Está en la página 1de 585

CURSO TEORIA DEL

MUESTREO (F. PITARD)

u CONTROL DE MUESTREO
MINERO-METALÚRGICO
“TEORÍA DEL MUESTREO
FRANCIS PITARD”

u Relator: Sr. Iván Delgado Q.


u Dirección de Calidad - GRAC
Codelco Norte

u Chuquicamata, Agosto 2006.


Intro 1
INTRODUCCIÓN
Variabilidad a Pequeña
Escala
u Optimización Protocolo de Muestreo

u Implementando el Protocolo de Muestreo

u Manteniendo la Integridad de la Muestra

u Error Analítico

Intro 1
Optimización Protocolo de
Muestreo

u Efecto “Pepa” In-Situ (Nugget)

u Error Fundamental

u Error de Agrupamiento y Segregación

Intro 2
Implementando El Protocolo
de Muestreo

u Error de Delimitación

u Error de Extracción

•Intro 3
Manteniendo la Integridad
de la Muestra

u Errores de preparación

 Error de Contaminación
 Error de Pérdida
 Error de Alteración
 Error Humano
 Fraude y Sabotaje

Intro 4
Error Analítico
u Alcance versus Principio

u Interferencias aditivas

u Interferencias Proporcionales

u Línea Base de Temperatura de Secado

u Técnica de Disolución

u Composición de Residuos de Disolución

u Contaminación y Pérdidas

Intro 5
Variabilidad a Gran Escala

u Error de Interpolación
• Tiempo
• Espacio

u Error Periódico

u Error de Pesaje

Intro 6
Estableciendo Prioridades

Efecto del
Problema
Si Sí

Grande
de todas maneras! pero haga un estudio
de factibilidad

Pequeño No
nada que perder

Pequeño Grande

Costo de solución del problema

Intro 7
Estableciendo prioridades
para muestreo de oro o
metales base.
Efecto del
Problema DE EE
SPC 6 sigma
AE
TQM
Grande Intervalo de muestreo
FE Efecto “Pepa” In Situ
PE GE

Modo de Muestreo Prueba de “Sesgo”


Pequeño Factor de corrección

WE con protocolo de firmas

Pequeño Grande

Costo de solución del problema

Intro 8
La “Mesa de tres patas”

Utilidades de la Compañía

Administración Muestreo Comprensión de la


Efectiva Correcto Variabilidad

Intro 9
Administración Efectiva
u Identifique Problemas Estructurales

u Invierta en Soluciones para los


Problemas Estructurales

u Identifique Problemas Circunstanciales

u Se puede ahorrar tiempo y dinero en


Problemas Circunstanciales

u Comprender y actuar sobre todas las


Fuentes de Variabilidad

u Sea Proactivo en vez de Reactivo


Intro 10
Muestreo Correcto
u Efecto “Pepa” In Situ
u Error Fundamental
u Error de Agrupamiento y Segregación
u Error de Delimitación

u Error de Extracción
u Error de Preparación
u Error de Interpolación
u Error Periódico
u Error de Pesaje
u Error Analítico
Intro 11
Comprensión de la
Variabilidad
u La Variabilidad Genera Costos Visibles
e Invisibles

u La Variabilidad es un Problema
y una Oportunidad

u Hay varios tipos de Variabilidad


u Todos los errores de muestreo magnifican
la Variabilidad
u Los Geoestadísticos analizan la Variabilidad
en la Mina.
u Los Cronoestadísticos analizan la Variabilidad
en la Planta.

u Minimice la Variabilidad mediante un Constante


Mejoramiento de la Estrategia
Intro 12
DEF-01

Definición de Términos Básicos


y Símbolos

Dado que el desarrollo de la teoría del muestreo es


relativamente nueva y única, es importante ordenar un
campo donde numerosos autores a menudo han creado
su propio vocabulario y definiciones.

Lo Correcto o equivocado...

de muchos términos fundamentales.


DEF-02

Polvos o Sólidos Finos

• Los polvos o finos sólidos comprenden materiales que


van en un rango de 10 a 1.000 micrones.

El manejo se vuelve más difícil con…

1. El incremento del contenido de humedad,


2. El incremento del rango de distribución del tamaño
de la partícula,
3. El incremento del rango de distribución de
densidad...
Todo lo cual induce el fenómeno de segregación por
percolación del material más fino.
DEF-03

Pastas

• Las pastas son mezclas de sólidos y líquidos que no se


separan fácilmente, tales como tortas de filtro y barro.
• Las suspensiones Coloidales tienen similares
propiedades de manejo.

Los Problemas son:

1. Adherencia y fricción a la superficie del equipo,


2. Quebraduras por terrones,
3. Dificultades en el bombeo y transporte.
DEF-04

Pastas Aguadas

• Las pastas aguadas pueden ser divididas en dos


categorías:
1. Pastas aguadas (lechadas) no decantadas:
El estado de dispersión azarístico de las partículas
sólidas en un líquido, pueden ser mantenidas sin
introducir turbulencias o agitación mecánica.
Generalmente, las partículas sólidas son más
pequeñas que 20 micrones.
2. Pastas aguadas (lechadas) decantadas:
Se requiere una agitación mecánica continua o la
presencia de turbulencias, para mantener un
estado de dispersión azarística.
En el flujo laminar y especialmente en ductos
horizontales, pueden ocurrir grandes distribuciones
heterogéneas, fracción de tamaño y densidad de
las capas, que lleva la dificultad de segregación
durante el muestreo y el proceso.
Generalmente, las partículas sólidas son mayores
de 20 micrones.
Def-05

Lote

Un lote se refiere a una carga de material,


composición la cual va a ser calculada.

Ejemplos:

• Almacenamiento de 50,000-tons de mineral,


• Un barreno de diamante HQ de 3 metros,
• Un bloque completo de mineral,
• Una cara de muestra subterránea,
• Una submuestra de laboratorio,...
DEF-06

Incremento

Un incremento es un grupo de partículas o


cierta cantidad de líquido o gas, con sólidos
supendidos, extraídas del lote en una operación
simple del instrumento de muestreo.
DEF-07

Muestra

Una muestra es una parte del lote, a menudo obtenida


mediante la unión de varios incrementos o fracciones del
lote, y medios para representarla en otras operaciones.

Una muestra no es solamente alguna parte del lote:


su extracción debe respetar reglas que la teoría del
muestreo intenta establecer.

Su extracción debe ser equi-probabilística.


DEF-08

Especimen (muestral)

Un especimen es una parte del lote, obtenido sin respetar las


reglas de la teoría del muestreo, basada en la noción de
equi-probabilidad.

Un especimen nunca debería usarte para representar el lote


y debería etiquetarse como tal.

Su propósito solamente debería ser cualitativo.


DEF-09

Propiedad Circunstancial

Una propiedad depende de la parte del problema


del muestreo sobre la cual no tenemos control.

Ejemplos:
1. La exactitud es una propiedad circunstancial.
2. El resultado de una prueba de (*) “sesgo” es
también una típica propiedad circunstancial.
3. El resultado de un ejercicio con protocolo de
firma.

• (*) NOTA DEL TRADUCTOR: EL TÉRMINO “BIAS” ES UTILIZADO GENÉRICAMENTE


EN LA TEORIA DE MUESTREO, COMO EL SESGO DE LA MUESTRA, YA SEA
POSITIVO, NEGATIVO O CONSTANTE. EN CAMBIO, LA “VARIABILIDAD” PUEDE SER
NEGATIVA Y POSITIVA.
DEF-10

Propiedad Estructural

Es una propiedad intrínseca del material a ser muestreado.


Es independiente de la parte del problema de muestreo
sobre el cual no tenemos controI.

Ejemplos:
1. La heterogeneidad de un material es una propiedad
estructural: de manera que usted debe desarrollar
pruebas para cuantificar esta heterogeneidad.
2. La exactitud de un instrumento de muestreo es una
propiedad estructural: de manera que usted debe
realizar inspecciones para evaluar dicha exactitud
(calibraciones).
DEF-11

Protocolo de Muestreo

Empezando con Lote L

Muestra Primaria S1 Rechazo Primario

Muestra Primaria preparada S’1

Muestra Secundaria S2 Rechazo Secundario

Muestra Secundaria preparada S’2

Muestra de Laboratorio S3 Rechazo Terciario

Muestra Terciaria preparada S’3

Sub-muestra Analítica S4 Ultimo Rechazo

Análisis Resultado Final


DEF-12

BIAS

Un “sesgo” es igual a la media del error total de la muestra,


cuando esta media es diferente de “cero”.

Una muestra “sesgo” significativa es siempre introducida


por un muestreo incorrecto.

Generalmente, un muestreo corregido no es “sesgado” en


una cantidad importante.

Muestreo corregido:

DE + EE + WE + PE = insignificante
DEF-13

Componente

Un componente es una parte elemental, o elemento


constituyente que pueda separarse y cuantificarse mediante
análisis.
Hay componentes físicos y químicos.

Ejemplos:
1. El contenido de sílice de un embarque de alúmina.
2. La proporción de partículas +63 micrones en un
cemento.

Componente Crítico

Es un componente de interés, físico o químico, cuya


proporción es altamente relevante y debe ser estimada.
DEF-14

Contenido

Dado que siempre es más fácil tratar con valores relativos


y no dimensionales, usaremos la palabra Contenido, para
la proporción de cualquier componente dado.

Ejemplos:
1. 2% de partículas de +63 micrones en un cemento, se
escribe 0.02
2. 100 ppm de sílice en alúmina pura, se escribe 0.0001

Contenido Crítico

El contenido crítico se refiere al contenido de componente


crítico o componente de interés.
DEF-15

Modelo de Selección Continua

El muestreo es un proceso de selección y la continuidad es


un concepto matemático.
Sin embargo,
la materia es esencialmente discontinua.

De esta manera, cuando miramos un lote que usa un


modelo continuo, voluntariamente no hacemos caso de
todas las discontinuidades dentro del lote y miramos las
propiedades de cualquier punto dado de todo el lote.
DEF-16

Modelo Discreto

El modelo discreto identifica el lote con un conjunto


discreto de unidades, tales como partículas individuales
o grupos de partículas.

En cuanto a lo que se refiere a muestreo, un lote está


completamente definido por el conjunto finito de todas
las partículas o grupo de partículas caracterizadas por
su contenido y su peso.
DEF-17

Estimado

El resultado obtenido del análisis de una muestra de


laboratorio, para un constituyente de interés dado, es un
estimado de un contenido verdadero no conocido de
la muestra original enviada al laboratorio.

Este siempre está afectado por varios errores, y no hay


mediciones o análisis exactos.
DEF-18

Estimador

Por definición, el contenido verdadero desconocido de una


muestra, es un estimador del contenido verdadero
desconocido del lote correspondiente.

Un estimado puede ser seleccionado para representar el


contenido verdadero desconocido de una muestra y el
contenido verdadero desconocido de un lote.

Un estimado puede ser seleccionado para representar el


contenido verdadero desconocido de una muestra, pero no
el contenido verdadero desconocido del lote
correspondiente.

El estimado y el estimador de un especimen, no puede ser


representativo del contenido verdadero desconocido del
lote correspondiente.
DEF-19

Heterogeneidad

La importancia de una clara definición de heterogeneidad


es considerable en este curso.

Dado que la homogeneidad puede definirse como la


condición de un lote bajo la cual todos los elementos del
lote son exactamente idénticos, la heterogeneidad es
también como la condición de un lote bajo la cual estos
elementos no son estrictamente idénticos.

Consecuentemente, decimos que la homogeneidad es


el “cero” de la heterogeneidad y es un límite inaccesible.
DEF-20

Comprensión de la
Heterogeneidad

Hay varios tipos de heterogeneidades y


siempre deberíamos especificar de qué tipo de
heterogeneidad estamos hablando.
DEF-21

Heterogeneidad
de una población estadística

En un primer análisis podemos identificar dos tipos de


heterogeneidad, si consideramos el lote como una
población estadística:

1. La heterogeneidad de constitución CH
2. La heterogeneidad de distribución DH
DEF-22

DH

CH
CH
DEF-23

Heterogeneidad
de una población Secuencial

En un segundo análisis, podemos identificar otros tipos de


heterogeneidad, si consideramos el lote como una
población secuencial.

Aprendimos que la contribución total de heterogeneidad “h”


de una fracción dada hacia el correspondiente lote es la
suma de solamente 3 componentes mayores:

1. Corto-Plazo, heterogeneidad al azar h1


2. Largo-Plazo, heterogeneidad no-azarística h2
3. Heterogeneidad periódica h3

h = h1 + h2 + h3
DEF-24

Error de Fluctuación de Heterogeneidad CE

Cada tipo de heterogeneidad es la fuente de un tipo de tipo


de error diferente en la muestra.

h1 lleva al error de fluctuación de heterogeneidad de corto-


plazo CE1: azarístico.

h2 lleva al error de fluctuación de heterogeneidad CE2:


no-azarístico.

h3 lleva al error de fluctuación de heterogeneidad periódica


CE3: cíclico.

CE = CE1 + CE2 + CE3


Conceptos
ConceptosFundamentales
Fundamentalesde de Estadística
Estadística
utilizados
utilizadosen
en la
laTeoría
Teoríadel
delMuestreo.
Muestreo.

A menudo, confrontamos numerosos problemas:

Cuidado con la Interpolación…


…en la Planta

Corriente de Flujo
?

Muestra #1 Muestra #2
Cuidado con la Interpolación…

… en el Terreno

?
El Variograma

El Variograma determina la relación entre la distancia o el tiempo, que separan


muestras cercanas y la cantidad de correlación presente.

Varianza V[j]
Sill

Co-varianza o
Correlación

Varianza

V[j=0]

V[j=0] = Varianza Muestreo/Medición

Distancia o Tiempo j entre dos muestras


Cuidado con la Extrapolación
Muestreo tomado lleva a errores de extrapolación.

Muestra tomada
Corriente de flujo

Valor de la muestra extrapolada tomada


al corte transversal de la corriente del flujo.

Corrección del muestreo se aplica para evitar errores de extrapolación debido a:


1. Delimitación muestra corregida,
2. Extracción muestra corregida.
Cuidado con la Generalización

¿Es inteligente usar el mismo protocolo de muestreo para los dos mineraIes de
oro mostrados?
Cuidado con la naturaleza de los datos
de Variabilidad

Varianza

Azar
Tiempo

No azarístico

Cíclico
Use un Enfoque Lógico

Los errores del muestreo son acumulables, por consiguiente, ellos merecen
cuidadosa atención.

1. Identifique todas las causas posibles de los Errores de


Muestreo, y la Variabilidad que generan.

2. Estudie cada caso minuciosamente, uno a la vez.

3. Extraiga conclusiones ciertas y recomendaciones del


análisis teórico.

4. Haga algo al respecto.


Secuencia de Trabajo recomendada

1. Identificación de diferentes tipos de Heterogeneidad efectuados


2. por un componente dado en una carga de material.

2. Selección de un adecuado Protocolo de Muestreo.

3. Cálculo de Errores de Muestreo asociados con dicho protocolo:


Precisión de Cuantificación.

4. Implementación práctica de un protocolo de muestreo.

5. Evaluación de todos los problemas asociados con la Corrección del


6. Muestreo dirigidos a la Exactitud.

6. Evaluación del Error Analítico.

7. Evaluación del Error de Estimación Total.

Si no se hace nada acerca de cada paso de la lista anterior, se generarán costos


invisibles y plagarán la operación.
Definición de Precisión

La Precisión es una medida de dispersión de los estimados, en cuanto a un estimado


verdadero desconocido, sin importar cualquier “sesgo” que afecte estos estimados.
La Precisión es un sinónimo de reproductibilidad.
En términos estadísticos, la precisión es una propiedad de la varianza de la distribución de
los estimados.
Es incorrecto incluir el concepto de precisión bajo el concepto de exactitud.

Estimador u objetivo.

Dispersión de estimados o resultados.


Definición de Exactitud

La exactitud es una medida de la diferencia entre la media del estimado y el estimador.


En términos estadísticos, la exactitud es una propiedad de la media de los estimados en
relación al estimador.

Estimador u objetivo.

Media

Exactitud o “sesgo”
Entienda claramente la diferencia entre
“sin sesgo” (imparcial) y exactitud.

Exactitud
El concepto de exactitud se basa en
un límite seleccionado de aceptación.

Límite de aceptación
(pero, media de error diferente
a “zero”)

Sesgado (Parcial)

Sin límite de aceptación.


Entienda claramente qué es preciso
o reproducible

Preciso
El concepto de precisión se basa en
un límite seleccionado de aceptación.

Límite de aceptación a un
nivel de confianza de 68%.

Impreciso

La Desviación Estándar “S”


de los ensayos es mayor que el
Límite de Aceptación.
Definición de una Muestra Representativa

Una muestra es representativa cuando la “media cuadrada” del total de Error de Muestreo
no es mayor que la suma de la exactitud aceptable y la precisión aceptable:

r 2  TE   m02  TE   s02  TE 

Estándar de Exactitud Estándar de Precisión

Definición de una Muestra Equitativa: Una muestra es equitativa cuando es


reproducible y lo suficientemente exacta para satisfacer a la vez al Proveedor como al
Cliente.
Caso límite jamás encontrado.

Sub-muestra + Ensayo del


Laboratorio “A”

Bisectriz

45o

Sub-muestra + Ensayo del


Laboratorio “B”.

El Muestreo + Ensayo es exacto, unbiased (imparcial), y perfectamente reproducible.


Caso Típico de exactitud y reproducible.

Submuestreo + Ensayo de
Laboratorio A

Bisectriz

45o

Submuestreo + Ensayo de
Laboratorio B

Muestreo + Ensayo es lo suficiente exacto y reproducible.


Caos, exactitud y precisión

Submuestreo + Ensayo de
Laboratorio A

Bisectriz

45o

Submuestreo + Ensayo de
Laboratorio B

Muestreo + Ensayo no es reproducible: No podemos decir que Muestreo + Ensayo sea


exacto no no bias, ya que no hay correlación entre ambas series de resultados.
El Sesgo Absoluto, Reproducible

Submuestreo + Ensayo de
Laboratorio A

Bisectriz

45o

Submuestreo + Ensayo de
Laboratorio B

Muestreo + Ensayo es “biased” y reproducible (Bias Absoluto): En cuanto al muestreo


este caso no es real. Pero ciertamente muestra un Bias Analítico.
El Sesgo Relativo, Reproducible

Submuestreo + Ensayo de
Laboratorio A

Bisectriz

45o

Submuestreo + Ensayo de
Laboratorio B

Muestreo + Ensayo es “biased” y reproducible (Bias Relativo): En cuanto al muestreo,


este caso no es real, pero ciertamente muestra un Bias Analítico.
El Sesgo Reproducible siguiendo
una ley desconocida

Submuestreo + Ensayo de
Laboratorio A

Bisectriz

45o

Submuestreo + Ensayo de
Laboratorio B

Muestreo + Ensayo es “biased” y reproducible, pero sigue una ley desconocida. En


cuanto al muestreo, este caso no es real, pero ciertamente muestra un “Bias” Analítico.
Comportamiento Típico del Muestreo “Sesgo”

En el muestreo no hay tal cosa como un “sesgo constante”.

Submuestreo + Ensayo de
Laboratorio A

Bisectriz

45o

Submuestreo + Ensayo de
Laboratorio B

Muestreo + Ensayo es “biased” y no reproducible: Este es el caso más frecuente


encontrado en el muestreo.
Definición de una Variable Azarística

Si una variable, tal como el contenido de oro de una muestra puede tomar un valor de
varios posibles, es por definición, una variable azarística.
Pero, algunos valores son más probables que ocurran que otros.

Frecuencia

Trazos del elemento contenido (por ejemplo, g/t gold)


Tres parámetros importantes para
describir una Distribución de Probabilidad

Frecuencia

Modos

Trazos del elemento contenido (por ej., ppm


Arsenico)

Media Promedio
Aritmético
Hay varias clases de promedios

El Promedio Aritmético:
1

N
X  i 1
Xi
N

El Promedio Cuadrático:

1

N
XQ  i N
X i2
N

El Promedio Geométrico:

1

N
log X G  i 1
log X i
N

El Promedio Pesado:
1

N
XM  Mi Xi
i 1 M i
N i 1

El Promedio Armónico:
N
XH 
1

N
i 1
Xi
Importante parámetro de dispersión:
La Varianza

La Varianza de una población completa con


N = 4:

1 2

 X  X
1 N 2
S 2
 i 1 i
N 3 4

Varianza de una muestra de población: 2


1
El promedio de 1,2,3,4 no es el promedio
Verdadero.

1
Xi  X 
2 3

N
S 
2
4
N 1 i 1
La Distribución Normal

La Distribución Normal, o Distribución de Gaussian, es la más familiar distribución de


probabilidad.
Asumamos que reunimos muestras de un turno de 8 horas para controlar el % de
cobre de una alimentación tosca de una planta de flotación. Si todos los estimados
posibles del % de cobre verdadero desconocido de la muestra primaria de grandes
cantidades suficientes de submuestras, la distribución de estos estimados pueden
tender hacia una Distribución de Gaussian (en forma de campana).

Frecuencia Punto de
Media inflexión
=Modo
=Mediana
+- 1S ó 68.26%

+- 2S ó 95.46%

+- 3S ó 99.74%

+- 1S %Cobre
El Factor t Estudiante-Fisher
Límite de confianza para un estimado aislado: L  X  tS

Cuando se calcula la varianza de un número pequeño de estimados, normalmente distri-


buídos y esta varianza podría no representar completamente la correspondiente distribución de
probabilidad que se ilustraría por un gran conjunto de estimados.

El Factor t Estudiante-Fisher nos permite minimizar este problema.

Número de Nivel de intervalo de confianza


Estimados N-1 t at 70% t at 90% t at 95% t at 99%

1 1.96 6.31 12.7 63.7


2 1.39 2.92 4.30 9.93
3 1.25 2.35 3.18 5.84
4 1.19 2.13 2.78 4.60
5 1.15 2.02 2.57 4.03
10 1.09 1.81 2.23 3.17
25 1.06 1.71 2.06 2.79
El uso conveniente de valores
Relativos, no dimensionales

La Varianza Relativa

S2
S 2
R 
X2

La Desviación Estándar Relativa, o Coeficiente de Variación

S S
SR  % S R  100
X X

En la Teoría de Muestreo de Gy, sólo usamos Varianzas Relativas y Desviaciones


Estándares Relativas.
La Desviación Estándar no tiene
Propiedades Sumatorias

Cuando se agregan errores, siempre use la varianza.

Ejemplo:

Primario % SFE = +- 20%


Secundario% SFE = +- 11%
Terciario % SFE = +- 4%

Incorrecto
Total % SFE = 20% + 11% + 4% = +- 35%

Varianza Total S2FE = [0.20]2 + [0.11]2 + [0.04]2 = 0.0537

Correcto
O Total %SFE = +- 23%
El Teorema Límite Central no es universal.

Teorema Límite Central:


La población puede tener una distribución desconocida con una media 
y varianza finita 2. Tome muestras independientes de tamaño “n” de la
población. Cuando el tamaño de “n” se incrementa, la distribución de la media
de la muestra se acercará a una distribución normal con la media  y la varianza 2 / n.

La media de la muestra X es en sí misma una variable azarística que tiene una


media real  y una desviación estándar m:


m 
n

Esta fórmula es también la que ha sido responsable por el número más grande de
errores hechos a causa de la estadística. Si las muestras no son independientes, la
fórmula anterior no es válida.

Para datos correlacionados espacial o temporalmente, la ecuación anterior puede


sobreestimar el error residual. Cuando se calcula el número de muestras para llegar
a un nivel específico de confianza, asumiendo que los datos no relacionados
producirán un resultado que exige más muestras que las necesarias, lo que puede
resultar en gastos innecesarios en un programa de muestreo.
La Distribución Binaria (Binomial)

La Distribución Binaria ocurre cuando un material contiene solamente dos materiales


distinguibles y estos componentes se presentan como partículas discretas o grupos.
Si el número de partículas o grupos es muy grande, esta distribución podría parecer
continua.
La forma de la curva de distribución del ensayo de distribución obtenida mediante la
medición de las muestras de tal material, depende de las proporciones relativas de los
dos componentes del material original.
Llamemos “p” a la proporción de los grupos de un componente de interés, y “q” a la
proporción del otro constituyente, con q = 1 - p.
N es el número de muestras tomadas del lote, con reemplazo.

 n!  x  n x 
P x    p q
 x!  n  x ! 

Varianza = npq
Valor medio = np
La Distribución Poisson

La Distribución Poisson a menudo ocurre cuando un microcomponente formado por


partículas o grupos aislados, aparece en un material dado.
También ocurre cuando el peso de la muestra es demasiado pequeño por una o
varias órdenes de magnitud, cuando se compara con el peso óptimo que debemos
calcular en todos los protocolos de muestreo.
La Distribución Poisson es un caso límite de la Distribución Binaria, donde “p” llega
a ser extremadamente pequeño.
Llamemos “r” al número real de restos de partículas de microelementos en una
muestra. . “” el número promedio hipotético de partículas de microelementos por
muestra, o el promedio de la distribución . P(x=r) la probabilidad de aparición de
partículas “ r” en una muestra.

r
P x  r   e 
r!
Varianza =  = npq = np dado que está cerca de 1

Valor medio =  = np
Forma de una Distribución Poisson

 r
P x  r   e 
r!

Probabilidad

0 1234 0 1234

 = 0.5 =1

Probabilidad

0 123456 0 123456

=2 =3
Forma de una Distribución Poisson

Probabilidad

0 12345678 0 12345678

=4 =5

Probabilidad

Toma por lo menos


 = 6 de la
distribución para
parecer normal
0 123456789

=6
La Distribución Lognormal

Algunas veces, el logaritmo de la variable, más que el valor numérico real, se


distribuye normalmente alrededor de la media de la distribución.
Este ejemplo de distribución es encontrado a menudo en una exploración geológica.
Sin embargo, se asume una Distribución Lognormal, cuando en verdad es una
Distribución Poisson.

F[x] Modo Media

Desviación Estándar

x
Un
UnMuestreo
MuestreoLógico
Lógicoyyuna
una
Estrategia
Estrategiade
deControl
Controldel
delProceso
Proceso

La elección de un muestreo correcto, control de la ley del mineral y estrategia de


control del proceso, es una necesidad, aunque a menudo se selecciona una
estrategia inefectiva e incorrecta.

Cada día mucha gente en la exploración, control de la ley del mineral, control del
proceso, balance metalúrgico, compromisos comerciales y monitoreo ambiental
está luchando con este problema.

La respuesta a este difícil problema está dada por los conceptos de:

• Propiedades Estructurales (es decir,Causas de los problemas)

• Propiedades Circunstanciales (es decir, Efectos de los problemas)

Una clara comprensión de la diferencia entre los dos conceptos, pueden


ahorrar bastante dinero para un proyecto determinado.
Propiedad Estructural

Se dice que una propiedad es estructural cuando ella necesariamente resulta de


un cierto número de condiciones que estamos en condiciones de controlar o
cuantificar, y que asumimos que están completadas.

Ejemplo:
• La Heterogeneidad de los minerales de cobre en un área dada de la
Mina,
• Un protocolo de muestreo,
• Las características de un instrumento de muestreo,
• Un procedimiento de control del proceso,
• Las características de una unidad de proceso,
• Un intervalo de muestreo,
• Una ley de corte de cobre seleccionada para la Mina,
• Un estándar, etc…

Es lo que es: Es la estructura con la cual usted opera.


De las Causas a los Efectos

Una propiedad estructural es siempre veraz mientras usted opere con ella. Uno
o varios efectos podrían resultar de esta propiedad.

Sin considerar los datos generados por el efecto, no estamos necesariamente


en posición de controlarlo.
Ejemplos:
• El contenido de cobre de una muestra,
• El “bias” generado por una muestra pobre,
• La segregación inducida por un silo,
• El ciclo del proceso introducido por una rastra en el espesador,
• Un ensayo de cobre “biased” introducido por un procedimiento análitico
inadecuado.
• El costo invisible generado por la selección de una ley de corte de cobre en la
mina con un pensamiento esperanzador, etc…

El efecto depende la oportunidad:


Es la circunstancia que usted tiene que soportar.
Propiedad Circunstancial

Se dice que una propiedad es circunstancial cuando depende de las


condiciones que necesariamente no se está en posición de controlar. Es la
coyuntura.

Ejemplos:
Asumamos que usted invierte en un sistema de apilamiento/recuperación que
introduce una fuerte segregación en una pila de cobre. La cantidad de
segregación puede cambiar debido a factores circunstanciales, tales como:
• Un cambio en el contenido de humedad,
• Un cambio en la proporción del flujo,
• Un cambio en la distribución del tamaño de la partícula,
• Un cambio en la densidad entre los fragmentos,
• Un cambio en la forma entre fragmentos, etc…

No es mucho lo que usted puede hacer respecto a estos efectos indeseables.


La única cosa que podría hacer es cambiar el sistema de apilamiento/
recuperación, que es en realidad la causa.
Conclusión:

Una propiedad estructural permanecerá veraz, a menos que usted cambie:


• Un pobre protocolo de muestreo,

• Un instrumento de muestreo defectuoso,


• Un inadecuado procedimiento analítico,
• Un diseño defectuoso del silo de almacenamiento,
• Un pensamiento esperanzador de la ley de corte del cobre en la
Mina,

Se puede depender de una propiedad estructural, pero no se puede confiar en


una propiedad circunstancial y estrictamente depende de una oportunidad. Por
consiguiente, demasiado énfasis para solucionar los efectos de una causa es a
menudo una pérdida de tiempo y dinero.

Es de mucha importancia enfatizar en la identificación de las propiedades


estructurales.
Invertir recursos en encontrar la causa de un problema en
vez de reaccionar a sus efectos.
Conceptos de Propiedades
Primarias y Secundarias

Se dice que una propiedad es:

Primaria

Cuando depende sólo de la estructura. Por consiguiente es independiente de


las circunstancias.

Secundaria

Cuando depende tanto de la estructura como de las circunstancias.


Relación Lógica entre una Propiedad
Estructural Primaria y una Propiedad
Circunstancial Secundaria.

Responda Si o No, en orden cronológico, a las dos siguientes preguntas:

1. ¿Existe la propiedad estructural


primaria?

Si No

Si Ciertamente Posible
2. ¿Se
observa la
propiedad
secundaria?
No Imposible Probable
Relación Lógica entre el Muestreo
Correcto y la Exactitud del Muestreo.

Responda, en orden cronológico, las dos siguientes preguntas.

1. ¿El instrumento de muestreo


principal es correcto o
incorrecto?

Correcto Incorrecto

2. ¿Es la muestra Exacto Ciertamente Posible


recolectada
secundariamente
exacta o biased?

Biased Imposible Probable


Relación Lógica entre la Rectificación de una
Instalación de Recuperación/Apilamiento y la Conti-
nuidad de la Alimentación que se entrega al Proceso.

Responda, en orden cronológico, las dos siguientes preguntas.

1. ¿Es el diseño de la
instalación de
apilamiento/recuperación
principal correcto o incorrecto?

Correcto Incorrecto

2. ¿Es constante Constante Ciertamente Posible


la alimentación que
va al proceso
secundariamente?
Altamente Imposible Probable
variable
Constitución de Heterogeneidad CH

En el siguiente material, nos referimos solamente a la constitución de la Heterogeneidad de lotes


pequeños movibles.

CH
CH

Definamos algunas anotaciones: Lote L

ai el contenido de un fragmento dado “i”


aL el contenido promedio del lote “L”
hi la heterogeneidad llevada por un fragmento dado “i”

Mi el peso de un fragmento dado “i”


ML el peso del lote “L”
NF el número de fragmentos en el lote “L”
Heterogeneidad hi llevada por Un Fragmento

Homogeneidad: ai  a L
Heterogeneidad: ai  a L
 ai  aL  Mi
hi 
aL Mi
Pero,:
ML
Mi 
NF
Por consiguiente:

hi 
 ai  aL  Mi N F
aL ML
La Constitución de Heterogeneidad del Lote (CH L) es la varianza relativa no
dimensionada de las heterogeneidades h i de todos los fragmentos N F .

1
CH L  S 2  hi    i hi
2
NF

( ai  a L ) 2 M i2
CH L  NF 
i a L2 M L2
Modelando CHL en una forma más amistosa

Por razones prácticas, eliminemos NF de la ecuación CHL mediante la multiplicación de CHL por un
factor constante ML/NF.

ML  ai  a L  M i2 2

CH L  CH L M i  i 2
 IH L
NF aL M L

IHL se define como el factor constante de la Constitución de


Heterogeneidad

Ahora, intentemos calcular IH L de una forma amistosa.

1 2

1

2

3
Una simplificación aproximada de IHL

Cada fragmento de una fracción de tamaño/densidad L  está representado por el fragmento


promedio F caracterizado por:

• Su volumen:
V  f d 3
• Su densidad: 
• Su peso:
M F   V   f d 3
• Su contenido promedio:
a

Después de reordenar todos los términos, obtenemos:

 a  a 
2
L M L
IH L   V   
a L2 M L

Debemos eliminar los dos términos expresados como .


Esto puede ser hecho haciendo dos hipótesis.

1. La experiencia muestra que el contenido de a  varía mucho más desde una fracción
de densidad a la próxima, que desde una fracción de tamaño a la próxima, por
consiguiente: a a  

2. La proporción de la fracción de tamaño  en la fracción de densidad  es igual a la


proporción de la fracción de tamaño en el lote, por consiguiente:
•M•L •M•L •M•L •M•L
 •ó •M•L 
•M•L •M•L •M•L
Después de la sustitución obtenemos la muy importante fórmula:

M L    a   a L  M L 
2
  
IH L   V     
 ML  a L2 M L
 

X Y
Estimemos separadamente “X” e “Y”.

Cálculo de “X”, Parte Uno:


Factor f de Forma de Fragmento

V  f d 3

f es definida como un factor del forma de fragmento. Es el factor de corrección tomando en cuenta el
hecho de que los fragmentos no son cubos perfectos. Este factor no tiene dimensión.
Cubo: f=1
Esfera: f = 0.523
Carbón: f = 0.45
Mineral de hierro: f = 0.50
Pirita: f = 0.47
Cuarzo: f = 0.47
Roca común: f = 0.5
Biotita, mica, scheelita,…: f = 0.1
Oro liberado: f = 0.2
Minerales Aciculares: f>1
Cálculo de X, Parte Dos:
Factor g de distribución de tamaño del Fragmento

3
M L 3
M L
X   f d   f  d 
ML ML

La suma podría ser fácilmente estimada ejecutando el análisis de distribución del tamaño bajo
investigación. Esto se hará posteriormente en la Prueba de Hetereogeneidad.
Para cálculos aproximados rápidos la suma podría escribirse así:

3
M L
 d   gd 3
ML
g es un factor de corrección teniendo en cuenta el hecho de que todos los fragmentos no son del
mismo tamaño como en “d”. En este enfoque claramente debemos definir lo que es “d”.

