Académique Documents
Professionnel Documents
Culture Documents
Minero
por
Marco Antonio Alfaro Sironvalle
Es Propiedad.
Prohibida la reproduccin parcial o total sin autorizacin del autor.
Preface
Is there a single important decision made on a mining project that is not in a way or
another, directly or indirectly based on some kind of assayed grade, or in other terms
on a mineral sample? And who, in the end, is responsible for the devastating
consequences of taking bad samples?
It clearly is a subject of utmost importance that Dr. Marco Alfaro has decided to bring
to his audience in this simple, yet fundamental leaflet, which is directed not only to
technical professionals of the mining industry, but also to those who manage them
and bear the ultimate responsibility for the results and consequences of mineral
sampling. In this piece of work, Dr. Alfaro genuinely makes justice to the simplicity of
sampling theory, and to the many services it renders and has rendered the industry
over several decades of applications.
Like in many a discipline, however, there is Sampling and Sampling, good and poor
applications, enlightenment and ignorance, science and witchcraft. Practical
implementations have kept improving, but have also suffered through many avatars,
not all consistent with its eminently scientific approach. Erroneous sampling
equipment and experimental procedures, incorrect application models and formulae,
based on a highly commercial but appallingly arbitrary modus operandi, have made
their way into our service and equipment markets, and are currently offered to the
non-discerning professional. The utmost critical sense and prudence must be
exercised.
It is to Dr. Alfaros credit to have presented in a simple and short publication all the
tools that will help the professional of the industry, as well as the managers and
directors who are committed to the success of mining projects, tell the good
from the bad, and not fall prey to imitation sampling theory which plagues our
plants, our mines, and even some of our consultants calculations.
As active devotees to the future and growth of genuine sampling theory, we feel
indebted to Dr. Alfaro and thank him very much for this commendable effort.
Pierre Gy & Dominique Francois-Bongarcon
Sampling Associates
Prlogo
Estimado lector, he decidido publicar en el lenguaje ms simple posible una
introduccin a la Teora del Muestreo Minero, para ello, basado en mi experiencia
docente, he considerado fundamental incluir el mxi mo de grficos.
En algunas ocasiones el material presentado corresponde a minas conocidas, he
omitido sus nombres, por razones de discrecin minera.
Agradezco sinceramente la ayuda, consejos y apoyo de los Doctores Pierre Gy y
Dominique Francois-Bongarcon. Agradezco tambin a Ana Mara por su apoyo y
consejos.
Estimado lector, agradecer contactarme ante cualquier duda, comentario o
sugerencia. Juntos mejoraremos futuras ediciones del libro.
A
Ana Mara, Marco y Sebastin.
TEMARIO.
I. Introduccin e Importancia del muestreo de minerales.
14
18
40
49
64
VIII. Bibliografa.
74
75
76
77
78
79
Figura I.4: Muestra fraudulenta. Se puede dejar de ganar o perder dinero al utilizar el valor
numrico de esta muestra.
Para cumplir bien con la definicin inicial de muestreo, se debe cumplir el hecho
siguiente, de vital importancia:
Figura II.2: El operador toma incrementos de la parte ms accesible del lote. La suma de los
incrementos constituye un espcimen.
Muestreo estratificado.
El lote ML se divide en partes o estratos que no se solapan entre s. Cada estrato
es muestreado posteriormente segn los proc edimientos anteriores.
10
Ejemplo:
En las figuras II.4 se tiene un experimento de muestreo estratificado en un depsito
de yodo. Se realizaron sondajes, de 2 metros de profundidad los cuales
proporcionaron las leyes z1, z2, z3, ... Luego el material M L de la zanja de
5m*2m*1m se redujo a la muestra MS considerando dos estratos (material fino y
material grueso). El muestreo fue manual y la proporcin finos/gruesos se
determin visualmente. Los resultados de la muestras y 1, y2, y3, ... (ver Tabla 1)
indican la presencia de un sesgo o error sistemtico(datos en ppm.).
11
Zanja
1
2
3
4
5
6
Tabla 1
Ley sondaje Zi
520
630
600
550
580
550
Ley muestra Yi
830
1050
1100
910
820
860
Figura II.5:
a) Exactitud sin precisin.
b) Precisin sin exactitud.
c) Exactitud y precisin.
d) Ninguno.
