Vous êtes sur la page 1sur 186

Eléments de statistique

Echantillonnage des minerais

1
2
3
Nombre
ni fi
d’enfantst
0 10 6,80
1 20 13,61
2 50 34,01
3 40 27,21
4 15 10,20
5 6 4,08
6 3 2,04
7 2 1,36
8 1 0,68
4 147,00 100,00
60 effectif ni fréquence fi

50

40

30

20

10

0
0 1 2 3 4 5 6 7 8

5
6
7
8
9
participation au prix
Postes
de revient en %
Réactifs 30
énergie 25
pièces de
rechange 18
main d'œuvre 12
eau 5
autres 10
100
10
Réactifs

énergie

pièces de rechange

main d'œuvre

eau

autres

11
Production en million de tonnes

2009 100 300

2010 300 600

12
13
Soit une expérience quelconque aléatoire, et soit

 l’ensemble de tous les résultats possibles de


cette expérience.
Ex.1 : on lance un dé,
  i  est appelé l’univers, ou l’espace
fondamental associé à l’expérience.
i est appelé événement élémentaire
  1,2,3,4,5,6  est fini,

Un événement est une partie de 


14
Ex.2 : on lance une pièce de monnaie 2 fois

?

15
Ex3. : si on s’intéresse à la teneur en Cu d’un
minerai donné

?

Quelques événements?

16
p:   0,1
i  p(i )
et  pi  1

p( A)  

p i
i A

17
.
Ex. lancé d’un dé :
?
p(i )  ?
pour l ' évènement A  2,4,6,
p( A)  ?
A  ?
p( A)  ?
p()  ?
18
1
p(i ) 
6
pour l ' évènement A  2,4,6,
3 1
p( A)  p (2)  p (4)  p (6)  
6 2
p ( )  1
1 1
p( A)  p (résultat impair )  1  p ( A)  1  
2 2
19
Calculer:

p(A)= p(D)=

p(B)= p(E)=

p(C)= p(F)=
20
Un joueur lance une pièce de monnaie trois fois de suite et
enregistre le résultat des trois lancés. On note X le nombre de
‘’pile’’ obtenus. Soit l’univers associé aux trois lancés :

   FFF , FFP, FPF , FPP, PFF , PFP, PPF , PPP 

p( X  0)  p(FFF  
1
8
p( X  1)  p(FFP , FPF , PFF ) 
3
8
p( X  2)  p(PPF , PFP , FPP ) 
3
8

p( X  3)  p(PPP ) 
1
21 8
Variable statistique et variable aléatoire

Lancé d’un dé:

1
p( X  i )  i  1,2,3,4,5 ou 6
6

22
Si les valeurs possibles de X, sont réparties de façon
continue sur un intervalle fini ou infini, X est une
variable aléatoire continue. Une telle variable est
définie si l'on connait la probabilité pour que X
prenne une valeur dans tout intervalle [x, x + h [. On
se donne pour cela la fonction de répartition de X :
P(x)=P(X<x) qui permet de calculer, pour tout
intervalle :
P (x≤X<x+h) = P(x+h) – P(x)
x
P( x)   p(u )du


23



p( x)dx  1 et 0  P( x)  1
24
Espérance et Moments d'une Variable Aléatoire

E  f ( X )  

f ( x) p( x)dx


µ  EX    x. p( x)dx




i n
E f ( X )   f ( xi ) p( xi )
i 0

25
Linéarité de l’opérateur Esperance

E(aX  b)  aE( X )  b
EX  Y   E ( X )  E (Y )

26
Calcul de la variance d’une variable aléatoire

 ( X )  E ( X  µ)
2 2

 ( X )  E X  µ
2 2 2

 ( X )  EX   EX 
2 2 2

27
Xi 0 1 2 3

pi  p( X  X i ) 1/8 3/8 3/8 1/8

p i 1

28
Indépendance et covariances de deux variables aléatoires

p( x, y)  p1 ( x). p2 ( y)
EX , Y    x. p1 ( x)dx  p2 ( y)dy  E ( X ).E (Y )
 

 

 ( X , Y )  EXY   EX .EY 

 ( X  Y )  E( X  Y )  EX  Y 
2 2 2

 ( X  Y )   ( X )  2 ( X ,Y )   (Y )
2 2 2

 ( X  Y )   ( X )   (Y )
2 2 2

29
µ: moyenne
: écart type
n(x): nombre d’individu ayant la taille x
n : effectif de l’échantillon
30
31
32
0,8413

33
(t )  1   (t)

P(t  T  t )  2 (t) - 1
34
Exercice 1.

Soit Z une V.A. de loi N(0,1).

1°. Calculer: P(Z<1,34); P(Z<-1,72); P(Z>2,41);


P(Z>-1,53); P(1,12<Z<1,57);
P(-0,75<Z<0,36); P(|Z| >1,96)

2°. Déterminer z tel que:


P(Z<z)=0,683
P(Z>z)=0,239
P(Z<z)=0,486
P(Z>z)=0,812
35
Pour une loi normale N (µ,  )
de moyenne µ et d’écart type , on opère un
changement de variable :
X µ
T
E (T )  ? 
Var (T )  ?
Soit X une variable aléatoire qui suit une loi normale
N (µ,  ) avec µ=3 et =2
P( X  x0 )  0,95
x0 ?
36
Exercice 2.

Une machine automatique fabrique des tubes en série


dont le diamètre X est réparti selon la loi normale de
moyenne 20 cm et d'écart-type 1,5 mm.
a) Calculez la probabilité qu'une pièce prise au hasard
dans la fabrication ait un diamètre compris entre 19,75
cm et 20,25 cm.
b) Quel intervalle de centre 20 cm peut-on garantir avec
une probabilité 0,95 ?

