturela hasta aproximadamente el 95% -0,085
[cm] con un LM5 utilizando alrededor de 3600 [gr] incrementos
pulverizado alrededor del 45 [s]
19. A continuacin, divida C2 en 16 divisiones iguales, utilizando un
divisor rotativo equipado con 16 segmentos. Usted obtiene diecisis
1875 [gr] splits. Registre todos los pesos exactos.
Prueba de heterogeneidad: continuacin
20. Tome una divisin y realice un anlisis de distribucin de tamao
utilizando 0,17 [cm] 0,085 [cm], y 0,0425 [cm] pantallas. Informar todos
los pesos. Recombinar las fracciones de tamao, as que podemos usar
esa divisin en los siguientes pasos.
21. 21. Pulverizar cada divisin a aproximadamente 95% -106 micras
utilizando un LM5.
22. Unte cada divisin pulverizado en una bandeja grande, y recoger un 0,5
[gr] muestra compuesta de alrededor de 12 incrementos al azar, y una
muestra [gr] hechas de alrededor de 24 incrementos aleatorios. El 1 [gr]
muestra se ensaya dos veces con 0,5 [gr] cada vez. As, para el C2 sub-
lote, se obtiene diecisis 0,5 [GR] ensayos, cada uno de un 1875 [gr]
mucho, y 32 duplicado 0,5 [gr] de diecisis ensayos 1 [GR] lotes.
Informar de los 3 ensayos y los pesos de cada una de las 16 divisiones.
Haga lo mismo para el cobre soluble en cido y cobre total.
23. Recombine todos los desechos de la C2 sub-lotes, por lo que obtener un
aproximado de 30 [kg] lote D que es alrededor del 95% -106 micras.
Prueba de heterogeneidad: continuacin
Prueba de heterogeneidad: continuacin
24. Luego, dividir D en 16 divisiones iguales, utilizando un divisor
rotativo equipado con 16 segmentos. Usted obtiene diecisis
divisiones de 1875 [gr]. Registre todos los pesos exactos.
25. Tome una divisin y realice un anlisis de distribucin de tamao
usando 0,0425 [cm], 0,0212, y 0,0106 [cm] pantallas. Informar
todos los pesos. Recombinar las fracciones de tamao, as que
podemos usar esa divisin en el paso siguiente.
26. Unte cada divisin pulverizado en una bandeja grande, y recoger
un 0,5 [gr] muestra compuesta de alrededor de 12 incrementos al
azar, y una muestra [gr] hechas de alrededor de 24 incrementos
aleatorios. El 1 [gr] muestra se ensaya dos veces con 0,5 [gr] cada
vez. As que para el sub-lote D, se obtiene diecisis 0,5 [gr]
assaysm cada una de 1875 [gr] mucho, y 32 ensayos duplicados
0,5 [gr] de diecisis 1 [GR] lotes. Informar de los 3 ensayos y el
peso de cada una de las 16 Haga lo mismo para el cobre soluble en
cido y cobre total.
Prueba de heterogeneidad: continuacin
27. Desde cualquier micras -106 se rechaza la prueba,
prepare 10000 [gr] muestra. La pantalla de la
totalidad de la muestra en una pantalla de 212
micras: Siempre habr una cantidad sustancial de
material que no se muele muy bien. Lavar este
material grueso. Separe los minerales pesados por
la panormica. Con el concentrado pesado,
preparar varias secciones pulidas para determinar
la naturaleza exacta del material que no es triturar
bien.
Directrices para el clculo
la constante de muestreo para el tamao
de la fraccin
la varianza relativa de los 100 ensayos
el tamao de los fragmentos de prueba
el peso promedio de las 100 muestras
Vamos a
definir:
Con:
Directrices para el clculo
Suponiendo que la variabilidad del factor de
liberacin obedece al modelo:



De la fraccin de tamao de uno a otro, el trmino
f

(d
l
)^(1/2) permanece razonablemente
constante. Por lo tanto, vamos a llamar a este
trmino el factor K que no cambia de una etapa de
trituracin a otra.
Caso de estudio
primera parte
La prueba de heterogeneidad, tal como se ha descrito
anteriormente, se llev a cabo para el cobre total en un proyecto de
cobre. Resultado de las 100 muestras recogidas hechas de
fragmentos de cada 50 se muestran a continuacin. El protocolo
actual para barrenos de muestreo es el siguiente: A 4000 [gr]
muestra se recoge en la mina. El mximo tamao de fragmento d es
1,9 [cm]. En el laboratorio, la muestra se seca y se enva a un robot
de preparacin de la muestra. La muestra se divide para 2000 [gr] y
aplast a un 95% -0,3 [cm] con una trituradora de mandbula. La
muestra se dividi a 100 [gr] despus se pulveriza a 95% -106
micrones. Finalmente, un 0,25 [gr] gramos de muestra se utiliza
para el procedimiento analtico.
Calcular K
Calcular un nomograma de muestreo
Es este protocolo ptimo?
Qu podemos hacer para mejorarlo?
Estudio de caso: nomograma
prueba de heterogeneidad: caso de estudio de una mina de cobre de cobre total
Caso de estudio: lnea de seguridad
prueba de heterogeneidad: caso de estudio de una mina de cobre de cobre total
Caso de estudio: protocolo de muestreo
prueba de heterogeneidad: caso de estudio de una mina de cobre de cobre total
Bueno
Bueno, pero
no es seguro
para la
segregacin
Punto dbil
Continuacin Caso de Estudio
Qu precauciones se deben tomar en un protocolo de muestreo?
Continuacin Caso de Estudio: Comparando la
teora con la realidad
substituido por una estimacin de la
varianza entre 16 divisiones
En su opinin, por qu hay tantas diferencias entre la teora y la realidad de
los valores pequeos del tamao d de los fragmentos?
Clculo de los ejemplos de factores prcticos
mineralgicas
1. Queremos analizar el Contenido de oro de una
muestra.
el contenido de oro es de alrededor de 2 ppm
(0,058 opcional)
el oro se produce como pequeas pepitas de
densidad de aproximadamente 16
la densidad media de la rodea prfido es de
aproximadamente 2,8

Calcular el factor de mineralgico.
2. Queremos analizar los gols y el contenido de plata de
un concentrado de galena:
el contenido de oro es de alrededor de 100 ppm (2,9
opc), y se produce como metal nativo de densidad
alrededor de 16
el contenido de plata es de alrededor de 2500 ppm (73
opcional), y se presenta como un sulfuro complejo de
frmula AgPbSbS
3
de densidad aproximada 5,0
la densidad de la galenais 7,5
Pesos atmicos: Ag = 108. 207 Pb, Sb = 122, S = 32.

Calcule los factores mineralgicos de oro y plata.
3. Queremos determinar el contenido oro de un
sedimento corriente:
El contenido de oro de una anomala fiable se fija
arbitrariamente en 10 ppb
La densidad de un oro se supone que es alrededor de
16
El contenido de oro de fondo se supone no disuelta
por el procedimiento de lixiviacin de cianuro.

Calcular el factor mineralgico de oro.
4. Queremos determinar el contenido de oro de un
depsito subterrneo:
El contenido de oro esperada es de alrededor de 32
[g / l]
La densidad de las partculas de oro es de
aproximadamente 16
la densidad de la roca in situ es 2,7.

Calcular el factor mineralgico de oro.

Clculo del factor de liberacin, ejemplos
prcticos
1. Un mineral de oro contiene alrededor de 2 ppm de oro
(0,058 opt) no liberado . Si una investigacin rpida
semi-cuantitativa de XRF muestra que los fragmentos
ms grandes de cortes RVC (d = 1/2 pulgada) de vez en
cuando pueden contener hasta 750 ppm oro (22 opt),
cul sera el factor de liberacin de de oro para los
fragmentos 1/2 pulgada de este mineral?
2. Un concentrado de galena contiene 100 ppm de oro
(2,9 opc) como metal, y 12340 ppm AgPbSbS3 (360
opt). Ocasionalmente, algunas partculas de este
concentrado contiene hasta 25000 ppm (730 OPT) y
24% AgPbSbS3 (7000 opt). Calcular los factores de
liberacin de de oro y el mineral de plata en este
concentrado.
3. Un mineral de oro se tritura a menos 4 pulgadas (10 cm) antes
de llegar a un muestreador de corriente transversal, a menos 1
pulgada (2,5 cm) antes de alcanzar el muestreador secundario,
al menos 10 mesh (0,17 cm) antes de alcanzar el terciario
muestreador, finalmente, a menos de malla 100 (0,015 cm)
antes del ensayo de fuego.
El contenido promedio de oro de esta mina es de alrededor de
2 ppm (0,058 opt). Una investigacin mineralgica de la
fraccin pesada obtenida a partir de una concentracin por
gravedad muestra que el 85% (es decir, la definicin del
tamao de liberacin dl) de el oro se libera cuando el material
se pulveriza a menos de 40 micras.
1. el muestreador primario:
2. el muestreador secundario:
3. el muestreador terciario:
4. la sala de balanzas antes del ensayo de fuego:
4. Queremos determinar el contenido de oro de un
depsito subterrneo. Una muestra de la cara se toma
de forma rutinaria para el control de mineral de grado.
El grado medio de oro se espera que sea alrededor de
32 [gr / l]. Las muestras se trituran a 95% menos el
1,05 [cm], utilizando una trituradora de mandbula,
antes de dividir an ms. Una rpida con rayos-X
muestra que algunos de los fragmentos entre 1,25 [cm]
(1/2 pulgada) y 0,635 [cm] (1/4 pulgada) de vez en
cuando contener hasta 7750 [gr / l].

