Académique Documents
Professionnel Documents
Culture Documents
www.emm.ac.ma
Eléments de Statistique
Octobre 2015
Abdelmoughit ABIDI
Tél : 0673061688
Email : abidiabdelmoughit@gmail.com
Introduction :
Il existe deux types de phénomènes : les uns sont tels que pour une situation donnée, le phénomène
est toujours le même : on parle de phénomène déterministe, telle que la chute libre ou la
combustion… d’autres sont tels que pour une situation donnée, le phénomène peut se présenter
sous des aspects différents, ce sont des phénomènes non déterministes pour lesquels on ne connait
pas de lois permettant de relier de façon certaine, les caractéristiques observables entre elles. L’un
des objectifs de la statistique est de fournir des lois statistiques traduisant la tendance majeure d’un
phénomène observable, et de servir d’aide à la prise de décisions.
La détermination du modèle probabiliste (loi de probabilité) qui décrit mieux le phénomène passe
par trois étapes principales :
Le choix du type de modèle, soit à travers le traitement des observations effectuées ou après
études des conditions de la réalisation de ces observations qui mèneront à la recevabilité
théorique du modèle.
L’ajustement du modèle, c’est-à-dire la détermination des valeurs des paramètres pour le
rendre opérationnel.
La validité du modèle, dans laquelle intervient la théorie des tests d’hypothèses.
La statistique peut avoir comme objectifs, moins ambitieux certes, mais fort utile, le tri, le
regroupement des informations ou des observations (tableaux), leur représentation graphique et leur
condensation dans des indicateurs tels que la moyenne par exemple. Ces aspects constituent le
domaine de la statistique descriptive.
40
30
20
10
0
0 1 2 3 4 5 6 7 8
Sa moyenne :
i=8
∑ ni x i
i=1 370
x= = =2,5
i =8 147
∑ ni
i= 1
Sa variance (et son écart type) :
i=8
∑ ni ( xi − x )2
i =1 308 , 75
V ( x )= = =2,1
i=8 147
∑ ni
i=1
σ x =√ V (x ) σ x =1, 45
L’histogramme sert à représenter les fréquences absolues (effectifs) ou relatives associées aux
valeurs prises par les unités d'un caractère quantitatif, lorsque ces valeurs ont été regroupées par
catégories.
La méthode de construction de l'histogramme est différente suivant que l'on utilise des catégories
d'amplitudes égales ou que l’on utilise des catégories d'amplitudes inégales.
Soit l’exemple d’un échantillon de 110 ménages dont le revenu mensuel en euros est donné par la série
classée ci-après :
2. Notions de probabilités :
La théorie des probabilités est liée à l’étude des expériences dont les résultats sont indéterminés et
soumis au hasard.
Soit une expérience quelconque aléatoire, et soit Ω l’ensemble de tous les résultats possibles de
cette expérience.
Ω est appelé l’univers, ou l’espace fondamental associé à l’expérience.
Ex.1 : on lance un dé, Ω est fini, Ω = { 1,2,3,4,5,6 }
Ex.2 : on lance une pièce de monnaie 2 fois, Ω est aussi fini
Ω = { {P 1 , P 2 } , { P1 , F2 } , { F1 , P2 } , {F 1 , F 2 }}
Un événement est une partie de Ω
Dans l’Ex.1, A= { 4 } est un événement B=’’le résultat est pair’’ est un autre évènement= { 2,4,6 }
Ex3. : si on s’intéresse à la teneur en Cu d’un minerai donné, dans ce cas Ω , l’univers est infini,
Ω= [ 0 , 100 ] ⊂ ℜ ’’la teneur est < à 2% ‘’est un évènement,
de même ‘’la teneur est comprise entre 0,5 et 2%’’ est un autre évènement.
Etant donné l’univers Ω et l’ensemble A des évènements, ( Ω , A) est appelé espace
probabilisable.
L’évènement A est réalisé si le résultat de l’expérience est un élément de A, ( ω ∈ A ) .