12
En resumen:
Exactitud
Precisin
Media
Varianza
La media debe ser insesgada (sin desviacin sistem tica) y la varianza debe
ser pequea.
Ejemplo:
Sea ML una poblacin o lote con 4 datos y M S una muestra de 2 observaciones del
lote:
ML = { x1, x2 , x3, x4}
N=4
MS = {a1, a2}
n=2
m1 = (x1 + x2 ) / 2
{x1, x3}
m2 = (x1 + x3 ) / 2
{x1, x4}
m3 = (x1 + x4 ) / 2
{x2, x3}
{x2, x4}
{x3, x4}
m4 = (x2 + x3 ) / 2
m5 = (x2 + x4 ) / 2
m6 = (x3 + x4 ) / 2
La media del lote es (observar que en nuestro caso minero nos interesa en general
el muestreo sin reemplazamiento):
m0 = (x1 + x2 + x3 + x4 ) / 4
y la media de las muestras (posibles) es:
*
m =(m1+m2+m3+m4+m5+m6) / 6
se observa entonces que:
m0 = m
Figura III.1: Dispositivo para experimentos de muestreo. Sirve para demostrar que las frmulas de
muestreo funcionan.
m = (a1 + a2 + a3 +... + an ) / n
es un estimador insesgado de:
m0= (x1 + x2 + x3 +... + xN ) / N
por otra parte hay que calcular la varianza de la muestra, segn la formula
siguiente:
2
* 2
* 2
* 2
* 2
S = s ( 1/n 1/N )
(n<N)
(III.1)
14
Luego, el error de muestreo, con 95% de confianza, asumiendo que los errores
son gaussianos, lo cual es una aproximacin razonable (ver Anexo 5), verifica la
desigualdad:
-2S < error < 2S
Las ecuaciones anteriores resuelven el problema del muestreo aleatorio
estadstico.
Observacin:
el error de muestreo es pequeo cuando:
a) n es prximo a N (en particular, si n = N el error es nulo)
2
15
Ejemplo:
En la figura III.2 se tienen N = 64 rboles de manz anas con su rendimiento en
bushels: 1 bu = 35 lt (podran ser dimetros de par tculas, leyes de muestras, etc.)
La media real es m0=5.56. Mediante una tabla de nmeros al azar (ver A nexo 1),
se sorte la siguiente muestra (sin reemplazamiento) de n=8 rboles:
{6, 5, 5, 9, 6, 6, 2, 3}
Obtenindose:
Media estimada
= 5.25 Bu
Error de estimacin
= 1.40 Bu
m =(N1m1+N2m2+N3m3+...+Nkmk)/N
Es un estimador insesgado de la media de la poblacin m.
y la varianza del error de estimacin es:
2
Si = si (1/ni 1/Ni)
2
Ejemplo:
16
En el caso anterior de los rboles, las tres ltima s filas corresponden a rboles
nuevos. Realizar varios muestreos estratificados con dos estratos (rboles viejos y
rboles nuevos); ver que la teora funciona comparando la estimacin, el valor
real y el error.
17
Figura IV.1:
Recordar que: insesgado exacto
varianza pequea preciso
a) sesgado, varianza grande
b) insesgado, varianza pequea
c) insesgado, varianza grande
d) sesgado, varianza pequea
18
n=
1
s
S2 + 1 S2
s2 N
El usuario puede fijar el error 2S, luego S sera conocido. Sin embargo s es desconocido y sera
necesario realizar algunas mediciones para estimar su orden de magnitud.
2. En ciertas ocasiones, en el muestreo estadstico, es difcil definir la poblacin lote. Por ejemplo,
se desea hacer una encuesta de votacin acerca del apoyo al candidato A en una cierta asociacin.
Cul es la poblacin? (los socios inscritos, los socios al da en las cuotas, los socios que votaron la
vez anterior, ...).
Supongamos que van a votar N=580 socios y que se hace una encuesta tomando, al azar, n=100
socios, obteniendo el apoyo de 62 socios. Comprobar que el error de muestreo verifica (con 95% de
confianza): -0.09<error<0.09. Est seguro de se r elegido el candidato?