Calcular el factor de liberacin de la oro en la muestra
cara media como entregado por la trituradora de
mandbulas.
Caso de Estudio #1
Tenemos una muestra de circulacin inversa rutina que
pesa alrededor de 60.000 gramos. El material es 95%
menos el 1,05 [cm]. El contenido de oro aproximada se
espera que sea alrededor de 1,5 [g / l]. Una prueba de
heterogeneidad muestra que los fragmentos de entre 1,25
[cm] (1/2 pulgada) y 0,635 [cm] (1/4 pulgada) de vez en
cuando contener hasta 350 [g / l] de oro.
La muestra se somete al siguiente protocolo:
1. El material se divide como se recibe en el sitio de
perforacin hasta que se obtiene una muestra 4000-
gramos.
2. En el laboratorio, la muestra 4000-gramos es aplastado
hasta 95% menos 0,335 cm (6 de malla) utilizando un
triturador de rodillos.
3. El menos 0,335 [cm] (6 de malla) de la muestra se divide a unos
250 [gr]
4. El 250 [gr] muestra se pulveriz a 95% menos 0,015 [cm] (100
malla) utilizando un pulverizador de placa.
5. A 30 [gr] submuestra es finalmente recogida por ensayo al fuego.
Clculo de la constante C de muestreo para cada etapa de
muestreo. (Utilizar 16 como la densidad de partculas de oro)
calcular el factor K constante vlido para todas las etapas de
trituracin.
Clculo de la derivacin estndar del error fundamental para cada
etapa de muestreo (expresada en% relativo)
Clculo de la derivacin estndar de los errores fundamentales
total (expresada en% relativo)
Cules son los puntos dbiles de este protocolo? Qu podemos
hacer al respecto?
Caso de Estudio #1
La alimentacin de una planta es de aproximadamente 95% menos
el 1,05 [cm]. El contenido de oro aproximada se espera que sea
alrededor de 1,5 [g / l]. Una prueba de heterogeneidad muestra que
los fragmentos de entre 1,25 [cm] (1/2 pulgada) y 0,635 [cm] (1/4
pulgada) de vez en cuando contener hasta 350 [g / l] de oro.
La corriente de alimentacin se somete al protocolo de muestreo
siguiente:
1. Durante un turno de 8 horas, una estacin de muestreo permite
transportar una 4000 - gramos de la muestra compuesta.
2. En el laboratorio, la muestra 4000 gramos es aplastado hasta 95%
menos 0,335 [cm] (6 de malla) utilizando un triturador de
rodillos.
3. El menos 0,335 [cm] (6 de malla) de la muestra se divide a
alrededor de 250 gramos.
4. La muestra de 250 gramos se pulveriz a 95% menos 0,015
[cm] (100 malla) utilizando un pulverizador de placa.
5. Una submuestra de 30 gramos es finalmente recogida para el
ensayo de fuego.
Clculo de la constante C de muestreo para cada etapa de
muestreo. (Utilice 16 como la densidad de las partculas de oro)
calcular la constante K vlido para todas las etapas de
trituracin.
Clculo de la desviacin estndar del error fundamental para
cada fase de muestreo (expresada en% relativo)
Clculo de la desviacin estndar de los errores fundamentales
del total (expresada como% relativo)
Cules son las debilidades de este protocolo? Qu podemos
hacer al respecto?
Caso de Estudio #2
A partir de los residuos de una antigua mina hemos recogido un
50 [kg] muestra compuesta. El tamao mximo de partcula d el
material es aproximadamente 1/4 de pulgada (0,67 cm).
Queremos enviar un bot submuestra ms pesado que el 2 [kg] a
un laboratorio. En esta 2 [kg] submuestra queremos determinar
el contenido de oro promedio de los relaves. El contenido de oro
se espera que sea alrededor de 1 ppm.
la desviacin estndar asignado del error fundamental FE es
2s=15%, que es un lmite requerido por un estudio de
viabilidad.
Hasta qu tamao d 'vamos a aplastar el 50 [kg] de la muestra
antes de partir? El problema es solucionable con unos 50 kg
compuesto?
Sabemos por el estudio mineralgico y de los anlisis anteriores,
que el oro est finamente diseminado en la roca y que la nota
mxima a nivel local encontrado en 1/4 pulgada de partculas no
es ms que 100 ppm. Utilice 16 para la densidad del oro.
Estudio de caso de una prueba de
heterogeneidad tpico
Contenido de oro de 100 muestreados hecha de 35 fragmentos
Todas las muestras se recogieron entre el 1/2 pulgada y la fraccin de
tamao 1/4 pulgadas
Ejercicio prctico #1
Un molino SAG se alimenta a un promedio de cerca de 540
toneladas / hora (TA). La especificacin superior (US) es de
555 toneladas / hora. La especificacin inferior (LS) es de 525
toneladas / hora.
El proceso es cuidadosamente controlado por un promedio de
varias mediciones de ms de 1 hora.
Estudio de lo que ocurre dentro de una tpica ventana de 125
horas.
1. interpretar los datos en bruto utilizando una tabla.
2. interpretar los datos brutos, utilizando un grfico cronolgico.
3. Estudiar el variograma relativo
4. Estudiar el variograma absoluto.
5. Estudiar los grficos de control variogrfico.
6. Estudiar el ruido aleatorio y los datos corregidos por un
promedio de 5 puntos en movimiento
Ejercicio prctico #2
El contenido de cianuro de un tanque de lixiviacin se
mantiene constante en un nivel medio de alrededor de 250
ppm (TA). La especificacin superior (US) es de 300 ppm.
La especificacin inferior (LS) es de 200 ppm.
El proceso se controla cuidadosamente cada hora. Estudia
lo que ocurre dentro de una tpica ventana de 80 horas.
1. interpretar los datos en bruto utilizando una tabla.
2. interpretar los datos brutos, utilizando un grfico
cronolgico.
3. Estudiar el variograma relativo
4. Estudiar el variograma absoluto.
5. Estudiar los grficos de control variogrfico.
6. Estudiar el ruido aleatorio y los datos corregidos por un
promedio de 5 puntos en movimiento