Si “d” es definido como la apertura cuadrada del harnero que retendría exactamente el 50%
del material investigado por peso, entonces:

• Para material calibrado: g = 0.5


• Para material no calibrado: g = 0.25

g no es dimensionable.
Cálculo de Y, Parte Uno:
El Factor c Mineralógico

 a  a L  M L
2

Y    
a L2 M L
Y alcanza un Ymax máximo cuando el componente de interés es liberado. Definimos c = Y max.
Definamos:

M la densidad del componente de interés.

g la densidad de la ganga.

Al resolver la ecuación anterior para el componente de interés, da Y 1.

Y1  M
 1  aL  2
aL
Al resolver la ecuación general para la ganga, da Y 2.

Y2  g  1  a L 

c  M
 1  aL  2  g  1  a L 
aL
El Factor Mineralógico “c” es expresado en gramos/cc.
Cálculo de Y, Parte Dos:
El Factor de Liberación 

Sólo definimos el máximo de Y.

El mínimo de Y es Ymin = 0 cuando ai = aL.


Por consiguiente, el dominio de Y es:

0 Y  c
Para anular este rango podríamos escribir:

Y  c
Con:

0   1
 Se define como el Factor de Liberación. Es un factor no dimensional, tomando en cuenta que el
componente de interés no es necesariamente liberado.

Por definición,
• Un material perfectamente homogéneo tiene 0
• Un material perfectamente heterogéneo tiene  1
Dos Fórmulas para Estimar rápidamente el Factor de Liberación

1. Siguiendo una investigación microscópica de los fragmentos más gruesos al muestrear, aislamos
algunos fragmentos donde el contenido del componente de interés es alto. Después del ensayo de
estos fragmentos, encontraremos un contenido máximo que definimos como a max.

amax  a L

1  aL

d
2. En el procesamiento de mineral, cuando conocemos el tamaño de la liberación del
componente de interés, hay un modelo aproximado  para calcular rápidamente el valor de d
como una función del tamaño .

d

d

Esta ecuación sólo es un modelo preliminar y no debería tomarse por aceptado. Muchas
personas en el mundo ha mal utilizado esta ecuación. Bajo ninguna circunstancia debería
utilizarse, a menos que tenga información del procesamiento del mineral a su disposición, o si
usted ya conoce la constante K de muestreo, introducida en la Prueba de Heterogeneidad.

El tamaño de liberación d  de un componente de interés se define como el tamaño


bajo el cual el 95% del material debe ser molido para liberar completamente por lo menos
el 85% del componente de interés.
Liberación de un mineral

L i b e r ade
•Factor t i o liberación
n fa c to r

0 .8 5

0.5
 dl 
0 .5 l 
d 

0 .0 0 1 c m 0 .1 c m 1 cm d

d l
0 .0 1 c m
Liberación de varios minerales

x
 dl 
l 
L ib e r a tio n f a c to r
d 
0 .8 5 M in e ra lC

M in e ra l B
0 .5

M in e ra l A

0 .0 0 1 c m 0 .1 c m 1 cm d

d l
0 .0 1 c m
Varianza del Error Fundamental FE

2
En la Teoría del Muestreo, el Dr. Pierre M. Gy demuestra que la varianza SFE del Error
Fundamental puede ser escrita como se indica a continuación:

2 1 P
SFE  IH L
P ML

Donde P es una selección constante de probabilidad aplicada a todos los fragmentos en el


material a ser muestreado. Por definición:

MS
P 
ML

Donde MS es el peso de la muestra y ML el peso del lote. Después de la sustitución


obtenemos:

2  1 1 
SFE    IH L
 MS ML 

IH L  f g c  d3

Tamaño de los fragmentos gruesos en centímetros

Factor de Liberación

Factor Mineralógico

Factor de distribución del tamaño del fragmento

Factor de forma del fragmento


Definición del Error Fundamental FE

El Error Fundamental FE se define como un error que ocurre cuando la selección del incremento es
correcta, y cuando los incrementos que forman una muestra están hechos de un solo fragmento
seleccionado al azar. Por consiguiente es un caso límite.

FE es el error de muestra menor posible en cada etapa del


muestreo de un protocolo de muestreo.

1. Media del Error Fundamental:

Cuando el muestreo está correctamente implementado, la media m (FE) del Error Fundamental
es insignificante.

2. Varianza del Error Fundamental:

2  1 1  3
SFE    f g c d
 MS ML 

Si el peso ML del lote es al menos 10 veces superior a M S, podemos escribir:

2 d3
SFE  f gc
MS

Definimos una Constante de Muestreo C:

C  f gc 
Construcción de un Nomograma de Muestreo

Deseamos optimizar un protocolo de muestreo y hacerlo defendible. El nomograma de muestreo


puede ayudarnos.
Para incluir tanta información como sea posible, se sugiere hacer un nomograma de muestreo con
coordinadas logarítmicas. 3
2 d
En tal caso, es conveniente tomar el logaritmo de SFE C
MS

2
Log SFE  Log C  3 Log d  Log M S

Or: Y = C1 + C2 - X

La derivada del cual es :

Y’ = -1

Conclusión:

La línea que representa un valor dado de “d” en el nomograma, tiene una


pendiente igual a -1.
Característica de un Nomograma de Muestreo

•Prueba de Heterogeneidad. Muestreo de hoyos de perforación para tronadura en la cantera (% SI02)

Etapa de preparación

Etapa de Muestreo
Examen
Ejercicio #1 en DE, EE, y PE
Encuentre por lo menos 5 problemas con el siguiente sistema
de muestreo de flujo cruzado rotatorio.

S id e v ie w
•Vista lateral T o p v ie w
•Vista desde Arriba

Pa
rk i
ng
In s p e c tio n d o o r

•PUERTA
•DE
•INSPECCION

in g
rk
Pa

H y d r a u lic
•ACCIONAMIENTO
d r iv e
•HIDRAULICO

S•MUESTRA
a m p le

S t •FLUJO
rea m
Ejercicio Práctico 2:
Muestreo de Hoyos de Tronadura
Numere el posible error (¿DE, EE, WE, o PE?) que ocurre en cada uno de los
siguientes puntos, y dé soluciones.

E
D S e •SEGREGACION
g re g a tio n
G

A F •Sub-perforaciòn
o r m e r S u b antigua
-d r ill

Id e a l
•MUESTRA

s a m p le
•IDEAL

B
A•MUESTRA
c tu a l
s •REAL
a m p le

C C •Sub-Perforaciòn
u r r e n t S u b actual
-d r ill

F r a n c i s P i t a r d 's d r a w i n g
p r o te c te d b y c o p y r ig h t la w , 2 0 0 4
Ejercicio Práctico 3:
Muestreador Primario para
Alimentación a Planta.
Nombre el error posible (¿DE, EE, WE, o PE?) que ocurre en cada de los siguientes
puntos, y dé soluciones.

1
11
3

7
5
4
2

9
10

F r a n c i s P i t a r d 's d r a w i n g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4
Ejercicio Práctico 4:
Muestreador Rotatorio Vezin

Un muestreador muy común en la industrial minera.

Nombre el error posible (¿DE, EE, WE, o PE?) que ocurre en cada uno de
los siguientes puntos. Y dé soluciones.

6
2 3
9
F•FLUJO
a l l i n g QUE
s t r eCAE
am

4 5
7
10

11 8
F r a n c i s P i t a r d 's d r a w i n g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4
1
Ejercicio Práctico 5:
Muestreador de Correa-Cruzada

Un sistema de muestreo muy popular, pero peligroso.

Nombre el error posible (¿DE, EE, WE, o PE?) que ocurre en cada uno de los
siguientes puntos, y dé soluciones.

1 4
2

F r a n c is P it a r d ' s d r a w in g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4
Estudio de Caso

Tenemos una rutina de circulación de muestra en reversa, que pesa alrededor de 60000 gramos. El material es
90% de menos de 1.05 cm. Se espera que el contenido aproximado de oro sea de alrededor de 1,5 g/t. Una
prueba de Heterogeneidad muestra que los fragmentos entre 1.25 cms. (1/2 pulgada y 0.635 cms (1/4
pulgadas), ocasionalmente contenga hasta 350 g/t de oro.
La muestra es sometida al siguiente protocolo:
1. El material es separado cuando se recibe del lugar de perforación hasta que se obtenga una
muestra de 4000-gramos.
2. En el Laboratorio la muestra de 4000-gramos es molida al 95% menos 0.335 cm (malla 6)
usando una molienda de rodillo.
3. La muestra de menos 0.335 cm (malla 6) es separada en un lote de alrededor de 250 grams.
4. Esta muestra de 250-gramos es pulverizada a 95% menos 0.015 cm (malla 100) usando un
plato pulverizador.
5. Finalmente, se selecciona una sub-muestra de 30-gramos para ensayo de fuego.

• Calcule la constante C del muestreo para cada etapa del muestreo. (Use 16.0 como la densidad de las
partículas de oro.)
• Calcule el Factor constante K válido para todas las etapas de la trituración.
• Calcule la desviación estándar del Error Fundamental para cada etapa del muestreo (expresada en %
relativo).
• Calcule la desviación estándar del Error Fundamental Total (expresado en % relativo).
• ¿Cuaéls son los puntos débiles de este protocolo? ¿Qué podemos hacer por ello?
Estrategia de Mejoramiento Continuo
Dé su opinión detallada sobre la siguiente estrategia de
mejoramiento continuo para una empresa cuprífera.
¿Qué haría usted en forma diferente?

• Objetivo Estratégico •


• • •Administración Superior •

•Definición de problemas estructurales •

•Mina • •Molienda

•Datos Calidad •
•Geología • •Objetivos • •Flotación •

•Lixiviación • •Fundición •

•Extracción• SX •Refinería •

•Plan de Negocios Minero: •


•
 •
Lista deseada • definición
•
 • de corte)
Cut-off (ley
•
 Recuperación•
•
 Nivel de impurezas •
•
 Costos•
•
 Calidad •

•Ejecución del Plan •

•Geoestadísticas • •Muestreo •
•Herramientas

•Cronoestadísticas • •Laboratorio •

•Análisis Cuantitativo/• •Modelos •


•Control de Calidad •Procesos
•Control •

•Sistema EMPV/Gráficos •

•Efectos • •Balance Metalúrgico •

•Contabilidad •
La
LaPrueba
Pruebade
deHeterogeneidad
Heterogeneidad

Esta disertación describe una prueba que es recomendada cuando es difícil estimar el Factor de
Liberación de un componente de interés. Es particularmente verdadero para componentes
menores, tales como el oro, molibdeno, cobre, arsénico, etc.…
La prueba es recomendada para optimizar los protocolos de muestreo durante la exploración, en la
Mina y en el Molino.
La idea es de estimar la varianza S 2FE del Error Fundamental con un experimento. Tal
experimento es delicado y debe ser realizado por un experto.
Un cierto número de muestras se reúnen, ensayadas para cada uno de los componentes de
interés y es calculada una varianza relativa S 2ai de los ensayos.
Bajo condiciones específicas establecidas por el experimento, podemos escribir:

S a2i
2
S FE 
ai2

Precauciones a tener en cuenta:

• Reúna una muestra compuesta de 300-Kg hecha de 50 incrementos de 6-Kg, ya sea recolecta-
•da en la Mina, o del medio núcleo de la perforadora de diamante o de rechazos de la perforadora RC.
• Tamice los fragmentos más gruesos y desarrolle la prueba de Heterogeneidad en estos fragmentos.
•Es ideal desarrollar la prueba con fragmentos de 1 cm.
• Las muestras recolectadas para desarrollar la Prueba de Heterogeneidad deberían estar constituídas
• por relativamente pocos fragmentos, con el objeto de hacer insignificante el Error Analítico.
• Los fragmentos recolectados para constituir cada muestra debe ser seleccionado uno por uno al azar,
• con el objeto de hacer insignificante el Error de Segregación.
Descripción de la Prueba de Heterogeneidad

CASO REAL EN UNA MINA DE COBRE

1. El compuesto fue formado por material de 49 lugares diferentes, dentro de un mismo tipo de
mineralización. El compuesto húmedo pesaba 306 kgs. El compuesto fue secado durante la
noche a 11º C . Después del secado el compuesto pesaba 300 kgs. El contenido de humedad
fue de 2%.
2. Divida la muestra completa en tres lotes usando el procedimiento de paleo fraccionario y
nombre a cada lote como A, B y C, respectivamente. A = 150 kgs., B=90 kgs. Y C= 60 kgs.
3. Tamice el sublote de muestra A con harneros a 1.25cm, 0.63cm, o.335cm, 0.17cm, 0.085cm,
0.0425cm, and 0.212cms.
4. Pese cada fracción de tamaño.
5. Esparza la fracciòn 1.25 cm + 0.63 en una superficie limpia. La Prueba de Heterogeneidad se
desarrollará en esta fracción donde d = 1.05 cm.
6. A partir de esta fracción, recoja 100 muestras. Cada muestra debe estar formada por
fragmentos p seleccionados de a uno al azar, hasta 50 gr. Ennumere estas muestras de 1 a
100, pese cada una de ellas y registre los valores para p.
7. Pulverice cada muestra directamente en un anillo cerrado y pulverizador de pliegue en cerca del
95% a menos 106 micrones. Es inaceptable el uso de pulverizadores de plato polvorientos.
8. Ensaye cada muestra para cobre soluble en ácido y cobre total.
9. Muela todas las fracciones de tamaño, y la que queda de la fracción -1.25 cm+0.63 cm, al 95%
menos 0.30, usando un molino Boyd, y recoja una separación de alrededor de 1000 gms de
cada una de los tamaños fraccionados. Si la fracción de tamaño más grande tiene menos de
1000g, use la fracciòn completa. Pulverice cada una de las separaciones de 1000g al 95%
menos 106 micrones usando un LM2. Ensaye cada fracción de tamaño en triplicado para cobre
soluble en ácido y cobre total.
Prueba de Heterogeneidad: Continuación

10. Tome el sub-lote B y sepárelo en 16 partes iguales, usando un divisor rotatorio equipado con 16
segmentos. Usted obtendrá 16 partes de 5.625 g. Registre todos los pesos exactos.
11. Muela cada parte a menos 0.3cm con un molino Boyd , luego pulverice toda la parte al 95%, menos
106 micrones usando dos veces 2.800g en un pulverizador LM5.
12. Esparza cada parte pulverizada en una bandeja grande, y recoja una muestra de 0.5 g hecha de
alrededor de 12 incrementos al azar, y una muestra de 1.0 g hecha de alrededor de 24 incrementos al
azar. La muestra es ensayada dos veces usando 0.5 g cada vez. Así, para el sub-lote B usted obtiene
16 ensayos de 0.5 g cada uno de un lote de 5.625 g. y 32 ensayos duplicados de 0.5 de 16 lotes de 1
g. Registre los 3 ensayos y los pesos de cada una de las 16 partes. Haga lo mismo para el cobre
soluble en ácido y cobre total.
13. Tome el sub-lote C y muélalo a alrededor del 95% menos 0.3cm usando un molino Boyd. Luego
separe C en dos lotes iguales : C1 y C2 de cerca de 30 Kgs cada uno.
14. Tome el sub-lote C1 y sepárelo en 16 partes iguales, usando un divisor rotatorio equipado con 16
segmentos. Obtendrá 16 partes de 1.875 g . Registre todos los pesos exactos.
15. Tome una parte y desarrolle un análisis de distribución de tamaño usando mallas de 0.63cm, 0.335cm,
0.17cm, and 0.085cm Recombine las fracciones de tamaño, para que podamos usar esa parte en los
pasos siguientes.
16. Pulverice cada una de las partes a alrededor del 95% menos 106 micrones usando un LM5.
17. Esparza cada una de las partes pulverizadas en una bandeja grande, y recoja una muestra de 0.5 g
hecha de alrededor de 12 incrementos al azar, y 1 muestra de 1.0 g formada por 24 incrementos al
azar. La muestra de 1.0 g es ensayada dos veces usando 0.5 g cada vez. De esta manera, para el
sublote C1 usted obtendrá 16 ensayos de 0.5 g cada uno de un lote de 1.875 g. y 32 ensayos
duplicados de 0.5 g de los 16 lotes de 1 g. Registre los tres ensayos y sus pesos para cada una de las
16 partes. Haga lo mismo para cobre soluble en ácido y cobre total.
Prueba de Heterogeneidad: Continuación

18. Tome el sub-lote C2 y muélalo a alrededor del 95% menos 0.085cm con un LM5 usando incrementos
pulverizados de 3600g por 45s.
19. Luego, separe el sub-lote C2 en 16 partes iguales, usando un divisor rotatorio equipado con 16
segmentos. Usted obtendrá 16 partes de 1.875 g. Registre todos los pesos exactos.
20. Tome una parte y desarrolle un análisis de distribución usando harneros de 0.17cm, 0.085cm, y
0.0425cm . Registre todos los pesos usados. Recombine las fracciones de tamaño, para que podamos
usar esas partes en los pasos siguientes.
21. Pulverice cada una de las partes al 95% menos 106 micrones usando un LM5.
22. Esparza cada una de las partes pulverizadas en una bandeja grande, y recoja una muestre de 0.5 g
hecha de alrededor de 12 incrementos al azar, y una muestra de 1.0 g hecha de alrededor de 24
incremementos al azar. La muestra de 1.0 g es ensayada dos veces usando una de 0.5 g cada vez. De
manera que para el sub-lote C-2, obtenga 16 ensayos de 0.5 g; cada uno de un lote de 1.875 g. y 32
ensayos duplicados de 0.5 de 16 lotes de 1 g. Registre los 3 ensayos y los pesos para cada uno de las
partes. Haga lo mismo para cobre soluble en ácido y cobre total.
23. Recombine todos los rechazos del sub-lote C2 sub-lot, para así obtener un lote D de aproximadamente
30Kg D que es de 95% menos 106 micrones.
24. Luego, separe D en 16 partes iguales, usando un divisor rotatorio equipado con 16 segmenetos. Usted
obtendrá 16 partes de 1.875 g. Registre todos los pesos exactos.
25. Tome una parte y desarrolle un análisis de distribución de tamaño usando mallas de 0.0425cm,
0.0212, and 0.0106cm. Registre todos los pesos. Recombine las fracciones de tamaño, para que
podamos usar esa parte en los pasos siguientes.
Prueba de Heterogeneidad: Continuación

26. Esparza cada parte pulverizada en una bandeja grande, y recoja una muestra de 0.5 g formada por
12 incrementos al azar. La muestra de 1.0 g es ensayada 2 veces usando 0.5 g cada vez. De
manera que del sub-lote D, pueda obtener 16 ensayos de 0.5 g cada uno, de un lote de 1.875 g y
32 ensayos duplicados de 0.5 g de 16 lotes de 1.0 g. Registre los 3 ensayos y los pesos de cada
una de las 16 partes. Haga la mismo para cobre soluble en ácido y cobre total.
27. De cualquiera de los rechazos de menos 106 micrones de la prueba, prepare una muestra de
10000g. Tamice la muestra entera en una malla de 212 micrones: Siempre habrá una gran
cantidad de material que no se muela muy bien. Separe los minerales gruesos.Lave este material
grueso. Separe los minerales gruesos mediante paneo. Con el concentrado grueso, prepare
varias secciones pulidas para averiguar la naturaleza exacta del material que no se ha triturado
bien.
Haga las cosas bien a la primera vez.

La Prueba de Heterogeneidad tiene una importancia crítica en un proyecto. Probablemente necesita ser
efectuada solamente una vez en la vida de un tipo dado de mineralización para un proyecto determinado.
Por lo tanto, enfóquese en la producción y deje que el experto lo ayude a hacer esta prueba bien a la
primera vez.

Francis Pitard Sampling Consultants, LLC tiene una prolongada experiencia en la interpretación de
las Pruebas de Heterogeneidad (por ejemplo., Francis Pitard y Eduardo Magri) y tiene el soporte de
software adecuado para calcular los nomogramas de las muestras y sugerir los protocolos óptimos
de muestreo.
E-mail: fpsc@aol.com
http://www.fpscsampling.com
Voice: 303-451-7893 (USA)
Fax: 303-280-1396 (USA)
Guías de Cálculo

Definamos: C la Constante de Muestreo para la fracción de tamaño 


S a2i
la varianza relativa de 100 ensayos
2
a i

del tamaño de fragmento de la fracción probada

M Seli peso promedio de las 100 muestras

S a2i M Si
C  2 3 con C  f g c 
a d
i 

d
Asumiendo que la variabilidad del Factor de Liberación obedecen al modelo: 
d
d
C  f g c
d f g c d 
De una fracción dimensionada a otra, el término permanece razonablemente constante.
Por consiguiente, llamamos a este término “Factor K” que no cambia desde una etapa de trituración a otra.

K  C d
Estudio de Caso

Parte Uno

La Prueba de Heterogeneidad, descrita anteriormente, fue desarrollada para Cobre Total en un


Proyecto de Cobre. Los resultados de las 100 muestras recogidas hechas de 50 fragmentos cada una,
se muestran más abajo. El protocolo actual para el muestreo en hoyos de tronadura es como sigue: Se
recoge una muestra de 4.000 g en la Mina. El tamaño de fragmento máximo es 1.9 cm. En el
Laboratorio, la muestra se seca y se envía a un robot de preparación de muestras. La muestra se
divide en 2.000 g. y es molida al 95% menos 0.3 cm usando un Molino JAW. La muestra es dividida en
100 g y luego pulverizada al 95% menos 106 micrones. Finalmente, una muestra de 0.25 g gram es
usada para el procedimiento analítico.
• Calcule el Factor K
• Calcule un nomograma de la muestra.
• ¿Es óptimo el protocolo?
• ¿Qué podemos hacer para mejorarlo?
Estudio de Caso: continuación

Sample No of Fragments Weight/g %T Cu


1 50 65.6 0.68
2 50 73.5 0.74
3 50 80.63 0.72
4 50 72.22 0.61
5 50 89.35 0.73
6 50 87.58 0.74
7 50 58.38 0.45
8 50 66.51 0.64
9 50 88.82 0.71
10 50 79.68 0.71
11 50 100.58 0.62
12 50 78.81 0.97
13 50 85.88 0.73
14 50 97.86 0.71
15 50 89.83 0.66
16 50 96.09 0.64
17 50 74.48 0.65
18 50 82.11 0.76
19 50 84.1 0.72
20 50 86.3 0.34
21 50 66.98 0.62
22 50 91.53 0.65
23 50 75 0.97
24 50 52.06 0.77
25 50 88.63 0.73
26 50 58.17 0.69
27 50 84.32 0.75
28 50 57.39 0.55
29 50 78.56 0.73
30 50 74.34 0.73
31 50 86.26 0.63
32 50 85.28 0.71
33 50 66.69 0.83
34 50 80.27 0.65
35 50 89.65 0.69
36 50 67.17 0.89
37 50 82.97 0.62
38 50 78.52 0.61
39 50 88.26 0.57
40 50 69.67 0.58
41 50 78.07 0.74
42 50 93.68 0.68
43 50 63.58 0.88
44 50 94.13 0.69
45 50 74.82 0.37
46 50 78.87 1.56
47 50 93.56 0.87
48 50 71.97 0.84
49 50 60.38 0.77
50 50 70.81 0.61
Estudio de Caso: continuación

Sample No of Fragments Weight/g %T Cu


51 50 92.41 0.67
52 50 97.21 0.66
53 50 73.53 0.59
54 50 76.22 0.76
55 50 85.86 0.45
56 50 64.96 1.69
57 50 67.58 0.76
58 50 78.03 0.56
59 50 72.57 0.46
60 50 79.79 0.94
61 50 86.82 0.75
62 50 75.32 0.74
63 50 74.79 0.69
64 50 78.29 0.76
65 50 83.85 0.79
66 50 75.64 0.86
67 50 92.32 0.77
68 50 67.75 0.67
69 50 73.22 0.61
70 50 87.96 0.71
71 50 91.06 0.65
72 50 73.68 0.53
73 50 78.57 0.67
74 50 82.06 0.62
75 50 73.34 0.75
76 50 75.96 0.62
77 50 79.33 0.83
78 50 82.06 0.84
79 50 79.38 0.71
80 50 78.06 0.62
81 50 88.52 0.71
82 50 70.72 0.72
83 50 72.24 0.78
84 50 70.59 0.45
85 50 79.85 0.54
86 50 76.98 0.64
87 50 70.69 0.97
88 50 74.02 0.77
89 50 67.57 0.76
90 50 103.15 0.74
91 50 84.39 0.89
92 50 87.18 0.69
93 50 70.28 0.71
94 50 66.5 0.62
95 50 88.19 0.58
96 50 75.29 0.62
97 50 81.74 0.88
98 50 65.74 0.74
99 50 77.53 0.68
100 50 84.82 0.34
Sum 7873.51 71.07
Average 78.74 0.71
Estudio de Caso: Nomograma
Estudio de Caso: Línea de Seguridad
Estudio de Caso: Protocolo de Muestreo

Bueno Punto Débil

Bueno, pero
inseguro para
Segregación
Estudio de Caso: continuación

Peso del Tamaño de


Fracción de Tamaño Fracción después del % Cobre Total
secado y molienda.
+1.25 cm 32 Kg 0.65

-1.25 +0.63 cm 59 Kg 0.72

-0.63 +0.335 cm 17 Kg 0.75

-0.335 +0.17 cm 13 Kg 0.75

-0.17 +0.085 cm 9 Kg 0.79

-0.085 +0.0425 cm 7 Kg 0.92

-0.0425 +0.0212 cm 7 Kg 1.12

-0.0212 cm 6 Kg 1.27

¿Qué precauciones deberían tomarse en un protocolo de muestreo?


Estudio de Caso: continuación
Comparando la Teoría con la Realidad

500 Sustituído para un estimado de


Constant C
la varianza entre 16 partes.
400

2
300
S FE MS
CRe ality 
200
d3

100

1cm Fragment size d 2cm

En su opinión, porqué hay tantas diferencias entre la teoría y la realidad, para los valores pequeños del
tamaño de fragmento “d”?
SIZE-01

LA DETERMINACIÓN DE LA DISTRIBUCIÒN DEL


TAMAÑO DE PARTÍCULAS DE UN LOTE, ES A MENUDO
UNO DE LOS CRITERIOS MÁS IMPORTANTES.

1 La Calidad de un producto.
2 La Eficiencia de un proceso.
3 El cumplimiento con la cláusula de un contrato
comercial.
4 La evaluación de la exactitud de un sistema de
muestreo.
5 La evaluación de la representatividad de una
muestra,...
SIZE-02

CANCELACIÓN Y MINIMIZACIÓN DE LOS


ERRORES DE MUESTREO.

1 PE: Eliminación Preventiva


2 DE: Delimitación Correcta
3 EE: Extracción Correcta CE1
4 GE: Homogenización
Muchos incrementos
5 CE2: Optimización del intervalo del muestreo.
6 CE3: Elija el modo adecuado de selección del
muestreo =

• Azar Sistemático,
• Azar Estratificado,
• Azar Simple
SIZE-03

EL ERROR FUNDAMENTAL FE
NUNCA SE CANCELA

m (FE)  0

Definiciones:
L c: Clase del tamaño de partícula de interés

Lc : Proporción del Lc en el lote L


MLc: Peso de la clase de interés
NLc: Número de fragmentos en Lc
Fj: Un fragmento de Lc
MFj: Peso del fragmento Fj
aFj: Para cada uno de los fragmentos de Lc aFj = 1
FLc: Fragmento promedio de la clase Lc
MFLc: Peso de FLc
SIZE-04

CÁLCULO DE IH L

IH L  
 ai  aL  2
Mi
2
*
i 2 ML
aL

in Lc  a i  aF  1
j

out of Lc  a i  0

IH L  

1  aLc  2

*
Mj
2
 
Mi
2

j 2 ML i ML
a Lc

IH L  
 1  aLc 
2

*
Mj
2
a Lc
 
Mi
2

j 2 M Lc i ML
a Lc

X Lc XL
constante

IH L 
 1  aLc 
2
X Lc  X L
aLc
SIZE-05

2
a Lc : muy pequeño

IH L 
 1  2a Lc 
X Lc  X L
a Lc

X Lc y X L debería expresarse en

términos prácticos porque Mi y M j no


son conocidos.

Es relativamente fácil cuando tenemos una idea


aproximada de la distribución del tamaño de la
partícula.

Fi Fj
Es suficiente para sustituir o
de una clase de partícula dada por el fragmento
promedio de esta clase.
SIZE-06

Primero definamos:
N Lx: número de fragmentos en la clase Lx

FLx: fragmento promedio de la clase Lx


M FLx
: peso del fragmento promedio FLx
a Lx: proporción de L x en el lote L.

Por definición: M FLx  M Lx /, N Lx luego


cambiando M i por los fragmentos promedios:

Mi 2 N M M M M
XL     Lx FLx FLx   FLx Lx
i ML x ML x ML

Pero M L  M Lx / a Lx, luego

X L   M FLx a Lx
x
SIZE-07

De la misma forma:

M j2 N Lc M FLc M FLc M Lc M FLc


X Lc    
j M Lc M Lc M Lc

X Lc  M FLc

Entonces podemos escribir:

IH L 
 1  2a Lc 
M FLc   M FLx a Lx
a Lc x

Todos los términos en esta fórmula pueden ser tanto


calculados como estimados cuando tenemos, a
nuestra disposición, una idea aproximada de la
distribución del tamaño de la partícula.
SIZE-08

El peso promedio de los fragmentos de una clase de tamaño de la


partícula, puede estimarse de dos formas diferentes:
1. Mediante medición directa del peso de un número dado de
fragmentos seleccionados al azar, dentro de la clase.
2. Mediante cálculo usando las siguientes dos fórmulas:

M FLc  vFLc   fd FLc


3

M FLx  vFLx   fd FLx


3

Con:

d FLc  3
 upper opening  3   lower opening  3
2
d FLx  same

 1  3 
IH L  f   2 d FLc   d FLx aLx 
3

 a Lc  x 
SIZE-09

If a Lc es pequeño:  a
x Lx
 1 , luego

 1  3 
IH L  f   2 d FLc  gd 3 
 a Lc  

Ahora podríamos calcular la varianza del error


fundamental:

2  1 1   1  3 3
sFE     f   2 d FLc  gd 
 Ms ML   a
 Lc  

A menudo esta fórmula puede ser simplificada:


• Si M L  10 M s
• Si d FLc no es muy diferente de d
• Si a Lc es pequeño, entonces

2 f  1  3
sFE    2 d FLc
M s  a Lc 
SIZE-10

Nota Importante: si los fragmentos gruesos


representan una gran proporción del lote, digamos más
del 20%, el gd
término
3 debería mantenerse.

Evaluación de la representatividad de una muestra

Si deseamos que una muestra sea representativa de


todas las fracciones dimensionales de los fragmentos,
entonces debería ser representativa de los framentos
más grandes, que es la condición más difícil de cumplir.
Así, por definición podríamos escribir:

d FLc  d

y a Lc  5%  0.05

Luego: 3
2 d
sFE  18 f
Ms

Por supuesto, asumimos que el material investigado no


está calibrado: . g  0.25
Muestreo de Oro
Teoría y Práctica

El Caso Especial del Oro

Preparado y presentado por


Francis F. Pitard

Francis
Pitard
Sampling
Consultants

14800 Tejon Street Broomfield, Colorado 80020 USA


Tel: (303) 451-7893 Fax: (303) 280-1396
E-mail: fpsc@aol.com Web: www.fpscsampling.com
The enclosed material is protected by copyright law,
Francis Pitard Sampling Consultants, LLC 2000
Peculiaridades del Muestreo de
Metales Preciosos

Los problemas teóricos y prácticos generados por el muestreo de


materiales que contienen metales preciosos, han sido dirigidos
por especialistas por largo tiempo.
Las soluciones a menudo son poco satisfactorias:

 Demasiado teóricas e inútiles para el ingeniero.


 Demasiado simplistas
 Basadas en observaciones empíricas sin bases sólidas.

Las peculiaridades del muestreo de metales preciosos caen en


tres categorías:

Financieras

Teóricas Prácticas
Peculiaridades Financieras

Pequeñas cantidades de materiales pueden


involucrar grandes cantidades de dinero.

 La precisión y exactitud son la preocupación


principal.
 La precisión y exactitud son difíciles de optimizar.
 El muestreo de metales preciosos es más
desafiante que cualquier otro material.
Peculiaridades Teóricas
Una diferencia entre los metales preciosos y otros metales, es
que estos tienen material estéril en muy bajos niveles.
Debido a esto, dos de los 8 tipos mayores de Errores de
muestreo pueden llegar a ser aplastantes:

El Error de Muestreo Fundamental

Es el mínimo Error de Muestreo, generado por las diferencias


en contenido entre fragmentos individuales y dependientes en:

Etapa de Liberación
Peso de la Muestra
del oro.

Forma del Tamaño de


Fragmento Fragmento

Densidades del Oro Contenido de


y la Ganga Oro.
El Error de Agrupamiento y
Segregación
Es un Error de Muestreo complementario generado por las
diferencias en el contenido entre los incrementos de la
muestra y dependiente de:

 El Error Fundamental en sí mismo.

 El número de incrementos por muestra.

 La etapa de segregación de metales preciosos.


Peculiaridades Prácticas

 El contenido de metales preciosos de una muestra y el


contenido de metales preciosos del lote
correspondiente, puede ser muy diferente.
 El contenido de metales preciosos de una sub-muestra
analítica y el contenido de metales preciosos de la
muestra de la cual fue seleccionada, también puede
ser diferente.
 La densidad de los metales preciosos es enorme,
promoviendo el fenómeno de segregación por la
liberación.
 Las partículas de metales preciosos no se muelen bien,
manchan y cubren el equipamiento de muestreo.

 Todos estos problemas se aumentan, ya que baja el


contenido de metales preciosos y la distribución de los
metales preciosos en un material dado se vuelve
irregular.
El Uso de un Enfoque Lógico
es un Deber
El Error Fundamental del Muestreo es el Error de Muestreo
mínimo y no debemos olvidar los otros 8 errores del muestreo:
El Efecto Nugget In-situ

 Puede ser minimizado mediante el aumento del


diámetro de la perforación.

 Es dependiente del volumen de la muestra.

 Está cercanamente relacionado con el Error


Fundamental, pero ocurre antes de que el material haya
sido quebrado.
El Error de Agrupamiento y
Segregación.

 Reúna tantos incrementos de muestras como sea


posible en la práctica.

 Haga homogéneo el material antes del muestreo.

 Minimice el Error Fundamental


El Error de Preparación

Evitar

Errores Humanos

Contaminación

Alteración de los componentes

Pérdida de finos y remoldeos


El Error de Delimitación del
Incremento

 Un incremento no es solamente cualquier parte de un


lote. La delimitación de sus límites debe ser tal que dé a
todos los fragmentos de un lote una probabilidad
constante de ser seleccionado por el instrumento de
muestreo. Genera “Biases”.
El Error de Extracción del
Incremento

 Un incremento no se puede extraer correctamente si el


instrumento de muestreo no mantiene la integridad del
incremento delimitado correctamente. Genera “Sesgos”.
El Error de Interpolación del
Incremento

 Este error ocurre cuando se tiene la intención que la


muestra sea representativa de un período dado de
producción.