3. Ejemplos de muestreo. A continuacin se presenta una serie de muestreos. Criticarlos desde el
punto de vista de la equiprobabilidad. En qu casos se trata de un espcimen?
a) Figura IV.2: Se desea tomar una muestra del balde del LHD, para analizar la ley de cobre de
produccin. Observar la granulometra del material. En esta mina se utiliza una porua con
hoyos para no tener mucho material fino en la muestra. Comentarios.
b) Figura IV.3: En ecologa del suelo, para disponer de muestras uniformes, se utiliza el
muestreador de la figura. Comentarios.
19
c)
Figura IV.4: Muestreo de una solucin de lixiviacin. Se utiliza el muestreador de la figura llamado
coliwasa (composited liquid waste sampler). Comentarios.
d) Figura IV.5: Izquierda: sonda para muestreo en un tranque de relaves. Derecha: probeta para
muestreo del suelo. Comentarios.
e) Figura IV.6: Cmo tomar una muestra del balde de la pala de la carga del camin. En ciertas
minas de uranio se pone un contador Geiger sobre las cargas. Comentarios.
20
f)
Figura IV.7. Cmo garantizar que el lingote de cobre de la figura tiene pureza del 99%?.
Comentarios.
h) Figura IV.9. Una vez tomada la muestra, por ejemplo las rocas de exploracin de la figura, ya
es demasiado tarde: no existe ningn test que ga rantice si la muestra es buena o es mala. La
toma de la muestra debe ser planificada previamente segn el criterio de representatividad
(equiprobable y de varianza pequea). Comentarios.
21
4. Son buenas o son malas las muestras siguientes: a) 1cc de sangre para medir glbulos rojos. b)
5cc de orina para medir glucosa.
5. Kennedy lea una cada 50 cartas de las 30,000 que llegaban semanalmente a la Casa Blanca.
Comentar desde el punto de vista del muestreo.
6.En 1936 la revista norteamericana The Literary Digest realiz una encuesta entre sus suscriptores,
recibiendo 2,400,000 respuestas. Predijo la derrota de Roosevelt quin obtendra un 41% de los votos.
Un estadstico de apellido Gallup encuest a 5,000 futuros votantes mediante un muestreo que trataba
de reproducir la equiprobabilidad predijo el triunfo de Roosevelt por un 56%.
El da de la eleccin, Roosevelt obtuvo el 61% de los votos.
a) Explicar el fracaso de la encuesta del Literary Digest (revista que a los pocos meses quebr).
Conclusin: si una muestra est sesgada, el hecho de ser grande no corrige el error, sino que
lo repite a mayor escala.
b) Calcular el error de la encuesta de Gallup (considerar N = ).
c)
Si resolvi la pregunta anterior, entonces la teora del muestreo equiprobable funciona bien.
Se podra reemplazar entonces el sufragio universal por una encuesta?
Comentarios.
7. Tome un peridico y revise el listado de acciones transadas. Use como variable x en estudio el total
transado. Calcule el promedio m de esta variable. Registre el nmero total de empresas N. Ahora
tome 1 empresa cada 10 y forme una muestra de n datos. Calcular un estimador m de la media de x
promediando los valores de su muestra. Compare con m. Calcule ahora el error de muestreo asociado
a su estimacin. Conclusiones.
Ahora realice el sorteo de las empresas utilizando la Tabla de nmeros aleatorios del Anexo. Para
ello proceder de la forma siguiente (sortear n empresas al azar y sin repeticin): numere las
empresas del 1 a N. Suponiendo que N100, tomar la primera columna con dos dgitos, por ejemplo
14, 26, 69, ...esto quiere decir que la muestra aleatoria est compuesta por la empresa 14, luego la
empresa 26, luego la empresa 69,.... Esto termina al llegar al nmero n.
(si los nmeros al azar se repiten, salte al nmero siguiente, si por ejemplo N=95 y sale sorteada la
empresa 98, salte al nmero siguiente.). Repetir lo s calculos anteriores para esta nueva muestra y
comparar.
8. El sesgo de las casas. Un muestreo estadstico no equiprobable consiste en elegir una casa al azar
y luego elegir al azar, una persona, entre los miembros de la familia. Una persona de una familia poco
numerosa tiene ms probabilidad de est ar en la muestra que una persona de una familia numerosa.
22
23
IV.3. La Segregacin.