Distribucin de Heterogeneidad DH
En el siguiente material, que se refieren slo a la
heterogeneidad de distribucin de lotes pequeos y
movibles.
Vamos a definir unas pocas notaciones:
a
n
El contenido de un grupo dado si fragmento.
a
nj
El contenido de un fragmento dado en un grupo dado.
h
n
La heterogeneidad realizado por un grupo dado.
h
nj
La heterogeneidad llevado por un fragmento dado en
un grupo dado.
M
n
El peso de un grupo dado.
M
nj
El peso de un fragmento dado en un grupo.
N
G
El nmero de grupos de un tamao determinado para
vaciar el lote.
N
nj
El nmero de fragmentos en un grupo dado.
Distribucin de Heterogeneidad DH
Heterogeneidad h
nj
transportada por un
fragmento en un grupo dado
Exactamente igual que el procedimiento que hemos
seguido para definir la constitucin CH
L
heterogeneidad
del lote, podemos definir la heterogeneidad CH
n

constitucin de un grupo de fragmentos como la varianza
relativa, sin dimensiones de las heterogeneidades h
nj

generados por fragmentos N
nj
dentro de ese grupo.


En realidad, lo que nos interesa es la constitucin de
heterogeneidad promedio realizado por todos los grupos
de fragmentos






Ahora, vamos a definir la heterogeneidad h
n
realizado por
un grupo de fragmentos:


Se define la distribucin de DH
L
heterogeneidad del lote
como la variacin relativa, sin dimension del h
n

heterogeneidades generado por grupos NG de fragmentos.