37
Exercice 3.
Un chercheur a étudié l’âge moyen auquel les premiers
mots du vocabulaire apparaissent chez les jeunes enfants.
Une étude effectuée auprès d’un millier de jeunes enfants
montre que les premiers mots apparaissent, en moyenne, à
11,5 mois avec un écart-type de 3,2 mois.
La distribution des âges étant normale, on souhaite
1) évaluer la proportion d’enfants ayant acquis leurs
premiers mots avant 10 mois
2) évaluer la proportion d’enfants ayant acquis leurs
premiers mots après 18 mois
3) évaluer la proportion d’enfants ayant acquis leurs
premiers mots entre 8 mois et 12 mois.
38
1) Soit X l’âge d’apparition des premiers mots. X ∈ N(11,5 ; 3,2)
On cherche P(X < 10)
On opère le changement de variable de X en Z : z = (10 - m) = (10 – 11,5) = - 0,47
σ 3,2
On cherche donc P(Z< -0,47) = 1 – P(Z<0,47)
= 1 – F(0,47)
= 1 – 0,6808 = 0,3192

On conclut : 31,92% des enfants acquièrent leur premier mot avant 10 mois
2) On cherche P(X > 18)
On opère le changement de variable de X en Z : z = (10 - μ) = (18 – 11,5) = 2,03
σ 3,2
On cherche donc P(Z> 2,03)
P(Z> 2,03) = 1 – P(Z< 2,03)
= 1 – F(2,03)
= 1 – 0,9788
= 0,0212

On conclut : 2,12% des enfants acquièrent leur premier mot après 18 mois
3) On cherche P(8 < X < 12)
On opère le changement de variable de X en Z :
z1 = (8 - μ) = (8 – 11,5) = -1,09 et z2 = (12 - μ) = (12 – 11,5) = 0,16
σ 3,2 σ 3,2
On cherche donc P(-1,09< Z < 0,16)
P(-1,09< Z < 0,16) = F(0,16) – F(-1,09)
= (0,16) – [1 – F(-1,09)]
= 0,5636 – 1 + 0,8621
= 0,4257

On conclut : 42,57% des enfants acquièrent leur premier mot entre 8 et 12 mois
39
Exercice 4.

Calculer l'espérance mathématique et la


variance d'une variable aléatoire normale
X sachant que :
P (X <2) = 0,5793
et
P (X > 5) = 0,2119.

40
Exercice 5.

On suppose que la taille de 615 étudiants est distribuée


normalement avec une moyenne de 1,75 m et un écart-
type de 20 cm. Calculer le nombre d'étudiants ayant
des tailles :
— inférieures ou égales à 1,50 m
— comprises entre 1,50 m et 1,65 m
— supérieures ou égales à 2 m.

41
42
43
0,95 0,975 0,99 0,995 0,999 0,9995
P(T  t )   (t)

t 1,65 1,96 2,33 2,58 3,10 3,29

44
(t )  1   (t)

P(t  T  t )  2 (t) - 1

45
•Tests d’hypothèses :
Egalité de deux moyennes (test par la loi normale) :

Un lot de concentré de Zn a été analysé chimiquement par le


vendeur et l’acheteur, et le laboratoire d’arbitrage:
Vendeur : XV = 54,3 % Zn
Acheteur : XA =53,6 % Zn
Laboratoire : Une infinité de mesures ont été réalisées (n>30),
Les résultats sont : µ = 54,1 % Zn et  = 0,2 % Zn
Question : les deux résultats sont-ils équivalents au seuil de
signification = 0,05 ou 5%.
Pour répondre à cette question, le laboratoire pratique un test
statistique en acceptant le risque de 5% de rejeter l’équivalence
des deux résultats, alors qu’ils sont réellement équivalents. Un tel
test, quand il est possible, s’appelle ‘’test d’hypothèses’’.
46
Les hypothèses peuvent être formulées de la manière
suivante :
•H0 (Hypothèse nulle) : µ = X ; c'est-à-dire que X
déterminée par l’acheteur (ou le vendeur) ne diffère de µ
déterminée par le laboratoire que par des fluctuations
acceptables.

•H1 (Hypothèse alternative) : µ - X  0 ; c'est-à-dire que


les deux valeurs, celle du laboratoire et celle de
l’acheteur (ou du vendeur) sont significativement
différentes et par conséquent accepter l’hypothèse que
les deux valeurs ne sont pas équivalentes.

47
Etat réelle des valeurs
Décision équivalentes différentes
Décision erronée Décision correcte
Rejeter risque de probabilité  probabilité 1 - 
H0
risque de 1ère espèce puissance

Accepter Décision correcte Décision erronée


H0
probabilité 1 -  risque de probabilité 
niveau de confiance risque de 2ème espèce

48
Risque α (1ère espèce, risque fournisseur, fausse
alarme) = risque de juger mauvaise quelque chose
qui est bonne ou d’agir sur un processus alors
qu’il ne le faudrait pas.

Risque β (2ème espèce, risque client) = risque de


juger bonne quelque chose qui est mauvaise ou
de ne pas agir alors qu’il le faudrait.

Dans toute décision que nous prenons, existence de


ces 2 risques d’erreur.
49
Erreur, risque, niveau, puissance.
La règle de décision d'un test étant basée sur l'observation d'un échantillon et non sur
la base d'une information exhaustive, on n'est jamais sûr de l'exactitude de la
conclusion : il y a donc toujours un risque d'erreur.