Las partculas de mineral tienden a segregarse (figura IV.12), por ejemplo las ms
pesadas tienen una tendencia a localizarse en el fondo. El caso homogneo es muy
difcil de encontrar en la prctica (algunos autores afir man que este caso es
inexistente). Sin embargo, el fenmeno de segregacin es ms complejo y depende
adems de las granulometras, formas y pesos de las partculas. Para ver lo
anterior haga el experimento siguiente: ponga en un recipiente transparente una
cierta cantidad de porotos y otra cantidad de azcar: observar que es imposible
tener un conjunto homogneo (IV.13)
Figura IV.13: Experimento para comprobar la segregacin de dos materiales azcar y porotos. No
se pueden mezclar.
24
Figura IV.14. Incrementos para constituir una sola muestra, disminuyendo el efecto de segregacin.
25
Ejemplo 3: El riffle (aparato utilizado para dividir una muestra en dos) debe tener
abertura de manera de contener todas las partculas (figura IV.18).
26
Ejemplo 4: Las palas deben tener una abertura suficiente de manera de contener
los diferentes tipos de tamao (granulometra) del material quebrado (figura IV.19).
Figura IV.19: Palas de muestreo. Diseo incorrecto (izquierda), diseo correcto (derecha).
27
Figura IV.20: Hay que proteger la muestra. Con buena identificacin (interior y/o exterior).
28
Figura IV.23: El captador debe ser radial. Por ejemplo en una torta, un corte radial garantiza una
reparticin equitativa de las guindas.
Figura IV.24: Vista de arriba. En una cinta transportadora la muestra correcta corresponde a un
rectngulo o un paralelogramo.
29
30
Hemos incluido tambin el diseo de una pala de muestreo segn las normas JIS
(Japanese Industrial Standards), que consisten en palas especialmente diseadas
para diferentes tipos de material (figura IV.27). Esta norma considera tamaos
mximos de partculas de 150 mm.
Figura IV.27.
Riffle.
Divisor rotatorio
Divisor de mesa.
31
32
33
34
F
Figura IV.35: Aparato para dividir muestras.
35
4. Compare los diferentes mtodos para dividir muestras (riffle, divisor circular, divisor de mesa)
considerando los factores siguientes:
a) Peso a reducir (grande o pequeo).
b) Granulometra del material.
c) Humedad del material. Es necesario secar la muestra?
5. Cuando se perfora un pozo de tronadura se produce una segregacin de las partculas. Las ms
livianas se van a la atmsfera. Dnde van las ms pesadas? Cul es la trayectoria de una partcula
cualquiera?
7. Muestreo por canaletas (rozas) en vetas. En una veta se trata de llevar una galera en el sentido de
la misma (figura IV.38). Se toma una canaleta (manual o con una sierra) en direccin ortogonal a la
veta, en el techo de la galera. En este caso, est bien delimitada la muestra?
36
37
11. Muestreo en una cinta transportadora detenida. Se utiliza el equipo de la figura IV.42, el cual
produce una delimitacin correcta. Sirve para chequear cortadores automticos.
Figura IV.42. Muestreo en cinta detenida. Considere la figura V.2 siguiente para tener una buena
delimitacin.
12. Qu opinin le merece esta pala para dividir una muestra en tres partes iguales?
38
39
40
Por otra parte el ancho del cortador debe considerar el efecto que se muestra en la
figura V.3 (efecto de rebote). Para ello se debe utilizar: d>3d M (dM=dimetro de
partcula mximo). Para mayor seguridad se recomien da d>4dM
Figura V.3: El diseo del cortador debe considerar los choques de la partcula. Efecto de rebote.
41
42
43
Figura V.10: Otro diseo de muestreador rotativo. En este caso el flujo gira. Produce, en general,
malos resultados.
Cuando se corta el flujo de una cinta transportadora, hay que considerar las
situaciones de las figuras V.11 y V.12.
44
45
3. Entre los siguientes casos para un Vezin, con flujo circular (figura V.16), solo uno de los diseos
siguientes es correcto. Cual?
46
47
48
Figura VI.1: Es difcil delimitar bien la muestra en una canaleta. No hay solucin operativa.
49
Otros factores que afectan la calidad de la muestra de canal seran los siguientes:
a) Por lo general son manuales y el operador corta (en forma consciente
inconsciente) las partes ms blandas de la pared partes que tienen una
caracterstica comn (color), etc.
b) En ciertas minas las leyes altas se encuentran en fracturas. Al construir las
galeras, las paredes de stas corresponden en forma natural a caras de
fracturas.