 El tiempo de intervalo entre los incrementos debe ser


optimizado.
El Error de Fluctuación Periódico

 Este error ocurre cuando el muestreo sistemático está


en fase con un fenómeno periódico. En tal caso puede
llegar a ser enorme.

 A menudo es un problema para obtener buenos


balances del material en la Planta.

 El muestreo al azar estratificado puede eliminar este


Error de Muestreo.
El Error de Pesaje

 La variabilidad del rango de flujo podría afectar la calidad de


la muestra, si los incrementos reunidos no son proporcionales
al flujo. Este error genera “biases”.

 Regular el rango de flujo es la mejor solución.

 Se recomienda el uso de muestreo y sub-muestreo


proporcional.

De aquí en adelante, asumimos que los ocho errores del


muestreo han sido minimizados y son insignificantes.
El Error Fundamental del
Muestreo siendo el error mínimo,
debe ser minimizado en todos
los protocolos de muestreo.

Por sentido práctico, nuestro análisis se limitará al oro.

Hay tres casos:

1 El oro es liberado

2 El oro no es liberado

3 El oro está asociado con otro componente.


El Oro es liberado

En el oro liberado encontramos:

 Depósitos aluviales donde el oro está generalmente


libre o completamente liberado con la ganga aluvial.

 Minerales de oro no liberados después que han sido


molidos y pulverizados al tamaño de liberación del oro.

 Algunos concentrados de mineral de oro.

El problema presentado por el oro liberado, puede


solucionarse usando un modelo binominal. En este caso
particular, los resultados obtenidos por Prigogine,
Ingamells, y Gy están en concordancia, pero el trabajo de
Gy’s es el más completo de todos.
Es fácil demostrar que las propiedades físicas de las
partículas más grandes de oro, en el mineral finamente
molido, son los factores más importantes.

IH L  f Au  g Au   Au  d 3 Au   Au / a L

Donde:

• f Au es el factor de forma del oro: 0.2

• g Au es el factor de distribuciòn del tamaño de las


partículas de oro: 0.25
• se asume que sea: 1.0
 Au
• es la densidad del oro nativo: 16
 Au
• es el contenido promedio de oro esperado
aL
expresado como parte de uno.

Por consiguiente:

IH L  0.8  d 3 Au / a L
Cálculo de la Varianza del Error
Fundamental de Muestreo

 1 1  0.8 3
s 2 FE     d Au
 Ms M L  aL

Donde:
• Ms es el peso de la muestra
• ML es el peso del lote del cual se extrajo la
muestra.

Si: M L  10 M s :

S 2 FE  0.8  d 3 Au / a L  M s
Una Limitación Importante
Debemos asegurarnos que la muestra sea
representativa de todas las fracciones dimensionales de
las partículas del material de la cual se ha recogido.
Debe cumplirse la siguiente condición:

d 3 g  IH L / 25

Donde:
dg es el tamaño de las partículas más grandes de la
ganga.
Manteniendo en mente esta limitación, podemos usar los
siguientes monogramas de muestreo para resolver
nuestros problemas.
•Figura 1 - Oro Liberado. Cálculo del peso de la muestra con una desviación
•estándar designada del Error Fundamental s = + - 15%.

•TAMAÑO d (CMS) DE LAS PARTÍCULAS DE ORO MÁS GRANDES


•Figura 2 - Oro Liberado. Cálculo del peso de la muestra con una desviación
•estándar designada del Error Fundamental s = + - 5%.

•TAMAÑO d (CMS) DE LAS PARTÍCULAS DE ORO MÁS GRANDES


•Figura 3 - Oro Liberado. Cálculo del peso de la muestra con una desviación
•estándar designada del Error Fundamental s = + - 1 %.

•TAMAÑO d (CMS) DE LAS PARTÍCULAS DE ORO MÁS GRANDES


Problemas Asociados con la
Liberación de Oro durante la
Preparación de la Muestra.

El peligro de la segregación es extremadamente alto,


debido a que las partículas de oro liberadas, tienen una
densidad muy alta (dos veces la densidad de la galena,
seis veces la densidad de cualquiera ganga común).

Cualquier operación de manejo


inmediatamente genera una fuerte
segregación.
Las partículas de oro pueden perderse dentro de los
ángulos internos y partes del instrumento de muestreo,
las cuales son inacesibles.

La homogeneización de un lote o de una muestra


que contiene oro liberado es absolutamente
imposible. La efectividad de tal procedimiento es
ilusoria.
Pérdida de Oro

Hay tres diferentes formas en que el oro puede perderse


fácilmente:
 Las partículas de oro permanecen en el circuito de
muestreo y preparación.

 El oro liberado se puede perder por la


pulverización en un circuito cerrado, con un
harnero de malla de 100 ó 150. Las partículas de
oro tienden a aplanarse con la pulverización y el
operador impaciente es a menudo tentado por
botar la segunda o tercera de sobretamaño.

 El oro liberado mancha los discos pulverizadores,


morteros y mezclas. Este tipo de equipamiento no
debería ser usado con oro liberado, a menos que
el objetivo sea el de dorar el equipo con oro de 24
kilates.
Las Soluciones Satisfactorias
son Caras.
 Harnee una gran muestra con un harnero de -100
micrones, y ensaye con fuego toda la fracción +100
micrones. Haga un ensayo de fuego estándar en la
fracción -100 micrones.
 Manipule una gran muestra mediante lixiviación por
cianuro.
 Concentre el oro liberado o casi liberado con mesa
sacudidoras, super-platillos u otros métodos:

 Pese el concentrado y las colas en forma


separada.
 Funda el total del concentrado y la muestra más
larga posible de las colas.
 Calcule el contenido de oro de la muestra
procesada.
Contaminación por Oro

El cambio también es real:


Los separadores-divisores, molinos y pulverizadores,
deberían ser usados en un Laboratorio que reciba las
muestras de diferentes leyes, tales como alimentación,
concentrados y colas de una planta de procesos.

Cuando sea posible, deberían utilizarse salas distintas


para cada producto.
Estudio de un Cuerpo
Mineralizado, usando una
Técnica de Perforación Clásica.

Asumamos que tenemos un cuerpo de mineral que


contenga oro libre. El promedio de contenido de oro es
de alrededor de 0.4 Gramos/ton.
Localmente, las partículas más grandes de oro son de
alrededor de 0.24 cms.
El peso necesario de la muestra no excede un Error
Fundamental FE con una desviación estándar 2sFE  32%
de alrededor de una tonelada.
Pero una Perforadora equipada con un vástago para
broca con cable de acero de alta calidad (HQ), extrae
muestras de sondaje de 6.35 cms. De diámetro, lo cual
corresponde a una muestra de 25 kgs. Por cada 3 metros
de intersección.
En este caso, la estimación del Error Fundamental se
vuelve sin sentido y la distribución sobre el oro es
probable que obedezca una Distribución POISSON
introducida artificialmente.
Conclusión #1

Muchos resultados del oro son demasiado bajos y muy


pocos son muy altos.
En tal caso, es muy peligroso sacar alguna conclusión
con muy pocas muestras. Sin embargo, si podemos
acceder a 40 muestras de peso efectivo, M s  25 Kg
todo es como si analizáramos el compuesto de una
muestra de peso efectivo.

M s  1 ton .

Conclusión #2

En este ejemplo, la ley promedio del oro es conocida al 


32% con un 95% de posibilidades de ser correcta después
de analizar completamente 40 muestras de perforación de
25 kgs.
El Oro no es liberado

La mayoría de otros tipos de minerales de oro no son


liberados. Asumamos que el oro no está asociado con
otro mineral.
Asumamos que el lector está familiarizado con la Teoría
del Muestreo, de manera que lo difícil es estimar el
Factor de Liberación del oro.
Los siguientes cálculos requieren que encontramos los 2
ó 3 fragmentos más ricos en oro, entre los 200
fragmentos más grandes reunidos uno a uno al azar, en
un gran compuesto de la muestra representativa del
material a ser investigado.
Estos 2 ó 3 fragmentos ricos en oro, pueden ser
rápidamente identificados por un corto escaneo XRF.
Después de la identificación pueden ser analizados en su
totalidad mediante ensayo de fuego.
El resultado más alto es llamado a MAX y está
asociado a un tamaño máximo de partícula d
Demostramos fácilmente que la constante de muestreo IH L
puede ser calculada como sigue:
a   Au  g
IH L  fg  MAX  1 d3
 aL   g a MAX   Au  1  a MAX 

Donde:
• f es el factor de forma de la ganga (generalmente
0.5)
• g es la distribución del tamaño de partícula de la
ganga (generalmente 0.25)
• a L es el contenido promedio esperado del lote.
• es la ley máxima de oro esperada en un
a MAX fragmento solo en las fracciones dimensionales
más gruesas.
•  Au es la densidad del oro nativo (generalmente 16)
• g es la densidad de la ganga (generalmente 2.6)
• d es el tamaño del harnero que debería retener no
más que el 5% del material.
Luego, podemos calcular la varianza del Error
Fundamental como sigue:

S 2 FE    1 / Ms    1 / M L   IH L

Bajo estas condiciones podemos calcular y sacar un


nomograma de muestras, útil a usar para resolver nuestros
problemas, como el ejemplo mostrado en la Figura 4.

Si M L  10 M s remueva 1 / M L
El Oro está Asociado con Otro
Mineral.
Muchos minerales, tales como galena, espalerita,
calcopirita, pirita, cromita, etc., a menudo contienen
algunos metales preciosos como oro, plata u otros.
Para un mineral dado, podemos asumir que la ley del oro
varía poco en el mineral. Podemos considerarlo
constante.
Bajo estas condiciones el contenido de oro se vuelve
poco importante.
Deberíamos concentrar nuestra atención sólo en el
contenido mineral.
Luego, volvamos al caso general:

S 2 FE    1 / Ms    1 / M L   IH L

Donde: IH L  f  g  c    d 3

• f es el factor de forma de la ganga


• g es el factor de distribución del tamaño de la
partícula de la ganga
• c es el factor de composición mineralógica

•  es el factor de liberación del mineral


• d es el tamaño de malla de un harnero que puede
retener no más de 5% del material a ser
muestreado.
Alguna información

1 Cuidado con las informaciones, a menudo no son lo


suficientemente buenas.
2 Se debe entender las variadas fuentes de la variabilidad
de las leyes del oro.
3 Tan pronto como sea posible, desarrolle los
experimentos necesarios para comprender la
variabilidad de las variadas fuentes de las leyes del oro.
4 Entonces, y solamente entonces, optimice su área,
Mina, Planta y Protocolos de muestreo del Laboratorio.

5 Asegúrese que los instrumentos de muestreo sean los


correctos para implementar sus protocolos de muestreo.
6 El muestreo del oro no puede ser improvisado
empíricamente. El sentido común es una buena cosa,
pero siempre se quedará corto para solucionar sus
problemas de muestreo.
7 Los protocolos de muestreo adecuados y
muestreadores correctos son equivalentes a una política
de seguros contra pérdidas financieras. El costo de
algunas pruebas, muestreadores correctos, y cursos
internos, a menudo son amortizados en un muy corto
tiempo.
8 Capacite a su personal en la Teoría y Práctica del
Muestreo del oro. Es un juego que usted no puede
perder.
9 Quién debería ser capacitado:
Constitución In-Situ de la Heterogeneidad

Efecto Nugget In Situ: NE

Escenario #1: Pepitas sólidas

?
Constitución In-Situ de la Heterogeneidad

Efecto Nugget In Situ: NE

Escenario #2: El Efecto Grupal (racimo)

?
Un Enfoque Común, Teórico

dm 95% que pasa a cierta


abertura del harnero.

dm equivalente a un aglomerado
local
Volviendo a la Fórmula de Gy para minerales
liberados.

Podemos usar una fórmula modificada:

 1 1 
S 2
FE    f m  g m  cm  d m
3

MS ML 
Solamente los siguientes factores son relevantes:
• La masa MS de la muestra a ser recolectada,
• La masa del lote, cuyo efecto es insignificante ML > 10 MS,
• El factor de forma fm de la pepita o racimo del mineral de interés,
• La distribución del tamaño de partícula gm de la pepita o racimos del mineral
de interés,
• El factor mineralógico cm, y
• El tamaño, si las pepitas o racimos/aglomerados más grandes equivalentes dm
del mineral de interés.
Ejercicio # 1: Impureza del Arsénico

Un depósito de cobre porfírico en Chile es perforado con su contenido de


arsénico: Para el proceso de flotación, para entregar concentrado de cobre,
dentro de las especificaciones de contenido de arsénico, para las fundiciones, la
Mina debería ya sea eliminar o mezclar cuidadosamente cualquier mineral con
un contenido de arsénico mayor que 100 ppm.
El programa de exploración utiliza muestras de perforación de núcleo de
diamante NQ de 2 metros y medio. Para el arsénico, no es raro observar y grupo
de minerales de arsénico o vetas adyacentes dentro de un pequeño volumen,
digamos cerca de 1 litros más o menos, equivalente a un partícula sola de - 5
cms.
Averigüe cuál debería ser la masa de la muestra para asegurar que la desviación
estándar relativa SNE no sea mayor que ±15%.
Averigue cuántas muestras de perforación de núcleo de diamante de NQ de dos
metros y medio, muestras de perforación NQ, muestras totales de 1/2 HQ y
muestras RC de 50 kgs., deberían ser promediadas antes de obtener una base de
datos importante para propósitos de control de la ley del mineral.
Haga el mismo ejercicio si el racimo aglomerado equivalente fue de 1 cm., y si
la ley esperada fue de 500 ppm o 20 ppm.
La Solución del Nomograma
Ejercicio # 2: Sub-producto Molibdeno

Un depósito de cobre porfírico en Chile es perforado por su contenido de


molibdenita. El contenido promedio esperado de molibdenita es 0.040%.
El programa de exploración usa muestras de perforación de núcleo de diamante de
2 metros y medio NQ. Para el molibdenito, no es raro observar un grupo de vetas
adyacentes dentro de un pequeño volumen, digamos de alrededor de 1 litro, más o
menos equivalente a una sola partícula de 1 cm.
Averigue cual debería ser la masa de la muestra para asegurar que la desviación
relativa estándar SNE no sea mayor que ±15%.
Averigue cuántas muestras de perforación de núcleo de 2 1/2 mts. NQ, muestras
total de NQ, muestras de ½ HQ, muestras totales HQ , y muestras RC de 50-Kgs
deberían ser promediadas antes de obtener una base de datos importante para
propósitos de control de ley del mineral.
Haga el mismo ejercicio si el grupo aglomerado equivalente fue de 0.3 cm. Y si la
ley esperada fue 0.100%, ó 0.020%.
La Solución del Nomograma
Ejercicio # 3: El Oro en Bruto y Casos de
Agrupamiento de Oro Fino

Un depósito de oro en bruto en Brasil, es perforado por su contenido de oro: El


contenido promedio es 1.50 g/t.
El programa de exploración usa muestras de perforación de núcleo de diamante
HQ de 3 metros total. El oro visible no es extraño. Dentro de un volumen
pequeño, digamos alrededor de 1 litros, se pueden observar partículas de oro
llegando a un equivalente a un sola partícula de 0.25 -cm.
Averigue cuál debería ser la masa de la muestra para asegurar que la desviación
estándar relativa SNE no sea mayor que ±15%.
Averigue cuántas muestras de perforación de núcleo HQ de 3 metros total, y
muestras RC 60 kgs., deberían ser promediadas antes de obtener una base de datos
importante para propòsito de control de la ley del mineral.
Haga el mismo ejercicio si el racimo aglomerado equivalente fue 0.05 cm, y si la
ley esperada fue de 0.75 g/t, ó 3.00 g/t.
La Solución del Nomograma
El Contenido del Mineral de Baja Ley L

Sin importar el efecto Nugget In Situ, una cierta proporción


del mineral de interés, podría ser fácil de muestrear:
Esta proporción es llamada como el
Contenido de Mineral de Baja Ley L.
A veces los protocolos de muestreo se seleccionan de tal
manera que somos capaces de responder efectivamente para
el contenido de mineral de baja ley, mientras que una
proporción sustancial permanece mucho más evasiva y
posiblemente no considerada:
¿Qué sucedió?
El Contenido del Mineral de Baja Ley L :
Una Homogeneidad de Pequeña-Escala engañosa

Ejemplo:
2/3 del oro = L
1/3 del oro
Un caso estructural que no tiene nada que hacer con
el Efecto Nugget In-Situ

En este caso, el diámetro de perforación no es importante.


Estimación del Contenido de Mineral de Baja Ley
L: Método # 1

•MUESTRAS ORDENADAS POR % INCREMENTO DE ORO


Estimación del Contenido de Mineral de Baja Ley
L: Método # 2

Este método es conveniente cuando dos series de muestras


con masas MS1 y MS2 son probables de lograr dos
distribuciones asimétricas diferentes.
Cuando la masa de la muestra disminuye, los resultados del
ensayo llegan a ser distribuidos menos simétricamente.

La media X y el modo Y se separan.


C.O. Ingamells sugirió la siguiente fórmula:

Y1  M S 2  X  Y2   Y2  M S 1  X  Y1 
L
M S 2  X  Y2   M S1  X  Y1 
Método # 2:
Estimación de Y1 y Y2

•Frecuencia Y1

Y2

••gt •/ • oro

 Y1 y Y2 pueden ser estimados visualmente


usando histogramas, o calculando las
medias armónicas.
El resultado más probable del ensayo Y:
Y y X pueden ser muy diferentes.

g / t g o ld

±15%

M S

C.O. Ingamells sugirió la siguiente fórmula:


2 X  X  L  M S 1  V NE  M S 1  L
2

Y 
2 X  L  M S 1  V NE  M S 1
2
Estimación de la Varianza VNE del Verdadero Efecto
Nugget In-Situ

El Enfoque Variográfico:
Varianza V[j]
Sill

Covarianza o
Correlación

Varianza

V[j=0]
V[j=0] = Varianza Muestreo/Medición

Distancia o Tiempo j entre dos muestras.


La Varianza VNE es solamente uno de los muchos
componentes de la Varianza V0.

Este hecho es pobremente entendido por los Geoestadísticos.

 DEn
S 2

n
 WEn
n
S 2

S
n
2
FEn S 2
GE n
n

S 2
HE1 V [0]  AEn
n
S 2

2
S NE
 PEn
S 2

S 2 n
EEn
n
La Contribución de VNE Dentro de V0.

La VNE , la más probable de todas las otras varianzas que


contribuyen a V0 también será grande.

Haciendo la suposición más optimista que


• el protocolo de muestreo es optimizado,
• el equipamiento de muestreo es el correcto, y
• el Error Analítico es minimizado,
la contribución de VNE podría ser de alrededor de la mitad de
V0.
Los Efectos de Grandes VNE y V0.

Si VNE y V0 son dejados sin resolver, ocurrirán consecuencias


económicas desagradables:
• Se modela un variograma que se convierte en un ejercicio
inútil.
• Las Técnicas Kriging no funcionan.
• Alta ley de Corte ignora parte del recurso [X – L]
* La conciliación de los problemas son exacerbados.
• La recuperación óptima de los recursos naturales, se convierte
en una tarea esquiva, cuyas consecuencias económicas son
asombrosas.
¿ Qué es una mala V0 ?
VNE siendo parte de V0

•V[••j]

•Umbral

•Malo

•Alerta

•Bueno

•0
•j
•0

Hay un espacio para el compromiso, pero no abuse mucho


de su suerte.
Recomendaciones Cuando VNE
Es Muy Grande

 Seleccione un diámetro de perforación tan grande como sea posible.


 Cuantifique las fallas de la masa del módulo básico de observación:
Necesaria. N  M
S
 Confíe en una buena geología, buscando límites naturales e indicadores
claves.
 Para componentes importantes que “hacen-dinero” , asegúrese de
seleccionar leyes de mineral y de corte que estén bajo L.
 Confíe en apilamientos de baja ley.
 No corte ninguna ley alta para el cálculo de del promedio total de ley.
 Aprenda a vivir con problemas de conciliación: Asegúrese que la
Administración se preocupa de los efectos de elipses de precisión.
Distribución de Heterogeneidad DH

En el siguiente material, nos referiremos solamente a la Distribución de Heterogeneidad de lotes


pequeños y movibles.

CH hnj

CHn

CHn DH

hi hn
Definamos algunas anotaciones:
an contenido de un grupo dado de fragmentos
anj contenido de un fragmento dado en un grupo dado.
hn la heterogeneidad llevada por un grupo dado.
hnj la heterogeneidad llevada por un fragmento dado en un grupo dado.
Mn el peso de un grupo dado.
Mnj el peso de un fragmento dado en un grupo dado.
G N el número de grupos de un tamaño dado para vaciar el lote
Nnj el número de fragmentos en un grupo dado.
Heterogeneidad hnj llevada por Un Fragmento en un Grupo Dado

Exactamente como el procedimiento que seguimos para definir la Constitución de Heterogeneidad


CHL del lote, podemos definir la Constitución de Heterogeneidad CH n de un grupo de fragmentos
como la varianza relativa, no dimensionada, de las heterogeneidades h nj generadas por Nnj
fragmentos dentro del grupo.

CH n  S 2 hn j    N1 nj
2
 n j hn j

Realmente, en lo que estamos interesados es en la Constitución de Heterogeneidad Promedio


llevada por todos los grupos de fragmentos.

 n CH n
C Hn 
NG

Ahora, definamos la heterogeneidad h n llevada por un grupo fragmentos:

 an  aL  Mn NG
hn 
aL ML
Definimos la Distribución de Heterogeneidad DH L del lote, como la varianza relativa, no dimensional
de las heterogeneidades h n generadas por NG grupos de fragmentos.

N G  n  a n  a L  M n2
2
1
DH L  S 2
 hn   2
 n hn 
NG a L2 M L2

CH L  DH L  C H n

CH L  DH L  0
DHL Dominio de Variabilidad

El máximo de DHL es CHL en sí mismo cuando CHn = 0

 DH L  max  CH L
El mínimo de DHL es definido como un mínimo absoluto [DH L]min bajo el cual es imposible
homogeneizar después el material. Es un límite inaccesible en el cual cada grupo del lote podría
mirarse como una muestra azarística. Este mínimo es realmente una variable al azar, la media de la
cual puede relacionarse a CH L como sigue, cuando el número de grupos y fragmentos son números
grandes:

NG
mean  DH L  min  CH L
NF

Definimos un Factor de Agrupamiento Y como se indica a continuación:

1 NG

Y NF

Esta presentación se vuelve un problema cuando Y = 0. Pero, NG y NF a menudo son números


diferentes, Por consiguiente Y es a menudo un número grande en sí mismo. Por consiguiente,
elegimos la siguiente presentación aproximada:

1 N
 G
1 Y NF

1 1Y
CH L  DH L  CH L  CH L
1Y 1Y
Definición del Factor de Segregación Z

Para calcular DHL debemos multiplicar CHL por un factor entre 1 y 1+Y. Elegimos para escribirlo
YZ.

1  YZ N
DH L  CH L   1  YZ  G CH L
1Y NF

DH L   1  YZ  N G  i
 ai  a L  M i2
2

a L2 M L2

Definición del Error de Agrupamiento y Segregación GE

El Error de Agrupamiento y Segregación GE es definido por su media y varianza:

•media•GE •Muy pequeña - a menudo insignificante

•S••GE
2
•Y•Z•S••FE
2

Factor de Agrupamiento Varianza del Error Fundamental

Factor de
Segregación
Cancelación y Minimización del Error de Agrupamiento y Segregación GE

1. La cancelación de la varianza del Error Fundamental no es posible.


2. La cancelación del Factor de Agrupamiento Y no es práctica.
3. La cancelación del Factor de Segregación es ilusoria.

Lo único que podemos hacer es minimizar cada de estos tres factores:

1. Minimización de la varianza del Error Fundamental:


• Calcule las constantes del muestreo
• Dibuje nomogramas de muestreo
• Optimice los protocolos de muestreo

2. Minimización del Factor de Agrupamiento:


• Para un peso dado de la muestra, saque tantos
incrementos y tan pequeños como sea posible en la
práctica, con respecto a DE, EE, y PE.

3. Minimización del Factor de Segregación:


• Homogeneizar el lote antes del muestreo, pero es muy difícil
lograr el éxito debido a la omnipresencia de la gravedad.
Conear y Cuartear

Esta muy antigua técnica está generalmente restringida al muestreo de lotes de


materiales de menos 5 cms, cuyo peso sea menor a 5 tons.

Lote

B
A C

Muestra con A C
incrementos
N=2

2
S SE
2
S GE 
N
Paleo Alterno

Una alternativa más rápida, barata y mejor es la Técnica del Paleo Alterno.

Muestra Potencial elegida al


azar.

.
, 9 ..
, 5,7
p 1,3
o
Sco

Sco
op
2,
4,
6,
8 ..
.

Rechazo

2
S SE
2
S GE 
N ?
Paleo Fraccional Real

Proporción del Muestreo =


1/5

•S•1

N
•S•2
•Seleccione una
•muestra al azar

•Lote •S•3

•S•4

•S•5

2
S SE
2
S GE 
N ?
Paleo Fraccional Degenerado

Proporción de Muestreo =
1/5

•Muestra Autoritativa

•Lote

•Rechazo
Separador Divisor

El Separador Divisor, también conocido como “Separador Jones” o “Divisor


Jones”, consiste en un conjunto de un número par de canales adyacentes,
numerados generalmente entre 10 y 20.
Estos canales forman un ángulo de alrededor de 45 o ó más, con un plano
horizontal. Ellos guían el material que cae alternativamente hacia los baldes
derecho e izquierdo.

2
S SE
N=7 2
S GE 
7
Los Terrones de Laja Japoneses

•Delimitación Incorrecta

•Delimitación Correcta

•¿De este cuadro, usted puede hacer una clara distinción entre el concepto de:
•Error de Agrupamiento y Segregación •Y el Concepto de Error de Delimitación del Incremento?.

2
S SE
N = 24 2
S GE 
24
Ejemplo de Mezcladora V, usada para lograr la
Distribución de Homogeneidad

Nunca llene la mezcladora sobre el


nivel de los ejes de rotación.

Ejes de Rotación

Es probable que vuelva a ocurrir la


Segregación en el punto de descarga.

En su opinión, después que la homogeneización haya sido realizada,


¿Cómo y dónde debería ser tomada la muestra?
Un lote de níquel fue dividido en 3 sub-lotes iguales.

Estos sub-lotes se usan para desarrollar las siguientes pruebas:

Prueba #1: Un sub-lote no está homogeneizado antes del


muestreo. Se esparce en forma pareja en una superficie limpia.
Es dividido en 16 capas iguales que son ensayadas para níquel
separadamente.

Los resultados están expresados en % de Níquel.

1.085 1.139 1.066 1.126


1.185 1.192 1.182 1.228
1.237 1.241 1.189 1.228
1.194 1.187 1.199 1.177

Promedio: 1.178% Ni
SR total: ± 4.33%
SFE: ± 1.08%
SAE: ± 0.20%
SSE: ± 4.19%
Prueba # 2: El segundo sub-lote se divide en 16 partes, usando
un separador divisor, sin Homogeneización preliminar.

Los resultados están expresados como % Níquel.

1.216 1.203 1.205 1.220


1.149 1.154 1.175 1.209
1.141 1.214 1.201 1.214
1.227 1.158 1.182 1.161

Promedio: 1.189% Ni
SR total: ± 2.43%
SFE: ± 1.08%
SAE: ± 0.20%
SSE: ± 2.17%
Prueba # 3: El tercer sub-lote primero es homogeneizado
usando una técnica alternativa de paleo. Luego, éste es dividido
en 16 partes, usando un separador divisor.

Los resultados están expresados en % Niquel.

1.188 1.171 1.169 1.180


1.196 1.207 1.202 1.195
1.177 1.164 1.174 1.206
1.202 1.176 1.196 1.159

Promedio: 1.185% Ni
SR total: ± 1.33%
SFE: ± 1.08%
SAE: ± 0.20%
SSE: ± 0.75%
Conclusiones

• DHL no puede ser mayor que CHL. Sin embargo, esto no

significa S2GE no puede ser mayor que S2FE.

• Si no se siguen las recomendaciones hechas en la Teoría de


Muestreo, la varianza del Error de Agrupamiento y
Segregración, y cualquier otra varianza generada por alguna
forma de segregación, puede llegar a ser agobiante.
La Segregación es un concepto relativo

La cantidad de segregación medida de las muestras podría depender en


gran medida de su peso.
Reunir pocas y pequeñas muestras podría ser engañoso.
Si el objetivo es mapear la segregación, entonces es necesaria la
recolección de muchas muestras pequeñas.
A menudo la Segregación es un fenómeno
transitorio que siempre cambia

•Flujo

•Material de pequeña densidad

•Material de alta densidad

La Segregación de fragmentos densos de los más livianos de la misma


fracción dimensionada en la descarga de la correa transportadora.
El cambiar una parte del equipo puede
cambiar totalmente la segregación

•Flujo de caída
•En una canaleta •Angular o liviano

•Redondo o pesado

Caso #1: La Segregación de fragmentos densos de los más livianos de una


fracción tosca dimensionada similar.
Caso #2: La Segregación de fragmentos angulares de los redondos de una
fracción tosca dimensionada similar.

Ejercicio: 1. Ponga el muestreo tomado en este contexto.


2. Encuentre las posibles consecuencias para el control del
proceso.
La Segregación debida a la heterogeneidad
del tamaño del fragmento.

Flujo

Segregación de las partículas finas de fragmentos más grandes en clases


de densidades similares.

Ejercicio: Encuentre varias razones para este tipo de segregación.


El efecto del flujo de arrastre del aire en la
trayectoria de la partícula, es una función
del tamaño de la partícula.

•Canaleta

•Partículas más grandes: No influye


• el arrastre del aire

•Partículas finas: Fuerte influencia


•del arrastre del aire.
Flujo muy lento y flujo libre de
finos cernidos (filtrados)

•Flujo Lento

Los finos cernidos están dentro de la pila, mientras que los fragmentos
gruesos ruedan hacia abajo por los costados.

Ejercicio: Encuentre al menos otros dos ejemplos donde tiene lugar


el mismo fenómento de segregación.
Segregación debida a la heterogeneidad de
la forma del fragmento.

•Flujo Lento

Segregación generada por diferentes ángulos de reposo en el depósito.


Ejercicio: Ubicación Correcta para un
Sistema de Muestreo

•Flujo Distribuído Homogéneamente.

•Flujo Segregado

1. ¿Dónde ejecutaría la toma del muestreo?


2. Si usted ya tuviese un sistema de muestreo incorrecto ¿Dónde
debería usted instalarlo?
3. ¿Donde debería instalar un sistema de muestreo correcto?
Conclusiones y Preguntas

1. El fenómeno de Segregación puede aumentar el Error de


Agrupamiento y Segregación ¿Cómo?

2. El fenómeno de Segregación puede confundir al Ingeniero


a cargo del control del proceso. ¿Cómo?

3. El fenómeno de Segregación puede ser muy perjudicial


para el proceso. ¿Cómo?

4. El fenómeno de Segregación puede mostrar cuán crítica


es la corrección de delimitación del incremento. ¿Porqué?
Segregación introducida por el uso de
una vibro-espátula de laboratorio.

•Trayectoria de la espátula vibratoria

•Trayectoria
•del Material

•Mezcla cuarzo-cromita

•Cuarzo casi puro •Cromita casi pura

Esta clase de segregación puede ser devastadora para la exactitud de


los Ensayos de Laboratorio.
Alimentador Estacionario y separador
rotatorio sectorial

•1

•2

•3
•4

•5

•6
•7

•1. Embudo 2. Transportador Vibratorio 3. Generador de Vibración 4. Alimentador Revolvedor


•5. Separador Sectorial Radial + vista superior 6. Jarros 7. Motor y Engranaje.

Cada jarro podría tener exactamente el mismo contenido para los


componentes de interés, sin embargo, si usted no tiene precaución, algo
puede resultar muy equivocado en cada jarro. ¿Qué es?
Segregación en Silos, Depósitos y
Tolvas (embudos).

Para muchos productos finos y lechados, es críticamente muy


importante mantenerlos no segregados.
1.1. Antes de llegar al siguiente paso de un proceso,
y
2. Antes de que se recolecte una muestra.

La tecnología de los Silos, Depósitos y Tolvas, para el manejo y


almacenamiento de materiales finos, es a menudo empírica y
pueden surgir muchos problemas.

Ejemplo:
Es necesario usar un flujo de masa para las tolvas entre dos etapas
del muestreo. De otra manera es necesario vaciar completamente la
tolva que contiene un incremento, antes de introducir otro.

Confeccionemos un listado de lo que puede salir mal.


1. Segregación en la entrada del
2. silo, depósito o tolva.

•Flujo

Soluciones:
1. Uso de depósito de flujo de masa (volumen),
2. Uso de sistema de alimentación de multi-punto para el
depósito.
2. Percolación de Finos entre
partículas más gruesas.

Los vacíos entre las partículas gruesas tienden a llenarse con


finos. El material podría desarrollar una fuerte cohesión debido a
la consolidación. Como resultado, el rango de flujo en la
descarga del depósito puede volverse errática o aún detenerse.

Soluciones:
1. Uso de un depósito de masa de
flujo (volumen),
2. Uso de un sistema de alimentación
de multipunto para el depósito.
3. Remoción incompleta de un material fino
previamente cargado.

Soluciones:
1. Uso de un depósito de flujo
de masa (volumen),
2. Instale platos vibratorios a
lo largo de las paredes del
depósito.
4.Degradación del material fino por el
almacenamiento prolongado que promueve
el aterronamiento y la aglomeración.

Soluciones:
1. Uso de una depósito de
flujo de masa (volumen)
2. Fluidice el material usando
cañerías de aire.
5. Creación de un arco estable que interfiere con
el flujo adecuado de material fino.

Soluciones:
1. Uso de una abertura de
descarga más grande.
2. Uso de un depósito de flujo de
masa (volumen).
3. Aireación de las partículas finas
puede minimizar el problema de
puenteo.
6. Desarrollo de orificios o tubos durante la
descarga, dejando material estéril a lo largo de
las paredes del embudo.

Soluciones:
1. Uso de depósito de flujo de
masa (volumen).
2. Fluidice el material usando
cañerías de aire.
¿Qué es un Depósito de Flujo de Masa (Volumen)?

  75o
Ventajas de un Depósito de Flujo de Masa

1. La superficie de los materiales que bajan dentro del


depósito es uniforme.
2. El material que entra primero sale primero.
3. Se mantiene la integridad de la muestra.
4. Se minimiza la segregación.
5. El material más fino no taponeará el sistema.
6. Proporciona un flujo continuo y uniforme en la descarga,

Sin embargo:

Aún así los depósitos de flujo de masa pueden funcionar mal si


el sistema de descarga no está bien diseñado.
7. Problema con el diseño de la salida de
alimentación del depósito de la
correa transportadora.