L'erreur de première espèce consiste à rejeter H0 à tort : le risque d'erreur de


première espèce est noté α, c'est le risque d'erreur que l'on prend en rejetant H0
alors qu'elle est vraie. On l'appelle aussi le niveau du test.

L'erreur de deuxième espèce consiste à rejeter H1 à tort : le risque d'erreur de


deuxième espèce est noté β, c'est le risque d'erreur que l'on prend en rejetant H1
alors qu'elle est vraie.
η = 1 – β est appelé la puissance du test.
On s'efforce de construire des tests qui limitent les risques à des niveaux jugés
acceptables.
En règle générale, on impose un seuil α à ne pas dépasser (par exemple 5 %, par
défaut) et, compte tenu de cette contrainte, on cherche à construire les tests ayant la
plus grande puissance possible.

50
Probabilité critique.

Si l'on note t la valeur de la fonction discriminante T, on appelle probabilité critique de l'hypothèse H0 :

— P (T ≥ t | H0) si T a tendance à prendre de grandes valeurs lorsque H0 n'est pas vraie (test unilatéral à
gauche, queue de probabilité à droite) ;

— P (T ≤ t | H0) si T a tendance à prendre de petites valeurs lorsque H0 n'est pas vraie (test unilatéral à droite,
queue de probabilité à gauche) ;

— P (| T | ≥ | t | | H0) si T a tendance à s'éloigner de 0 lorsque H0 n'est pas vraie (test bilatéral).

La probabilité critique fournit une mesure de crédibilité de l'hypothèse H0 :


— une valeur très faible de la probabilité critique signifie que H0 n'est pas valable,

— une valeur trop élevée permet de mettre en doute le caractère aléatoire de l'expérience et la
fiabilité des données et des calculs.

51
(t )  1   (t)

P(t  T  t )  2 (t) - 1

52
53
•Soit X une variable aléatoire réelle
suivant une loi normale N (m, )
Calculez:
• P (| X – m |< ),

•P (| X – m | < 2 ),

•P (| X – m | < 3 )

54
55
56
X  N ( µ,  )
µ X
T  N (0,1)

1,95
P(t  T  t )  0,95 2 (t )  1  0,95  (t )   0,975 t  1,96
2
µ X
d ' ou :  1,96  T  1,96  1,96   1,96 µ  1,96   X  µ  1,96 

53,708  X  54,492

I  53,708  54,492;
I : int ervalle de confiance à 95%
I 99  ?
57
58
59
60
61
µ  µ0

s
62
  µ  µ0

63
Ex. cas d’une seule moyenne :
Soit un étalon ou échantillon certifié de teneur 8g/t
d’Au. Par la méthode d’absorption atomique, on a
analysé 10 prélèvements de cet étalon.
Les résultats sont :
1 2 3 4 5 6 7 8 9 10

7,9 7,8 8,0 8,1 8,2 7,6 7,7 7,5 8,5 7,4

64
Seuil de
0,05 0,01 0,001
risque 
1- et
95% 97,5% 99% 99,5% 99,9% 99,95%
1-/2

ddl =9 1,833 2 ,262 2,821 3,250 4,297 4,781

10 1,812 2,228 2,746 3,169 4,144 4,587

65
66
x  7,87 g / t s  V ( x)  0,1041g / t

X µ
 2,262   2,262
s
n

I  7,91  8,09

67
Echantillon 1 2 Di
1 X11 X12 D1
2 X21 X22 D2
3 X31 X32 D3
4 X41 X42 D4
5 X51 X52 D5
6 X61 X62 D6
7 X71 X72 D7
8 X81 X82 D8
9 X91 X92 D9
10 X101 X102 D10
X1 X 2
D
68 s1 s2 sD
On crée une nouvelle variable aléatoire Di = Xi1-Xi2
Di est une variable aléatoire dont la population est distribuée
normalement N ( µ,  )
 H0 : µ = 0 (hypothèse nulle)

 H1 : µ  0 (hypothèse alternative)

sD2 est estimée à partir des 10 mesures indépendantes


(Di = Xi1-Xi2)
On se ramène à l’Ex précédent (cas d’une seule moyenne), soit à
comparer à T critique de la loi de Student pour un seuil donné et
un ddl (n-1)
Dµ
T 
sD
69 n
Exercice: deux appareils d’échantillonnage

i a’E (% Zn) a’R (% Zn)


1 4,90 4,55
2 6,52 6,22
3 4,80 4,55
4 5,70 6,10
5 5,65 5,05
6 5,40 4,95
7 5,45 5,15
8 6,35 5,85
9 6,25 6,00
10 5,50 5,30
Peut-on considérer l’échantillonneur contrôlé comme étant juste?
70
i a’ a’ e'
E (% Zn) R (% Zn) i (%Zn)
1 4,90 4,55 0,35
2 6,52 6,22 0,30
3 4,80 4,55 0,25
4 5,70 6,10 -0,40
5 5,65 5,05 0,60
6 5,40 4,95 0,45
7 5,45 5,15 0,30
8 6,35 5,85 0,50
9 6,25 6,00 0,25
10 5,50 5,30 0,20
moyennes 5,65 5,37 0,28
écart-type 0,58 0,63 0,27
71
Dµ
tobservé   3,11
sD
n
alors que tcritique  2,262
Hypothèse nulle à rejeter
72
Résultats Méthode 1 Méthode 2
répétitions % Cu % Cu
1 1,30 1,30
2 1,32 1,40
3 1,40 1,48
4 1,45 1,48
5 1,50 1,50
6 1,51 1,60
7 1,55 1,76
8 1,56 1,88
9 1,92
10 2,20
73
Résultats Méthode 1 Méthode 2
répétitions
1 1,30 1,30
2 1,32 1,40
3 1,40 1,48
4 1,45 1,48
5 1,50 1,50
6 1,51 1,60
7 1,55 1,76
8 1,56 1,88
9 1,92
10 2,20
X 1 =1,449 X 2 =1,652
S12 = 0,010 S22 = 0,078
74
Le test consiste à calculer le critère observé :
2
Cobs = si 2 avec si 2  s j 2
sj
2
si
H0 : 2
1
sj
2
si
H1 : 2
1
sj