En la gran mayora de las minas que utilizan canaletas, se ha comprobado que
existe un sesgo, al comparar las leyes de las canaletas con las leyes de los
sondajes prximos .
En algunas minas subterrneas se ha abandonado el m uestreo por canaletas. En
otras se utiliza como alternativa perforaciones de poca profundidad.
50
Las minas de caliza tienen, desde el punto de vista del muestreo, una ventaja: sus
leyes son altas (sobre 65%). Una ley alta es favorable en lo que respecta al error
de muestreo (tal como veremos ms adelante). Una ley baja, por ejemplo de oro
(en gr/ton, es decir ppm.), es desfavorable.
VI.3. Muestreos de carros mineros. Camiones.
El muestreo de carros mineros y el muestreo de camiones mineros (figura VI.7) no
es equiprobable debido a que obligatoriamente la muestra es superficial.
51
Figura VI.7: Es casi imposible tener una muestra equiprobable de un carro o camin minero.
Para mejorar la situacin existen soluciones de alto costo. Una de ellas es construr
un scoop muestrador el cual tiene incorporado un chancador. La otra, aplicable al
caso de marinas, es utilizar una torre de muestreo (figura VI.9) y enviar el avance
completo a la torre.
Algunos autores consideran que disponer de una buena torre de muestreo
constituye un seguro de vida para la mina.
52
53
En algunos casos el material acumulado en el cono puede ser del orden de una
tonelada. Es imprescindible entonces tomar una muestra de unos cuantos kilos.
En la figura VI.13 se demuestra con un ejemplo hipottico que si se utiliza un
captador de detritus, su diseo debe ser radial. Un corte en el cono proporciona un
crculo de radio 2r. Si suponemos, por ejemplo, que los gruesos estn en un crculo
concntrico de radio r y los finos en el exterior, entonces la proporcin real de
finos/gruesos es de 3:1. En este ejemplo, un captador rectangular entrega una
proporcin de finos/gruesos de aproximadamente 1:1.
54
Se concluye entonces que uno de los mejores mtodos prcticos debera ser un
captador radial. Sin embargo esta solucin es muy difcil de implementar en minas
grandes, debido a la gran cantidad de material que cae en el captador. Por esta
razn, en minas grandes, se utiliza an el mtodo del tubo muestreador.
El tubo presenta otros problemas debido a que, en algunas minas, en el invierno, no
se puede utilizar (se congela el cono) y existe muestreo de verano (realizado con un
tubo) diferente del muestreo del invierno (realizado con una pala). Otro problema
asociado es que a veces se remueve, en forma emprica la pasadura en la
superficie del cono.
55
Ejemplos de captadores.
Hace unos aos, el autor de este libro realiz una encuesta en minas chilenas,
obteniendo los diseos, con sus dimensiones correspondientes. Se conocen como
el cajn, el molde y la cua.
56
Figura VI.17: La cua captadora de muestra. Es radial. En ciertas minas se pone una cuerda para
retirar el dispositivo al llegar a la pasadura.
Figura VI.18: curva granulomtrica de la muestra y el lote. La muestra tiene menos finos que el
lote.
Se comprob adems que la ley del lote era diferente de la ley de la muestra.
Se comprob tambin que la ley de los finos es superior a la ley de los gruesos, tal
como muestra la figura VI.19.
57
VI.7. Conclusiones.
Los ejemplos analizados muestran que en minera es muy difcil obtener una
muestra equiprobable a un costo y condiciones operacionales razonables. Cuando
por definicin la muestra no cumple con la condicin de equiprobabilidad
58
59
60
61
Figura VI.27. Muestreador automtico. A y B son pue rtas que se abren y cierran.
62
Fraccin
3/8
1/4
4#
14#
35#
100#
150#
-150#
Total
Tabla 2
Granulometra
en %
4.5
7.7
7.8
30.6
19.6
14.3
5.2
10.3
100.0
CuT
%
0.25
0.30
0.30
0.34
0.48
0.58
0.70
3.24
0.71
CaCO3
%
0.31
0.24
0.24
0.24
0.33
0.36
0.46
2.40
0.51
Se observa entonces que es fundamental que una muestra respete la granulometra del lote, luego
debe ser equiprobable. Qu pasara si usara una porua con hoyos (figura IV.2)?