•Rápido •Lento •Velocidad Uniforme

•Depósitos de
•Flujo de Masa

•3.5•o

•Incorrecto •Correcto 

•Flujo Segregado •Flujo Uniforme

 • 4 to•6•o

8. Problema con el diseño de un
alimentador de tornillo sinfín al depósito.

•Rápido •Lento •Velocidad Uniforme

•Flujo Uniforme
•Flujo Segregado

•Incorrecto •Correcto
9. Problema con el diseño de la salida
del depósito de alimentación al
transportador vibratorio.

•Lento •Rápido •Velocidad Uniforme

•Flujo Segregado •Flujo Uniforme

•10•o
•Vibrador Magnético

•Incorrecto •Correcto
Segregación en el Apilamiento (Stockpile):
Enviando un ciclo costoso al Molino SAG

•ROM

•SAG

•Tons/hora Cíclico
•Consumo Energía Cíclico
•Nivel del Stockpile va subiendo: •Alimentación de distribución de
•Rango de Flujo al Molino SAG con demasiados finos •tamaño partículas cíclico al
•Nivel del Stockpile va bajando: •Molino de Bolas.
• Rango de Flujo al SAG con demasiados fragmentos gruesos
El
ElError
Errorde
deDelimitación
Delimitacióndel
delincremento
incremento
en
enla
laMina
Minayydurante
durantela
laexploración.
exploración.

•Sub-perforación
anterior.

•Actual Sub-perforación

Este “sesgo” de delimitación comúnmente es introducido cuando se muestrea


el material de los hoyos de tronadura en la Mina, este es un problema con
desvastadores efectos para el control de la ley del mineral, y para el
desempeño financiero de largo plazo de la Mina:
ESTE PROBLEMA NO RECIBE LA ATENCIÓN QUE MERECE.
Dividiendo
Dividiendoun
undepósito
depósitotri-dimensional
tri-dimensionalen
en
22depósitos
depósitosdimensionales.
dimensionales.

Z
X

En algunos casos, el muestreo en hoyos de tronadura es tan malo que podría


llegar a ser factible separar la perforación RC de varios bancos a la vez.
La
Laperforación
perforaciónde
deestéril
estériloouna
unamala
malainvestigación
investigación
geológica
geológicapodría
podríacrear
crearun
un“sesgo”
“sesgo”de
dedelimitación.
delimitación.

•Estéril
na
•Zo alizada
i ner
M
La
Lalongitud
longitudconstante
constantede
desondaje
sondaje
podría
podríano
noser
seruna
unabuena
buenaidea.
idea.

•100% Recuperación
•65% Recuperación
•97% Recuperación

•Muestra de 3 metros

•¿Está seguro que el compuesto de la muestra de 3 metros


formada por 3 diferentes recuperaciones, es exacta?

•Una longitud de muestreo sistemático puede generar un gran “sesgo” en la


exploración geo-química.
La
Laconsistencia
consistenciadel
delcanal
canalde
dela
la
muestra
muestraes
esun
undeber.
deber.

•Correcto •Correcto •Incorrecto


Interceptar
Interceptartodo
todoel
elflujo
flujode
delas
lasvirutas
virutas(ripio)
(ripio)
extraídas
extraídases
esun
undeber.
deber.

Asumir que las pequeñas ventanas de muestreo recolectan una muestra representativa de
todos los tamaños de fracción es una forma intolerable de jugar:
No tiene nada que ver con el muestreo.
Uso
Usode
deun
unbalde
balderadial
radialpara
para
muestreo
muestreode
dehoyos
hoyosde
detronadura.
tronadura.
Sistema
Sistemade
deMuestreo
Muestreosugerido
sugeridopara
para
muestreo
muestreode
dehoyos
hoyosde
detronadura
tronadurayyRC.
RC.

•Puerta de •Embudo Alimentador


Inspección.

•Flujo que cae alrededor del cono.


•Cono que asegura un corte
perfecto de los cortadores.
•Cono desviador
•Rodamiento

•Cortadores Rotatorios

•Rodamiento a prueba de polvo.

•Rodamiento

•Cámara del Flujo Principal


•Motor: 15 revoluciones
por minuto como máximo.

•Muestra •Rechazos
Sistema
Sistemade
deMuestreo
Muestreosugerido
sugeridopara
paramuestreo
muestreode
de
hoyos
hoyosde
detronadura
tronadurayyRC:
RC:Vista
VistaSuperior.
Superior.

•Parte del cortador en el flujo •Cámara del Muestreador

•Cono que asegura un corte


•perfecto de los cortadores.

•Embudo Alimentador
•Flujo que cae alrededor del cono.

•Cono Desviador

•Cono Apex donde cae el flujo.


Muestreo
Muestreode
deun
unApilamiento
Apilamiento(Stockpile):
(Stockpile):
Un
Unproblema
problemamuy
muydifícil
difícilde
dedelimitación.
delimitación.
Muestreo
Muestreode
deun
unApilamiento
Apilamiento(Stockpile):
(Stockpile):
Siempre
Siempretenga
tengaacceso
accesoaacualquier
cualquierparte
parte
que
quedesee,
desee,al
alazar.
azar.
Muestreo
Muestreode
deun
unApilamiento
Apilamiento(Stockpile):
(Stockpile):
Uso
Usode
deun
unBarreno
Barreno

•Revestimiento protector •Parte Faltante


Muestreo
MuestreoSubterráneo:
Subterráneo:
Uso
Usode
de“Broca
“Brocade
deMuestreo”
Muestreo”(Sampdrill)
(Sampdrill)
versus
versuscanal
canalde
demuestreo.
muestreo.

•Embolo Toilet de la •Resorte para mantener la taza


taza de goma. de goma siempre en la pared.

•Perforadora de Impacto

•Sistema recolector de muestra


en el fondo de la taza de goma. •Brazo flexible para apoyar el
peso de la perforadora, cuando
es operada por el trabajador.
Muestreo
MuestreoSubterráneo:
Subterráneo:
“Sampdrill”
“Sampdrill”es
esmucho
muchomás
másconsistente
consistenteque
que
cualquier
cualquiercualquier
cualquiercanal
canalmanual
manualde
demuestreo
muestreo
real.
real.

•CANAL DE MUESTREO TEORICO

•CANAL DE MUESTREO REAL

•Parámetros del Muestreo:


•p= Profundidad del Hoyo
•d=Diámetro de los Hoyos
•Perforadora de Muestreo
•s=Espaciamiento entre los Hoyos
•c=Longitud del Compuesto
•n=Número de hoyos perforados en “c”
Muestreo
MuestreoSubterráneo:
Subterráneo:
Comparación
Comparaciónde deProfundidad
Profundidadentre
entreel
el“Sampdrill”
“Sampdrill”
yylos
loscanales
canalesde
demuestreo
muestreoaaintervalos
intervalosdede11metro.
metro.

•METROS
Muestreo
MuestreoSubterráneo:
Subterráneo:
Delimitación
DelimitaciónCorrecta
Correctapara
parael
elfrente
frente
del
delcanal
canalde
demuestreo.
muestreo.

Mineral Material
Estéril

Material
Estéril

Algunos minerales pueden mostrar un fuerte


enriquecimiento cerca de los contactos.

No confunda el límite ideal de la muestra (delimitación


correcta) con la muestra real recolectada (extracción
correcta).
Muestreo
MuestreoSubterráneo:
Subterráneo:
¿Hasta
¿Hastadónde
dóndepueden
puedenesperarse
esperarsepartículas
partículas
de
deoro
oroen
enel
elmaterial
materialestéril?
estéril?

Mineral

Material Material
Estéril Estéril

Como prueba, recolecte las muestras en variadas


distancias desde el contacto, en el lado del material
estéril. Cada muestra debe estar paralela al contacto.
Perforación
Perforaciónparalela
paralelaaaestructuras
estructurasmineralizadas:
mineralizadas:
El
Elmapeo
mapeode
deuna
unailusión.
ilusión.
Fosos
Fososde
deperforación
perforaciónaatravés
travésde
dela
lamineralización:
mineralización:
Un
Unmapeo
mapeomás
másrealista
realistadel
delmineral
mineralyyel
elmaterial
materialestéril.
estéril.
El ERROR DE DELIMITACIÓN del incremento
en la Planta.

El ERROR DE DELIMITACIÓN DE del incremento introduce los más grandes


“biases” encontrados en el muestreo.

z
x

1. Una muestra debe ser equiprobabilística.


2. Un flujo de proceso siempre está segregado.
3. Un flujo de proceso es tri-dimensional.
4. Pero, depende de nosotros desarrollar un muestreo tri-dimensional, bi-
dimensional o uni-dimensional.
Muestreo
MuestreoUni-dimensional
Uni-dimensional

•Corriente
de flujo

•Parte consistente
a través del flujo

Para un exacto balance metalúrgico, se debe desarrollar un muestreo uni-


dimensional.
Para un efectivo control del proceso, se recomienda desarrollar un muestreo
uni-dimensional.
Ejemplos
Ejemplosde
demuestreo
muestreotri-dimensional
tri-dimensional
Caso
Caso#1:
#1:Muestreo
Muestreode
deun
uncarro
carrode
deferrocarril.
ferrocarril.

Encuentre, por lo menos, 3 problemas.


Ejemplos
Ejemplosde
demuestreo
muestreotri-dimensional
tri-dimensional
Caso
Caso#2:
#2:Muestreo
Muestreode
deun
unCargador
CargadorFrontal
Frontal

Encuentre, por lo menos, 3 problemas.

•Apilamiento (Stockpile)

•Incremento recogido

•Compuesto de la Muestra
Muestreo
Muestreodel
delFlujo
Flujo

Hay tres elecciones, pero solamente una se puede ejecutar correctamente.

Todo el flujo parte del tiempo

Parte del flujo todo el tiempo

Parte del flujo parte del tiempo


Validez
Validezde
dela
laDelimitaciòn
Delimitaciòndel
delIncremento:
Incremento:
No
Notomar
tomaren
encuenta
cuentalos
losfragmentos.
fragmentos.

•Corriente de Flujo

•La amplitud (anchura) del incremento


debe permanecer constante todo el
trayecto a través del flujo.
Estructura
Estructuracorrecta
correctaposicionada
posicionadaen
enuna
una
correa
correatransportadora
transportadoradetenida.
detenida.

• Posicionamiento
Hidráulico.

•Correa transportadora
detenida.

•Muestra de
Referencia

Este sistema puede proporcionar una buena muestra de referencia, cuando se efectúa
una prueba de “bias”.
Muestreador
Muestreadorde
deruta
rutarecta
rectaal
alflujo
flujotransversal.
transversal.

•Flujo que cae

El cortador debe cruzar el flujo a


una velocidad constante.

•Ancho del Corte se


•Incremento •Incremento
mantiene constante.
de la Muestra de la Muestra

•Flujo

•Vista Superior
•Dirección del
Cortador
El
ElCortador
Cortadorpuede
puededañarse
dañarsecon
conel
elexceso
excesode
detrabajo.
trabajo.

•Flujo que Cae

Se debe mantener cuidadosa y


sistemáticamente las cuchillas del cortador.

•Ancho del Corte


•Incremento
no constante
de la Muestra

•Flujo

•Vista Superior
•Dirección del
Cortador.
El
ElCortador
Cortadoryylas
lasCuchillas
Cuchillasdeben
deben
ser
serlimpiadas
limpiadasen
encada
cadaTurno
Turnode
deTrabajo.
Trabajo.

•Flujo que cae

Las cuchillas del cortador deben ser


cuidadosamente lavadas después de cada corte.

•Ancho del Corte


•Incremento de no constante.
la Muestra.

•Flujo

•Vista Superior
•Dirección del
Cortador.
El
ElSistema
SistemaAccionador
Accionadordel
delCortador
Cortador
no
nodebe
debeestar
estarbajo
bajodiseño.
diseño.

•Flujo

•Dirección del Cortador


•Ancho del Corte
no constante
La
LaPosición
PosiciónEstacionaria
Estacionariadel
delCortador
Cortador
debe
debeestar
estarlejos
lejosdel
delflujo.
flujo.

El Sistema Accionador del Cortador debe ser eléctrico.

•Flujo

•Dirección del Cortador


•Ancho del corte
no constante.
El
ElMuestreador
MuestreadorRotatorio
RotatorioVezin
Vezin

•Flujo

•u
•3d

•Flujo

•Dirección del Cortador


•Ancho del Corte
mantenido
•Incremento de
constante.
•Flujo la Muestra.

•Vista Superior
Validez
Validezde
deun
unMuestreador
MuestreadorVezin
Vezin

•Abertura del Cortador •W


•Abertura del Cortador •w

•Circunferencia •c
•Circunferencia •C

•c •w
•Rango de Muestreo   •Constante
•C •W
Un
UnMuestreador
MuestreadorComún
ComúnVerzin,
Verzin,incorrecto
incorrecto

•Vista superior

•Incremento de la
•Flujo Muestra.
Si
Siuna
unaparte
partedel
delflujo
flujose
sepierde
pierdeen
enel
elmuestreador,
muestreador,
resulta
resultaun
un“sesgo”
“sesgo”de
dedelimitación.
delimitación.

•Flujo que cae

•Parte del flujo


•Incremento de se pierde.
la Muestra

•Flujo

•Dirección
del Corte
•Vista Superior
El
Elflujo
flujono
nodebe
deberecolectar
recolectarningún
ningúnmaterial
materialcuando
cuando
está
estádetenido
detenidoen
enposición
posiciónestacionaria.
estacionaria.

•Flujo

•Area afectada por un


problema de polvo.

•Dirección •Contaminación
del Cortador

•Flujo
Si
Sisolamente
solamentese
sedispone
disponede
deuna
unaposición
posición
estacionaria,
estacionaria,el
elcortador
cortadorno
nodebe
deberetroceder
retrocederaatravés
través
del
delflujo
flujodemasiado
demasiadopronto.
pronto.

•Durante la trayectoria de retorno,


hay un área donde nada puede
ser tomado por el cortador.

•Flujo

•Solamente una posición


estacionaria.
Sondas
SondasEstacionarias
EstacionariasEn-el-Flujo
En-el-Flujo

•Flujo

•Muestra

•Flujo

•Muestra

•Flujo

•Muestra

La presunción intolerable:
“El flujo no está segregado, por consiguiente, el recolectar
cualquier parte del flujo es bastante bueno.”
Introducción
Introducciónde
deuna
unaturbulencia
turbulenciaen
enel
elflujo
flujo
para
paraminimizar
minimizarla
lasegregación
segregaciónaatravés
travésdel
delflujo.
flujo.

•Flujo

•Muestra

¡ Moviéndose de muy malo a malo !


Se
Sedebe
debelavar
lavarla
lasonda,
sonda,previo
previoaarecolectar
recolectarla
lamuestra.
muestra.

•Flujo

•Muestra
Puerta
PuertaEstacionaria
Estacionariapor
porflujo
flujo

•El material fino que se mueve en la parte


superior del flujo nunca es muestreado.

•Flujo
•Punto de Muestreo

•Incremento de
la Muestra.
El
ElError
Errorde
deAgrupamiento
AgrupamientoyySegregación
Segregación
al
alrescate:
rescate:Una
Unaalternativa
alternativaatractiva
atractiva

•Flujo interior que


induce turbulencia.

•Cinco Cortadores

•Z
•Y

•X
•El flujo de la muestra va
•Flujo Principal
a una etapa de muestreo
similar, más pequeña.

•Sistema de Muestreo sugerido para el control del proceso del muestreo de lechadas:
•Sistema Thermo Gamma-Metrics Anstat.

• Dimensión X es muestreada todo el tiempo.


• Dimensión Y es completamente representada.
• Dimensión Z es representada por el agrupamiento de varios incrementos
minimizando el efecto de segregación a través del flujo.
Canal
Canalde
deMuestreo
Muestreoaatravés
travésdel
delflujo.
flujo.

•Flujo

•Incremento
de la Muestra

Ejercicio: Encuentre qué es lo que está equivocado


con este sistema de muestreo.
Estabilizando
Estabilizandoel
elrango
rangodel
delflujo,
flujo,antes
antesdel
del
Analizador
Analizadoren
enLínea.
Línea.

•Flujo

•Analizador en-línea

•Flujo
Ejercicio:
Ejercicio:
¿Qué
¿Quéestá
estáequivocado
equivocadobásicamente
básicamentecon
conun
un
muestreador
muestreadorde
dealeta?
aleta?

•Flujo que cae

•El ancho del incremento, a través


del flujo, no se mantiene constante.
•Posición inactiva, •Posición inactiva,
abierta. cerrada.
•1

•2 •Flujo
•1 •2

•Flujo •Incremento de
la muestra.
La
Lamayoría
mayoríade
delos
lossistema
sistemade
dedesviación
desviacióndel
delflujo,
flujo,
llevan
llevanaaun
unincremento
incrementodel
del“sesgo”
“sesgo”de
dedelimitación.
delimitación.

•Incremento de
la muestra.

•Flujo

•Incremento de
•la muestra.

•Flujo
Ejercicio:
Ejercicio:
¿Qué
¿Quéestá
estábásicamente
básicamenteequivocado
equivocadoen
en
este
estemuestreador
muestreadorde
demanguera?
manguera?

•Flujo que cae.

•Trayectoria de la manguera

•El ancho del incremento, a


•2 través del flujo, no se mantiene
constante.

•1
•1

•Flujo

•Flujo •Incremento de •2
•la muestra.
Ejercicio:
Ejercicio:
¿Porqué
¿Porquéestá
estácorrecto
correctoeste
este
muestreador
muestreadorde
demanguera?
manguera?

•Flujo que cae

•El ancho del incremento, a través


•del flujo, se mantiene constante.
•Trayectoria de la manguera

•1

•2 •Flujo

•1

•2

•Flujo
•Incremento de
•Vista Lateral del cortador la muestra. •Vista Superior del cortador
Ejercicio:
Ejercicio:
¿Es
¿Esimportante
importantela
laforma
formadel
delflujo?
flujo?
El ERROR DE DELIMITACION del incremento en
el Laboratorio.

•Incremento de
la muestra.

Este procedimiento de muestreo es muy importante en el Laboratorio.


Sin embargo, ha sido mal usado en un caso de engaño fascinante en
el muestreo comercial.
La
Lasencillez
sencillezdel
delmuestreo
muestreousando
usandoun
un
modelo
modelouni-dimensional.
uni-dimensional.

•Incremento de
la muestra.
La
Laherramienta
herramientade
demuestreo
muestreopodría
podríano
norespetar
respetarlas
las
reglas
reglasde
dela
lavalidez
validezde
dela
ladelimitación.
delimitación.

•A •B

•Incremento •Incremento
Incompleto completo
incorrecto Correcto.
Diseño
Diseñocorrecto
correctode
deuna
unapala,
pala,cuchara
cuchara
yyespátula.
espátula.

•Diseño incorrecto •Diseño correcto

•Espátula

•Cuchara

•Pala
Ejercicio:
Ejercicio:
¿Qué
¿Quéestá
estábásicamente
básicamenteincorrecto
incorrectocon
con
los
losincrementos
incrementosseleccionados?
seleccionados?
Similitudes
Similitudesentre
entreel
elproceso
procesode
deincremento
incremento
yyel
elproceso
procesode
deseparación.
separación.

•Proceso de incremento •Proceso de Separación

•1. Selección del Punto de Muestreo •1. Delimitación de fracción

•2. Extensión de delimitación del •2. Separación de Fracción


incremento.

•3. Extracción del incremento •3. Creación de dos muestras potenciales

•4. Reunión del incremento •4. Selección de la muestra


El
Elpobre
pobreuso
usode
deun
unseparador
separadordivisor:
divisor:
Un
Un“sesgo”
“sesgo”de
dedelimitación
delimitaciónseguro
seguro
El
Eluso
usode
deun
unbalde
baldereceptor
receptorpara
paraalimentar
alimentaral
al
separador
separadordivisor:
divisor:
Un
Un“sesgo”
“sesgo”de
dedelimitación
delimitaciónseguro.
seguro.

•o, aún peor:


El
Eluso
usocorrecto
correctodel
delseparador
separadordivisor
divisorrequiere
requierelas
las
siguientes
siguientescondiciones:
condiciones:

1. Todas las canaletas son del mismo ancho.


2. Hay el mismo número de canaletas a ambos lados.
3. La pala de alimentación tiene exactamente el mismo ancho que la apertura
de todas las canaletas combinadas.
4. Las separaciones entre canaletas son hojas muy angostas.
5. Alimente el separador divisor lentamente, en el medio.
6. La muestra debe ser seleccionada al azar o en forma alternada de un lado
al siguiente.
7. Ambas muestras potenciales debe tener pesos iguales y distribuciones
iguales de tamaño de partícula.
La
Lavalidez
validezde
dedelimitación
delimitacióndel
delconeo
coneoyycuarteo.
cuarteo.

B
A C

A C

El coneo y cuarteo pueden no ser efectivos para miminizar el Error de


Agrupamiento y Segregación, pero la delimitación de los incrementos es
correcta.
¿Cómo
¿Cómopueden
puedenlos
losincrementos
incrementos“sesgados”
“sesgados”llevar
llevar
aaun
unmuestra
muestraexacta?
exacta?

. ..
, 7, 9
5
1 , 3,
h a ra
c
• Cu

•C
u ch a
ra
2,
4, 6
,8
...

Para un paleo alternado, el trabajo nunca


se completa antes que el lote original se
termine completamente . Entonces, y sólo
entonces, una de las dos pilas nuevas
pueden seleccionarse al azar como una
muestra.
Ilustración
Ilustraciónde
deun
undivisor
divisorrotatorio
rotatorioincorrecto.
incorrecto.

•Depósito + Vibro
Transportador.

•Flujo
Ilustración
Ilustraciónde
deun
undivisor
divisorrotatorio
rotatoriocorrecto.
correcto.

•Incremento Radial correcto

•1

•2

•3
•4

•5

•6
•7

•1. Embudo 2. Transportador Vibratorio 3. Generador de Vibración 4. Alimentador


Giratorio 5. Separador sectorial Radial + vista superior 6. Jarros 7. Motor y Engranaje.
Ilustración
Ilustraciónde
deun
undivisor
divisorrotatorio
rotatoriotípico.
típico.

•¿CUALES SON LAS VENTAJAS Y DESVENTAJAS?

•EMBUDO ALIMENTADOR

•PUERTA DESLIZANTE

•ALIMENTADOR VIBRATORIO

•DEPOSITOS REMOVIBLES

•TORNAMESA

•ACCIONAMIENTO (Encerrado)
El
ElError
Errorde
deExtracción:
Extracción:
Ejemplo
Ejemplodurante
durantelalaExploración
Exploraciónyyen
enlalaMina
Mina

Material delicado en fracturas


o contactos
es perdido selectivamente.

•100% Recuperación
•65% Recuperación
•97% Recuperación
•Muestra de 3 metros

El Error de Extracción podría haber sido llamado el Error de Recuperación de la


muestra.
El
ElError
Errorde
deExtracción:
Extracción:
Una
Unabuena
buenarecuperación
recuperacióndel
delnúcleo
núcleode
delalamuestra
muestra
es
esmuy
muyimportante.
importante.

Agua de
enfriamiento

Cortadores
+
agua

Cabeza
Cónica de
Diamante

Núcleo sin
descomponer
Corte
Cortede
defragmentos,
fragmentos,ooel
elrespeto
respetoaala
la
Regla
Regladel
delCentro
Centrode
deGravedad.
Gravedad.
Es
Esimportante
importantela
laelección
elecciónde
dela
labroca
brocade
de
perforación
perforaciónde
denúcleo
núcleode
dediamante.
diamante.

Elevador del
Núcleo (muestra
de sondaje)

Bajo torque en la muestra Alto torque en la muestra


de sondaje: de sondaje:
Menos fragmentación: Más fragmentación:
Más Recuperación Menos Recuperación
Los
Losgrandes
grandesriesgos
riesgosde
dela
laperforación
perforaciónde
de
Circulación
CirculaciónReversa.
Reversa.

La Perforación de Circulación Reversa es rápida y barata, pero los riesgos son


muchos:
1. Area de Excavación, introduciendo contaminación en la muestra.
2. Parte de la muestra se pierde en grietas y fracturas.
3. Contaminación de los niveles superiores, especialmente después de
alcanzar la tabla de agua (napa).
4. Material llevado al hoyo por engrosamiento local.
5. Falla al levantar fragmentos durante el período de muestreo.
6. Falla al recolectar partículas finas perdidas con el aire o en la lechada.
7. Pobre geología, por consiguiente, pobres geoestadísticas.

Conclusión:
Durante la exploración del mineral, la perforación de Circulación Reversa
puede introducir devastadoras “biases” de extracción. Es justo decir que es
una forma de apuesta. Es una técnica de perforación muy atractiva, pero sea
muy cuidadoso.
El
ElEfecto
Efectode
deSacado:
Sacado:
Perforación
Perforaciónde
deNúcleo
Núcleode
deDiamante
Diamante

•In-Situ •Recuperación Ideal •Efecto de Sacado


El
ElEfecto
Efectode
deSacado:
Sacado:
Perforación
Perforaciónde
deCirculación
CirculaciónReversa
Reversa

•In-Situ •Efecto de Sacado


El
ElEfecto
Efectode
deSacado:
Sacado:
Cuantificación
Cuantificación

Ejemplo de Calcopirita

aL El contenido real de Calcopirita de la roca (%),


aC El contenido real de Calcopirita de la perforación con núcleo de diamante (%),
aR El contenido de Calcopirita de la perforación RC (%),
dL El tamaño promedio observado de los granos de Calcopirita,
o amplitud (grosor) de la veta (cm),
RC El radio del núcleo del diamante (cm),
RCeff El radio efectivo del núcleo del diamante (cm),
RR El radio del hoyo RC (cm),
RReff El radio efectivo del hoyo RC (cm),
H La longitud de la intercepción de la perforación (cm),
D La densidad de la roca (g/cc).
R C R R

R C eff
d L

R R eff
El
ElEfecto
Efectode
deSacado:
Sacado:
Fórmulas
FórmulasUtiles
Utiles

RCeff  RC  0.5d L

RRe ff  R R  0.5d L

WC  DhRC2

WCeff  Dh  RC  0.5d L 


2

WC RC2
CC  
WCeff  RC  0.5d L  2

WRe ff  Dh  RC  0.5d L 


2

WR RR2
CR  
WRe ff  RR  0.5d L  2
El
ElEfecto
Efectode
deSacado:
Sacado:
Ejercicio
Ejercicio

La muestra de sondaje (núcleo) NQ tiene un diámetro de 4.76 cm. El contenido


de cobre del análisis del núcleo es de 1.00%. El tamaño promedio de los granos de
Calcopirita es de 0.2 cm. ¿Cuál debería ser el contenido real de cobre?

Un hoyo de RC tiene un diámetro de 12 cms. El contenido de cobre del análisis es


de 1.00%. El tamaño promedio de los granos de Calcopirita es de 0.2 cm. ¿Cuál
debería ser el contenido real de cobre?
Clasificación
Clasificaciónde
delos
loscortes
cortesdurante
durantela
la
Perforación
Perforaciónde
deCirculación
CirculaciónReversa.
Reversa.
Perforando
Perforandomaterial
materialblando:
blando:
Arcilla,
Arcilla,Laterita,
Laterita,Tierra.
Tierra.

Muestra del Sondaje Estirado

Ø2
Ø1
Recuperación
RecuperaciónParcial
ParcialyySelectiva
Selectivade
dela
laMuestra.
Muestra.

Los sedimentos, arena y


arcilla son posibles de ser
recuperado.

Los fragmentos grandes


probablemente sean
rechazados.
Contaminación
ContaminaciónHoyo
HoyoAbajo
Abajo

•MATERIAL ESTERIL

•MINERAL

•MATERIAL
ESTERIL.

Reservas
Distorsión y creación de desconocidas,
reservas que no existen reales.
Problemas
Problemasde
deExtracción
Extraccióncon
conlos
losbarrenos.
barrenos.

Los fragmentos gruesos son empujados hacia afuera.


El
ElError
Errorde
deExtracción:
Extracción:
Ejemplo
Ejemplode
deMuestreo
Muestreode
deHoyos
Hoyosde
deTronadura.
Tronadura.

Cortina Cortina

Polvo Fugitivo Polvo Fugitivo


El
ElError
Errorde
deExtracción:
Extracción:
Se
Sedeben
debenrecuperar
recuperartodos
todoslos
losfinos.
finos.

Ciclón Primario
Vástago Al Colector
Collector de Polvo

Sellos

Ciclo
Secundario

Al Sistema de Muestreo
Un
Uncontacto
contactogeológico
geológicode
dealto
altogrado
gradopodría
podríaser
ser
contabilizado
contabilizadodos
dosveces
vecesdurante
durantela
laextracción
extracciónde
delala
muestra.
muestra.

Mineral
Estéril

Estéril

El contacto de alto-
grado podría ser
contabilizado dos veces.

El muestreo de canal podría sobre-estimar la ley del estéril si el operador se


acerca demasiado al contacto.
Cuando
Cuandomuestree
muestreematerial
materialestéril,
estéril,manténgase
manténgase
alejado
alejadode
delos
loscontactos.
contactos.

Contacto Límite de la muestra 10


contabilizado una cms dentro del material
vez estéril.

Delimitación sugerida de la muestra, para evitar un “bias” devastador de la


extracción.
Un
Uncaso
casomuy
muydifícil:
difícil:
Muestreo
Muestreoenenpuntos
puntosdibujados
dibujados

Excavación en Bloques

Recolección de una Recolección de una


muestra de fragmentos de muestra de peñascos de
menos de 5 cms. más de 5 cms.

Generalmente, se recolecta solamente una muestra formada por fragmentos de


menos de 5 cms., llevando a un “bias” de extracción muy grande.
Muestreando
Muestreandoen
enlos
lospuntos
puntosdibujados:
dibujados:
Dibuje
Dibujeun
ungráfico
gráficode
decontrol
controlcon
conlos
losresultados
resultadosde
de
ambas
ambasmuestras.
muestras.

•Area donde el mineral •Area donde el mineral


se mezcla con otro está contaminado con el
•% Cu mineral de los niveles estéril de los niveles
superiores superiores.

•2.00
•A

•1.00
•Ley de Corte

•B
•0

•500 •1000 •1500 •2000 •2500 •3000 •3500 •4000 •4500 •5000
•Tons

Ejemplo de muestreo alternado en los puntos dibujados en una Mina de Cobre:


A: Muestras con fragmentos menores de 5 cms.
B: Muestras con peñascos de más de 5 cms.
El
ElERROR
ERRORDE
DEEXTRACTION
EXTRACTIONdeldelincremento
incrementoen
enla
la
Planta.
Planta.

Como el ERROR DE DELIMITACION, el ERROR DE EXTRACCIÓN EE introduce


los “biases” más grandes encontrados en el muestreo.
Debe respetarse la Regla del Centro de Gravedad:
Todos los fragmentos que tienen su centro de gravedad dentro del modelo de
incremento extendido, pertenece al modelo del incremento extraído.

•Debe caer en ambos lados


al azar.
Condiciones
Condicionesde
devalidez
validezdedela
laextracción
extracciónrelativa
relativaaala
la
características
característicasdel
delcortador.
cortador.

Condiciones que probablemente juegan un rol importante:


1. Rectitud de los bordes del cortador
2. Grosor de los bordes del cortador
3. Forma de los bordes del cortador
4. Longitud de la abertura del cortador
5. Inclinación de la abertura del cortador
6. Ancho del cortador
7. Velocidad del cortador
8. Profundidad, capacidad y diseño general del cortador
9. Turbulencias y velocidad del flujo
Rectitud
Rectitudde
delos
losbordes
bordesdel
delCortador
Cortador

•Correcto

Asumimos que ambos bordes del cortador están


rectos y perpendiculares a la trayectoria del
cortador.

•Incorrecto

La principal condición a cumplir es asegurar que el


borde de salida está perfectamente
superpuesto al borde principal,
1. Mediante un traslado para cortadores de
vía recta, o
2. Mediante una rotación para cortadores de
vía circular.
Grosor
Grosorde
delos
losBordes
Bordesdel
delCortador
Cortador

•Fragmento •Fragmento
perdido Ganado
•Borde de •Borde
•Paredes Interiores
Salida Principal

•Dirección del Cortador


Forma
Formade
delos
losBordes
Bordesdel
delCortador
Cortador

•Borde de •Borde
Salida Principal.
•Fragmento
•Fragmento •ganado con
fácilmente •dificultad.
perdido.
•Paredes Interiores

•Dirección del Cortador


Bordes
Bordesajustables
ajustablesdel
delCortador:
Cortador:
Pueden
Puedenarruinar
arruinarla
lavalidez
validezdel
delsistema
sistemade
demuestreo.
muestreo.

Placa Material
Ajustable Acumulado

•Trayectoria
del Cortador

El borde principal de un cortador rotatorio puede siempre permanecer sucio,


mientras que el borde de salida permanece limpio.
También, las placas ajustables raramente permanecen perfectamente
simétricas.
Diseño
Diseñode
delos
losBordes
Bordesdel
delCortador
Cortador

•Diseños Malos

•Buen Diseño

•X
•70•o


•Y

•Y
•X
Longitud
Longitudde
dela
laAbertura
Aberturadel
delCortador
Cortador

•Extracción Errónea

•Pérdida de Fragmento

•Flujo
•Incremento

•Extracción Correcta

•Fragmento Recuperado

•Flujo
•Incremento
El
ElFlujo
FlujoSecundario
Secundariodebe
debeestar
estarrepresentado
representadoen
enla
la
Muestra.
Muestra.

•1. Flujo Principal


•2 •1 •2. Flujo Secundario

•Flujo
•Incremento
Inclinación
Inclinaciónde
dela
laAbertura
Aberturadel
delCortador
Cortador

•Flujo

•Flujo

•Incremento
Los
LosCortadores
Cortadoresno
nodeberán
deberánser
serverticales.
verticales.

•Flujo

•Incremento •Flujo
El
ElCortador
Cortadorno
nodebería
deberíarebalsar
rebalsar

•Flujo

•Incremento •Flujo

Volumen de material presente dentro del cortador.


Volumen Máximo aceptable en el cortador.
Tiempo de corte del Flujo Tiempo de Descarga

Tiempo
Muchos
Muchoscortadores
cortadoresestán
estánpobremente
pobrementediseñados.
diseñados.

•Flujo
•?

•Incremento •Flujo
El
ElCortador
Cortadordebe
debecruzar
cruzarun
unflujo
flujoquieto.
quieto.

•Estanque
de Aguja.

ujo
• Fl

•Buzón
Divergente

•Cortador

•Plataforma
de Trabajo

•Flujo

Para que ocurra la validez de la extracción,


el flujo no debería ir a más de 2 metros/segundo.
El
ElCortador
Cortadorde
debalde
baldede deflujo
flujotransversal
transversalno
nodebería
debería
estar
estarlleno
llenoaamás
másdede1/3
1/3..