DH
L
Dominio de Variabilidad
El mximo de DH
L
es CH
L
s mismo cuando CH
n
= 0


El mnimo de DH
L
se define como un mnimo absoluto
[DH
L
]
min
en las que es imposible homogeneizar el
material adicional. Es un lmite inaccesible de cada grupo
del lote, el cual puede considerarse como una muestra
aleatoria. Este mnimo es en realidad una variable
aleatoria que puede ser la media relacionada con CH
L

como sigue cuando el nmero de grupos y los fragmentos
son grandes nmeros:
Se define un factor de agrupamiento Y de la siguiente
manera:


Esta presentacin se convierte en un problema cuando
Y= 0. Pero, NG y NF son a menudo muy diferentes
nmeros, por lo tanto Y es a menudo un gran nmero en
s. Por lo tanto, escoja la presentacin aproximada
siguiente:



Definicin de la segregacin factor Z
Para calcular DH
L
debemos multiplicar CH
L
por un
factor de entre 1 y 1 + Y. Hemos elegido escribirlo
como YZ.
Definicin de la Agrupacin y Segregacin
Error GE
La Agrupacin y Segregacin Error GE se define por
su media y su varianza:
media (GE) = muy pequea, a menudo insignificante
Agrupacin de los
factores
Segregacin de los
factores
Varianza del Error
Fundamental
Cancelacin y reduccin al mnimo de la
agrupacin y segregacin error GE
1. La cancelacin de la varianza del error fundamental no es
posible.
2. La cancelacin del factor Y de agrupamiento no es prctico.
3. La cancelacin del factor de separacin es una ilusin.
Lo nico que podemos hacer es minimizar cada uno de estos
tres factores:
1. La minimizacin de la varianza del error fundamental:

Calcular las constantes de muestreo
Dibuja nomogramas de muestreo
Optimizar los protocolos de muestreo
2. Reduccin al mnimo del factor de agrupacin:

para un peso de muestra dado, tomar como
incrementos pequeas tanto como sea posible, con
respecto a DE, EE, y PE.


3. Reduccin al mnimo del factor de segregacin:

homogeneizar el lote antes del muestreo, pero es muy
difcil tener xito debido a la gravedad.
El incremento del error de delimitacin en
la mina y durante la exploracin
Este sesgo de delimitacin que se ha introducido en el
muestreo de material del barreno en la mina, es un problema
con efectos devastadores para el control del grado del mineral,
y el rendimiento financiero a largo plazo de la mina:

No recibe la atencin que merece.
Sub perforacin
anterior
Sub perforacin
actual
Cortar un depsito de 3 dimensiones en una
suma de depsitos de 2 dimensiones
En algunos casos, el muestreo de barrenos es tan
malo que la perforacin RC separada de varios
bancos a la vez puede llegar a ser viable
La desviacin de perforacin o sondeo malo
puede crear un sesgo de delimitacin
Desviacin
Longitud constante de la muestra de ncleo
puede no ser una buena idea.
100% de
recuperacin
65% de
recuperacin 97% de
recuperacin
3 metros de muestra
ests seguro de la muestra compuesta de 3
metros, hecho de tres recuperaciones
diferentes es correcta?
Una longitud de muestreo sistemtico puede generar un gran sesgo en la
exploracin geoqumica.
La consistencia de la muestra de canal es
una necesidad

Correcto
Correcto incorrecto
Interceptar el corriente completo de la
viruta extrada es una necesidad
Suponiendo que la pequea muestra de ventanas recoge una
muestra representativa de todas las fracciones de tamao es
una forma intolerable de los juegos de azar.
No tiene nada que ver con la toma de muestras
El uso de un cubo radial para el muestreo
del barreno
Muestreo sugerido sistema de del barreno y
muestreo RC
La alimentacin
de la tolva
corriente que cae
alrededor del cono
cono asegurando un
corte perfecto de los
cortadores
Desviacin del cono
Rodamiento
cortadores
giratorios
polvo
rodamiento
prueba
rodamiento
cmara de
corriente
principal
motor: 15 rotaciones
por minuto como
mximo
Rechaza Muestra
Puerta de
inspeccin
Muestreo sugerido sistema de del barreno y
muestreo RC: vista desde arriba

muestreo de un arsenal: un problema de de
delimitacin muy difcil
Muestreo de una reserva: siempre tener acceso
a todas partes, de forma aleatoria
Muestreo de una reserva: el uso de un
barreno
Uso de "sampdrill" versus canal de
muestreo

Muestreo subterrneo: "sampdrill" es mucho ms consistente
que cualquier muestreo real, manual de canales.
muestreo subterrneo: comparacin entre profundidad
"sampdrill" y muestras de canal a intervalos de 1 m
Muestreo subterrneo: de delimitacin correcta
para el muestreo rostro canal
algunos minerales puede mostrar
enriquecimiento drstico cerca de los
contactos.
no confunda el lmite ideal de la muestra (delimitacin correcta) con la
muestra real de la recaudacin (extraccin correcta).
Muestreo subterrneo:
hasta qu punto de los residuos puede partculas de
oro pueden esperar?