7. Muestreo de marinas. Se utiliza en minera subterrnea. En la pila de la tronadura esponjada se
pone un cordn (real o imaginario) y se toman incrementos en los puntos de la figura VI.28. Est
bien delimitada la muestra?
63
Luego, con una pala adecuada se toma una muestra de unos 250 gramos. La
experiencia se repite un cierto nmero de veces.
Se observa en este experimento:
1. Que es complicado tomar muestras en el caso de leyes bajas (10 ppm.).
Cuando la ley es ms alta, por ejemplo pintar 10,00 0 granos (caso de una
ley de cobre de 1%), la situacin es ms favorable.
2. En cada repeticin resulta una ley (granos rojos/total de granos) diferente, a
pesar de que la muestra es equiprobable.
3. Las diferencias entre las leyes observadas y la ley real de 10 ppm.
corresponden al error de muestreo, el cual se llama error fundamental del
muestreo. Este error es inevitable en las condiciones del enunciado y no se
puede reducir.
4. La media de las diferencias anteriores es nula, debido a que la muestra es
equiprobable.
5. La varianza de las diferencias se llama varianza del error fundamental del
muestreo.
64
65
La frmula de Gy.
La varianza relativa del error fundamental de muestreo est dada por:
2
S = K d ( 1 / MS 1 / M L )
(VII.1)
En que:
= factor de composicin mineralgica (gr/cm
g
f
66
aL
g1
comercial (mena)
= peso especfico del componente crtico (mena)
g2
g = 0.50
g = 0.75
g = 1.00
g = 0.25
dl
67
Figura VII.3: El dimetro de liberacin corresponde al dimetro que hay que moler para que la
mena se libere de la ganga.
Se recomienda utilizar:
l=1
b
l = ( dl / d )
si dl > d
si dl < d
MS = 25 * 10
d95 = 15 cm
d = d05 = 0.021 cm
aL = porcentaje de la calcopirita en peso = 4% = 0.04
g1 = peso especfico de la calcopirita = 4.2 gr/cm
g2 = peso especfico de la ganga = 2.8 gr/cm
-5
= 6.72*10
68
(d/d=714>>4)
S = c g f l d ( 1 / MS 1 / ML ) = 1.128*10
-5
2S = 0.007 = 0.7%
Con un 95% de confianza el error relativo es del 0.7% (bastante bueno)
Observacin : en la prctica se tiene que M L >> MS , luego, se puede despreciar el
termino 1/ ML y la frmula de Gy queda:
2
S = c g f l d / MS
Se puede fijar el error deseado 2S (luego S es conocido) para encontrar el tamao
mnimo de la muestra:
3
MS = c g f l d / S
VII.3. El Factor de Liberacin.
Como introduccin estudiemos un ejemplo:
Se tiene una pila de 400 kilos, correspondiente a un hoyo de tronadura en una mina
de oro.
El dimetro nominal de las partculas es d = 1 cm
3
-6
69
l = (dl / d)
ser reducida a la aplicacin de una formula arbitraria tal como l=(d l/d) la cual no
es soportada ni por la teora ni por experimentos. En el caso del oro, se observa
empricamente que a menudo b ~ 1.5; en el caso del cobre, b ~ 1.2. Si aplicamos
ahora la frmula de Gy, obtenemos:
MS = 7.51 kilos
Resultado bastante ms razonable que el anterior.
VII.4. Los Protocolos de Muestreo.
Las operaciones que conciernen al tratamiento de las muestras (chancado, mezcla,
reduccin, etc.) deben quedar claramente establecidas, desde un peso inicial Q (de
varios kilos) hasta la muestra de laboratorio q (de algunos gramos).
Ejemplo: testigos en una mina de oro:
a)
b)
c)
d)
e)
f)
70
71
0.5
es errnea es el siguiente:
Sean fragmentos iguales (g=1) cbicos de oro (f=1) , g 1=20. Se toma una muestra de 2000 gramos.
Se desea una precisin S=0.01. Se pide calcular el dimetro de liberacin.