•Correcto •Incorrecto
Diseño
Diseñode
deCortador
Cortadorrecomendado
recomendadopara
paramuestreo
muestreode
de
material
materialpegajoso.
pegajoso.

Y  X

X
Diseño
Diseñode
deCortador
CortadorRecomendado
Recomendado

•W

•Y

•Acero muy duro, hojas


•del cortador perfectamente
•simétricas.

•X

•Z

•<20••
Las
Lasaberturas
aberturasdel
delCortador
Cortadordemasiado
demasiadoestrechas
estrechasno
no
funcionan
funcionanadecuadamente.
adecuadamente.

La abertura de un cortador móvil no puede ser más pequeña que 1 centímetro.


Requisitos
Requisitosde
deanchura
anchuradel
delCortador
Cortadorpara
parala
lavalidez
validez
de
dela
laextracción
extracción(correcta).
(correcta).

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

Sólidos mayores de 0.3 centímetros

W  W0  3d

W 0
Requisitos
Requisitosde
deanchura
anchuradel
delCortador
Cortadorpara
pararangos
rangosdede
flujo
flujomuy
muygrandes
grandesen
enlas
lasPlantas
Plantasde
deflotación.
flotación.

•10000

•Rango de flujo de la lechada


•9000 en metros cúbicos/hora.

•8000

•7000

•6000

•5000

•4000

•3000

•2000

•1000

•0
•0 •1 •2 •3 •4 •5 •6 •7 •8 •9 •10

•Abertura del Cortador Recomendada


•W•0
en centímetros.
Requerimientos
Requerimientosdedevelocidad
velocidaddel
delCortador
Cortadorpara
parala
la
validez
validezde
dela
laextracción
extracciónde
delos
losmuestreadores
muestreadores
rotatorios.
rotatorios.

V 0
Validez
Validezde
dela
laextracción
extracciónde
delos
losseparadores-
separadores-
divisores.
divisores.

No alimente demasiado rápido los separadores-divisores.

•Correcto •Incorrecto
Los
Losseparadores-divisores
separadores-divisoresson
sonfácilmente
fácilmentemal
mal
usados.
usados.
Los
LosErrores
Erroresde
dePreparación
PreparaciónPE:
PE:
Manteniendo
Manteniendolalaintegridad
integridadde
dela
lamuestra.
muestra.

Todas las operaciones no-selectivas desarrolladas en el lote,


incremento seleccionado, o la muestra seleccionada, son
referidas como etapas de preparación. Hay varias categorías:
1. Transferencia del incremento de un sistema de muestreo a un
sistema transportador,
2. Transferencia de un sistema transportador al próximo sistema de
muestreo,
3. Etapas de Pulverización (molienda),
4. Operaciones de cernido húmedas o secas,
5. Secado de sólidos,
6. Filtración de pulpas,
7. Etapas de Homogeneización, etc…

En una Etapa de Preparación, el peso del material no cambia. Si lo hace,


no sirve para el propósito de muestreo.
Orígenes de los Errores de Preparación

Los Errores de Preparación son inherentes a aquellos que diseñan,


construyen, operar y mantienen los sistemas de muestreo. Ellos son
el resultado de:

1. Ignorancia,
2. Descuido,
3. Incomodidad,
4. Errores no intencionales,
5. Fraude y sabotaje.

Los Errores de Preparación pueden ser responsables de grandes


“biases” del muestreo. Requieren una preocupación y atención
cuidadosa.
Los Errores de Preparación pertenecen a varias
categorías.

1. Errores de Contaminación
2. Errores de Pérdidas
3. Errores generados por un cambio en la
composición química
4. Errores generados por un cambio en la
composición física
5. Errores generados por una pobre capacitación
6. Errores que resultan del fraude y sabotaje
1. Errores que resultan de la contaminación:
Introducción

Es casi imposible extraer, tritura, moler, pulverizar o cernir materiales,


sin introducir alguna contaminación del:
• equipo, o
• del equipo cercano.
La mejor acción preventiva es asegurarse que se excluyan
contaminantes importantes o, por lo menos, que estén presentes en
cantidades insignificantes.
Cuáles contaminantes pueden ser tolerados y cuáles no, depende de
los objetivos dados a las muestras.

Por consiguiente, no es suficiente simplemente enlistar las


condiciones generales para minimizar la contaminación. Además,
el operador debe estar consciente del propósito del muestreo
para evitar el uso de equipo incompatible con la muestra.
Contaminación por polvo

El muestreo de materiales que contengan grandes cantidades de


finos y partículas secas, genera problemas de contaminación
difíciles, a menudo imposibles de solucionar satisfactoriamente.

Soluciones para minimizar estos problemas:

1. 1. Reduzca al mínimo la caída libre del material a ser


muestreado:
• Suprima buzones largos desde las correas transportadoras.
• Para lotes pequeños, se recomiendan los alimentadores
vibratorios.
• Alimente lentamente los separadores-divisores.
2. 2. Encierre todas las fuentes de polvo dentro de las cubiertas,
con una leve presión negativa de aire.
• Demasiada ventilación siempre es dañina.
3. 3.- Proteja los cortadores en la posición “en vacío” con tapas
para evitar la recolección de polvo en todo momento.
Contaminación por material presente en el circuito
de muestreo: Dos casos
1. El mismo material es sometido al circuito de
muestreo a intervalos regulares.

Soluciones para minimizar los problemas de contaminación:

1. Asegúrese que entre cada operación el contenido del compuesto


de interés no cambie mucho.
2. Es necesaria una limpieza rápida entre cada operación, mientras
que no podría ser obligatoria una limpieza minuciosa y completa.
3. En la exploración geoquímica, o para el sub-muestreo en el hoyo
de tronadura, es aconsejable mantener la exacta secuencia de
recolección de las muestras a través de todas las operaciones
subsiguientes.
4. Acuérdese que existe una estrecha correlación entre el
incremento de la contaminación y la disminución del costo de
preparación de la muestra.
5. Siempre el seleccionar el laboratorio más barato no es lo mejor y
conduce a dañar los estándares de la industria.
Ejemplo durante la Exploración

Contaminación cruzada entre muestras sucesivas:


Es mala, pero puede ser superada.

La contaminación cruzada entre muestras


lejanas, es una idea muy pobre.
2. Diferentes materiales son sometidos al circuito
de muestreo.

Soluciones para minimizar los problemas de contaminación:

1. Es una obligación procesar la alimentación, concentración y colas,


con diferentes equipamientos instalados en salas distintas.
2. Si esto no fuese posible, el circuito de muestreo debe ser limpiado
minuciosamente entre cada operación.
3. El circuito puede ser alimentado con material similar en
composición al material real a ser muestreado y preparado.
4. Todos los materiales recolectados en el curso de la limpieza
preventiva debe ser rechazado.
5. Hay menos riesgo al pulverizar las colas, luego alimentación y
luego concentrados, que de la otra manera.
Contaminación por Abrasión

El Triturar, Moler, Pulverizar y Cernir, y en una menor extensión,


todas las operaciones de manejo desarrolladas en materiales
abrasivos, probablemente introduzcan en una muestra pequeña
cantidades de material desgastado provenientes del equipo.

Ejemplos:
1. Contaminación de materiales de hierro usados para procesar el
valioso vidrio blanco.
2. Contaminación por hierro de una muestra de embarque de
mineral de hierro.
3. Cobre, zinc, o hierro de cernidores desgastados.
4. Zinc desgastado de láminas galvanizadas usadas para secar
muestras geoquímicas recolectadas durante la exploración de un
depósito de zinc.
5. Determinación de cantidades de cloro en muestras geoquímicas
manipuladas manualmente.
Contaminación por corrosión

La Corrosión del equipo de muestreo y preparación,


probablemente ocurra con materiales agresivos tales como:
1. Materiales húmedos que desarrollan reacciones ácidas, tales
como minerales que contienen súlfuros.
2. Pulpas que contengan reactivos ácidos en Plantas de Flotación.
3. Lechadas (fango) que contengan ácidos fuertes en Plantas
Hidrometalúrgicas.
4. Plantas de proceso que involucren agua salada (de mar) u otras
soluciones alcalinas.
5. Moho debido al aire húmedo.

En la gran mayoría de los casos, la solución es construir equipos


de muestreo con acero inoxidable de excelente calidad.
2. Errores que resultan en pérdidas:
Pérdidas de finos como polvo

La pérdida de finos ocurre tan pronto como los materiales secos son
transportados, transferidos o enviados en caída libre hacia el
cortador de un muestreador.
Otra fuente de pérdidas es el equipo de trituración, molienda o
pulverización. Estas pérdidas son aumentadas cuando estas partes
del equipo están encerradas en sistemas antipolvos que funcionan
bajo un fuerte vacío.
Los sistemas antipolvo deberían usar el mínimo de vacío y pequeños
flujos de aire, que deben ser cuidadosamente controlados por el
operador.
Los molinos de martillo que rotan a alta velocidad y generan fuerte
turbulencia, no son recomendados.

Para pulverizar muestras hasta 5 kgs, se recomienda sistemas


completamente encerrados, tales como molinos de bola
vibratorios, molinos de anillo, molinos de golpe,...
Pérdidas generadas en el Laboratorio, por el uso
de equipo de tecnología antigua.

Evite el uso de maquinaria de antigua


tecnología, muy polvorienta:
Chancadores de Mordaza

Chancadores de Rodillo

Separadores-Divisores

Pulverizadores de Disco
Pérdidas generadas en el Laboratorio por el uso
de equipo de Tecnología moderna.

El siguiente equipo de tecnología moderna minimiza la pérdida de


finos.

Chancador de Alto Rendimiento,


capaz de entregar material a
menos de 0.3 cm.

Molino de Golpe
Continuo

Divisor Rotatorio

Molino de Golpe LM2 ó LM5

Muestra Final
Pérdida de material dejado en el circuito de
muestreo y preparación.

Después de cada operación de muestreo, el equipo de muestreo y


preparación debe ser limpiado.

Todo el material dejado en el circuito debe ser recuperado y


enviado de vuelta adonde pertenece:
Ya sea a los rechazos o a la muestra, dependiendo a cuál de los dos
grupos pertenece este material.
Pérdida de fracciones específicas de la Muestra.

Ejemplos:
1. La pérdida generada por un cernido descuidado: Nunca olvide
que el cernido puede lograr una segregación perfecta de algunos
compuestos importantes. Tal segregación se usa realmente en
nuestro beneficio o ventaja, cuando desarrollamos cernidos
“metálicos” en ensayos de oro. Pero, la pérdida de una partícula
de oro, pegada en la malla, puede arruinarlo todo.
2. La pérdida generada por la mezcla de compuestos importantes.
Tratar de pulverizar partículas gruesas de oro es la mejor
manera para generar una pérdida sustancial de oro.
3. La pérdida generada por las propiedades electrostáticas de los
compuestos importantes. El mineral de tungsteno “sceelite”, que
se presenta como pequeñas escamas, es un buen ejemplo.
3. Errores que resultan de la alteración de la
composición química.

Hasta aquí hemos considerado la suma o sustracción del material.


Pero, la misma cosa pasa con los átomos o moléculas.
Ejemplos:
1. Un sulfuro que se transforma en sulfato,
2. Un carbonato que se transforma en óxido,

•Peso de Componentes Críticos


•Contenido Crítico 
•Peso de Componentes Activos

La estimación del Contenido Crítico se altera cada vez que el


numerador o el denominador, o ambos, son cambiados.
Es exactamente lo mismo con los fragmentos, la deficiencia afecta la
probabilidad de selección de algunos compuestos que directamente
alteran la exactitud de la muestra en un amplio sentido.
Errores que resultan de la suma o sustracción.

Ejemplos:
1. Eliminación del agua de constitución
2. Eliminación del agua de cristalización
3. Eliminación del dióxido de carbono
4. Eliminación de elementos volátiles o compuestos, tales como
mercurio, selenio, germanio y muchos compuestos orgánicos.
5. Oxidación de sulfuros
6. Fijación del agua
7. Fijación del dióxido de carbono, etc…
4. Errores que resultan de la alteración de la
composición física.

En la industria minera la composición física de un mineral, a menudo


se relaciona con su contenido de humedad y/o la distribución
de tamaño de partícula.

Los problemas pueden ser:


1. Agregado de agua, como Agua de Absorción y/o Agua de
Adsorción.
2. Creación de una clasificación granulométrica
3. Sustracción de agua, como Agua de Absorción, Agua Occluded,
y/o Agua de Adsorción.
4. Destrucción de una clasificación granulométrica dada
5. Sublimación de sulfuro nativo, etc…
5. Errores que resultan de fallas no intencionales

Por razones económicas, políticas o psicológicas, el muestreo dentro


del circuito de estimación es el área más insignificante.
Esto es real para la mayoría de los países al punto que la Teoría del
Muestreo aún no se enseña en las Universidades u otros
establecimientos de enseñanza superior.
Como resultado de esto, el operador de muestreo no está
preocupado de los principios más elementales de la validez del
muestreo. Como sigue ciegamente una vaga recta basada en
operaciones empíricas o en tradiciones bizarras, introduce
necesariamente fallas no intencionales:
• Dejar caer muestras seguido por una recuperación incompleta.
• Mezcla fracciones que pertenecen a muestras diferentes.
• Mezcla de etiquetas.
• Pobre mantención del equipo de muestreo.
• Contaminación y pérdidas,…
6. Errores que resultan de fraude o sabotaje

El hecho de que muy pocas personas están familiarizadas con los


muchos aspectos sutiles de la Teoría del Muestreo, perpetúa la
sobrevivencia del fraude.
Ejemplos:
1. La determinación de humedad de un concentrado de cobre
durante un muestreo comercial.
2. Introducción de partículas de oro en muestras de mineral
triturado que van a un Laboratorio comercial.
3. Laboratorios “hacedores de dinero”, que reciben miles de
muestras ambientales recolectadas a un alto costo, ignorando
las reglas de un correcto sub-muestreo.
4. Alguien que sabiendo que un protocolo de muestreo está
equivocado, acepta el “statu-quo” en nombre de un estándar
defectuoso.
5. Alguien que no tiene el tiempo, o el deseo, de mirar seriamente
hacia los problemas de preparación y sub-muestreo, si el
contrato siempre se le da al Laboratorio más barato.
El muestreo barato puede llevar posteriormente a un
desastre financiero.
El
ElError
Errorde
dePesaje
Pesaje WE
WE

La varianza del Error de Pesaje WE depende de las fluctuaciones del rango de


flujo de la línea, desde la cual son recolectados los incrementos que forman la
muestra.
Algunos fabricantes de equipos de muestreo han implementado un modo de
selección sistemática, basados en un tonelaje constante más que en un intervalo
constante de tiempo.
Es una solución cara y de alta mantención.
Analicemos el problemas más en profundidad:
Si llamamos M a la masa del incremento; W a la anchura constante del cortador
de flujo cruzado; V a la velocidad del cortador; y R al rango de flujo de la línea,
sigue luego que:

W R
M 
V
Análisis

W R
M 
V

Si seleccionamos un modo de selección sistemático de incrementos, basados en


un tonelaje constante, el Error de Pesaje cancela si, y solamente si, el
peso del incremento también es constante.
Dado que W es constante, el peso del incremento también es constante
solamente si la velocidad del cortador V puede ser establecido
proporcionalmente al rango de flujo R: Esto es más fácil decirlo que
hacerlo.
Los sistemas de muestreo de tonelaje constante pueden ser clasificados en dos
categorías:
1. Los Sistemas que usan una velocidad constante del cortador: Estos están
equivocados. Solamente reubicamos el problema en otro lado. Estos sistemas son
inútiles.
2. Los Sistemas que usan una velocidad proporcional del cortador.: En teoría están
correctos, pero en la práctica presentan enormes dificultades:
• Medir el rango de flujo instantáneo en el punto de muestreo con exactitud es
casi imposible.
• Establecer la velocidad del cortador V proporcional al rango de flujo R es muy
difícil.
• La realización de tal sistema confiable a un costo aceptable es casi imposible.
• Mantener tal sistema confiable es costoso.
Conclusión

Si se hace un esfuerzo financiero con el objeto de reducir el Error de Pesaje, es


largamente más barato y más efectivo regular el coficiente del rango de flujo
durante el muestreo de un lote completo, representado por una muestra.
Si el coeficiente del rango de flujo va a cambiar drásticamente, sólo tiene que
comenzar a recolectar una nueva muestra.
Por consiguiente, es más barato y más efectivo confiaren un intervalo constante
de tiempo entre los incrementos, si se respetan las siguientes pautas:
1. La varianza de WE es aceptable cuando las fluctuaciones del rango de flujo
son mantenidas dentro del ±10% relativo al nivel de confianza del 68%.
2. La varianza de WE es insignificante cuando las fluctuaciones del rango
de flujo son mantenidas dentro del ±5% relativo al nivel de confianza del
68% .
Un Muestreador Correcto Vezin es Perfectamente
Proporcional.

•Flujo

•u•3d

•Flujo

•Dirección del Cortador

•Incremento
•Flujo de la Muestra.

•Vista Superior
Problemas con los Pesómetros

R O M

W 1

SA G

W 2
Instalación de un Pesómetro
Recomendado.

•Correa #1
•Torre de Muestreo

•Menos de 70 metros

•Correa #2 •W1
•Menos de 70 metros
•Almacenamiento
•Alrededor de 12 metros
(Stockpile) •W2 •Correa #3

•Alrededor de 12 metros
Los Tres Elementos de un
Programa Exitoso

La determinación del tonelaje exacto que ingresa a la Planta es críticamente


importante.
Los Pesómetros son fuentes notorias de problemas de reconciliación.
La exactitud de muchos pesómetros es dudosa, debido a la ubicación en que
están instalados, la forma cómo son limpiados, mantenidos y calibrados.
La exactitud de los pesómetros depende de muchos factores.
Además, la experiencia en terreno prueba ser bastante menos optimista que las
garantías del fabricante.
Pese a ello, si se toman algunas precauciones, es posible la exactitud en el
pesaje con estos pesómetros.
Básicamente, usted necesita tres elementos para implementar un programa
exitoso:
 La instalación inicial del pesómetro requiere ser la correcta.
 Se requiere implementar un programa de pruebas lógico.
 Monitoree las desviaciones en los Trazados de Diferencia Relativa.
La Instalación del Pesómetro
Necesita ser la Correcta. [1]

 El pesómetro y la correa transportadora no existen independientemente; Es


necesario que la empresa de ingeniería las construya juntas como un sistema
integrado.
 La Retroadaptación de un pesómetro a una correa transportadora, después que
ésta ha sido construída, probablemente no dé resultados satisfactorios.
 La ubicación seleccionada para instalar el pesómetro es crítica, ya que debe ser
ubicada donde la tensión de la correa sea la menor.
 La ubicación de la romana debería estar a más de 7 metros, pero a menos de 17
metros del punto de carga.
 Las protecciones y poleas de entrenamiento, no deberían estar ubicadas a menos
de 7 metros de la ubicación de la romana (balanza).
 El pesómetro debería instalarse donde la correa transportadora esté horizontal; No
pertenecer al área donde la correa esté inclinada. Se prefieren las correas en posición
horizontal sobre la inclinada, debido a que en la posición horizontal la tensión de la
correa es más baja y más predecible.
La Instalación del Pesómetro
Necesita ser la Correcta. [2]

 La correa transportadora debería ser relativamente corta, no más de 70 metros de


largo.
 El pesómetro debe estar a plomo y a nivel, lo cual es un problema insoluble si está
instalado en una pendiente.
 Para que un pesómetro funcione bien, se debe minimizar la desalineación de los
rodillos.
 El ángulo de los rodillos debe ser muy exacto.
 La desviación de las vigas de la correa transportadora debe ser minimizada.
 La temperatura ambiente debe mantenerse lo más constante posible; En otras
palabras, el pesómetro no pertenece al ambiente exterior.
 Las cadenas de calibración o pesas, deberían ser seleccionadas para permitir una
calibración a alrededor del 75% de la capacidad de la escala de calibración.
 El diseño del sistema de pesaje debería ser tal que una cantidad del material que
pasó o va a ser pasado por sobre la correa, pueda ser pesado, si se requiere, en una
tolva de pesaje o en un vagón de ferrocarril.
La Vulnerabilidad del
Pesómetro.

El único propósito de mostrar la siguiente fórmula, es mostrar la debilidad de los sistemas de


pesaje. La fuerza P ejercida en la escala normal de la romana (balanza), en libras, a la correa
es como sigue:

 P = [nQLcosθ/I2] + [2TD/L] + [24EID/L3]


 Donde:
n es el número de “POLINES” montados en la correa transportadora,
Q es la carga normal de la correa transportadora, en libras por pie de longitud,
L es el espacio entre los polines, en pulgadas,
T es la tensión en la correa transportadora en la ubicación de la romana, en libras,
E es el módulo de elasticidad del material de la carcaza de la correa, en PSI (Libras por
pulgada cuadrada),
I es el momento de inercia del corte transversal de la carcaza, (in 4),
D es el desalineamiento entre los polines y los polines adyacentes, en pulgadas,
θ es el ángulo de inclinación de la correa transportadora, en grados.
En teoría, en un día normal, solamente el factor Q debería cambiar: es el que es medido. Pero,
si T ya no es predecible, todo se separa. También, E, I, y D están sujetos a leves cambios
con el tiempo: Recuerde, estos sistemas están sometidos a tremendas vibraciones y frecuentes
cambios de viento y temperaturas.  
Un Programa de Pruebas Lógico

Hay tres métodos de calibración:


 Usando material de peso conocido,
 Usando pruebas de cadena, y
 Usando pruebas de peso estático.
Lo que es común a cualquiera de estos métodos es la etapa del “balance cero”.

La así llamada “Calibración Electrónica Cero”, es útil


solamente para chequear circuitos eléctricos, ya que
ignora completamente los aspectos mecánicos del
sistema de pesaje, que son realmente las partes más
vulnerables.

La Calibración empieza con un chequeo de la alineación de la romana (balanza),


limpieza y condición general de la instalación. La correa transportadora debería ser
operada por alrededor de 20 minutos, para asegurarse que la transportadora misma
se aproxime a las condiciones de operación.
Un Programa de Pruebas Lógico:
Balanceo Cero

El “balance cero” debería cumplir los siguientes requisitos:


 Incluir un número integral de revoluciones de la correa. Esto asegura el “cero” lo
cual comprende variaciones en el grosor de la correa.
 Incluir al menos 3 revoluciones integrales, ó 10 minutos, lo que sea mayor. Esto
reduce el problema de observación de la exactitud.
 Si es posible, empiece y termine el balanceo en “cero”, con la correa
transportadora funcionando.
Un Programa de Pruebas Lógico:
Requerimientos de la Cadena

La Calibración por Cadena es mucho mejor que la Calibración de Peso Estática.


La cadena debería ser seleccionada para cumplir los siguientes requerimientos:
 La cadena debería tener un rango nominal por pie, igual a la carga deseada del
transportadora, y ser marcada como tal dentro de un 0.1% de exactitud del peso
total.
 La uniformidad de la cabina en su rango de libras-por-pie deberá estar dentro
del 0.25%, y ser mantenida.
 La cadena debería ser lo suficientemente larga para extenderse hacia el
segundo polín fijo a los lados de la romana (balanza), como se muestra en la
próxima diapositiva.
 La cadena debería ser del tipo rodillo libre o rueda, y tener un espacio no mayor
de 6 pulgadas y divide el separador de polines tan parejo como sea posible.
 La cadena debe mantenerse seca y bajo cubierta contra polvo.
 La estructura de montaje de la cadena debe ser tal que el posicionamiento
preciso de la cadena pueda ser lograda separadamente.
 Por razones prácticas, el peso de la cadena está limitado a alrededor de 250
libras/pie y esto es insuficiente para la calibración de sistemas de balanzas de
correas grandes ( es decir, 10000 tons/hora y más).
Sistemas Típicos de Calibración

•Extensión de Cadena = •nL

•L

•Polín Fijo #2 • Polín Fijo #2

•Lectura del Peso

•Prueba de Cadena

•Polín Fijo #2 •Peso Estándar

•Lectura del Peso

•Prueba de Peso Estático


Revisión
RevisiónCrítica
Críticade
delos
losModos
Modosde
deMuestreo.
Muestreo.

El Muestreo es un proceso de selección, pero hay dos categorías de procesos


de selección.

El Proceso de Selección Probabilístico

Para que el Muestreo sea exacto, todos los constituyentes del lote son
sometidos al proceso de selección con una probabilidad constante y dada de ser
seleccionados:

El Muestreo debe ser Equiprobabilístico.

Procesos de Selección No-Probabilístico

• Determinístico
• Con Propósito
• Autoritario
Revisión
Revisiónde
deProcesos
Procesosde
deSelección
SelecciónNo-Probabilísticos
No-Probabilísticos

No hay un enfoque teórico para procesos de selección no-probabilísticos.


Los errores del Muestreo usualmente son lo suficientemente grandes como para
privar a las muestras de cualquier valor práctico.
Tales métodos son peligrosos y es asombroso notar que se usan donde pueden
ser más dañinos:

• Muestreo Comercial
• Evaluaciones Mineras
• Control de Procesos
• Control de Ley de Mineral
• Plantas Pilotos
• Evaluaciones Ambientales

Algunas organizaciones estándar aún mencionan y recomiendan estos


métodos engañosos e inaceptables.
Muestreo Determinístico: Muestreo Fortuito

La idea es: “Agarra lo que puedas, mientras no te cueste dinero”


No hay concepto más erróneo de la administración que genere tantos costos
invisibles como severos.
En este caso, el operador está recolectando algún material de la parte del lote
que es fácilmente accesible con:
• cucharas,
• palas,
• manos,
• envases de café,…
Despreocupado de los problemas de segregación, quizás, el operador trata de
recolectar tantos incrementos como le sea prácticamente posible. Sin
embargo, una gran fracción del lote es sistemáticamente mantenida fuera de
la herramienta de muestreo:
• la parte inferior de un camión, vagón de ferrocarril o un tambor,
• el centro de una correa transportadora,
• el centro de un apilamiento,…

Conclusión: El Muestreo Fortuito no puede ser exacto, debido a que algunas


unidades que forman el lote, tienen “cero” probabilidad de ser seleccionadas,
y porque la probabilidad de selección entre las unidades no puede mantenerse
constante.
Muestreo con Propósito (Intencional)

Si partes de un lote no son fácilmente alcanzables, el operador puede


seleccionar unidades de la mejor manera que pueda, entre aquellas que son
fácilmente accesibles. Cuando haga eso puede usar su juicio para
seleccionar algunas partes en vez de otras.
La exactitud de la operación de muestreo depende de la elección que
realiza el operador.
Este tipo de muestreo es válido solamente si el objetivo es el de recolectar
especímenes de muestra.

El Muestreo con Propósito no puede ser exacto ni equitativo.


Muestreo Autoritario

El Muestreo de Probabilidad está en contraste con el Muestreo Autoritario, en


el cual un individuo que está bien familiarizado con el lote que se va a
muestrear, selecciona una muestra sin considerar lo azarístico.

La validez de los datos reunidos de esta manera es totalmente dependiente


del conocimiento del operador. No es una práctica recomendada.

Sin embargo, el Muestreo Autoritario es a menudo necesario para


evaluaciones ambientales, con el objeto de separar sectores en caliente
de otros, en un área contaminada. Luego, por supuesto, cada sector debe
ser sometido a un muestreo probabilístico.
Propiedades Comunes de los Procesos de
Selección No-Probabilísticos

• Una fracción importante del lote es sometida a un proceso de muestreo, con


una probabilidad cero de ser seleccionada. Por consiguiente, no puede ser
equitativa.
• No hay enfoque teórico posible. Por lo tanto, es imposible conectar
lógicamente los varios errores de muestreo al Modo de Selección.
• El Muestreo está siempre polarizado a una extensión desconocida.

Conclusión: Ningún espécimen generado por un proceso de selección no


probabilístico, debería usarse para decisiones financieras importantes.

El Muestreo no es un Juego de Azar

“Tengo poca paciencia con los científicos que toman una placa de madera,
observan su parte más delgada, y luego perforan un gran número de
orificios donde la perforación es fácil”.
Albert Einstein
Muestreo Probabilístico de Lotes Móviles

Se dice que un lote de material es “móvil”, cuando es pequeño o lo suficiente


valioso como para ser manejado económicamente en su totalidad, con el único
propósito de su muestreo.

Ejemplo: Todas las muestras cero-dimensionales que deben ser sub-


muestreadas en el Laboratorio.

Se pueden usar dos procesos probabilísticos:

1. El proceso de incremento:

El lote de material es transformado en un flujo uni-dimensional,


luego un muestreador de flujo transversal recolecta un cierto
número de incrementos para formar la muestra.

2. El proceso de separación:

El lote de material es particionado en varias fracciones, una de


las cuales es seleccionada al azar como una muestra.
Muestreo Probabilístico de
Lotes No-Móviles.

El único proceso de muestreo probabilístico aplicable a los lotes no-móviles,


es el “Proceso de Muestreo del Incremento”.

Luego, el lote está representado por un conjunto de incrementos extraídos del


lote, de acuerdo a un cierto “Modo de Selección” y mediante cierto aparato
de extracción.

En la práctica:

• El muestreo probabilístico de lotes tri-dimensionales es imposible: Tal


protocolo no puede ser defendible.
La única solución es transformar el lote tri-dimensional en una suma lógica
de lotes bi-dimensionales. Esto es exactamente lo que hacemos cuando
perforamos un depósito mineral.

• El muestreo probabilístico de los lotes bi-dimensionales es difícil.


Se puede hacer si cada una de las muestras es un núcleo de sondaje, que
representa el grosor total del lote.

• El muestreo probabilístico de lotes uni-dimensionales es relativamente


fácil y siempre es posible.
Revisión de los Varios Modos de
Selección de Muestreo.

Desde un punto de vista teórico, podemos clasificar los varios Modos de


Selección de Muestreo como se indica a continuación:

Muestreo Sistemático:
• Sistemático Simple
• Sistemático Azarístico

Muestreo Azarístico Estratificado:


• Azarístico Estratificado Simple
• Azarístico Estratificado Autoritario

Muestreo Azarístico Estricto


Desde un punto de vista práctico, algunos de estos Modos de Selección de
Muestreo, deberían ser rechazados debido a que nunca proporcionan una
mejor alternativa con respecto a los otros. Por lo tanto, concentraremos
nuestra atención en los siguientes 3 Modos de Selección de Muestreo:
• Azarístico Sistemático
• Azarístico Estratificado Simple
• Azarístico Estratificado Autoritario
Modos de Selección de Muestreo
para Lotes Bi-Dimensionales.

Definiciones:
Area: Es el lote iniciador entero. Su superficie y contorno son dictados por las
condiciones locales. Por ejemplo:
• Un área contaminada
• Un cátodo de cobre
Sector: Es una fracción del Area. Su tamaño puede ser el objeto de
recomendaciones hechas por los estadísticos o normativas de las comisiones
regulatorias locales.

Cátodo de Cobre Area Contaminada

1 2 3
1 2 3

4 5 6
4 5 6

7 8 9 7 8 9

Sector
Sector Caliente:
Area Autoritario
Muestreando un Area Contaminada

1 2 3

5 6
4

7 8 9

Estrato Sub-Estrato
Muestreando un Cátodo de Cobre

Perforar: Incremento de
la Muestra.

Estrato
Muestreando un Cátodo de Cobre:
Azarístico Sistemático
Muestreando un Cátodo de Cobre:
Azarístico Estratificado
Modos de Selección de Muestreo para
Lotes Uni-Dimensionales.
Modo Azarístico Sistemático

El Modo Azarístico Sistemático es lejos el modo de selección más popular. Es


también el más reproducible.

Si sospechamos la presencia de ciclos, este


modo de muestreo debe ser evitado.

La Selección Sistemática podría ser mirada como probabilística, y como


defendible, solamente si el punto inicial es posicionado al azar dentro del
primer estrato.
Modo Azarístico Estratificado

El Modo Azarístico Estratificado no es bien conocido, pero lejos es el más


exacto ante la presencia de ciclos.

Sub-Estrato Estrato

Incremento de Flujo-
Transversal.
Introducción a la Variografía

Aunque la presencia de correlación en datos cronológicos era muy conocida, no existía para
cuantificar la cantidad de correlación de tiempo o espacio, hasta el desarrollo de métodos geo-
estadísticos en la minería para el control del proceso. La herramienta más poderosa y pragmática
usada en Geo-Estadística y Crono-Estadística, es el Variograma.

Todos los flujos de procesos son heterogéneos

Las Estadísticas Convencionales y el Control de Procesos Estadísticos fallan en dirigir el concepto


de heterogeneidad del flujo, por lo tanto, fallan para identificar claramente las varias fuentes de
variabilidad en un flujo de proceso.

El Variograma es un detective hábil

Hay varios tipos de heterogeneidad, por lo tanto, hay varios tipos de procesos de variabilidad. El
variograma puede abrir los secretos importantes que rodean la continuidad temporal o espacial y que
reflejan lo que el proceso está exactamente haciendo.

El Enfoque Cartesiano

“Siempre divida un problema complejo en una suma de pequeños problemas, entonces, y sólo
entonces, resuélvalos uno a uno”
René Descartes – Matemático y Filósofo del Siglo 17

Podemos hacer una diferencia

“Ya que expandimos el uso del Variograma para estudiar el proceso de variabilidad, como lo sugiere
Francis Pitard, hemos hecho importantes avances en la comprensión de las diferentes fuentes de la
variabilidad. Ahora estamos en una posición mucho mejor para controlar efectivamente nuestros
procesos, desde rocas a cátodos.”
Dr. Pedro Carrasco, Presidente de Comité de Control de Calidad de Codelco.
Hay muchos tipos de flujos de proceso uni-dimensionales.

1. Flujo, estacionario o móvil, formado por fragmentos sólidos.

2. Flujo, estacionario o móvil, formado por líquido, con o sin sólidos suspendidos.

3. Flujo, a menudo móvil, formado por gas, con o sin aerosoles suspendidos.

4. Flujo, estacionario o móvil, formado por un conjunto cronológico de unidades distintas,


vagones de ferrocarril, camiones, bolsas, jarros, barriles...

5. Etcétera…
X. Un conjunto cronológico de precios para un stock dado, cubre un largo período.

Estos casos, aparentemente diferentes, son en realidad idénticos,


desde el punto de vista práctico y teórico.
La Heterogeneidad es la madre de la Variabilidad

El estudio de un gran número de conjuntos cronológicos de datos, llevan a la conclusión que en la


mayoría de los casos, son el resultados de la acumulación, alrededor de un Promedio Objetivo, de
tres tipos de fluctuaciones con causas independientes.
• Heterogeneidad h T = Heterogeneidad Total

• Heterogeneidad h1 = Azarístico, Heterogeneidad Discontinua


• Heterogeneidad h2 = No-Azarística, Heterogeneidad Continua
• Heterogeneidad h3 = Cíclica, Heterogeneidad Continua
hT = h1 + h2 + h3
Definición de Variograma

La forma más natural de comparar dos valores, tales como a1 y a2 que representan,
respectivamente, el contenido de un componente de interés en la Unidad U1 y la Unidad U2,
separada por intervalo dado en el espacio o en el tiempo j, es considerar su diferencia d:

d  a1  a 2

Movimiento del Flujo

a1 a2

Realmente, lo que es más relevante es la diferencia promedio d entre el contenido del


componente de interés de pareos de unidades [Nu - j] de un intervalo aparte dado j :

d 
1
Nu  j
 m  am j  am 
En el siguiente esquema, asumamos que tenemos seis muestras sucesivas del flujo transversal,
recolectadas a un intervalo regular j = 1 = 10 minutos.