Como una prueba, recoger muestras a diferentes
distancias desde el contacto, en el lado de los
residuos. Cada muestra debe ser paralelo al contacto.
La perforacin paralela a las estructuras
mineralizadas: la asignacin de una ilusin
Zanjas de perforacin a travs de la mineralizacin:
una cartografa ms realista de mineral y desmonte
El incremento del error de delimitacin
(DE) en la planta
El incremento del error de delimitacin (DE) introduce
los principales sesgos encontrados muestreo.





1. la muestra debern ser equiprobabilstica.
2. Un corriente de proceso siempre separados.
3. Un corriente de proceso es de 3 dimensiones.
4. pero, depende de nosotros realizar 3, 2, 1
dimensiones de muestreo.
Muestra de 1 dimensin












Para la contabilidad metalrgica precisa, es imprescindible llevar a
cabo un muestreo de 1 dimensin

Para el control de proceso eficaz, se recomienda llevar a cabo el
muestreo de 1 dimensin
fluye
corriente
segmento
consistente a
travs de la
corriente
Ejemplos de muestreo de 3 dimensiones
Caso #1: muestreo de un vagn de ferrocarril
encontrar al menos 3 problemas
Ejemplos de muestreo de 3 dimensiones
Caso #2: muestreo de un balde con cargador frontal
encontrar al menos 3 problemas
Flujo de muestreo
La parte corriente completo de la
hora
parte del corriente de todo el
tiempo
parte del corriente de la
hora
Hay 3 opciones, pero slo uno puede llevarse a cabo correctamente
Incrementar la correccin Delimitacin: No se
necesita considerar los fragmentos
La anchura del
incremento debe
permanecer constante
todo el camino a travs
de la corriente
fluye corriente

Marco correcto posicionado sobre una cinta
transportadora detenida
colocacin en
posicin
hidrulico
transportadora de
cinta detenida
muestra de
referencia






Este sistema puede proporcionar una buena muestra de
referencia al realizar una prueba de sesgo.

Camino Recto
Cruce del corriente de la muestra
el cortador debe cruzar el
corriente a una velocidad
constante
Flujo
que cae
Muestra
elemental
Muestra
elemental
Vista desde
arriba
anchura de corte
se mantiene
constante
corrie
nte
cortador de
direccin
El cortador puede ser daado con el tiempo.
El mantenimiento cuidadoso
y sistemtico de los bordes de
corte es una necesidad
Flujo
que cae
Muestra
elemental
Muestra
elemental
Vista desde
arriba
anchura de corte
se mantiene
constante
corri
ente
cortador de
direccin
Los bordes de corte y cortador deben
limpiarse en todos los turno de trabajo.
Los bordes de corte debe
lavarse cuidadosamente
despus de cada corte.
Flujo que
cae
Muestra
elemental
Vista desde
arriba
anchura de corte se
mantiene constante
corrien
te
cortador de
direccin

El sistema de accionamiento de el cortador no
debe ser menor de diseo.

Flujo
Direccin del
cortador
ancho de corte
no es constante
La posicin de aparcamiento de la cuchilla debe
estar lejos de la corriente
El sistema de accionamiento de la cuchilla debe ser elctrico.
Flujo
Direccin del
cortador
ancho de corte
no es constante
El muestreador rotativo Vezin
Correccin de un muestreador Vezin

Muestreador Vezin incorrecto

Si una parte de la corriente se pierde por la toma de
muestras, se produce un sesgo de delimitacin.
La cuchilla no debe recoger cualquier material cuando se
detuvo en una posicin de estacionamiento

Si slo una posicin de estacionamiento est disponible, el cortador
no debe volver a travs del corriente demasiado pronto.