Solucin:
dl =
S2 d
d3cfg
-12
Figura VII.7: Reduccin del dimetro mximo de la m uestra antes de cuartear. Siempre conviene
reducir el dimetro nominal antes de dividir la mue stra.
3. Probar que la formula de Gy se puede escribir como:
S2 = Cd
3-b
MS
Al tomar logaritmos, esta ecuacin se transforma en:
x + y = log(C ) + (3 - b )log( d )
Que es la ecuacin de una recta de pendiente 1 en coordenadas logartmicas (ver figura VII.5). Las
formulas anteriores se pueden programar fcilme nte en un computador. En el pasado se utilizaba
una regla de calculo, diseada por P. Gy.
b) Probar que la varianza relativa III.1 del error tiene la expresin: S =((1-a)/a)(1/n-1/N)
c) Al aplicar la formula de Gy a la situacin anterior, probar que: f=pi/6, l=1, g=1 (pi=3.1416) El
factor c es igual a: c=((1-a)/a)g en que g es el peso especfico de las partculas, luego la
2
varianza relativa del error est dada por S =((1-a)/a)(1/n-1/N) por consiguiente, en este caso,
ambas teoras coinciden.
5. Un experimento de muestreo. Utilizar un frasco transparente y poner cantidades iguales de aceite y
agua tal como en la figura VII.8. Conviene teir previamente el agua con tinta. El problema consiste en
extraer una muestra representativa de este lote.
73
VIII. Bibliografa.
M. Alfaro, 1998.
P. Gy, 1982.
Seminario
de Muestreo
Tecniterrae, Santiago, Chile.
P. Gy, 2000.
W. Cochran, 1977
M. Kreiter, 1978
Investigacin y
Paraninfo, Madrid.
de
Prospeccin
Minerales.
Geolgica .
74
26535
83279
37510
78164
34825
08651
46095
08128
70193
29489
10975
64823
19091
48610
60726
70066
20920
36436
05305
46951
27036
61173
18548
56735
79381
73362
39494
21798
17176
81846
81271
71342
96091
40901
58537
89235
21960
62977
72113
49951
31859
83026
85035
00313
32083
47303
46873
37875
80532
92787
89793
50288
58209
06286
84211
32823
50582
48111
85211
54930
66593
37867
45648
45432
02491
06315
96282
78925
48820
94151
57595
81932
07446
18857
83011
44065
63952
60943
29317
76694
45263
75778
73637
22495
10507
42019
86403
47713
49999
05973
50244
42522
26193
78387
81420
59825
11595
93751
17122
66111
23846
41971
74944
20899
70679
06647
23172
74502
05559
38196
34461
83165
56692
66482
41273
58817
92540
90360
46652
16094
91953
61179
23799
52724
94912
66430
24737
70277
67523
05132
56082
71342
17872
34301
92279
95611
44181
09960
99837
17328
59455
30825
11881
52886
61717
34904
62863
95778
68066
95909
Observacin: en estricto rigor no se trata de nmeros aleatorios sino ms bien los decimales del
nmero pi = 3.141592653... Pero se comportan muy bi en como nmeros al azar. El autor ha utilizado
estos dgitos con xito en sus cursos de simulacin.
75
76
Error relativo en %
Muestreo primario
(no equiprobable)
Muestreo secundario
(no equiprobable)
Anlisis
Hasta 1000 %
Hasta 50%
0.1 hasta 1%
77
78
=0
79
e e 1 e 2 ... e n
(El error cometido al determinar la ley de mineral de una muestra es de este tipo: en
efecto, este error corresponde a una suma de errores aleatorios que son: error inicial
de tomar la muestra, error de delimitacin, errores de manipulacin, errores de
preparacin, error fundamental, etc. hasta llegar al error de anlisis qumico)
Para reproducir el efecto de una suma de errores, se ponen, en el quincunx varias
corridas de clavos y se dejan caer las bolillas, las cuales se desvan al azar, tal
como se ve en la figura A.4.2:
80
P-2s e 2s = 0.95
Es decir el error est entre -2 y +2 con 95% de probabilidad (ver la figura A.4.3)
2
Figura A.4.3: La ley de Gauss o ley normal de probabilidades , es la desviacin estndar del error
(o desviacin tpica del error)
- 2 s e 2s
con 95% de confianza.
81
Intervalo de
confianza
29a31
25 a35
20a40
Error
en aos
1
5
10
82