1 2 3 4 5

Si tenemos Nu = 6 muestras, y el desplazamiento j = 1, entonces el número de pareos es N u - j = 6


-1=5
Si tenemos Nu = 6 muestras, y el desplazamiento j = 2, entonces el número de pareos es N u - j =
6-2=4
Con el variograma nos enfocaremos en la diferencia de promedio entre muchos pareos de
muestras a un desplazamiento aparte dado de espacio o tiempo.
Pero la diferencia promedio tiende hacia “cero” ya que se incrementa [N u - j]. Por lo tanto,
D
definimos una nueva diferencia. La cual es el promedio de las diferencias al cuadrado:

1  2
D   m a m  j  a m 
Nu  j  

Con el objeto de comparar esta varianza con la varianza de las estadísticas convencionales, el
semi-variograma se define.
V  j  D / 2

V [ j] 
1
2[ N u  j ]

 m am  j  am  2

Esta fórmula se usa para calcular el Variograma Absoluto. El Variograma Absoluto tiene Unidades.
Ilustración de la computación del Variograma

Primer Punto V[j=1] del Variograma


Si j = 1, tenemos pareos [N u - 1]

Segundo Punto V[j=2] del Variograma


Si j = 2, tenemos pareos [Nu - 2]

Tercer Punto V[j=3] del Variograma


Si j = 3, tenemos pareos [Nu - 3]

Podemos hacer el desplazamiento no dimensional de j con j = J/J mínimo.


EJERCICIO PRÁCTICO

Un flujo de escoria es muestrado cada 3 horas durante 60 horas, sub-muestreado y


ensayado por el contenido de Al2O3 . Los Resultados son:

MUESTRA # % Al2O3

1 4.96
2 5.07
3 4.90
4 4.87
5 4.86
6 4.82
7 4.78
8 4.76
9 4.80
10 4.73
11 4.79
12 4.71
13 4.78
14 4.75
15 4.81
16 4.78
17 4.73
18 4.71
19 4.69
20 4.77

Calcule un variograma absoluto de 9-puntos.


¿Qué ve en el variograma que no es obvio al mirar la Tabla de Resultados?
•VARIANZA
Significado del Variograma

Ejemplo: El % de una escoria es monitoreado cada dos horas. Los siguientes ensayos % K 2O
cubren un período-ventana de 68 horas. Las especificaciones son 0.84% ± 0.10%. ¿Cuál es el
significado del variograma calculado?

•Muestra # •% K•2•O
•1 •0.96
•2 •0.80
•3 •0.93
•4 •0.85
•5 •0.96
•6 •0.98
•7 •0.87
•8 •0.72
•9 •0.74
•10 •0.70
•11 •0.86
•12 •0.99
•13 •1.07
•14 •0.95
•15 •0.83
•16 •0.62
•17 •0.91
•18 •0.93
•19 •0.97
•20 •0.91
•21 •0.85
•22 •0.92
•23 •0.85
•24 •0.75
•25 •0.56
•26 •1.05
•27 •0.91
•28 •0.96
•29 •0.99
•30 •0.86
•31 •0.89
•32 •0.45
•33 •0.79
•34 •1.06
•VARIOGRAMA ABSOLUTO : % EN K2O EN ESCORIA
•(ESPECIFICACIONES: 0.84% + . 0.10%)
El Orden Cronológico del Dato es Altamente Relevante.

•VARIOGRAMA ABSOLUTO: % DE K2O CON PÉRDIDA CRONOLÓGICA


Primera Limitación

Problema asociado con los valores centrales del dato cronológico:

Dato no usado

No se recomienda calcular un variograma con un desplazamiento que vaya más allá de la mitad
del dato disponible.

El Número de Pareos [Nu - j] deberá ser mayor o igual a N u /2


Segunda Limitación

Problema asociado con la precisión del Variograma:

El promedio de las diferencias cuadradas es conocido con buena precisión, solamente si el número
de pareos disponibles es suficiente.

La pauta es:

Nu - j = 30 : Muy buena precisión

Nu - j = 25 : Buena precisión

Nu – j = 20 : Precisión Aceptable

Nu - j = 15 : Pobre precisión

Nu - j = 10 ó menos : Insignificante

Límite Recomendado
Tercera Limitación

Problema asociado con la continuidad:

No se recomienda mezclar datos que obviamente pertenecen a series diferentes, como se ilustra en
la siguiente figura.

•K2O en Clinker: No mezcle naranjas con manzanas.

Para que el Variograma sea potente, la variabilidad de las primeras diferencias debería
permanecer constante a través del tiempo. Para un protocolo dado, bien establecido, esta
hipótesis generalmente se maneja bien, pero no deberá ser tomada como garantizada.
El Variograma Relativo

Los Variogramas de diferentes experimentos, o de diferentes ventanas de tiempo, a menudo son más
fáciles de comparar, si ellos son relativos y sin dimensión.

• aL es el promedio estimado de toda la información involucrada en los cálculos.

La fórmula recomendada es como se indica a continuación:

V [ j] 
1
2
2[ N u  j ]a L
 
m am j  am 2

•VARIOGRAMA RELATIVO, SIN DIMENSION: % DE AI203 EN ESCORIA


Descripción de la Heterogeneidad de un Flujo en
Términos de un Variograma

•EL ESTUDIO DE UN GRAN NUMERO DE VARIOGRAMAS MUESTRA QUE GENERALMENTE ESTÁN FORMADOS
POR TRES COMPONENTES PRINCIPALES:

V[j] = V1[j] + V2[j] + V3[j]

Término Periódico,
Continuo

Término no azarístico, de largo


plazo, continuo.

Término azarístico, de corto


plazo, Discontinuo.

Esta información del variograma, puede ser usada como guía:

• Decisiones respecto a la adecuación de los protocolos de muestreo y decisión.


• Análisis de costo/beneficio en proyectos para eliminar fuentes identificables de variabilidad,
mediante modificaciones ingenieriles.
• Decisiones respecto a la frecuencia de muestreo.
• La definición de estrategias para el control del proceso.
• Decisiones de diseños experimentales.
El Término Azarístico - De Corto-Plazo V 1[j]

•V[ j = 1] •es la variabilidad promedio, conocida, entre dos datos consecutivos.

•V[ j = 0] •Simplificado a una notación V•0 es una estimación de la variabilidad azarística real,
No conocida, que afecta el conjunto de datos bajo estudio.

•V•0 •Es definida como la fluctuación de heterogeneidad de corto-plazo responsable de la


Variabilidad que no existe en el proceso. Es una variabilidad “parásita” introducida
Por los protocolos de muestreo y analíticos. De manera, que es la variabilidad irrelevante
Pero desconcertante. Es irrelevante para los movimientos del proceso en que estamos
Interesados en monitorear y controlar.

Cuando V0 se convierte en el factor controlador en la


información generada rutinariamente, no es posible controlar
efectivamente un proceso. Por lo tanto, V 0 debe ser
minimizado.
Componentes of V0

•Cuando j tiende hacia “cero”, V[j = 1] tiende hacia •0V

DE

FE

GE V0 EE

AE

PE

Efecto “Pepita” Real In-Situ

Muestreo Incorrecto Muestreo Correcto

La variabilidad irrelevante puede ser reducida por composición o promedio a corto-plazo. El tamaño
de V0 determina la extensión a la cual se necesita. La regla para calcular el error estándar de la
media se aplica.
El Término No Azarístico - Largo-Plazo V2[j]

Es una tendencia continua que afecta al proceso.

Es introducida por:

 Variabilidad en la cantera,
 Variabilidad de otras materias primas,
 Variabilidad en stockpiles (almacenamientos) y silos,
 Variabilidad de los Molinos,
 Variabilidad de los Hornos,
 Variabilidad introducida por la sala de control,
 Variabilidad de los reactivos químicos,
 Etcétera.…

Es la variabilidad relevante que tratamos de controlar.

Ejemplo:

•INCREMENTO = 1 HORA
El Término No Azarístico - de Largo-Plazo V2[j]
Interpretación Preliminar del Variograma

Paso #1: El Objetivo


Paso #2: Las Especificaciones
Paso #3: La Variabilidad del Muestreo + la Medición

La Variabilidad del Muestreo + la Medición =  2 V0


Paso #4: La Variabilidad del Intervalo de Muestreo
El Término Periódico, Continuo V3[j]

•Los Ciclos son extremadamente importantes. Conozca sus ciclos. Ellos son siempre una
Oportunidad para minimizar un costo, ya sean visibles o invisibles.

•Hay varios tipos de ciclos:


• •Período Regular y Amplitud: Una parte del equipo.

• •Período Regular y Amplitud Errática: Personas,

• •Amplitud Regular y Período Errático: La Sala de Control,

• •Amplitud y Período Errático: La Cantera, la Segregación en Almacenamientos
Silos.
Una gran mayoría de los experimentos variográficos
o variogramas calculados con los datos cronológicos
existentes muestran ciclos.

Ejemplo:
Componentes del Término Periódico

El componente cíclico en el dato cronológico resulta en un componente cíclico en el Variograma.


El Período T del ciclo en el Variograma es igual a la del componente cíclico en el dato.

Consideremos una curva sinoidal h 3t en el conjunto de datos en cualquier instante t, con una
amplitud h3 y un período T, y calcule su variograma:

h3t  h3 sin 2 t / T 

h32
V3  j  
2 1  cos  2 j / T  

Note que la amplitud del variograma h32 es la mitad del


V3 
2
tope del mínimo al máximo en el variograma. Esto hace que la amplitud del ciclo
en el variograma sea igual a la varianza del componente cíclico en los datos.
Variografía Avanzada

El Componente Azarístico Residual del Variograma V 4[j]

Vimos que la varianza del término azarístico estaba representada por V 0.

Debido a que los datos disponibles para calcular un variograma, son a menudo limitados, la
precisión de cada punto calculado en el variograma es afectado por V 0.

Esta precisión, o componente azarístico residual, aún afecta la forma del variograma, y puede
convertirse en un problema para modelar efectivamente el Variograma.

También, cuando tal ruido de fondo afecta el Variograma, puede confundirse con un componente
periódico para alguien que no sea bien experimentado en la Variografía.

Por lo tanto, el Variograma puede ser escrito como:

V  j   V1 j   V2  j   V3  j   V4  j 

V4  j   0 when  N u  j  increases
Modelando el Variograma

El fenómeno periódico complejo y el componente azarístico residual V 4[j] podrían originar que el
modelamiento del variograma se haga muy difícil, si no imposible.

Para evitar esta dificultad, podemos usar tres funciones auxiliares derivadas directamente del
Variograma:

• El Primer orden integral,


• El Segundo Orden Integral, y
• El Promedio Móvil.

En un esfuerzo para permanecer pragmáticos, sugerimos eludir el modelamiento matemático del


Variograma.

“No hay funciones matemáticas que puedan reclamar un derecho divino a representar un
Variograma.”
Dr. Michel David (1945-2000)
Profesor de Geoestadísticas

La clave para nuestro enfoque pragmático es la interpretación “punto a punto” del Variograma. La
ventaja de este enfoque es que no altera lo que conocemos de algunos puntos calculados,
representando el variograma obligatorio.
Usos de las Funciones Auxiliares del Variograma

• Extrapolación del Variograma a V0 con mayor


precisión y exactitud.

• Suavizar la variabilidad azarística residual V 4[j].

• Suavizar la variabilidad cíclica.

• Calcular la varianza s2(CE) del error de muestreo


de selección continua, total.

• Controlar mejor un proceso mediante el énfasis en


la variabilidad relevante.
Interpretación del Variograma “Punto-a-Punto”.

La integración “punto-a-punto” más efectiva de un Variograma, es dar a los valores del centro, un
intervalo de influencia igual a 1,

j  1, 2, 3, 4, ..., n  1

Y los valores extremos: V  j  0 y V0 V  j  n

un intervalo de influencia igual a 1/2.

V[j]
V[5]
V[4]

V[3]

V[2]

V[1]

V[0]

0 1 2 3 4 5
j
Determinación de la Superficie del Variograma

Definimos una serie de superficies:


S 0 , S1, S 2, S 3,y S4 , S5
y calculamos S[j] definido como:

S  j   Est .  j
0V 
 j' dj'

o, en una forma pragmática:

V0 V  5
S  5   V  1  V  2  V  3  V  4 
2 2

S0 es “cero” por definición.

V[j]
V[5] S[5]

V[4] S[4]

S[3]
V[3]

S[2]
V[2]

V[1]
S[1]

V[0]

0 1 2 3 4 5
j
Generalización para todos los Valores de j1

V  j  1  V  j  
S j   S j  1      
 2   2 
V[j]
V[5]
V[4]

V[3]

V[2]

V[1]

V[0]

0 1 2 3 4 5
j
Cálculo Punto-a-Punto del Primer Orden Integral. Por definición:

1 Sj
W  j   0j V  j' dj' 
j j
Para j  0, S  0  0 and W  0  V  0

Sj
Para j  0, W  j  
j
Suavizando el residual azarístico V4(j)
y los componentes cíclicos V3(j)

Ejemplo sin Ciclo

•PRIMER ORDEN INTEGRAL W DEL VARIOGRAMA

2W
Suavizando el residual azarístico V4(j)
y los componentes cíclicos V3(j)

Ejemplo con Ciclo (K20 en Escoria

•PRIMER ORDEN INTEGRAL W DEL VARIOGRAMA

2W
El Segundo Orden Integral del Variograma W’(j)

Por definición:

1 j 2 j
W ' j  W  j' dj'  2 0 dj' 0V  j" dj"
j
j
0
j

2 2
0 j' W  j' dj'  2 0  
j j
 S j' dj'
j2 j

2
Si definimos S '  j   0 S  j' dj'
j
entonces: W ' j  S' j
j2

Para j0 tenemos S '  0  S  0  0


W '  0   W  0  V  0

Para j0
S  j  1 S j
S '  j   S '  j  1  
2 2
Continuación de la suavización del residual azarístico V4(j)
y los Componentes Cíclicos V3(j) components

Ejemplo sin ciclo

•SEGUNDO ORDEN INTEGRAL W DEL VARIOGRAMA

3W’

Maximum

Ejemplo con Ciclo


3W’
Uso de W o W’ para extrapolar el Variograma a V[0]

La extrapolación del Variograma es exacta solamente si [ j = 1 ] es un desplazamiento muy corto,


por ejemplo, algunos segundos, algunos minutos, unos pocos centímetros o unos pocos metros.

Ejemplo de extrapolación pobre

V[0]

Ejemplo de buena extrapolación

V[0]
Definición de Generadores de Errores

La Heterogeneidad resulta en varios errores de muestreo. Poner atención a la heterogeneidad del


flujo del proceso es importante, debido a que podrían resultar importantes efectos:

• Identificación de dificultades técnicas,


• Minimización de pérdidas de productividad,
• Minimización de costos operacionales.
Se deberían definir los siguientes términos:
L : Un lote uni-dimensional dado
S : Una muestra representando a L obligatorio.
Q : El número de incrementos haciendo S
sy : Anotación característica del muestreo sistemático
st : Anotación característica del muestreo azarístico estratificado
ra : Anotación característica del muestreo azarístico
CE : El Error de Selección Continua.

Los Generadores de Errores son:

Z  j  sy : Un generador de error creado por el muestreo sistemático


Z  j  sy
s 2  CE  sy 
Q

Z  j  st : Un generador de error creado por el muestreo azarístico estratificado


Z  j  st
s 2  CE  st 
Q

Z  j  ra : Un generador de error creado por el muestreo azarístico


Z  j  ra
s 2  CE  ra 
Q
Fórmulas para Calcular los Generadores de Errores

Muestreo Sistemático:

La siguiente fórmula fue derivada por G. Matheron para la estimación de la varianza y extensión del
Error de Selección Continua. “La Teoría de las Variables Regionalizadas y sus Aplicaciones”.
Centro de Morfología Matemática. Es cuela Superior Nacional de Minas de París. Libro # 5, páginas
66, 72, y 73. 1970.

Z  j  sy  2W  j / 2  W '  j 

Muestreo Azarístico Estratificado:

Z  j  st  W '  j 

Muestreo Azarístico:

Z  j  ra  s 2  hT   CH L  Constante en el lote L

CH L = Base del Variograma


Ejemplo del Cálculo de s2[CE]
para un Intervalo de Muestreo Sistemático

La alimentación a un Silo es muestreada cada 4 horas. La muestra de 4 horas, está formada por 26
incrementos recolectados cada 9 minutos, usando el modo de muestreo sistemático. Queremos
conocer la varianza del Error de Selección Continua CE, que afecta la determinación del % de C3S
en este compuesto de 4-horas.

Para solucionar este problema, se desarrolló un experimento variográfico con la estación de


muestreo, tomando un incremento cada 30 segundos. Cada uno de los incrementos fue sub-
muestreado y ensayado durante el procedimiento de rutina.

Muestra # %C3S Muestra # %C3S


1 52.61 21 52.20
2 52.13 22 52.41
3 52.08 23 51.75
4 51.92 24 51.93
5 52.35 25 52.45
6 51.62 26 52.08
7 51.68 27 52.21
8 51.80 28 52.41
9 52.63 29 52.05
10 52.00 30 51.85
11 52.31 31 51.43
12 52.45 32 51.86
13 51.95 33 51.73
14 51.55 34 51.62
15 52.30 35 51.83
16 52.70 36 52.27
17 52.58 37 51.53
18 52.83 38 51.96
19 51.54 39 51.35
20 51.80 40 51.73
s2[CE] = [ 2(0.126) - 0.136 ] / 26 = 0.0045
s[CE] = ± 0.067% C3S

Debería entenderse claramente que Q = 26 divide solamente el error de muestreo.


Dado que el compuesto es ensayado sólo una vez, no divide el Error Analítico
mediante Q.
Uso Correcto del Promedio Móvil

El Promedio Móvil tiene muchas aplicaciones convenientes, pero es importante no


usarlo mal. El único propósito del Promedio Móvil es minimizar el efecto de la
variabilidad irrelevante, azarística, en un conjunto de datos. También puede ser
usado para minimizar el efecto del componente residual azarístico V 4[j] en un
Variograma.
El uso efectivo del Promedio Móvil involucra 4 Gráficos:

1. Los datos originales a m

2. El Promedio Móvil MA

3. El Ruido Azarístico RN:

RN = am - MA

4. Los Datos Corregidos CD relativos al


Promedio Real de Datos RDA:

CD = RDA - MA

o relativos al Promedio Objetivo:

CD = TA - MA
Uso Correcto del Promedio Móvil
Ruido Azarístico y Datos Corregidos

El siguiente gráfico es muy útil en el control del proceso.


Uso Incorrecto del Promedio Móvil
Una Aplicación del Promedio Móvil:
El Trazado de Diferencia Relativa

El Trazado de Diferencia Relativa es una herramienta gráfica poderosa y muy sencilla. El trazado
tiene las siguientes características:

• En el eje vertical la Diferencia Relativa entre dos mediciones, intentemos


comparar, tal como dos Laboratorios, el A y el B.
% Diferencia Relativa = 100 (A - B) / [(A + B) / 2]

• En el eje horizontal el promedio de A y B: [A + B] / 2

• Clasificado en orden cronológico, o


• Clasificado por valores de incremento de [A + B] / 2

• Luego, se traza el Promedio Móvil, el cual es la característica más importante.

En tal gráfico es fácil detectar sesgos, analizar su importancia y seguir su


evolución.
Ejemplo de un Trazado de Diferencia Relativa
Ejemplo de Aplicación:
Cuidado con los Factores de Corrección

El muestreo incorrecto y la pobre medición, podrían introducir sesgos en una base de


datos.
Es tentador ajustar los datos “sesgados” mediante el uso de factores de corrección
basados en observaciones y experimentos.

Desafortunadamente, no hay tal cosa como un “sesgo” constante en el


muestreo.

Por lo tanto, información filtrada, eliminación de cifras desconcertantes y el uso de


factores de corrección, son los síntomas de una pobre administración, que sólo consigue
aumentar la confusión.

Los Factores de Corrección solamente le dan a la


Administración una falsa sensación de seguridad.
Ejemplo de un Sesgo Analítico.

Relative Difference Plot


100

80
Relative
Difference

60

40 M = Mean
6.3055

20

Moving Ave
0 40

-20

-40
70 112.5 155 197.5 240
PairPAREO
•INDICE DE index (sorted by average)
(CLASIFICADO POR PROMEDIO)

N = 171 s_2A-B = 1.39679e-2 %± s = 11.818 s_MEAN = 0.9037


M / s_MEAN = 6.9768 M / 2*s_MEAN = 3.4884 M / 3*s_MEAN = 2.3256
Ejemplo de un Sesgo de Muestreo.

Relative Difference Plot


75

37.5
Relative
Difference

M = Mean
-7.300
-37.5

-75
Moving Ave
30

-112.5

-150
1 125 249 373 497
•INDICE Pair
DE PAREO (ORDEN CRONOLÓGICO)
index (chronological order)
N = 497 s_2A-B = 6.24496e-2 %± s = 24.989 s_MEAN = 1.1209
M / s_MEAN = -6.512 M / 2*s_MEAN = -3.256 M / 3*s_MEAN = -2.170
Introducción al Control de Proceso Estadístico Variográfico (SPC):
Cronoestadística

El SPC Variográfico es el resultado natural de la Teoría de Muestreo, basado en el importante


concepto de la heterogeneidad del material. No hay un efectivo control del proceso posible sin
direccionar todos los diferentes tipos de heterogeneidad. Esta es la superioridad del SPC
Variográfico sobre el SPC Convencional.

Elegimos llamar a esta nueva ciencia:

Cronoestadística

La Cronoestadística está basada en la información reunida con el Variograma. Por lo


tanto, definimos una jerarquía de los Límites de Control basada en en el Variograma.

Límites que cuantifican el ruido puro:


UCL y LCL = ± 3  V[0]

+ Desviación de Tendencia del Proceso:


UCL’ y LCL’ = ± { (3  V[0]) +  V2[ j=1] }

+ Desviación del Ciclo del Proceso:


UCL” y LCL” = ± { (3  V[0]) +  V2[ j=1] +  V3 }
Razón Fundamental: Investigue las varias fuentes de la variabilidad

• El Dr. W. Edwards Deming demostró claramente en varios experimentos, que no deberíamos


reaccionar a variaciones dentro de ± 3  V[0]. En verdad, no hay razón lógica porqué alguien
debería reaccionar a alguna variabilidad que no existe en el proceso (es decir, UCL y LCL).
Este concepto nos permite optimizar el protocolo de muestreo/medición.

• Se debería establecer una activa reacción filosófica on-going,para corregir todos los
movimientos del proceso, cuando ellos son lo suficientemente grandes como para mostrarse a
través del ruido azarístico. Para estos movimientos, debemos estar listos para aplicar métodos
correctivos.

• Las variaciones caracterizadas por V 2[j=1] son movimientos reales del proceso, predecibles
sobre cierto marco de tiempo, y potencialmente corregibles. Por lo tanto, no queremos permitir
que las variaciones lleguen a ser más grandes que ± { (3  V[0]) +  V2[ j=1] } sin reaccionar
(es decir, UCL’ y LCL’).

• Sin embargo, agregando  V2[ j=1] a los límites UCL y LCL, para obtener UCL’ y LCL’, se
hace una calculada tolerancia para los movimientos del proceso que están fuera de nuestro
control. Por cierto, somos incapaces de reaccionar a intervalos de tiempo más cortos que j =1.
Este concepto nos permite optimizar el intervalo de muestreo/medición.

• Agregando  V3 a los límites UCL’ y LCL’, para obtener UCL” y LCL”, se hace una
calculada tolerancia para un ciclo de proceso más allá de nuestro control. Es muy difícil corregir
efectivamente un ciclo. Si este agregado llega a ser demasiado grande, es necesario investigar
las causas del ciclo. Algunas veces, son necesarias modificaciones ingenieriles del proceso
para eliminar un ciclo. Otras veces, un ciclo es introducido por nosotros mismos y por la forma
en que organizamos nuestro trabajo.

Conozca sus ciclos: Siempre hay una oportunidad para minimizar un costo
visible o invisible.
Estudio de Caso

Un Planta de cemento prepara un cemento especial que debe


cumplir con las siguientes 3 especificaciones: El Raw Mill
debe tener un promedio de 5.50% +63µ partículas. La
Especificación Superior es 5.80%. La Especificación Inferior
es 5.20%.

El proceso es controlado mediante la toma de un compuesto


de muestra cada 2 horas.

Desarrolle un investigación total de variabilidad para saber qué


pasa dentro de un período-ventana típico de 120-horas.

• Interprete el dato raw usando la Tabla de Datos.


• Interprete el dato raw usando un trazado cronológico.
• Estudie el Variograma Absoluto, paso a paso.
• Es necesario un experimento: Descubra cuál.
• Estudie el Gráfico de Control Variográfico, paso a paso.
J = 1 = 2 horas
Resultados en % +63µ
Muestra # Muestra #
1 5.61 31 5.55
2 5.69 32 5.52
3 5.66 33 5.49
4 5.57 34 5.49
5 5.56 35 5.43
6 5.60 36 5.48
7 5.53 37 5.40
8 5.58 38 5.41
9 5.53 39 5.45
10 5.49 40 5.43
11 5.61 41 5.41
12 5.60 42 5.44
13 5.55 43 5.47
14 5.50 44 5.55
15 5.49 45 5.57
16 5.51 46 5.58
17 5.57 47 5.53
18 5.52 48 5.52
19 5.51 49 5.48
20 5.51 50 5.44
21 5.52 51 5.48
22 5.55 52 5.48
23 5.52 53 5.49
24 5.59 54 5.42

25 5.61 55 5.41
26 5.61 56 5.37
27 5.55 57 5.36
28 5.52 58 5.40
29 5.57 59 5.36
30 5.57 60 5.33
Mire un dato cronológico existente en los gráficos.
Estimación de V[0], V[1], y V[Proceso j = 1]

V[1]

V[0]

V[Proceso j =1] = V[1] - V[0]


El Componente Cíclico: Estimación de V3

Período Máximo

V3

Segundo mínimo

V[0] está siempre


ubicado en el mínimo del
Ciclo.
La Tendencia del Proceso V2[j]

La Tendencia del Proceso V 2 [ j ] es un concepto relativo dependiendo de la


escala de tiempo de la observación. La escala está definida por el valor dado
a j.

2W

Cuando el variograma se incrementa rápidamente para un valor dado de j, la curva 2W ó


3W’ es la mejor estimación de la tendencia del proceso.
Para los valores j hacia los cuales el variograma alcanza su máximo, las curvas 2W y
3W’ se vuelven insignificantes y no deberían ser usadas. Es entonces aconsejable usar
W ó W’.
Hay, obviamente, una zona de transición en la cual el usuario del programa
computacional debe tener precaución, dado que las curvas 2w ó 3W’ llevarían a una
sobre-estimación de la tendencia, en tanto que las curvas W ó W’ llevarían a una sub-
estimación de ésta.
Estimación de la Tendencia del Proceso V2[j] : Limitaciones de las curvas W y
2W

Lo mismo se puede decir sobre las curvas W’ y 3W’.

2W

En este caso, podríamos anticipar el máximo del variograma en j =36, por lo tanto
nuestra estimación de V2[j =36] podría ser levemente sobre-estimada mediante el
uso de la curva 2W. Pero, la curva W está obviamente sub-estimada.
Resumen de Todas las Observaciones (graficadas en un Gráfico de Torta).

¿En su opinión, porqué controlar la tendencia del proceso es el principal problema


en este estudio de caso?
Experimento necesario para verificar la Exactitud de V[0] y V 2[Proceso j =1]

Se lleva a cabo un experimento para encontrar la variabilidad azarística real V[0].


Se recolectan 30 muestras a intervalos de 10-segundos, exactamente bajo las mismas condiciones
que las muestras de rutina.
Los protocolos de sub-muestreo y analíticos son mantenidos exactamente iguales que las
muestras de rutina.
Se obtienen los siguientes resultados:

Resultados en % +63µ
Muestra # Muestra #
1 5.45 16 5.46
2 5.52 17 5.50
3 5.46 18 5.53
4 5.45 19 5.49
5 5.47 20 5.48
6 5.52 21 5.52
7 5.51 22 5.47
8 5.47 23 5.51
9 5.52 24 5.50
10 5.48 25 5.45
11 5.47 26 5.48
12 5.50 27 5.51
13 5.52 28 5.50
14 5.54 29 5.53
15 5.48 30 5.47
Experimento Variográfico: Antecedente Cronológico
Experimento Variográfico de Corto-Plazo

W’

Mejor Estimación de V[1]

Buena Estimación de V[0]


Definición de Especificaciones Contractuales

Los Límites de Especificación son pautas para satisfacer un contrato celebrado con un Cliente, o
para asegurar el óptimo desempeño de un proceso.
Los Límites de Especificaciones no tienen nada que ver con la variabilidad real de un proceso.

Los Límites de Especificación no son nada más


que una lista deseada.

Deberíamos definir:

US : La Especificación Superior

TA: El Promedio Objetivo

LS : La Especificación Inferior

No confunda los límites de control con los límites de especificación.

Es su trabajo comprender la variabilidad de su proceso, en consecuencia también


es trabajo suyo establecer límites de control razonables y realistas, que le permitan
investigar el proceso, corregirlo si es necesario, y mantenerlo dentro de las
especificaciones contractuales.

Usted conoce bien su proceso, por lo tanto, las especificaciones contractuales a


menudo se vuelven especificaciones auto-impuestas para un parámetro dado del
proceso.
Definición de Límites de Control de Procesos

Los Límites de Control de Procesos fueron definidos en las lecturas de la Variografía. Hay
herramientas para hacer que el proceso entregue retroalimentación, y para minimizar el efecto
negativo de todas las fuentes de variabilidad que no podemos controlar.
Deberíamos definir:

UCL y LCL : Límites de Control Superior e Inferior


cuantificando el componente de variabilidad 1, 2, ó 3 V[0]

{ 1, 2, ó 3  V[0] } +  V2 [ j=1]
UCL’ y LCL’ : Cuantificando el componente de variabilidad
{ 1, 2, ó 3  V[0] } +  V2 [ j=1]

UCL” y LCL” : Cuantificando el componente de variabilidad


{ 1, 2, ó 3  V[0] } +  V2 [ j=1] +  V3

Estos componentes de variabilidad pueden ser cambiados como se indica a continuación:


UCL y LCL: Mejore el protocolo de muestreo/medición.
UCL’ y LCL’: Lo indicado anteriormente, además de tomar muestras y hacer
mediciones más a menudo.
UCL” y LCL”: Lo indicado anteriormente, además de eliminar o minimizar el ciclo
de proceso. Esto podría requerir modificaciones en la ingeniería.
Paso #1: Seleccione una Lista Deseada Realista

US

TA

LS
Paso #2: Verifique la Capacidad del Protocolo de Muestreo/Medición.

UCL

LCL
Paso #3: Verifique la Capacidad del Intervalo del Muestreo/Medición.

UCL’

LCL’
Paso #4: Verifique el Impacto del Ciclo Balanceado en el Tiempo

UCL”

LCL”
Razones para los Cursos de Muestreo
Preparado y Presentado por Francis F. Pitard
Francis Pitard Sampling Consultants, LLC

¡ Sus decisiones son solamente tan buenas como


sus muestras !

Comunicando la importancia de un Muestreo Correcto

 A la Administración,

 Al Directorio,
 A los Accionistas,
 A los Geólogos y Perforistas,
 A los Mineros y Metalurgistas,
 A los Químicos Analistas,
 A los Estadísticos,
 Al personal de Ventas,

Para así conseguir flujo de caja, más rentabilidad y valor accionario


agregado.
Responsibilidad de una
Empresa Minera

Si los Accionistas no pueden ver el valor de un muestreo


correcto, es responsabilidad de la empresas mostrárselos a
través de….

 Educación de la Administración para conseguir recursos,


 Capacitación del personal clave para conseguir resultados,
 Educación de Geólogos, Mineros y Metalurgistas, para
monitorear y verificar la calidad de los datos,

De esta forma los Estadísticos pueden desarrollar evaluaciones


de riesgo confiables y creíbles.
Adquisición de una base de datos
confiable como ventaja de una empresa.

Se necesita una estrategia correcta y equilibrada:

La Mesa de Tres Patas

•Los beneficios económicos de la Empresa,


añaden valor accionario y percepción del mercado.

•Enfasis sobre las causas de •Capacidad para comprender


los problemas mediante una la variabilidad y desarrollar
Administración Proactiva. •A strong commitment to estudios estadísticos
•good sampling confiables.
•and good laboratory practices

•Francis •Pitard's• drawing


•protected by copyright law, 2004
Sin embargo,
implementar un muestreo correcto
es más fácil decirlo que hacerlo.

Exactamente como los temas de seguridad, debe…

 estar internalmente estandarizado a través de:


 la validez,
 pautas internas,
 capacitación sostenida,
 reforzamiento de la auditoría.

 ser monitoreado para su valor agregado a través de:


 mejoramiento de recuperación de metal,
 mejoramiento de la conciliación,
 valor agregado a los accionistas.
Los asistentes a los cursos deben aprender
a comprender mejor la variabilidad:

 Variabilidad a Pequeña-Escala,
la cual puede ser llamada la Variabilidad
Irrelevante: Es una molestia.

 Variabilidad a Gran-Escala,
la cual puede ser llamada la Variabilidad
Relevante.
Variabilidad a Pequeña-Escala:
El término V[0] en un variograma

Las cuatro soluciones para minimizar la inflación


catastrófica de V[0] son:

 Optimizar los Protocolos de Muestreo,


 Implementar los Protocolos de Muestreo,
usando sistemas de muestreo correctos,
 Preservar la integridad de las muestras,
 Minimizar el Error Analítico.
Optimización de los
Protocolos de Muestreo

Tres temas críticamente importantes:

 Efecto (Pepita) Nugget In-Situ NE


(ejemplo: Selección del diámetro/longitud de una muestra de sondaje)

 Error Fundamental FE
(ejemplo: Masa de muestra y sub-muestras)

 Error de Agrupamiento y Segregación GE


(ejemplo: Homogeneización y número de incrementos)
La Implementación Práctica
de los Protocolos de Muestreo.

La Pesadilla del Muestreo

Las tres mayores fuentes del “sesgo” del muestreo:

 Error de Delimitación DE
(Cada parte del lote a ser muestreado debe tener exactamente la misma
posibilidad de llegar a ser parte de la muestra).