Inmvil en sondas de corriente
El supuesto intolerable:
"el corriente no se segrega, por lo tanto recoger cualquier parte de la
corriente es lo suficientemente bueno"
introduccin de un corriente de turbulencia para
minimizar la segregacin travs de la corriente
Moverse de muy malo, a malo!
Enjuagar la sonda es de obligatorio, antes de
recolectar la muestra

Inmvil por el corriente de entrada

La agrupacin y segregacin error al rescate:
una alternativa atractiva
dimensin X se muestrea todo el tiempo
dimensin Y completamente representada.
dimensin Z se representa mediante la agrupacin de varios incrementos
minimizando el efecto de la segregacin horizontal de la corriente.
A travs de la ranura de muestreo corriente
ejercicio: encontrar lo que est mal con este sistema de muestreo
La estabilizacin de la tasa de corriente de la
corriente antes del analizador en lnea

Ejercicio: lo que es bsicamente malo con un
muestreador colgajo?

la mayora de los sistemas de desviacin de
corriente llevar a un sesgo delimitacin
incremento

Ejercicio: lo que es bsicamente malo con este
muestreador manguera?

Ejercicio: por qu es este muestreador
manguera es correcto?

Ejercicio: es la forma de la secuencia
correspondiente?

Error de delimitacin incremento en el
laboratorio

Este procedimiento de muestreo es muy importante en el
laboratorio.
Sin embargo, ha sido mal usado en un caso de fraude fascinante en
el muestreo comercial.
La simplicidad de muestreo utilizando un modelo
unidimensional

La herramienta de muestreo puede no respetar
las normas de correccin delimitacin

El correcto diseo de una pala, pala y esptula

Ejercicio: qu es bsicamente incorrecto con
los incrementos seleccionados?

similitudes entre el proceso de incremento y el
proceso de divisin

el mal uso de un divisor rpido: como sesgo
delimitacin seguro

El uso de una cubeta de recepcin para alimentar
el divisor rifle: un sesgo delimitacin seguro

el uso correcto del divisor riffle requiere las
siguientes condiciones:
1. todas las rampas son del mismo ancho
2. hay el mismo nmero de conductos en ambos lados
3. la pala alimentacin tiene exactamente la misma anchura que la abertura
efectiva de todas las tolvas combinados.
4. separaciones entre rampas son hojas muy estrechas
5. alimentar el divisor riffle lentamente, en el medio.
6. la muestra debe ser seleccionado al azar, o alternados de un lado a otro.
7. ambas muestras potenciales deben tener el mismo peso y la distribucin de
tamaos de partculas similares.
La correccin delimitacin de conicidad y
despiece

Conos y despiece no puede ser afectivo para
minimizar el error de agrupacin y segregacin, pero
la delimitacin de los incrementos es la correcta.
Cmo se puede provocar incrementos sesgados
una muestra exacta?
Para palear alternativa, el trabajo nunca se
termina antes de que el lote original en su
totalidad ha ido. Entonces, y slo entonces,
una de las dos nuevas pilas se pueden
seleccionar al azar como muestra.
Ilustracin de un divisor rotativo incorrecto

Ilustracin de un divisor rotativo correcto

Ilustracin de un divisor rotativo tpico
cules son las ventajas y desventajas?
El error de extraccin:
ejemplos durante la exploracin y en la mina




El error de extraccin podra haber sido llamado el error
de recuperacin de la muestra.
material sensible a las
fracturas o los contactos de
forma selectiva perdido.
El error de extraccin:
buena recuperacin de la muestra del ncleo es de gran importancia.

Cortar los fragmentos, o respetando el Estado de
centro de gravedad.

La eleccin de la broca de perforacin de
diamante es importante

Los riesgos pesadas de perforacin de circulacin
inversa
Perforacin de circulacin inversa es rpido y barato,
pero el riesgo son mltiples:
1. espeleologa zona, introducir contaminacin en la
muestra
2. parte de la muestra perdido en las grietas y
fracturas
3. contaminacin de los niveles superiores,
especialmente despus de alcanzar el nivel fretico
4. material transportado en el agujero por
inflamacin local
5. No logra elevar los fragmentos grandes durante el
perodo de muestreo
6. Si no se recoge partculas finas perdido con el aire
o en la suspensin
7. geologa pobres, por lo tanto, la geoestadstica
pobres

conclusin:
durante la exploracin mineral, perforacin de
circulacin inversa puede introducir sesgos
devastadoras de extraccin. Es justo decir que es una
forma de apostar. Es una tcnica de perforacin muy
atractivo, pero con precaucin.
Clasificacin de los cortes durante la perforacin
de circulacin inversa

La perforacin suave material: arcilla, laterita,
suelo.

Muestra selectiva y parcial recuperacin.

Bajo la contaminacin del agujero

Problemas de extraccin con taladros.

El error de extraccin: ejemplos de muestreo
barreno.