Si Cobs < C ( , n2-1,n1-1), l’hypothèse Ho est accepté au


seuil  et H1 rejeté .
Si Cobs ≥ C ( , n2-1,n1-1), Ho est rejeté et H1 accepté
75
2
si
 sj
2 2
2
avec s i
sj
0.010
Cobs   7,8
0.078

1- 0,95 0,99 0,999


F(1 -  ;9 ;7) 3,68 6,72 10,7

76
X 2  X1
T  suit une loi de Student à n1+n2-2 d.d.l soit
sG 10+8-2=16 d.d.l

Var ( X 1  X 2 )  Var ( X 1 )  Var ( X 2 ) X 1 et X 2 sont indépenda n tes


 X 2 Y 2 2 1 1
Var ( X 1  X 2 )     (  ) si on accepte    X   Y
2 2 2

n1 n2 n1 n2
 
2 2
( xi  x ) ( xi  x )
or s1  et s 2 
2 2

n1  1 n2  1
(n1  1) s1  (n2  1) s 2
2 2
2 1 1
s  et sG  s (  )
2 2

n1  n2  2 n1 n2
(n1  1) s1  (n2  1) s 2
2 2
1 1
ainsi S G   et n  n1  n2  2
n1  n2  2 n1 n2
sG  0,0108
2

77
D’où pour = 5% (test bilatéral)

t critique  2,120

X 2  X1 1,652  1,449
t obs    1,95
sG 0,0108

I1 / 2  ?
78
Cas Critère de rejet Variance du critère Référence

Loi de
student

Loi
normale

Loi de
student

79
Echantillonnage des minerais?

Buts?

80
•Quelles sont les composantes de l’erreur totale
d’échantillonnage ?quelles sont leurs propriétés ?
de quels paramètres de la matière échantillonnée
et de l’opération d’échantillonnage dépendent-
elles ?

•Peut-on définir des conditions opératoires


réalistes et réalisables dans lesquelles certaines
des composantes de l’erreur totale s’annulent ?
dans lesquelles il est possible de minimiser celles
des composantes qu’il est impossible d’annuler ?
81
 Les méthodes d’échantillonnage
probabilistes.

 Les méthodes non probabilistes.

82
L’erreur d’échantillonnage peut-être considérée comme une
variable aléatoire et comme telle elle peut-être caractérisée par les
trois éléments suivants :
•La loi de probabilité à laquelle elle se rattache :
Quand on prend soin d’éviter les erreurs accidentelles de grande
amplitude qui tendent à fausser les résultats expérimentaux et
quand le nombre de fragments ou de grains est un grand nombre
au sens statistique du terme, c'est-à-dire plus de 100, on peut
admettre une distribution normale de l’erreur.
•La moyenne de sa distribution : m(EE)
•Sa variance : 2(EE)
On définit également : r2 = m2(EE) + 2(EE)
(Moment non centré d’ordre 2)

83
L’échantillonnage est dit :
•Sans biais : si m(EE) = 0
•Juste : si < m0 ,
où m0 est une valeur considérée comme acceptable.
•Biaisé si > m0 , dans ce cas m(EE) s’appelle l’erreur
systématique ou biais

•Reproductible ou fidèle si (EE) < 0 où 0 est considérée


comme tolérable
•Précis, quand il est sans biais et reproductible
m(EE) = 0 et (EE) < 0
•Représentatif : quand r2 < r02 ou r02 est le seuil de
représentativité, à la limite, on peut considérer pratiquement
qu’un échantillonnage est représentatif quand il est à la fois
juste et fidèle.
•Exact quand EE = 0
84
1 3

2 4

85
86
87
: teneur réelle du lot jamais connue

: teneur de l’échantillon

: résultat d’analyse

88
EE EA EG ?

0,05 0,00001
0,05 0,0001
0,05 0,001
0,05 0,01
0,05 0,05

89
EE EA EE 2 EA2 EG2 EG

0,05 0,00001 0,0025 1E-10 0,0025 0,05

0,05 0,0001 0,0025 0,00000001 0,0025 0,0500001

0,05 0,001 0,0025 0,000001 0,002501 0,05001

0,05 0,01 0,0025 0,0001 0,0026 0,0509902

0,05 0,05 0,0025 0,0025 0,005 0,07071068

90
Homogénéité – Hétérogénéité

L’homogénéité est définie comme l’uniformité d’une


certaine grandeur entre tous les éléments d’une
population.
Pour les minerais:

A- Grandeurs:

 Composition minéralogique, représentée par un ou


plusieurs pourcentages

 Composition granulométrique représentée elle aussi


par un ou plusieurs pourcentages

91
Homogénéité – Hétérogénéité

L’homogénéité est définie comme l’uniformité d’une


certaine grandeur entre tous les éléments d’une
population.
Pour les pulpes:

A- Grandeurs:

 Proportion de l’eau par rapport au solide ( H, Cs, dp)

Pour les solutions:

A- Grandeurs:

 Concentration chimique
92
Pour les minerais:

B- Populations:

 La population des fragments individuels dans l’état de


morcèlement ou ils se trouvent

Hétérogénéité de constitution de la matière

 Les populations de groupes de fragments qu’on peut


isoler au sein du lot de matière

Hétérogénéité de distribution

93
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A

94
A B C D A B C D A B C D
B C D A B C D A B C D A
C D A B C D A B C D A B
D A B C D A B C D A B C
A B C D A B C D A B C D
B C D A B C D A B C D A
C D A B C D A B C D A B
D A B C D A B C D A B C
A B C D A B C D A B C D
B C D A B C D A B C D A
C D A B C D A B C D A B
D A B C D A B C D A B C

95
C C C C C C C C C C C C
C C C C C C C C C C C C
C C C C C C C C C C C C
A A A A A A A A A A A A
A A A A A A A A A A A A
A A A A A A A A A A A A
B B B B B B B B B B B B
B B B B B B B B B B B B
B B B B B B B B B B B B
B B B B B B B B B B B B
D D D D D D D D D D D D
D D D D D D D D D D D D
D D D D D D D D D D D D
96 D D D D D D D D D D D D
97
98
• Lot non manipulable et donc non homogénéisable, constitué
d’un ensemble unique, ou d’un nombre quelconque de sous
ensembles d’importances égales ou voisines. Exp : stock de
minerai sur le carreau d’une mine, stock de concentré filtré,
contenu d’une ou plusieurs trémies,…

•Lot non homogénéisable constitué d’un grand nombre de sous-


ensembles individuellement non homogénéisable, d’importances
égales ou voisines. Exp : wagons de chemin de fer, camions,…

•Lot non homogénéisable, constitué d’un grand nombre de sous-


ensembles individuellement homogénéisables d’importances
égales ou voisines. Exp : berlines, wagonnets, godets
d’élévateurs,…

•Lot en cours de transport continu

99
•Lot homogénéisable
1.Erreur fondamentale :

σ2(EF) =

ME : masse minimale de l’échantillon en g.


ML : masse du lot en g
d : dimension max des grains du lot en cm (d=d95)
c : paramètre de composition minéralogique définie
par :
𝑅=𝑑95/𝑑5 g

𝑅>4 0,25
2< 𝑅<4 0,50
1< 𝑅<2 0,75
𝑅=1 1

100
Application:
1500 tonnes de Minerai TV de Pb à 1,6%Pb, sous
forme de PbS, concassé à moins de 1 cm.
grains de forme régulière
Maille de libération 160µm

A la 1ère étape d’échantillonnage, l’erreur ne doit


pas dépasser 2%

ρgalène = 7,5 g/cm3 et ρgangue = 3 g/cm3

ME ?
101
ES et EG: Erreurs de ségrégation et de
groupement

E(T )  (1  ES .EG).EF

102
•D’échantillonner à la jetée d’une bande transporteuse
quand le flux de matière prend une trajectoire
pratiquement verticale.
•D’échantillonner les pulpes dans des zones de forte
turbulence quand la trajectoire du flux est pratiquement
verticale.
•D’échantillonner dans les deux cas sur toute la largeur
du flux.
•D’effectuer des prélèvements de quantité aussi faible
que possible, mais supérieure à une valeur minimale qui
sera définie par la suite.

103
EI: Erreur d’intégration

E(T )  (1  ES .EG).EF  EI

104
EI est minimisée :

• En choisissant des prélèvements


aussi rapprochés que possible

• En homogénéisant

105
ED: Erreur de débit:

E(T )  (1  ES .EG ).EF  EI .(1  ED)

106
ED: Erreur de débit peut être
minimisée:

• En régularisant le débit pondéral


• En choisissant le mode de
prélèvement convenable

107
Erreur dues aux fluctuations à long terme

•De prélever un nombre suffisamment grand


d’incréments (n>30).
•D’opter pour le mode de prélèvement aléatoire
systématique, quand les fluctuations
périodiques ne sont pas à redouter ‘’ le
prélèvement aléatoire systématique ‘’ consiste à
fixer au hasard l’instant t1 du 1er prélèvement et
puis les autres prélèvements suivants sont
régulièrement espacés de Tsy.
Tsy est choisi d’autant plus faible que la
précision souhaitée est grand
108
Erreur de fluctuations périodiques

Origine :

- Une alternance de couches pauvres et riches du


minerai (rare).
- Une organisation du travail par poste.

- Une automatisation d’un paramètre entre une limite


haute et une limite basse.

- Un fonctionnement cyclique d’un appareil


(pompe, râteau ou autre).
109
mode de prélèvement dit stratifié au hasard
fixer le temps d’une strate Tst = cte,
choisir au hasard plusieurs temps :
t’1, t2, ……….., t’q dans l’intervalle ]o, Tst [
L’instant du qème prélèvement est :
tq = t’q+(q-1)Tst
Exp :
Soit Tst = 10 minutes = cte
Tirons au hasard 4 instants en minutes entre 0 et 10 mn
Soit t’1 = 1 ; t’2=3 ; t’3=7 ; t’4=9
D’où :
Le 1er prélèvement sera effectué à
t1 = 1+ (1-1) x10 = 1 Le 2éme à :t2 = 3+(2-1)x10=13
t3 = 7+(3-1)x10=27 t4 = 9+(4-1)x10 =39

110
111
112
113
114
115
116
117
Erreurs matérielles

•Erreur de découpe
•Erreur de prise

118
Erreur de découpe :
Cette erreur s’annule quand tous les filets de la
matière échantillonnée sont recoupés pendant la
même durée. Cette condition est réalisée si :
•Les préleveurs à déplacement rectiligne ont des
arêtes parallèles.
•Les préleveurs à déplacement circulaire ont des
arêtes radiales.
•La vitesse du préleveur doit être uniforme pendant la
traversée du flux de matière et constante d’un
prélèvement à l’autre. L’entrainement doit être assuré par
un moteur électrique surdimensionné.