 Error de Extracción EE
(El error de recuperación de la muestra: El sistema de muestreo no debe
ser selectivo)

 Error de Pesaje WE
(Los sistemas de Muestreo deben ser razonablemente proporcionales)
Preservando la Integridad
de las Muestras

Otra mayor fuente del “sesgo” del muestreo:

 Errores de Preparación PE
(Los Errores ocurren entre las etapas del muestreo)

 Contaminación
 Pérdidas
 Alteración
 Errores Humanos, Ignorancia
 Fraude
Ejercicio Práctico 1:
Muestreo de Hoyos de Tronadura
Nombre el posible error (¿DE, EE, WE, o PE?) que ocurre en cada uno de los
siguientes puntos, y dé soluciones. Tiene 10 minutos de tiempo.

•F

•E
•D •Segregación
•G

•A •Sub-perforación

antigua.
•Muestra
Ideal •B
•Muestra
Real
•Sub-perforación
•C
actual.

•Esquema de Francis Pitard


•Protegido por Ley de Derechos de Autor, 2004
Ejercicio Práctico 2:
Muestreador Primario para la
Alimentación de una Planta.

Nombre el posible error (¿DE, EE, WE, o PE?) que tiene lugar en cada uno de los
siguientes puntos, y dé soluciones. Tiene 10 minutos de tiempo.
1
11
3

7
5
4
2

9
10

F r a n c i s P i t a r d 's d r a w i n g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4
Ejercicio Práctico 3:
El Muestreador Rotatorio Vezin

Un muestreador muy común en la Industria Minera

Nombre el posible error (¿DE, EE, WE, o PE?) que tiene lugar en cada uno de los
siguientes puntos, y dé soluciones. Tiene 10 minutos de tiempo.

•6
•2 •3
•9
•Flujo que cae

•4 •5
•7
•10

•11 •8
•Francis•Pitard's• drawing
•protected by copyright law, 2004
•1
Ejercicio Práctico 4:
El Muestreador de Correa-Transversal

Un sistema de muestreo muy popular y peligroso.

Nombre el posible error (¿DE, EE, WE, o PE?) que ocurre en cada uno de los
siguientes puntos, y dé soluciones. Tiene 10 minutos de tiempo.

1 4
2

F r a n c is P it a r d ' s d r a w in g
p r o t e c t e d b y c o p y r ig h t la w , 2 0 0 4
¿Porqué es tan esencial un
Curso de Capacitación?

Dados todos los posibles problemas creados por cada uno de los
puntos indicados en los 4 ejercicios anteriores, que deberían
resueltos dentro de algunos minutos, estos generalmente son
objeto de innecesarias...
 Dudas y argumentos,
 Reuniones que sólo consumen tiempo,
 Argumentos interminables con las firmas de ingeniería y
fabricantes.
 Pruebas de “sesgo” muy caras, seguidas por estadísticas
dudosas,

además,…
Debido a que cada uno de los puntos puede llevar a
devastadoras pérdidas monetarias para una empresa
que no esté atenta.
Vamos a dar algunos ejemplos sorprendentes.
Caso # 1:
Un mal protocolo seguido por
una implementación incorrecta.

Gran Mina de Cobre


en el Norte de Chile:

US $ 134 000 000 en pérdidas por diferencias


entre un mal protocolo de muestreo y sub-
muestreo y uno mejor, para hoyos de tronadura,
durante un período de 10-años.

P. Carrasco: WCSB1, Denmark 2003


Caso #2:
Un sistema incorrecto de muestreo para
las colas de una Planta de Flotación.

Ejemplo de una Gran Mina de Cobre en Chile:

US $2 000 000 000 en pérdidas a través de las


colas en un período de 20-años

P. Carrasco: WCSB1, Denmark 2003


Resumen:
¿Quiénes son los enemigos?


•S •2
•DE•n
•n
S•WE•n
• •2

 
•2 •n
•S •FE•n •S •2
•GE•n
•n •n

•S•2
•HE•1 •V••[0•] •AE•n
•S
•2

•n

•2
•S •NE •PE•n
•S
•2

•Esquema de Francis Pitard


•EE•n
• S
•2 •n

•n
•Protegido por Ley Derechos de Autor, 2004

Recuerde este signo:  n


Variabilidad a Gran Escala:
La variabilidad que usted necesita ver
para optimizar sus operaciones

Cuando la variabilidad a pequeña escala agobia a la


variabilidad a gran escala, relevante para optimizar sus
operaciones, ocurren los siguientes problemas:

 Reuniones interminables para resolver los “puzzles”,


argumentar y hacer acusaciones,
 Es aplicada la corrección de factores hasta que los datos se
completen con normalidad,
 Geólogos y Geoestadísticos no pueden hacer su trabajo,
 Los Mineros y Metalurgistas están en guerra,
 Se deteriora el desempeño de la Empresa,
 La Administración no está feliz,
 Baja el valor de las acciones en el mercado.
Variabilidad a Gran Escala:
¿Porqué y Dónde es importante?

 Para encontrar nuevos recursos naturales


 Para cuantificar los recursos naturales
 Para mostrar una razonable continuidad de los recursos
naturales
 Para comprender los problemas de conciliación durante la
actividad minera
 Para optimizar los procesos en Minas y Plantas.
 Para elevar la calidad de los productos
 Para asegurar un justo retorno monetario de los productos
 Para disminuir las multas
 Para reducir el fraude
 Para minimizar la responsabilidad ambiental
 Para levantar la percepción del mercado en cuanto a la salud
fiscal de la Empresa.
 Para mejorar las tendencias de rentabilidad
Variabilidad a Gran-Escala:
¿Cuáles son los componentes principales?

Durante la Exploración

 Es importante medir la anisotropía de una unidad geológica.


 La tendencia de las leyes podría ser diferente en el eje Norte-Sur
que en el Este-Oeste o a lo largo de un eje vertical.
 Los rangos del variograma necesitan ser definidos en diferentes
direcciones.
 La densidad de la perforación necesita ser optimizada en
diferentes direcciones.
 La continuidad del mineral y la zona de influencia necesita ser
definida en diferentes direcciones.
 Se debe crear un modelo geológico confiable.

Con una gran V[0] estas importantes y críticas


tareas, que llevan a un confiable estudio de
factibilidad, se vuelven débiles.
Variabilidad a Gran-Escala:
¿Cuáles son los componentes principales?

Durante la Minería

 Selección del modelo de perforación de la ley del mineral y,


densidad de perforación.
 Selección de una técnica Kriging
 Selección de una ley de corte realista y económica.
 Selección de un diseño de rajo
 Selección de un nivel aceptable para la conciliación de las
diferencias entre el control de ley del mineral y el modelo
geológico.

Con un gran V[0] estas importantes y críticas


tareas, que llevan a una confiable
recuperación de los recursos naturales, se
vuelve débil.
Variabilidad a Gran-Escala:
¿Cuáles son los componentes principales?

Durante el Proceso

 Un balance metalúrgico creíble necesita monitorear el


desempeño.
 Necesita ser implementado el control de los parámetros
claves del proceso.
 Las tendencias del Proceso necesitan ser tratadas a su debido
tiempo.
 Los ciclos del proceso, siempre muy costosos, necesitan ser
identificados y ya sea eliminados o minimizados.
 Los gráficos de control confiables deben ser actualizados en
muchos lugares.
 Se debe prevenir la sobre-corrección del proceso.

Con un gran V[0] estas importantes y críticas


tareas, que llevan a una confiable
recuperación de los recursos naturales, se
vuelve débil.
Variabilidad a Gran-Escala:
¿Cuáles son los componentes principales?

Durante la Comercialización con los Clientes

A los Clientes les gusta un precio justo, pero odian las


sorpresas desagradables en la calidad del producto.
La aplicación de multas es una forma común de hacer negocios:
“¡Lo que me cuesta a mí, le cuesta a usted!”

 Usted no puede controlar la calidad de un producto después


del hecho, pero usted debe implementar las muchas cosas que
pueden llevar a un buen producto, desde el modelo geológico, a
la Mina, y a la Planta.

Con un gran V[0] estas importantes y críticas,


que llevan a una confiable calidad de los
productos, se vuelve débil.
Una larga lista de beneficios y oportunidades:
¿Cómo pueden las buenas prácticas de
muestreo dar acceso a todo esto?

 Las Buenas Prácticas de Muestreo, al igual que Las Buenas


Prácticas de Laboratorio, es el corazón del proceso de toma de
decisión de la Administración.
 Las Decisiones no son hechas mediante mirar un depósito o
un proceso.
 Las Decisiones son hechas mediante una mirada a las
muestras que representan un depósito o un proceso,
obligatoriamente.

¡OBLIGATORIAMENTE!…
 ¿Tienen autoridad las muestras para representar un
depósito o un proceso?
 Sus decisiones son solamente tan buenas como lo son sus
muestras.
Oportunidades:
Los Hechos

•Si es eliminada la
causa: •Cursos Cortos,
•Estandarice •Capacitación
•Si no es eliminada •Talleres,
la causa:
•Re-analice

•Acciones com- •Analice los datos


pulsivas sobre existentes y encuentre
las causas de los los problemas
•Oportunidades perdidas problemas estructurales.

con énfasis en los efectos


de los problemas.

•Mejoramiento Continuo del


•Proceso Minero con énfasis
•Esquema de Francis Pitard
Protegido por Ley Derecho de Autor, 2004
•en las causas de los problemas.
Oportunidades:
El Mapa del Camino

•Director de Estándares del Proceso Minero:


•La Sinergia Necesaria para la Eficiencia del Proceso Minero

•Selección de Estándares útiles •Selección y ofrecimiento •Guías para las Mejores


para una empresa minera.
de cursos cortos, Prácticas
•Implementación de las Políticas
talleres y capacitación. •Selección de Expertos de
de la empresa.
nivel mundial.

•Identificación de Problemas
Estructurales y,
•Mejoramiento Continuo del
Proceso Minero

•Acciones
Compulsivas •Contabilidad

•Comunicación con los •Comunicación con la


Administradores y
Administración Superior
de las operaciones de
Laboratorio de QA/QC.
•Esquema de Francis Pitard la Empresa.
•Protegido por Ley Derecho de Autor, 2004
Cálculo del Factor Mineralógico
Ejemplos Prácticos

1. Queremos analizar el contenido de oro de una muestra:


• El contenido de oro es de alrededor de 2 ppm (0.058 opt)
• El oro se presenta como pequeñas pepitas de una densidad de alrededor de 16.0
• La densidad promedio del porfídico adyacente es de alrededor de 2.8

Calcule el factor mineralógico.

2. Queremos analizar los contenidos de oro y plata de un concentrado de galena:


• El contenido de oro es de alrededor de 100 ppm (2.9 opt), y se presenta como
un metal nativo de una densidad de alrededor de 16.0
• El contenido de plata es de alrededor de 2500 ppm (73 opt), y se presenta
como un complejo de sulfuro de fórmula AgPbSbS 3 de una densidad
aproximada de 5.0
• La densidad de la galena es de 7.5
• Pesos Atómicos: Ag = 108, Pb + 207, Sb = 122, S = 32

Calcule el factor mineralógico del oro y la plata.


3. Queremos determinar el contenido de oro de un sedimento de flujo:

• El contenido de oro de una anomalía confiable es arbitrariamente


fijada en 10 ppb.
• La densidad del oro es asumida para ser de alrededor de 16.0.
• El contenido de oro de la información general es asumido para no ser
disuelto por el procedimiento de lixiviación por cianuro.

Calcule el factor mineralógico para el oro.

4. Queremos determinar el contenido de oro de un depósito


subterráneo:
• El contenido esperado del oro es de alrededor de 32g/t.
• La densidad de las partículas de oro es de alrededor de 16.0.
• La densidad de la roca in-situ es 2.7.

Calcule el factor mineralógico del oro.


Cálculo del Factor de Liberación
Ejemplos Prácticos
1. Mineral de oro que contiene alrededor de 2 ppm de oro no-liberado
(0.058 opt). Si una rápida investigación semi-cuantitativa XRF
muestra que los fragmentos más grandes de cortes RVC (d = 1/2
pulgada) ocasionalmente contiene hasta 750 ppm de oro (22 opt),
¿Cuál sería el Factor de Liberación para los fragmentos de 1/2
pulgadas en este mineral?.

2. Un concentrado de galena contiene 100 ppm de oro (2.9 opt) como


metal, y 12340 ppm AgPbSbS3 (360 opt). Ocasionalmente, algunas
partículas de este concentrado contienen hasta 25000 ppm (730 opt)
y 24% AgPbSbS3 (7000 opt). Calcule los factores de liberación de
mineral de oro y plata en este concentrado.
3. Un mineral de oro es triturado a menos 4 pulgadas (10 cms) previo a alcanzar un
muestreador de flujo cruzado; a menos 1 pulgada (2.5 cms) previo a alcanzar el
muestreador secundario; a 10 mallas (0.17 cm) previo a alcanzar el muestreador
terciario, finalmente a menos 100 mallas (0.015 cm) previo al ensayo de fuego.

El contenido promedio de oro de este mineral es de alrededor de 2 ppm (0.058


opt). Una investigación mineralógica de la fracción heavy obtenida de una
concentración de gravedad, muestra que el 85% del oro (es decir, la definición
del tamaño de liberación dl ) es liberado cuando el material es pulverizado a
menos 40 micrones.
Calcule el factor de liberación del oro en cuanto el mineral alcance:
1. El muestreador primario:

2. El muestreador secundario:

3. El muestreador terciario:

4. La sala de balance previo al ensayo de fuego:


4. Queremos determinar el contenido de oro de un depósito subterráneo. Una
muestra del frente es tomada rutinariamente para control de ley del mineral. Se
espera que la ley promedio de oro sea de alrededor de 32 g/t. Las muestras son
molidas a 95% menos 1.05 cm., usando una trituradora de mordaza, antes de ser
separadas. Una rápida investigación mediante Rayos X, muestra que algunos de
los fragmentos entre 1.25 cm (1/2 pulgada) y 0.635 cm (1/4 pulgada), contienen
ocasionalmente hasta 7750 g/t.

Calcule el factor de liberaciòn del oro en la muestra promedio del frente como
de la entregada por la trituradora de mordaza.
Estudio de Caso

A partir de las colas de una antigua mina, recolectamos una muestra de compuesto
de 50 kgs. El tamaño máximo de partícula d del material es de alrededor de 1/4 de
pulgada (0.67 cm).
Queremos enviar una sub-muestra no más pesada que 2 kgs a un Laboratorio.
Sobre esta sub-muestra de 2 kgs., queremos determinar el contenido promedio de
oro de las colas. Se espera que el contenido de oro esté en alrededor de 2 ppm.
La desviación estándar asignada del Error Fundamental FE es
2S   15% , el cual es un límite requerido por un estudio de factibilidad.
¿A qué tamaño d trituraremos la muestra de 50 kgs antes de separarla?. ¿Se
resuelve el problema con un compuesto de 50 kgs?.
Sabemos por un estudio mineralógico y de anteriores análisis, que el oro está
finamente diseminado en la roca y que la ley máxima encontrada localmente en
partículas de 1/4 de pulgada, no es de más de 100 ppm. Use 16.0 para la densidad
del oro.
Estrategia de 18 Puntos
Punto
Punto ## 1:1:
Fuentes
Fuentes dede los
los Problemas
Problemasde
de
Reconciliación
Reconciliación dede la
la Ley
Ley de
de Mineral.
Mineral.

• Modelo Geológico

• Logística
• Protocolos de Muestreo
• Implementación de los Protocolos de
Muestreo
• Comprensión de la Variabilidad
• Medición Común de la Variabilidad
• Capacitación
Modelo Geológico

• Continuidad e interpolación

• Continuidad y extrapolación
• Contactos
• Fallas
• Zonas de Transición
• Selectividad
• Exploración
• Mineralogía
Logística

• Contratistas
• Inventarios
• Stockpiles (Almacenamiento)
• Palas de Carguío
• Camiones de Extracción
• Agua
• Pérdidas en forma de polvo
Protocolos de Muestreo

• El efecto Nugget in-situ


• El Error Fundamental
• El Error de Agrupamiento y
Segregación.
• Intervalos de Muestreo
• Modos de Muestreo
Implementación de los
Protocolos de Muestreo

• Error de Delimitación
• Error de Extracción
• Errores de Preparación
• Fraude
• Error en el Peso
• Error en el Pesaje
Comprensión de la Variabilidad

• Azarística
• No azarística
• Cíclica
• Comportamiento de alta ley
• Ley de Corte
• Variabilidad de la Mina Vaciada
• Factores de Corrección
• Tronadura Abatida
Medición común de la
Variabilidad

• Contenido de Humedad
• Densidad
• Error Analítico
Capacitación

• Geólogos y Mineros:
Geoestadísticas y Teoría del Muestreo

Metalurgistas y Químicos:
Cronoestadísticas y Teoría del Muestreo

• Contabilidad de Alto Nivel:


En Minería, la obsesión hacia los costos
visibles puede llevar a hacer tambalear los costos
invisibles.
Punto
Punto Dos:
Dos:
Use
Use Estándares
Estándares

La Administración, como una herramienta de incentivo para mejorar el desempeño y la eficiencia


de muchas áreas, puede usar los Estándares ISO.
Pero, los Estándares ISO no son estándares para un buen muestreo, geoestadísticas o
cronoestadísticas.
Los estándares ISO solamente son guías organizacionales y lógicas. Es positivo para el nivel
superior de la compañía crear estándares en varias áreas, adecuados para los intereses de corto y
largo plazo de la empresa.

Estándares que se recomienda crear:


• Pruebas de Heterogeneidad para optimizar los protocolos de
muestreo.
• Equipo de Muestreo correcto.
• Check List (Lista de Verificación) obligatoria para equipos nuevos
de muestreo, propuestas por las empresas de ingeniería o fabricantes.
• Preparación de Materiales de Referencia Estándar
• Estudios de Variabilidad usando datos existentes.
Use Estándares ISO como marco referencial
para implementar manutención preventiva.

Las Palas de carguío y los camiones de extracción de la Mina; así como los molinos y las celdas de
flotación en la Planta, necesitan manutención preventiva, de la misma forma hay que hacerlo en las
siguientes muy importantes áreas:

• Sistemas de Pesaje, tales como balanzas y pesómetros.


• Estaciones de Muestreo
• Sistemas de muestreo instalados en las Perforadoras.
• Equipamiento de Muestreo de los Laboratorios.
• Equipamiento de Muestreo para control del proceso.
• Equipamiento Analítico en la Planta y en el Laboratorio.
• Capacitación de administradores y supervisores.
Cursos de Capacitación

Los cursos de capacitación típicos en la Mina, se dictan 3 veces en el año:


• Comunicación, presentación y habilidades de asertividad.
• Redacción de Informes
• Fundamentos de la administración del tiempo
• Reuniones efectivas
• Supervisión
• Habilidades de Negotiación
• Primeros Auxilios
• Prevención de Riesgos
• Sistemas 6 Sigma, SPC, y TQM (Administración de Calidad Total)

Sin embargo raramente son ofrecidos los siguientes cursos:


Quizás alguna vez cada 10 años

• Estadísticas, Geoestadísticas y Cronoestadísticas.


• Teoría y Práctica del Muestreo.
• Identificación de los costos invisibles.
Punto
Punto Tres:
Tres:
No
No mal
mal utilice
utilice los
los estándares
estándares

Una característica potente de los estándares ISO, y algunos otros estándares, es la flexibilidad
para añadir elementos adicionales a los manuales del estándar. Elementos adicionales, tales
como un Muestreo correcto, SPC, TQM, Geoestadísticas y Cronoestadísticas, deberían asegurar
que los estándares no son mal utilizados.

Los síntomas de la mala utilización son:


• La regla es el “status quo” (mantener lo mismo),
• Los empleados pierden su creatividad,
• Los empleados usan los estándares como una pantalla para
justificar su acción sobre la falta de ellos.
• La Agencia de Certificación hace funcionar la Compañía,
• La Administración persigue solamente la Certificación,
• El logro más grande de los estándares resulta en poner demasiado
énfasis en la contabilidad metalúrgica.
Punto Cuatro:
La Mesa de Tres-Patas

Es bueno perseguir estándares de certificación, ya que


ayuda a la compañía a organizarse en áreas muy
importantes. Esto lleva al concepto de la mesa de tres
patas.

Ganancias de la Compañía

Administración Comprensión de la
Efectiva Muestreo
Correcto Variabilidad
Pata #1:
Administración Efectiva

 Identificar problemas estructurales


 Invertir en soluciones a los problemas estructurales
 Identificar problemas circunstanciales
 Se puede ahorrar tiempo y dinero en los problemas
circunstanciales.
 Comprensión y acción sobre todas las fuentes de
variabilidad
 Ser proactivo en vez de reactivo
Pata #2:
Muestreo y Medición Correcta

 Efecto Nugget (Pepita) In-Situ


 Error Fundamental
 Error de Agrupamiento y Segregación
 Error de Delimitación
 Error de Extracción
 Error de Preparación
 Error de Interpolación
 Error Periódico
 Error de Pesaje
 Error Analítico
Pata #3:
Comprensión de la Variabilidad


La Variabilidad genera costos visibles e
invisibles
 La Variabilidad es un problema y una oportunidad.
 Hay muchas clases de variabilidad
 Todos los errores de muestreo magnifican la
 variabilidad
 Los Geoestadísticos analizan las variables en la
 Mina
 Los Cronoestadísticos analizan la variabilidad en la
 Planta.
 Minimice la variabilidad mediante una estrategia
de
 mejoramiento continuo.
Integre un buen muestreo, SPC,
y TQM en un programa simple.

El muestreo, SPC, y TQM deben ser cuidadosamente


integrados en un programa común.
Todavía, muy a menudo, son equivocadamente mantenidos
como programas separados, manejados por Departamentos
diferentes que raramente se comunican entre sí.
Por lo demás, si se rompe una pata, generalmente no se
bota una mesa.
No es raro que una compañía pueda caminar con una pierna
solamente (por ejemplo, administración reactiva), haciendo
imposible optimizar la recuperación de los recursos
naturales de la Mina.
Punto
Punto Cinco:
Cinco:
Implemente
Implemente una
una filosofía
filosofía de
de muestreo
muestreo
equiprobabilístico.
equiprobabilístico.

El control de la ley de mineral y balance metalúrgico, deben implementar el muestreo


equiprobabilístico, dando una oportunidad igual para que se seleccione todo el material a ser
muestreado.
Hay tres errores de muestreo, no bien conocidos, que son notorios para introducir los “sesgos” más
grandes durante la exploración, en la Mina, el Chancado, la Fundición y en los Laboratorios, ellos
son:

 El Error de Delimitación
 El Error de Extracción
 Los Errores de Preparación

Las empresas de ingeniería y fabricantes de equipamiento de muestreo conocen muy poco con
respecto a estos errores, y durante muchos años, han construído e instalado equipamiento de
muestreo que transgrede las reglas más elementales de un muestreo correcto. Por lo demás, los
organismos estandarizadores no conocen mucho mejor o están confundidos acerca de estos
importantes errores del muestreo, los cuales no ayudan al objetivo.
El Error de Delimitación:
Ejemplo durante la exploración.

•Recuperación
100% •Recuperación 65%
•Recuperación 97%

•Muestra 3-metros

•¿Está seguro que la muestra compuesta de 3 mts,.


•hecha de tres diferentes recuperaciones es exacta?

•Una longitud de muestra sistemática puede generar un gran “sesgo”


en la exploración geo-química..
El Error de Delimitación:
Ejemplo en la Mina

Muestreo en Hoyo de Tronadura

Recuperación“Zero”

Muestra Buena Recuperación


Recuperada

Sub-perforación
El Error de Delimitación:
Muestreo recomendado para Hoyos de Tronadura

•Hopper Alimentación
•Puerta de Inspección

•Flujo que cae alrededor del cono


•Cono que asegura el
•Corte perfecto de los cortadores
•Cono Deflector
•Rodamiento

•Cortadores Rotatorios

•Rodamiento a prueba de polvo

•Rodamiento

•Cámara de Flujo Principal


•Motor: 15 rotaciones
•por minuto en su mayoría

•Muestra •Rechazos

•Modificación recomendada por el Sistema de Muestreo


de Metal Craft
•Este cuadro es una vista lateral conceptual del sistema de muestreo recomendado a ser insertado en la parte
•Inferior de la actual Circulación Reversa de Metal Craft o •Hoyo de Tronadura • Sistema de Muestreo bajando el cono invertido el
•Sistema de Muestreo Metal Craft permanece lo mismo que antes. Pero, los cortadores estacionarios son reemplazados por dos cortadores
•radiales. Usted notará la presencia de un segundo cono que asegura un corte perfecto de los cortadores. El
•La puerta de inspección debe mantener toda la vía a través del cono exterior, para que podamos inspeccionar y limpiar los cortadores una vez
•Día. Las partes más delicadas que requieren buena ingeniería está ubicada en la base de los cortadores donde hay un
•instalado un rodamiento a prueba de polvo.
El Error de Delimitación:
Ejemplo de Laboratorios

Sub-muestra
Analítica

¿Segregación?
El Error de Delimitación:
Seleccionando la submuestra analítica

Al menos nueve
incrementos
El Error de Delimitación:
Ejemplos en la Planta

Muestra

Muestreador con cortador Fijado

Muestreador de
cañería de presión Muestra
El Error de Delimitación:
Muestreo correcto en la Planta

•Cinco Cortadores •Sobreflujo induciendo


•turbulencia

•Flujo de Muestreo yendo a


•Flujo Principal
•una similar etapa de
•Muestreo más pequeña

•Sistema de muestreo sugerido para muestreo de control de procesos de lechadas.

Para el balance metalúrgico, un sistema de muestreo de flujo cruzado sería la


opción ideal.
El Error de Extracción:
Ejemplo durante la exploración

El material delicado
en fracturas o
contactos es perdido
selectivamente.

•100% recuperación
•65% recuperación •97% recuperación

Muestra en 3-metros
El Error de Extracción podría haberse llamado “Error de Recuperación”.
El Error de Extracción:
Es crítica la buena recuperación.

Agua de Enfriamiento

Cortadores
+
Agua

Cabezal de diamente
cónico.

Núcleo no
Interrumpido
El Error de Extracción:
Ejemplo en la Mina

Polvo Fugitivo

Cortina Cortina

Polvo Fugitivo
El Error de Extracción:
Recupere todos los finos

Ciclón Primario
Colector de Hacia el
Barra colector
de polvo

Sellos

Ciclón
Secundario

Al sistema de
muestreo.
El Error de Extracción:
Ejemplo en la Planta

Moviendo el cortador a través


Moviendo el cortador a través del flujo.
del flujo.
Cortador demasiado angosto y
Cortador diseñado diseñado equivocadamente.
correctamente.
El Error de Extracción:
Ejemplo en Laboratorios

La velocidad de rotación del divisor


rotatorio podría introducir un “sesgo” si es Buzón
mayor que 45 cms/segundo en el punto del Alimentación
buzón del material a ser muestreado.

Transportador por
Vibración
Los Errores de Preparación:
Ejemplo durante la exploración.

Contaminación cruzada entre muestras sucesivas; mala pero


puede ser superada.

Contaminación cruzada entre muestras lejanas


es una pobre idea.
Los Errores de Preparación:
Ejemplos en Laboratorios

Prevenga el uso de maquinaria polvorienta de


antigua tecnología.
Molinos de Quijada

Molinos de Rodillo

Separadores de Mineral

Pulverizadores de Disco
Los Errores de Preparación:
Ejemplos de Nueva Tecnología.

El siguiente equipamiento minimiza la pérdida de finos.

Chancador de alto rendimiento


capaz de entregar material
de menos 0.3 cm.

Anillo de Molienda
Continuo

Divisor Rotatorio

Anillo de Molienda LM2

Muestra Final
El Error de Pesaje:
Ejemplo en la Mina y Chancado.

Los pesómetros son fuentes notorias de reconciliación de problemas. La exactitud de muchos pesómetros es
dudosa dada la ubicación en que están instalados y la forma en que son limpiados, mantenidos y
calibrados.
La experiencia de terreno prueba ser mucho menos optimista que las garantías de los fabricantes.
Pese a ello, si setoman algunas precauciones, es posible pesar con exactitud usando pesómetros.
Usted necesita tres elementos para implementar un programa exitoso:
1. La instalación inicial del pesómetro requiere ser correcta.
• El pesómetro y el transportador no existen en forma independiente. Es necesario que la empresa
de ingeniería los construya juntos como un sistema integrado.
• La ubicación seleccionada para instalar el pesómetro es crítica, ya que debe ser instalado donde
la tensión de la correa sea la mínima.
• El pesómetro debe ser instalado donde el transportador (correa) esté horizontal.
• Se debe minimizar la detención de los polines.
• El ángulo de los rodillos albardillados debe ser muy exacto.
• La deflección de las vigas del transportador debe ser minimizada.
• La temperatura ambiente debe mantenerse constante. Los pesómetros no son para ambientes
exteriores.
El Error de Pesaje:
Más para un programa exitoso.

2. Se necesita implementar un programa de pruebas lógico.


• Cada seis meses, desarrolle tres pruebas con material ya pesado.
• Cada prueba necesita al menos alrededor de 30 minutos.
• Las tres pruebas deben ser hechas con diferentes pesos, con el objeto de descubrir si la
calibración “cero” es correcta.
• El material pesado puede ser calibrado en camiones.
• Esta prueba es costosa e interrumpe la producción.
• Cada dos semanas, desarrolle su prueba estándar.
3. Monitoree las desviaciones en los trazados de diferencia relativa para determinar, después de
algunas semanas, si las desviaciones son variables azarísticas o no azarísticas.

W1 W2
Si W1 y W2 son calibrados en la mañana, en la tarde del mismo día, a menudo ya están en
desacuerdo.
El Error del Pesaje:
Efecto de los Almacenamientos (Stockpiles)

W1

Almacenamiento

W2

Comparemos W1 y W2 durante un largo período de tiempo, estos dos pesómetros deberían mostrar
exactamente el mismo tonelaje. Pero, hay un gran almacenamiento entre los dos. Suponiendo que los dos
pesómetros están bien calibrados, la diferencia W1 - W2, sin considerar el almacenamiento, debería ser de una
variable azarística.
Si la calibración está siendo mal hecha en cualquiera de los pesómetros, la diferencia W1 - W2 no será más una
variación azarística.
Esto sugiere que el trazado relativo y las diferencias dimensionales expresadas en %, entre W1 y W2, tres veces
al día en un gráfico de control, y siguiendo un Promedio Móvil de 20 puntos, debería indicar cuando la
diferencia relativa 100 [w1-w2]/ [(w1+w2)/2] no será más una variación azarística.
Punto
Punto Seis:
Seis:
No
No confunda
confunda cantidad
cantidad de
de trabajo
trabajo con
con
productividad
productividad real.
real.

Geólogos, mineros, metalurgistas y químicos, deben aprender a hacer el trabajo en forma


correcta y a la primera vez.
La Calidad y la Productividad no son incompatibles.
Ambas pueden ser logradas al mismo tiempo, si los requerimientos siguientes son
cuidadosamente implementados a lo largo del tiempo de vida de un proyecto:
1. Estudie la heterogeneidad que llevan los constituyentes de interés tan tempranamente
como sea posible.
2. Optimice los protocolos de muestreo de acuerdo a los factores de heterogeneidad.
3. Implemente los protocolos de muestreo usando los sistemas de muestreo correctamente
diseñados y mantenidos.
4. Cuantifique la precisión y exactitud de los protocolos de muestreo y sub-muestreo, y las
mediciones analíticas.
5. Identifique y cuantifique los componentes de variabilidad llevados mediante los datos
generados.
A menos que esta inevitable secuencia sea implementada a través del proceso, la cantidad de
trabajo estará innecesariamente aumentada y la productividad será pobre.
Punto
Punto Siete:
Siete:
Establezca
Establezca una
una lista
lista deseada
deseada realista
realista
para
para cada
cada parámetro
parámetro deldel proceso.
proceso.

Los problemas de reconciliaciòn entre Mina y Chancado, pueden ser minimizados


si cada parámetro de control de proceso, es mantenido cuidadosamente bajo
control.

Para cada parámetro clave, establezca una lista deseada consistente en tres valores
claves:

1. Una Especificación Superior [US], sobre la cual el proceso no trabaja bien.

2. Un Promedio Objetivo [TA], en el cual el proceso se desarrolla en la mejor


3. forma.

3. Una Especificación Inferior [LS], bajo la cual el proceso no trabaja bien.

Para un parámetro dado, muchos administradores e ingenieros no tienen claro qué es la list
deseada. Tal conducta muestra una pobre comprensión de las diferentes fuentes de
variabilidad inherentes al proceso y sistemas de muestreo/medición.
Sin lista deseada = No es posible un análisis de
variabilidad significativo.

Un mina de níquel tiene varios bancos trabajando simultáneamente. Una de las


mayores preocupaciones es el nivel de arsénico, el que debería mantenerse bajo
los 30 ppm. Los siguientes datos cubren un período de 6 meses.

Data
X

68

US
53.8

39.6
TA

25.4

LS

11.2

-3 move ave

1 40 79 118 157
Increment = 24 hours

US = 3.00E+01 LS = 1.00E+01 TA = 2.00E+01 mean


UCL = 2.64E+01 LCL = 1.36E+01 Mean = 1.30E+01
UCL' = 2.97E+01 LCL' = 1.03E+01 2 sigma
UCL'' = 3.58E+01 LCL'' = 4.25
Una lista deseada equilibrada es el resultado
de un cuidados análisis de variabilidad.

Una lista deseada podría tener valores dinámicos que podrían cambiar en el
tiempo.
Pese a ello, el concepto de lista deseada permanece igual, y lleva al
Administrador a decidir cuándo y còmo la lista debería cambiar.
Haga una cuidadosa planificación para coordinar la listada deseada con otros
importantes parámetros.
Una lista deseada lógica no se puede improvisar y debería ser el resultado de
un cuidadoso análisis de variabilidad.

En consecuencia, una lista deseada es necesariamente


un proceso de toma de decisión iterativo.
Punto
Punto Ocho:
Ocho:
Trabajo
Trabajo Inteligente,
Inteligente, no
no Duro
Duro

Una buena comprensión de las varias clases de heterogeneidad y la


variabilidad que ellas generan en el proceso, ayuda a implementar un exitoso
programa de control estadístico del proceso.
En el siguiente ejemplo, la variabilidad cíclica que afecta las tons/hora
procesadas a través de un Molino SAG, obliga al Promedio Objetivo (TA) que
se ajuste a 540 tons/hora con el objeto de que el molino raramente suba a un
ajuste de punto crítico de 600 tons/hora [US].
Sobre US el desempeño del molino podría colapsar totalmente.