El error de extraccin: la recuperacin de todas
las multas es una necesidad.

Un alto grado de contacto geolgico puede ser contabilizada dos
veces durante la extraccin de la muestra.



Canal de muestreo pueden sobreestimar el grado de
residuos si el operador se acerca demasiado al contacto.
El contacto de alto
grado puede ser
contabilizada dos
veces.
Cuando se toman muestras de residuos, se
mantenga alejado de los contactos.


Sugerido delimitacin de la muestra para evitar un sesgo
de extraccin devastador.
Un caso muy difcil: toma de muestras en los
puntos de drenaje.
Por lo general, slo una muestra compuesta de menos de 5 cm
fragmentos se recoge, lo que lleva a un sesgo de extraccin
muy grande.
El muestreo en un empate de puntos: Dibuja un grfico de
control con los resultados de ambas muestras.
Ejemplo de muestreo alternativo a dibujar puntos en una mina de cobre:
A: Las muestras de menos de 5 cm fragmentos
B: Las muestras de Chip-de + 5 cm de cantos rodados
El error extraccin incremento en la planta
Al igual que la delimitacin error, en el error de extraccin (EE) se
presentan los principales sesgos encontrados en el muestreo.
La regla del centro de gravedad debe ser respetado:
Todos los fragmentos que tengan su centro de gravedad dentro del
incremento modelo extendido pertenecen al incremento modelo
extrado.
Las condiciones de extraccin correccin relativa
a las caractersticas de corte.
Condiciones que puedan jugar un papel importante:
1. Rectitud de los bordes de corte.
2. Grosor de los bordes de corte.
3. Forma de los bordes de corte.
4. Longitud de la abertura de corte.
5. Inclinacin de la abertura de corte
6. Ancho de la cuchilla.
7. Cortador de velocidad.
8. Profundidad, la capacidad y el diseo general de la
cortadora.
9. Flujo de turbulencias y velocidad de corriente.
La rectitud de la cortadora


Se supone que ambos bordes de corte son
rectas y perpendiculares a la trayectoria del
cortador.





La principal condicin a cumplir es asegurarse
de que el borde de salida se superpone
perfectamente al borde delantero,
1. De una traslacin para el cortador camino
recto, o
2. Por una rotacin para los cortadores de
trayectoria circular.
Correcto
Incorrecto
Grosor de los bordes de corte.

Forma de los bordes de corte.

Bordes de corte ajustable:
Pueden arruinar la correccin del sistema de muestreo.

El borde delantero de un cortador rotativo siempre puede estar
sucio, mientras que el borde de salida se mantiene limpio.
Adems, las placas ajustables rara vez se mantiene perfectamente
simtrica.
Diseo de los bordes de corte.
Longitud de la abertura de corte.

Longitud de la abertura de corte.

La corriente secundaria debe estar
representada en la muestra.

Inclinacin de la abertura de corte.

Cortadores no deben ser vertical.

Los cortadores no se deben volcar.

Muchos cortadores estn mal diseados.

Los cortadores deben cruzar una corriente
tranquila.
Para la correccin de extraccin tenga lugar, la
corriente no debe viajar ms rpido que 2 metros /
segundo
Un cortador de balde cruzada corriente no debe
tener ms de 1/3 llenado.

Cortador de diseo recomendados para el
muestreo de material pegajoso.

Diseo de corte recomendado

Aberturas de corte extremadamente estrechas no
puede funcionar correctamente.

Una abertura de corte en movimiento no puede ser menor que
1 centmetro
Requisitos Ancho de la cuchilla para la
correccin de extraccin.

Las siguientes reglas se basan en la experiencia y no
son universales.

Slidos de ms de 0,3 centmetros.
Requisitos Ancho de la cuchilla para caudales
muy grandes en plantas de flotacin.

Requisitos Cortador de velocidad para la
correccin de extraccin.
La velocidad de corte puede depender de la abertura de
corte.
Los experimentos realizados por el Dr. Pierre Gy
sugieren la siguiente frmula para los slidos.





Con Vo = 60 cm / segundo
Nuestra experiencia sugiere que un valor ms
conservador de Vo no debe exceder de 45 cm / segundo.
Vo no debera ser menor para los muestreadores Vezin
de pequeo dimetro o divisores rotativos.
Requisitos Cortador de velocidad para la correccin de
extraccin de los muestreadores rotativas

Extraccin de correccin de divisores riffle
Extraccin de correccin de divisores riffle
Riffle divisores son fcilmente mal utilizados.