119
Erreur de prise
•La distance intérieure w entre les arêtes est suffisante
pour laisser passer n’importe quel fragment de la
matière. Elle est fonction de plus gros grain (d).
•Si d > 3 mm : W  3d
•Si d ≤ 3 mm : W = 10 mm
•La vitesse du préleveur ne doit pas dépasser une valeur
limité fonction de W.
•Si W = valeur minimale : V ≤ 0,6 m/s
•Si W = n x valeur minimale V ≤ 0,3 (1+n) m/s
Généralement entre 0,11 et 0,4 m/s, 0,2 m/s est une
valeur moyenne convenable dans nombre de cas.
Tout fragment entrant dans le préleveur ne doit pas en
ressortir, d’où tout colmatage ou obstruction de la fente
120
du préleveur sont à éviter
Valeur minimum d’un incrément

La masse d’un incrément est:


T0  w
Mq 
v
avec : T0 : débit moyen du lot
w : ouverture de la cuiller de l ' échantillo nneur
v : vitesse de déplacemen t de la cuiller
au min imum : M qm  5  T0  d

121
Cas particulier des minerais d’or

1. Minerais libérés

2. Minerais non libérés

3. Métaux précieux associés


intimement à d’autres minéraux

122
Minerais libérés :
Le métal précieux est presque libéré de sa gangue comme
dans le cas des minerais d’or alluvionnaires ou des minerais
massifs broyés. Pour ce cas Pierre Gy propose :
 1 1  µ
 2 ( EF )  
M   f g 1
d
3

ML 
1 1 1
 E  a

: facteur de forme des particules de métal ou de minéral de


valeur (0,1 à 0,2 pour l’Au)

: paramètre de répartition granulométrique des particules


de métal ou de minéral de valeur (0,1 à 0,2 pour l’Au)
dimension des plus gros fragments de métal ou de minéral
de valeur
µ1 : massa volumique de métal ou de minéral de valeur

123
formule approximative :
3
d
 ( EF )  0,8
2 1
M E .a
6
Pour a  1g / t (10 )
d1  1 mm   0,05
M E  320 Kg
124
Minerais non libérés

 1 1 
 ( EF )  
2
M  M 
.c. f .l . g .d 3

 E L 
c=

: teneur des fragments les plus riches de la classe


granulométrique la plus grossière en décimal.
:

:teneur moyenne de l’échantillon en décimal


125
Application : minerai d’or filonien pou lequel on a estimé :

g/cm3 , A = 19 g/cm3

(1g/t Au) ,

’=10-3 (1000 g/t Au)

126
= 140.10-6 ,

= 2650 et ME = 165 Kg

127
Dans les trois cas cités, on n’a tenu compte que de
l’erreur fondamentale, les autres erreurs sont plus
importantes surtout dans le cas des minerais d’or libérés
(alluvionnaires ou massifs après broyage).

• L’EG peut être minimisée en réalisant des prélèvements


aussi petits que possible.
Les opérations d’homogénéisation ne sont plus efficaces
pour ce genre de minerai
• Minimiser l’ES par concentration

128
129
130
131
L'or dans un réservoir de CIL est contenu dans la phase liquide et dans la phase
solide qui se compose du minerai et du carbone. L'estimation de la teneur en or
dans un réservoir implique la connaissance de:
 Le volume de pulpe et de carbone dans le réservoir (V).
 La concentration solide de la pulpe (w / w) dans le (s) réservoir (s).
 La densité spécifique du minerai (s).
 La concentration de carbone dans le réservoir (h) exprimée en grammes de
carbone par litre de pulpe et de carbone.
 La concentration en or dans la solution (y) exprimée en grammes d'or par
tonne de solution.
 La concentration d'or dans le minerai (x) exprimée en grammes d'or par tonne
de minerai.

132
L'échantillonnage d'un réservoir CIL est nécessaire pour estimer:

 la teneur en carbone

 la concentration de solides en suspension

 l'or contenu dans le carbone, la solution et le minerai.

133
L'inventaire d'or dans le circuit est la somme de l'inventaire d'or dans les
équipements ou les bacs utilisés dans le circuit.
Un exemple simulé de balance des matériaux au cours d'une opération d'une
semaine est indiqué dans le tableau 1. Le simulateur d'usine est étalonné sur le
circuit Lapa tel qu'il fonctionnait à la fin de 2009. Le solde se ferme parfaitement
car les données sont produites par un simulateur dynamique. Cependant, le
rapprochement de la balance de l'or à l'aide de mesures réelles est beaucoup plus
complexe en raison des erreurs d'échantillonnage et d'analyse qui créent des
incertitudes dans l'estimation de la production et de l'inventaire de l’usine. Les
données du tableau 1 indiquent que la majeure partie de l'inventaire en or se
trouve dans les réservoirs CIL et dans les bacs de stockage des concentrateurs de
gravité. La grande production d'or comme dorés est principalement produite par la
vidange de ces bacs au cours de la période considérée. Cependant, la pratique de
l’usine consiste à conserver les bacs de stockage pour le concentré de gravité de
l'or aussi bas que possible à la fin de la période de production, qui est
généralement sélectionné comme un mois, alors qu'une semaine est considérée
dans l'exemple du tableau 1. Ce document est concerné par l'évaluation de
l'inventaire d'or dans un réservoir CIL.