LS TA US
Frequencia

480 540 T/h 600


Minimizando la Segregación del
Stockpile (Almacenamiento)

Chancado Primario

Segregación

SAG
Minimizando la Amplitud del Ciclo

Nuevo TA Mismo US

LS

Productividad
Mejorada
Ejemplo #2:
Optimizando la quebradura con explosivos

La perforación y tronadura en la Mina, es a menudo vista como una tarea cuyo


costo debe ser minimizado.
Sin embargo, el costo de la Molienda es de alrededor de 20 veces el costo de la
tronadura.
En consecuencia, la cuidadosa optimización de la quebradura del terreno con
hoyos de perforación, deberían tener un tremendo efecto económico para las
unidades que siguen en el flujo productivo :
 Minimizando la dilución del mineral,
 Incrementando la productividad de Palas y Camiones,
 Minimizando los costos de chancado,
 Minimizando los costos de molienda,
 Incrementando la productividad de la molienda,
 Incrementando la recuperación de metal,
 Disminuyendo los niveles de impurezas en el concentrado, etc....
Quebrar en vez de desplazar.

Sin un adecuado monitoreo del desempeño de la gestión de tronadura, las unidades


que siguen en el flujo productivo, es improbable que sean optimizadas.

La vigilancia y monitoreo X en un gráfico de control, pueden generar una


gran cantidad de beneficios extras para la compañía.
Ejemplo #3:
¡Más tons por día Minería/Molienda!

La optimización de la Mina, Molienda, Flotación y Lixiviación, requiere


romper el siguiente paradigma:
“Más toneladas en Minería y Molienda incrementan necesariamente los
beneficios de la compañía”.
El interés cultural de la declaración anterior está creado por el rechazo a
admitir que hay costos invisibles.
“Si no puedo poner un costo en los libros de contabilidad, éste no existe”

El objetivo principal de la perforación y la tronadura


debería ser maximizar la fragmentación y minimizar la
dilución.
Más Toneladas por día en Minería/Molienda
puede ser un terrible Paradigma.

Ficción de
Valor NET presente MUS$
Factibilidad

800 Triste
Realidad

Menos Más

Pero los mismos beneficios

0
20 40

Rango Minas Mtons/año


Punto
Punto Nueve:
Nueve:
Precaución
Precaución de
de las
las Unidades
Unidades Económicas
Económicas
dentro
dentro de
de la
la misma
misma Compañía.
Compañía.

Hoy en día, en muchas compañías, la Mina, la Molienda, la Fundición, la Refinería y


algunas veces incluso los Laboratorios, podrían trabajar como unidades económicamente
independientes, dentro de la misma empresa.
La Administración aprendió que las unidades económicamente independientes se
desempeñan mejor, ya que llegan a ser más responsables para un desempeño de costo
efectivo.
Es un buen principio. Pero, no sin peligros.
Por cierto, todas estas unidades trabajan en un cronología lógica e inescapable, donde el
desempeño de una afecta grandemente el desempeño de la próxima.
En consecuencia, el sub-producto de las unidades económicas es la exportación de un
problema a la unidad siguiente, dado que no mantienen un incentivo para corregir algunos
detalles importantes.
La filosofía es “la Fundición se preocupará de eso y la Refinería de esto otro”.

Para llegar a lograr un costo efectivo de esa forma, usted


bien podría crear una pesadilla para los fundidores y
refinadores.
Retroalimentación entre Unidades

Geología

Mina

Laboratorio
Molienda

Fundición
Dirección por Objetivos:
Sí, pero…!

 
  
 
 
Los Objetivos de Calidad de Datos (DQO) siempre deberían estar primero.
 
 
 
Objetivos de Calidad de Datos Control de Proceso
Sampling TheoryenandunPractice
sentido amplio y Pronóstico Geostadístico y Estadístico
 
(DQO) decisión de la administración.
 
 
 
   
   
 
 
 
 
  Temas Mineros Evaluación del Riesgo, Elipse de
  Administración de Precisión y Corte.
  la Variabilidad
  (EMPV)
  Temas Metálúrgicos Capacidades del Laboratorio
 

Temas del Cliente Recursos Humanos

Control de Proceso en un sentido amplio y decisión


de la administración.
Punto
Punto Diez:
Diez:
La
La Selección
Selección de
de la
la ley
ley de
de corte:
corte:
Precaución
Precaución con
con la
la mala
mala clasificación.
clasificación.

La información de respaldo de Geología, Mina y Molienda debe ser objeto de cuidadosos


análisis estadísticos.
Un ejemplo es el costo de la “precisión”, que afectan las muestras de los hoyos de perforación.
La Precisión, la cual podría generar una enorme mala clasificación de la ley del mineral, no es
tomada lo suficientemente en serio en la mayoría de las operaciones mineras.
Su efecto está mezclado con el deseo de llegar a ser sobre-selectivo, a través del uso de leyes de
corte de mineral no realistas, basadas únicamente en realidades económicas.
El diagrama de la diapositiva siguiente, ilustra un caso donde la Administración selecciona una
ley de corte económica para alimentar el molino con una ley promedio teórica que fue pre-
determinada mediante un estudio de factibilidad.
Pero, la variabilidad azarística que afecta el dato base, necesariamente resulta en una mala
clasificación de la ley del mineral.
Si la ley esperada no es obtenida, la administración podría ser tentada a incrementar la ley de
corte del oro.

Esta es una decisión reactiva, no está direccionada a las causas


del problema y corta drásticamente las reservas de mineral.
La Elipse de Precisión:
Una visión de la realidad

Muestras de Hoyos de Perforación duplicadas de una mina de oro.


4.62 3.92 1.37 0.9 3.83 3.63
0.83 3.62 1 1.09 3.78 3.39
0.49 1.1 1.76 1.35 4.08 4.05
1.4 0.86 4.47 2.51 4.23 2.12
2.07 1.47 4.81 3.01 1.55 1.27
1.4 1.59 1.72 2.22 1.43 1.39
1.34 1.63 1.45 1.41 1.33 1.05
1.78 2 1.21 1.55 0.41 0.36
1.39 1.03 3.4 1.33 0.29 0.31
1.67 1.14 5.58 3.46 1.51 0.93
2.33 2.39 3.56 3.5 0.72 0.82
5.57 3.91 1.4 1.11 2.88 1.13
4.13 4.48 0.47 0.56 2.84 3.09
3.97 4.09 0.51 0.59 0.32 0.35
3.8 3.75 1.24 0.81 0.29 0.26
2.65 3.45 0.89 1.01 1.01 0.83
4.63 5.6 1.3 1.11 0.36 0.37
3.81 3.76 2.54 2.18 1.21 1.61
7.3 7.21 3.69 3.42 2.42 1.92
5.41 5.73 4.32 3.91 2.09 0.65
5.12 4.84 4.81 4.43 4.06 4.14
3.93 4.74 7.79 8.04 2.26 3.14
4.65 4.74 5.61 5.76 5.69 5.33
7.71 6.8 5.67 8.15 4.11 4.12
1.64 3.3 7.93 6.74 7.41 7.88
4.28 4.49 6.29 6.05 8.72 8.86
2.86 2.96 5.59 4.53 7.24 12.9
4.37 4.43 9.48 13.5 9.45 9.36
3.73 3.53 14.1 13.4 14.1 6.24
2.98 3.49 9.45 14.2 9.48 13.5
2.37 2.71 7.22 9.45 8.79 10.7
1.31 1.48 7.62 6.29 8.4 10.3
2.08 1.11 6.79 6.89 8.28 3.41
La Elipse de Precisión:
Detección de un costo invisible.
La Elipse de Precisión:
Mineral mal clasificado.

Estéril mal
clasificado como
mineral

Mineral mal
clasificado como
estéril.

Simulación de la verdadera ley “in-situ”


El Histograma de precisión:
Diferencias Relativas

Este Histograma de referencia


es obtenido de muestras
duplicadas de rutina.
Los nuevos Histogramas del muestreo
y el Histograma simulado.
Los cuatro enemigos de la precisión

 El Efecto Nugget (Pepita) In-situ

 El Error Fundamental

 El Error de Agrupamiento y Segregación

 El Error Analítico
El Efecto Nugget In-situ

La varianza del Efecto Nugget in-situ, es inversamente proporcional al volumen


de la muestra.
El Error Fundamental

El Error Fundamental (FE) es el efecto directo de la Constitución de Heterogeneidad de


un lote (CHL), el cual está expresado como sigue:

 ai  a L  M i2
2

CH L  N F  i a L2 M L2

donde NF es el número total de fragmentos F en el lote L, a i es el contenido de oro de un


fragmento, aL es el contenido promedio de oro del lote , M i es el peso de un fragmento, y
ML es el peso del lote.
CHL está expresado como una varianza relativa, no dimensionada. Esta fórmula es
completa y no contiene ninguna aproximación ni suposiciones. Es muy importante el punto
de partida en la Teoría del Muestreo. Para eliminar la tarea de estimar N F definimos un
nuevo y más pragmático término: IH L llamado Factor Constante de Constitución de
Heterogeneidad.

ML  ai  a L  M i2
2

IH L  CH L
NF
 CH L M i   i a L2 M L
El Error Fundamental [2]

Con el objeto de estimar el IHL de una forma amistosa, podríamos ordenar el lote en una
suma doble de fracciones de tamaño y densidad, como se ilustra en la siguiente
diapositiva. Es el mismo lote. Ahora, el IHL llega a ser:

a  aL  2
M L
 V   

IH L 
  a L2 M L
 

donde V es el volumen promedio de un fragmento en una fracción de tamaño dada , y


 es la densidad de una clase de densidad dada .
Esta es nuestra fórmula de referencia. Es completa y no involucra suposiciones. Con el
objeto de estimar el IHL es posible desarrollar un completo análisis de tamaño-densidad en
un compuesto representativo de una unidad geológica dada. Tal prueba está bien
documentada en el trabajo de Gy, pero es engorrosa y muy cara. Las aproximaciones
pueden ser hechas con las dos suposiciones, las cuales llevarán a un enfoque mucho más
amistoso.
El Error Fundamental [3]

Suposición 1: La experiencia muestra que el contenido de oro a  varía mucho más de


una fracción de densidad a la próxima que de un tamaño de fracción a la próxima. En
consecuencia, en la anterior ecuación podríamos sustituir a  por a. Esta suposición es
siempre cercana a la verdad.

Suposición 2: El estudio de un gran número de casos reales muestra que las


proporciones ML/ML varían poco de una fracción de densidad a la próxima. En
consecuencia, podríamos suponer que ML/ML puede ser reemplazada por su promedio
ML/ML , lo cual da ML = MLML /ML.
Ahora, podríamos estimar IHL como sigue:
 


  V
M L  
2

a   a L M L  
IH L     2

  M L   a L ML 

El Error Fundamental [4]

L  L 1 L 2 L 3 L 

M F  11 M F  12
M F  13
M  11 M  12
L1 M  13 L 1
a  11 a  12
a  13

M F  21 M F  22
M F  23
M  21 M  22
L2 M  23 L 2
a  21 a  22
a  23

M F  31 M F  32
M F  33
M  31 M  32
L3 M  33 L 3
a  31 a  32
a  33

L  L 1 L 2 L 3 IH L

S i z e -de
•Modelo d e tamaño-densidad
n s i t y m o d e l o f a l o de
t un lote
El Error Fundamental [5]

El Factor Constante de la Constitución de Heterogeneidad IH L puede ser dividido en los


siguientes componentes:
 
IH L  fgcd 3

 
donde “f” es un factor de perfil de fragmento de alrededor de 0.5, “g” es un factor de
distribución de tamaño de fragmento de alrededor de 0.25, “c” es un factor de composición

mineralógica,
es un factor de liberación, y “d” es la abertura de tamaño de un tamiz que podría retener
el 5% del material a ser muestreado en cualquier etapa de muestreo dada. Generalmente, la
principal dificultad yace en la estimación del factor de liberación por lo cual la literatura de
muestreo es cargada con preocupantes conceptos equivocados. La literatura en el
procesamiento de minerales guiada por el Dr. Pierre Gy en recientes publicaciones sugieren
la siguiente fórmula:
d0

d
 
El Error Fundamental [6]

 
donde do es el tamaño de liberación del oro. En esta etapa, es adecuado rellamar la
definición del tamaño de liberación d o, como es mal utilizado a menudo en la literatura
de muestreo. El tamaño de liberación del oro d o es definido como el tamaño bajo el cual
el 95% del material debe ser molido con el objeto de liberar completamente al menos el
85% del oro. En consecuencia, no debería sorprender que d o podría llegar a ser
extremadamente pequeña cuando una cantidad sustancial de oro está en la solución con
la roca. Analizaremos este problema mayormente en una de las próximas secciones de
este curso. Conociendo el IHL y todos sus otros componentes pueden llevar al cálculo
de do. El producto K = fgcdo es relativamente constante de un estado de molienda a
otro (no se confunda con una fracción de tamaño a otra donde “c” puede cambiar
sustancialmente). Luego, el nomografo del muestreo puede ser calculado utilizando la
siguiente fórmula:
 
 1 1 
2
S FE     Kd
2.5

M S ML 
El Error de Agrupamiento y Segregación.

El Error de Agrupamiento y Segregación (GE) es el efecto directo de la Distribuciòn


de Heterogeneidad de un lote (DHL), el cual se expresa como sigue:

 ai  a L  M i2
2

DH L  (1  YZ ) N G 
  i a L2 M L2
 
donde Y es un factor de agrupación, Z es un factor de segregación, y N G es el
número de grupos de fragmentos en el lote. N G está establecido por el tamaño del
incremento recogido para hacer la muestra. De esta forma, la en la teoría de muestreo la
varianza del Error de Agrupamiento y Segregación se expresa como sigue:
 

2
S GE  YZS FE
2
 
Esta nueva varianza es imposible de calcular exactamente, debido a que el factor de
segregación Z está establecido por la cantidad de segregación que tiene lugar en el lote,
el cual es un fenómeno transitorio, dependiendo de la gravedad y muchos otros factores.
El cálculo de la varianza es un ejercicio ineficaz. Sin embargo, deberíamos analizar el
probable dominio de aquella varianza.
El Error de Agrupamiento y Segregación [2]

Sabemos que DHL varía entre un máximo denominado CH L y un mínimo denominado


[DHL]min. , dada la omnipresencia de gravedad, diferencias severas en las densidades del
minera, y en tamaños de fragmentos, el DH L jamás es “cero”. El [DHL]min es una variable
azarística con una media (mean) que puede ser calculada como sigue:
 
NG
mean DH L  min  CH L
NF

DHL

(DHL)min

Tiempo de
mezclado
El Error Analítico

Un procedimiento analítico incrementa probablemente la precisión y la variabilidad de


la exactitud en los siguientes puntos:

 Alcance versus principio


 Interferencias Acumuladas
 Interferencias Proporcionales
 Línea Base de Temperatura de Secado
 Técnica de Disolución
 Composición de residuos de disolución
 Contaminación y Pérdidas
El Nomograma de Muestreo:
Protocolo de muestreo recomendado.
Punto
Punto Once:
Once:
Diferencia
Diferencia entre
entre lala variabilidad
variabilidad
azarística
azarística yy no-azarística.
no-azarística.

Un proceso podría ser forzado a quedar sin rumbo, a menos que el operador
esté adecuadamente entrenado para reaccionar ante la variabilidad del muestreo
o medición. Si no es exitosa, el operador podría potencialmente duplicar la
variabilidad total del proceso, cuando lo mejor que podría haber hecho es
dejarlo solo.

LS TA US
A

39 41 43 % Solidos
Cuando lee una medición en el Punto A,
un operador consciente podría
corregir A por TA.
Forzando el proceso a quedar sin rumbo

El operador que no se dio cuenta de la variabilidad azarística no tuvo nada que


hacer con el proceso.

LS TA US
A

39 41 43

% Sólidos
El peligro del Sobre-control:
¡Tiempo de Pánico!

Sorprendido por la lectura en el Punto B, el operador corrige el B por TA,


repitiendo su error por segunda vez.

LS TA US
B

% Sólidos
39 41 43
Variabilidad Original

Nueva Variabilidad
Punto
Punto Doce:
Doce:
Minimice
Minimice constantemente
constantemente
el
el costo
costo invisible.
invisible.

Cumplir los requerimientos provistos por una listada deseada no resulta en una minimización
constante del costo invisible. El Mejoramiento no es un esfuerzo de una sola vez.
A través del pensamiento estadístico, es importante balancear los costos visibles e invisibles. Pero
mucha gente cree que cumplir con las especificaciones resulta en cero pérdidas de dinero, como
se sugiere en el siguiente cuadro.
Cada vez que un sobreflujo del ciclón que alimenta una planta de flotación no cumple con las
especificaciones porcentuales de sólidos, tiene lugar una caída en la recuperación de metal y
productividad equivalente a US$1000.

LS TA US
$
Nuevo
Pérdida
proceso

Antiguo
proceso

Pérdida Pérdida

39 41 43 % Sólidos
Pérdidas monetarias basadas en costos
visibles e invisibles.

Para el control del grado del mineral, cualquier valor de error en la precisión, originado por el
muestreo y la medición, genera una pérdida monetaria.

LS TA US
$ Pérdida Nuevo
Función de protocolo
Pérdida

Antiguo
protocolo

-15% +15% S
El US y el LS debe ser seleccionado de acuerdo a lo que se juzgue como pérdida razonable de dinero.
Sin embargo, se debe comprender claramente que aún entre el US y el LS, hay una pérdida monetaria.
Minimice la superficie de la elipse de precisión
para el control de grado del mineral.

La minimización de la superficie de la elipse de precisión, para el control de


grado del mineral, debe ser lograda mediante un cuidadoso monitoreo de la
precisión de cada muestra, sub-muestra y etapa analítica:

 Duplique las muestras durante la exploración


 Duplique las muestras desde los hoyos de tronadura
 Duplique las muestras de cada etapa de reducción de peso de la
muestra.
 Duplique los ensayos

Cada vez que el análisis de la varianza de estos duplicados (contramuestra)


detecte un punto débil, debe tomar acción, ya sea mediante el cambio de los
protocolos, cambiando el equipo de muestreo, o capacitando al personal.
Punto
Punto Catorce:
Catorce:
Implemente
Implemente un
un ciclo
ciclo de
de pensamiento
pensamiento creativo
creativo

El personal de Mina y Planta debe convivir en un sistema donde ellos puedan


conversar libremente sobre sus problemas. El siguiente ciclo es una falla total de la
administración.

Geología Objetivos Estratégicos Lixiviación

Mina Administración Superior Flotación

Molienda Fundición

Electroobtención Refinería

Plan de Negocio Minero y Ejecución

Geoestadísticas Muestreo
Herramientas
Cronoestadísticas Laboratorio
QA/QC Balance Metalúrgico Modelos

Control de Procesos

Efectos

Contabilidad
Temor = Problemas de reconciliación no
resueltos entre Mina/Molienda

Incremento del
Temor

Balance Metalúrgico Matar al


ajustado diariamente mensajero

Administración Información
Autoritaria Filtrada

Eliminación de
Cifras Desconcertantes.
Conversando libremente sobre los problemas

Entusiasmo y orgullo

Equipo de Trabajo:
Confianza
Manéjelo sin temor

Análisis de variabilidad
Romper barreras
en curso de
entre los Departamentos
todos los datos existentes.

Enfasis en los
problemas estructurales
Punto
Punto Quince:
Quince:
Establezca
Establezca prioridades
prioridades de
demanera
manera económica
económica

Muchas personas están desmotivadas por la complejidad de la idiosincracia de la reconciliación de


la Mina/Molienda. Pero el problema puede ser resuelto, o al menos minimizado, si se asume una
buena estrategia.

Efecto del
problema Problemas a ser
Problemas de resueltos después de
Alta Prioridad desarrollar un Estudio
de Factibilidad.

Problemas que no
Problemas de
ameritan demasiada
Baja Prioridad
atención.

Costo para solucionar el problema


Estableciendo prioridades:
Ejemplo para una mina de oro

Los análisis de variabilidad en curso de todos los datos cronológicos existentes, pueden ayudar a
establecer prioridades de manera lógica.

Efecto del
Causas
problema DQO
FE GE DE CE3
EE PE
WE AE

Pruebas de “Sesgo”,
Protocolos Firmados,
CE2 Factores de
Corrección,
Efectos.

Costo de solución del problema


Punto
Punto Dieciséis:
Dieciséis:
Mejorar
Mejorar la la variabilidad
variabilidad es…
es…
mejorar
mejorar la
la recuperación
recuperación de de metal.
metal.

Es una experiencia de FPSC que un estricto control de los rangos de grados del metal de interés, entregados
por la Mina, tienen un profundo impacto sobre las recuperaciones de metal y también sobre la calidad de los
concentrados.
Todas las minas que tuvieron una administración de apoyo a la política de mezclas de mineral, observaron
un gran mejoramiento en la molienda, fundición y refinerías en el período de un año.

%Mo ROM
Recuperación % Mo
Variabilidad por turno
30 100

20

50

10

0 0

Período: 6 meses
Recuperación de Mo en una mina de cobre de gran tamaño
Punto
PuntoDiecisiete:
Diecisiete:
Para
Paramejorar,
mejorar,utilice
utiliceherramientas
herramientasestadísticas
estadísticas
pragmáticas
pragmáticasbasadas
basadasenenla
laobservación
observacióngráfica.
gráfica.

Los complejos análisis estadísticos a menudo son insuficientes para transmitir un mensaje
claro a los usuarios de las minas y la molienda.
En la era de los computadorres, nosotros sugerimos fuertemente que se debe enfatizar las
observaciones de los gráficos, así la administración puede comprender, rápida y
efectivamente, la variabilidad del proceso que tiene lugar dentro del día.
Por ejemplo, se pueden y se deben desarrollar coeficientes de correlación, pruebas de
“sesgo” de significancia y otros cálculos sofisticados. Aún así, a menudo son insuficientes
para dar una visión concreta de un problema.
Sin embargo, un trazado de diferencias relativas asociado con un simple promedio móvil,
como se muestra más abajo pueden ayudar a un administrador de una manera mucho más
efectiva.
No solamente puede ser cuantificada inmediatamente la magnitud de un “sesgo”, sino que
también puede ser seguida su evolución en función del tiempo o grado.

Después de todo, en el muestreo, no hay nada mejor que un “sesgo”


constante.
Ejemplo: Hoyos de Tronadura para oro
Ensayo de fuego – cianuro lixiviado: Tiempo
Ejemplo: Hoyos de Tronadura para oro
Ensayo de fuego – cianuro lixiviado: Grado
Punto
Punto Dieciocho:
Dieciocho:
Utilice
Utilice herramientas
herramientas dede gráficos
gráficos concretas
concretas
para
para cuantificar
cuantificar costos
costos invisibles.
invisibles.

Existing Data
Weight Units: Grams
Content Units: g/t
Ore: Gold
PC: 1.5

Low Background Content Chart


LBC Chart Title Low Background Gold Content
LBC X axis: Samples ordered by increasing % Gold
LBC Y axis: g/t Gold

Random Variability Chart


VAR Chart Title Random Variability Guidelines
VAR X axis: Weight of Gold Sample in Grams
VAR Y axis: S g/t Gold

Composite Mode: Veritcal


Sample Weight: 8000
Grid Data: Horizontal Composites
0.5 0.4 1 1.8 2.3 0.7 1.12
0.9 1.3 0.1 2.7 4.5 0.1 1.6
0.1 1.9 2.1 0.6 3.7 6.5 2.48
0.4 1 3.2 39 2.1 0.6 7.72
0.5 0.7 2.3 0.5 5.6 0.2 1.63
1.7 2.3 2.9 4.6 1.2 0.5 2.2
0.6 1.5 2.7 3.1 0.7 0.2 1.47
Q_h: 6
Vertical Composites: 0.67 1.3 2.04 7.47 2.87 1.26 Q_v: 7

N samples: 42
N missing: 0
V ne: 34.08 5.96 S_2: 2.5 Q: 7
A: 272675
B: 1.4
Utilice el Diagrama de Muestreo
para acumular evidencias
Minimice trabajo y costos para
obtener la máxima información de calidad
Francis
Pitard
Sampling
Consultants

Programa Computacional EMPV ™


Reutilice Datos Existentes…
Vaya adelante en el juego con el software EMPV™
Sus datos han sido reunidos meticulosamente y almacenados a un costo
considerable. Tienen valor…. No deje que se hagan polvo. Ahora con EMPV, usted
puede poner a trabajar esos datos y determinar la fuente de variabilidad mientras está
controlando los parámetros de los procesos claves. El programa EMPV de FPSC
(Administración Efectiva de Procesos de Variabilidad) es fácil de usar y aprender,
poderoso y totalmente integrado. Posee avanzadas funciones crono-estadísticas que
facilitan la generación de variogramas, cartas de control, cartas de promedio móvil y
gráficos de torta.
EMPV es una efectiva herramienta utilizada por administradores para investigar los
parámetros de control de los parámetros de procesos claves de la operación.
Tales investigaciones sobre la variabilidad de los procesos, minimizan las
consecuencias negativas resultantes de….

• Productos de baja calidad


• Baja recuperación de metal
• Consumo de energía
• Consumo de reactivos químicos
• Mantención excesiva o carencia de ella…
• Costosa sobre-corrección del proceso (re-proceso)
• Metas no realistas
• Desacuerdos entre Departamentos
• Enfoque sobre efectos negativos
Algunas aplicaciones representativas del EMPV para lograr un mejor control de…

• Alimentación de distribución de tamaño a una planta de flotación.


• Contenido de cianuro de un estanque de lixiviación de oro.
• Contenido de metal en escoria
• Contenido de humedad del concentrado de cobre que alimenta a una Fundición.
• Descarga de polución de una planta Regular
• pH a través de un proceso de lixiviación de oro CIL o CIP
• Temperatura de horno pirometalúrgico
• Impurezas en cátodos de cobre
• Impactos de temperatura causados por desalineamiento del eje de un Molino SAG
• Pérdidas de carbón cargado (Gold) a través de una planta CIL o CIP, etcétera…

Características del EMPV


Windows Estándar 95, 98, 2000 Interfase gráfica de usuario
Capacidad para leer datos de un Libro de Trabajo Microsoft Excel 5
Formatos de archivo soportados para conjuntos de datos son: .vts, .xls, tab delimitados
ascii
Salidas gráficas configurables por el usuario de alta calidad.
Trazado de datos, distribuciòn, promedio móvil y datos corregidos.
Trazados de variogramas Absolutos y Relativos con informes de retroalimentación
sugeridos.
Cartas de Control de Procesos
Carta de Investigación de Variabilidad
Gráfico de Torta
Manual de Referencia del Usuario linkeado con Hyper-texto

EMPV is available exclusively for clients of FPSC.


14800 Tejon St.  Broomfield, Colorado 80020  USA
Tel: 303.451.7893  Fax: 303.280.1396  E-mail: fpsc@aol.com
http://www.fpscsampling.com
Uso del Variograma para identificar
los componentes de la Variabilidad

Rel Variogram: % Solids in cyclone overflow

0.0061 V[Cíclico Vario

0.0048936
W

0.0036872
V_cyclic+

0.0024808
V[proceso j=1] V_cyclic-

0.0012744
V_trend_j
V[0]
V[tendencia j=12
6.8e-005
0 5 10 15 20
v[j=1] = 1 hour

Vario = Rel | Mean = 3.26E+01 | V(0) = 3.40E-04 | V[process j=1] = 1.61E-03


Begin = 1 | Std = 7.35E-02 | V(1) = 1.95E-03 | V[trend j=12] = 4.17E-03
End = 51 | Var = 5.40E-03 | Vmax = 6.10E-03 | V[Cyclic] = 1.43E-03
Capacidad de Control Presente

Control de proceso de mala calidad = Reconciliación


de mala calidad
X
% Solids
•PORCENTAJE in cyclone
DE SOLIDOS overflow
EN EL SOBREFLUJO DEL CICLON

US
41

TA

38.4
LS

move ave
35.8

mean

33.2
UCL

30.6 LCL

UCL'
28
1 11 21 31 41 51 LCL'

Increment = 1 hour
UCL''
US = 3.60E+01 LS = 3.00E+01 TA = 3.30E+01
UCL = 3.42E+01 LCL = 3.18E+01 Mean = 3.26E+01
UCL' = 3.55E+01 LCL' = 3.05E+01 2 sigma LCL''
UCL'' = 3.73E+01 LCL'' = 2.87E+01
Francis
Pitard
Sampling
Consultants

Programa Computacional OGC ™


Visualice el costo de la variabilidad con el Programa…
OGC™

OGC (Control de Grado del Mineral) es una herramienta efectiva para evaluar el
origen de la variabilidad de cualquier modelo de muestreo:
• Un modelo de perforación de exploración,
• Un modelo de perforación de hoyos de tronadura,
• Un modelo de perforación de cátodos de cobre,
• Un modelo de sub-muestreo de laboratorio a partir de una pulpa de muestra
analítica.

Por lo tanto, el enfoque OGC es muy versátil. Utiliza los principios de la Teoría del
Muestreo como fue presentado por C.O. Ingamells. OGC no es un substituto para
buenos geoestadísticos, sino más bien una herramienta complementaria que
muestra los efectos de no tener buenos programas geoestadísticos.
OGC es una herramienta efectiva, utilizada por los Administradores para investigar
si los protocolos de muestreo y modelos de muestreo son optimizados, y si no lo
son, los posibles efectos negativos que ello involucra.
Tales investigaciones sobre protocolos de muestreo y modelos de muestreo
imperfectos, podrían minimizar las consecuencias negativas resultantes de…
• Protocolos de muestreo y sub-muestreo de mala calidad
• Frecuencia de muestreo de mala calidad.
• Datos Altamente Sesgados
• Elipses de precisión mala calidad
• Mala calidad en la selección de grado de corte
• Grados de corte incompatibles con las elipses de precisión.
• Costos de operación muy elevados e invisibles.

Algunas aplicaciones del OGC podrían incluir:


• Evaluación de fuentes de variabilidad en los datos existentes
• Evaluación de características de muestreo en un mineral primario o producto.
• Optimización de los costos de explotación mediante la optimización del peso
total de la muestra.
• Cuantificación de posibles pérdidas monetarias usando las elipses de precisión
• Cuantificación de posibles pérdidas monetarias usando muestras duplicadas
• Cuantificación de posibles pérdidas monetarias usando muestras duplicadas
simuladas
La elipse de precisión:
Detección de un costo invisible
Uso del diagrama de muestreo para
acumular evidencias
Características OGC:
Windows Estándar 95, 98, 2000 interfase gráfica de usuario
Capacidad para leer datos de un Libro de Trabajo Microsoft Excel 5
Los formatos de archivo apoyados para conjuntos de datos son: .vts, .xls, tab
delimited ascii
Salidas gráficas de alta calidad configurables por el usuario.
Sofisticados Diagramas de Muestreo, elipses de precisión y su sinergia con cortes
de grado seleccionados.
Trazados de Diferencia Relativa y Promedio Móvil para detectar “sesgos”
adicionales.
Manual de Referencia del Usuario linkeados con Hyper-texto

OGC está disponible exclusivamente para clientes de FPSC.


14800 Tejon St.  Broomfield, Colorado 80020  USA
Tel: 303.451.7893  Fax: 303.280.1396  E-mail: fpsc@aol.com
http://www.fpscsampling.com
Francis
Pitard
Sampling
Consultants

Programa Computacional OSP ™

• El OSP (Optimización de los Protocolos de Muestreo) es una herramienta altamente


efectiva utilizada por cualquiera que trate de optimizar un protocolo de muestreo.
Simplifica cálculos complejos y provee un format lógico para ayudarlo a interpretar las
Pruebas de Heterogeneidad. Los Nomógrafos son la metodología gráfica fundamental
utilizada para facilitar la presentación e interpretación de:
• Muestreo de análisis de distribución de tamaño.
• Metales preciosos o base liberados.
• Pruebas de Heterogeneidad involucrando fragmentos o muestras recogidas una por
una.
• Pruebas de Heterogeneidad involucrando muestras duplicadas.
• Análisis de datos pareados (Pairs)

El OSP es utilizado para optimizar los protocolos de muestreo para análisis de


distribución de tamaño de partículas, para metales preciosos liberados y para
componentes no liberados de interés.
El OSP es utilizado para detectar “sesgos” condicionales en dos series de mediciones
generadas por dos diferentes métodos respectivamente.
OSP apoya 5 opciones mayores:
1. Muestreo para análisis de distribución de tamaño (Tamaño).
2. Casos donde es liberado un metal precioso, o cualquier otro metal o mineral
(Metal)
3. Pruebas de Heterogeneidad involucrando fragmentos o muestras recolectadas una
a una (Hetero #1)
4. Pruebas de Heterogeneidad involucrando muestras duplicadas (Hetero #2)
5. Análisis de Pareo de Datos (Pairs) utilizando el Trazado de Diferencia Relativa y el
Promedio Móvil.
Las Técnicas Gráficas facilitan la presentación e interpretación de estos análisis. Los
Nomógrafos son la metodología gráfica fundamental en las primeras 4 opciones. Un
Nomógrafo le permite representar la relación entre tres variables sobre una carta de
dos dimensiones. Por ejemplo, la Opción 1 (Tamaño - Size) relaciona las tres
variables.
Tamaño de partícula máxima de metal liberada, d
Variación del Error Fundamental , S2FE
Peso de la Muestra, MS

El pre-requisito para el uso del programa OSP es que el usuario debe estar
familiarizado y cómodo con la Teoría del Muestreo. Por lo tanto, el usuario debe tener
un entrenamiento intensivo de los cursos breves de Francis Pitard. De otra manera,
el riesgo de la sub-utilización y mal uso del programa es grande. El archivo HELP
(ayuda) maneja solamente los mecanismos del programa, pero no la Teoría del
Muestreo.
Características OSP:

Windows Estándar 95, 98, 2000 interfase gráfica de usuario


Capacidad para leer datos de un Libro de Trabajo Microsoft Excel 5
Formatos de archivo apoyados para conjuntos de datos son: .vts, .xls, tab delimitado ascii
Salidas gráficas de alta calidad configurables por el usuario.
Nomografos de muestreo
Evaluación de protocolos de muestreo existentes
Protocolos de muestreo recomendados
Trazados de diferencia relativa y promedio móvil
Detección condicional de “sesgos”
Manual de Referencia del Usuario linkeados con Hyper-textos

OSP está disponible exclusivamente para clientes de FPSC.


14800 Tejon St.  Broomfield, Colorado 80020  USA
Tel: 303.451.7893  Fax: 303.280.1396  E-mail: fpsc@aol.com
http://www.fpscsampling.com
Ejemplo: Hoyos de Tronadura para oro
Ensayo con fuego – cianuro lixiviado: Grado

•TRAZADO DE DIFERENCIA RELATIVA CON UN PROMEDIO MÓVIL DE 7 PUNTOS POR LEY PROMEDIO:
ENSAYO DE FUEGO - 10.000 GRAMOS CIANURO LIXIVIADO.
El Muestreo Nomografo:
Protocolo de muestreo recomendado

•PRUEBA DE HETEROGENEIDAD PARA COBRE : NOMOGRAFO DE MUESTREO PARA K = 10,


E ILUSTRACIÓN DE UN PROTOCOLO DE MUESTREO RECOMENDADO.

•Ruta óptima

También podría gustarte