134
135
136
1. Le processus d'échantillonnage devrait permettre la collecte de tous les

constituants (minerai, liquide et carbone) d'une population par le dispositif

d'échantillonnage. La localisation spatiale ou temporelle du constituant ne devrait

pas affecter la probabilité d'être capturé par l'outil d'échantillonnage. En d'autres

termes, toute la population devrait être accessible au processus d'échantillonnage

2. Tout constituant indépendamment de sa forme, taille ou poids spécifique devrait

avoir la même probabilité d'être capturé par le dispositif d'échantillonnage. Par

exemple, l'ouverture de l'outil d'échantillonnage doit être suffisamment grande

pour permettre la collecte des plus grosses particules dans l'échantillon. La forme

du coupeur doit également être choisie pour retenir également les constituants
137
collectés.
La profondeur maximale atteinte par l'outil d'échantillonnage varie généralement de
0,5 à 2,0 m, ce qui signifie que moins de 10% du contenu du réservoir est soumis
au processus d'échantillonnage.

L'estimation de la teneur en carbone est donc fortement dépendante de la validité


138de l'hypothèse de mélange parfait.
L'outil habituel pour l'échantillonnage des réservoirs de CIL est un échantillonneur de 1 à 3
litres.
L'échantillonneur PD utilisé par plusieurs mines d'or est représenté sur la figure 4.
L'échantillonneur est immergé dans la pulpe à la profondeur permise par la longueur de l'arbre.
Les poignées de l'autre côté de l'arbre de l'échantillonneur (voir Fig. 4) sont utilisées pour ouvrir
le couvercle permettant le remplissage du récipient. La suspension recueillie est ensuite retirée
du réservoir et versée sur un tamis pour collecter le CA. La pulpe qui traverse le tamis est
recueillie dans un seau et est pesée, filtrée et le solide est séché et pesé pour obtenir la
concentration en solides de la suspension. Un échantillon de la solution est recueilli pendant la
filtration.
Le CA retenu sur le tamis est lavé à l'eau, séché et pesé avant d'être envoyé avec les
échantillons de la solution et du minerai au laboratoire pour la détermination de la teneur en or.
La concentration de CA dans la suspension est habituellement calculée en prenant
le rapport de la masse de carbone au volume du conteneur d'outils d'échantillonnage. On
suppose donc que le volume de pulpe recueilli par l'échantillonneur est égal au volume de son
récipient, ce qui peut ne pas être le cas selon la personne qui effectue l'échantillonnage et l'état
mécanique du dispositif de prélèvement.
139
Bruington (1991) et Morrison (2008: Chapitre 11) ont indiqué que l'hypothèse de
mélange parfaite utilisée pour les réservoirs CIL a été discutée, ce qui indique
que «malgré l'agitation, il y a généralement un biais vers une concentration plus
élevée de carbone en haut ou en bas du réservoir (en fonction de la densité
relative entre le carbone et le lisier). De plus, le profil d'écoulement de la boue
peut créer des zones de concentration de carbone supérieure ou inférieure
»(Morrison, 2008). L'hypothèse de mélange parfait peut être vérifiée à l'aide d'un
test de dépistage ou en utilisant une comparaison statistique des échantillons
prélevés à divers endroits dans le réservoir. Cette dernière approche est utilisée
ici.

L'usine de Lapa a été mise en service en avril 2009. Au démarrage, chaque


réservoir CIL a été rempli de pulpe et chargé de 9 tonnes de carbone pour obtenir
14,3 g / L de carbone. Comme il n'y avait pas de transfert de carbone pendant le
démarrage de l'usine, ce fut une bonne occasion de valider la procédure
d'échantillonnage car la concentration de carbone «vraie» dans chaque réservoir
était connue. Lorsque les transferts de carbone sont initiés, la concentration de
carbone «vraie» devient inconnue car les masses transférées varient avec les
conditions de fonctionnement de la pompe et les temps de transfert.

140
Le volume de pulpe recueilli pour chaque échantillon a été mesuré et le carbone a
été séparé de la pulpe, séché et pesé pour calculer la concentration en carbone.
La moyenne et l'écart-type des mesures de volume pour les deux échantillonneurs
sont donnés dans le tableau 3. Les statistiques du tableau 3 sont calculées
indépendamment de la position de la collection d'échantillons. Puisque le volume
du conteneur est de 1 L, la variable de Student t-test est calculée en utilisant:

Le volume moyen de pulpe est noté V, le nombre d'observations est N et l'écart-type


des volumes de boue observés est SV. Si le volume est supposé appartenir à une
distribution normale (gaussienne), alors une valeur absolue de t (voir l'équation (3))
supérieure à 2,1 (intervalle de confiance à 95%) indique que les volumes mesurés
sont significativement plus grands ou plus petits que le volume du conteneur qui est
de 1,0 L. Pour les tests considérés, l'échantillonneur Lapa a produit des volumes
systématiquement supérieurs à 1,0 L, tandis que les volumes systématiquement
inférieurs à 1,0 L sont collectés avec l'échantillonneur PD.
Habituellement pour le calcul de la concentration de carbone, les volumes de pulpe
recueillis ne sont pas mesurés mais sont supposés égaux au volume de
l'échantillonneur. Par conséquent, les deux échantillonneurs conduisent à des
estimations légèrement biaisées de la concentration de carbone.
141
Puisque l'échantillonneur PD montré sur la figure 4 était soupçonné de favoriser la
collecte de pulpe plutôt que de CA en raison du petit écart entre le corps et le
couvercle de l'échantillonneur lorsqu'il est ouvert, un nouvel échantillonneur a été
conçu par le personnel du concentrateur Lapa . L'échantillonneur Lapa est
représenté sur la figure 4. L'opération est similaire à celle de l'échantillonneur PD,
sauf que les couvercles supérieur et inférieur sont complètement ouverts, ce qui
permet un remplissage rapide du récipient (voir la figure 4). Cette conception
devait réduire le risque de collecte sélective d'une espèce par rapport aux autres.
Les capots supérieur et inférieur sont fermés simultanément pour capturer
l'échantillon.
L'échantillonneur Lapa représenté sur la figure 4 est équipé d'un arbre de 2 m de
long.

142
Les échantillons n'ont pas été prélevés en dessous de 0,5 m avec l'échantillonneur PD à cause
de la longueur de l'arbre.

143
n moyenne (l) écart-type (l) t-test t-critique

PD 20 0,96 0,02 8,9 2,1

Lapa 84 1,05 0,1 4,6 2,0

144
La moyenne globale et l'écart-type des 104 concentrations de carbone
mesurées sont respectivement de 13,39 et 1,82 g / L. Les concentrations de
carbone utilisées pour obtenir cette valeur moyenne ne sont pas biaisées
puisque le volume utilisé pour les calculs est mesuré et non inféré à 1,0 L
(volume de l'échantillonneur). Comme on sait que la concentration réelle de
carbone dans le réservoir étudié est de 14,3 g / L, on peut vérifier si les
mesures de la concentration de carbone sont des estimations non biaisées
de la concentration réelle de carbone en utilisant:

La valeur t estimée de 4.9 par rapport à 2.1 est une indication que la procédure
d'échantillonnage peut conduire à un biais pour la mesure de la concentration de
carbone. Pour le réservoir étudié, les mesures sont systématiquement inférieures à
la concentration réelle de carbone. Cela pourrait être dû à une ségrégation du
carbone dans la partie inférieure ou dans une région du réservoir inaccessible à
l'échantillonneur. Le biais dans le volume de boue estimé ne devrait pas être dû au
fait que le volume mesuré est utilisé dans le calcul de la concentration de carbone.
Plusieurs autres tests peuvent être effectués en utilisant les données collectées pour
évaluer l'effet des dispositifs d'échantillonnage, la profondeur de l'échantillonnage du
lisier et la position de la collecte de l'échantillon. La variable t de Student suivante
145
est utilisée pour comparer deux conditions:
valeur n moyenne écart-type t-observé t-critique erreur
réelle relative
14,3 PD 20 12,43 1,05 7,96 2,10 13,1
14,3 Lapa 40 13,02 2,06 3,93 2,02 9,0

14,3 0,5 m 60 12,82 1,80 6,37 2,00 10,3


14,3 1,0 m 44 14,16 1,60 0,58 2,01 1,0

14,3 A 50 12,74 1,70 6,49 2,01 10,9


14,3 B 54 13,99 1,70 1,34 2,00 2,2

146
147
Echantillonnage en vue d’une Analyse Granulométrique
En retenant les mêmes notations que dans l’expression
de l’EF relative aux teneurs et en ajoutant :
Aλ: proportion en fraction de la classe granulométrique
λ dans le lot.
dλ : dimension moyenne des fragments de la classe λ.
(par exemple moyenne cubique des dimensions extrêmes de la
classe) :

148
Dans la majorité des cas on peut encore simplifier
l’expression (G), en effet souvent :
ME<<ML et gd3 << ( )d3λ

lorsqu’on s’intéresse aux classes grossières.

149
Application:

En vue de déterminer la proportion des > à 50


mm dans un lot de minerai de masse importante
de densité 3 concassé à moins 80 mm et dans les
formes des grains sont normales. La proportion
qu’on veut préciser est dans un ordre de 8 %. On
tolère sur Aλ une erreur fondamentale de l’ordre
de 10 %.

150
f = 0,5

µ= 3g/cm3

Aλ = 0,08

d3λ= (83 + 53)/2 ≈ 320 cm3 ME = 2,016.106g  2 t

EF = 10%  = 2e σ = 0,05

151
152
153
154
155
156
157
158
159
160
161
162
163
10000
gr
1000

100

10

1
1 10 100 1000 10000 100000
µm
164
Alimentation (< 15 cm)

Concassage (concasseur à mâchoires ou giratoire)

Broyage (broyeur à cylindres)
 + 2mm
Tamisage à 2 mm

Homogénéisation

Quartage

Broyeur pulvérisateur (<à150m)

Homogénéisation

Prise d’essai (ou prélèvement)
165
166
167
168
169
170
171
Echantillonnage manuel

•Choisir les points de prélèvement (chute verticale,


minimum d’encombrement).
•Acquérir par expérience une agilité corporelle
satisfaisante (déplacement horizontale, vitesse uniforme
et constante d’un prélèvement à l’autre, ni trop faible, ni
trop forte)
•Eviter coûte que coûte les débordements.
•Prévenir et éviter toute origine de contamination ou de
perte.
•Augmenter le nombre d’incréments (n > 30).
•Adapter le matériel à chaque flux. (largeur de la fente,
traverser tout le flux).
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186

Vous aimerez peut-être aussi