Un cas particulier important, auquel nous nous attacherons exclusivement dans ce qui suit, est celui
où la fonction de répartition est continue, et peut être mise sous la forme :
x
=∫−∞ p(u )du
P(x)
p( x)
où s'appelle la densité de probabilité de X, appellation qui résulte du fait que :
P( x)
Il est important de bien noter que, conformément aux axiomes qui définissent les probabilités :
+∞
∫−∞ p( x)dx=1 et 0≤P( x )≤1
Etant données une variable aléatoire X définie par sa densité de probabilité p(x) et une fonction f, on
désigne par le terme d'espérance mathématique de la variable aléatoire f(X), et on la note E[f(X)],
l'expression :
+∞
E [ f ( X )]=∫−∞ f ( x) p( x)dx
C'est donc un opérateur qui transforme la variable aléatoire f(X) en un nombre. Appliqué à la variable
X elle-même, l'opérateur donne sa moyenne μ :
+∞
µ=E [ X ] =∫−∞ x . p( x)dx
Dans le cas d'une variable aléatoire discrète à valeurs positives ou nulles : x 0 ,... , xi ,... , xn ,
l'expression précédente devient :
i =n
E [ f ( X ) ] =∑ f ( x i ) p( x i )
i =0
et toutes les propriétés de l'opérateur E que nous démontrerons par la suite, pour une variable
continue, s'étendent sans difficulté au cas d'une variable discrète.
σ 2 ( X )=E [ X 2 ]−µ 2
Cette relation sera très souvent utilisée. On la retiendra facilement en écrivant que :
σ 2 ( X )=E [ X 2 ]−E [ X ]
2
et en énonçant que : la variance est égale à l'espérance du carré moins le carré de l'espérance.
Appliquons-la à quelques-unes des variables aléatoires déjà rencontrées.
Soient X et Y deux variables aléatoires définies par leur densité de probabilité p(x,y). L'espérance
mathématique du produit de ces deux variables est, par définition :
p( x , y )=p 1 ( x ). p2 ( y )
Il s'agit là d'un théorème très important qui peut s'énoncer de la façon suivante : si deux variables
aléatoires sont indépendantes, l'espérance de leur produit est égale au produit de leurs espérances.
σ ( X ,Y )=E [ XY ] −E [ X ] . E [ Y ]
qui a la propriété suivante : la covariance de deux variables aléatoires indépendantes est nulle. Il faut
faire attention au fait que la réciproque n'est pas vraie, en général.
Soient X et Y deux variables aléatoires. La variance de leur somme (ou de leur différence) peut
s'écrire (espérance du carré moins carré de l'espérance) :
E [( X ±Y )2 ]=E [ X 2 ]±2 . E [ XY ] +E [ Y 2 ]
et le second terme en :
2 2 2
E [ X±Y ] =E [ X ] ±2. E [ X ] . E [ Y ] +E [ Y ]
5. Loi normale :
Soit une usine fabricant des arbres en acier dont le diamètre doit être égal à Ø c . Si on prélève un
nombre quelconque de ces arbres et qu’on mesure leurs diamètres respectifs, on trouvera des
valeurs qui ne sont pas égales entre elles et par conséquent ne sont pas toutes égales à Ø c. En effet
le diamètre dépend de plusieurs paramètres, certains sont relatifs à la machine (état, installation,
vibrations, entretien, réglage,…), d’autres sont relatifs à la matière (nature l’acier, texture, …),
d’autres aux conditions de travail (température, lubrification, qualification de l’opérateur,…). Dans
ces conditions, nous ne pouvons affirmer quel paramètre a, le plus d’influence sur la variation des
diamètres Øi. Dans nous sommes intuitivement sûr, c’est que les effets des différents paramètres
précités s’additionnent pour déterminer le résultat final : un arbre de diamètre Øi.
Øi peut être considéré comme variable continue. Pour la considérer en tant que variable aléatoire, il
faut associer aux valeurs Øi, des probabilités de réalisation. Par Ex. peut-on connaitre la probabilité
p( X <2 Øc)
pour que Øi soit supérieur à : p( X >Øc ) ou p( X <2 Øc) ou
p( Øc +δ < X <Øc +δ ) ?
Notons que dans l’exemple du lancé d’un dé, la variable aléatoire est tout à fait déterminée sans
recours à l’expérience : les valeurs prises par la variable sont 1, 2, 3, 4, 5et 6 avec
1
p( 1)= p (2 )= p( 3 )= p( 4 )= p( 5)=p ( 6 )=
6 ;
Par contre dans notre cas, on ne peut pas définir de probabilités à priori pour
Ø i , on a recourt à un
Ø
modèle, et le plus adapté dans notre cas ( i variable continue qui dépend de plusieurs paramètres
in dépendants, dont aucun n’est prépondérant et dont les effets s’additionnent) est le modèle de la
loi normale (théorème Central-limite).
La distribution normale, ou de Laplace-Gauss, appelée aussi gaussienne, est une distribution continue
qui dépend de deux paramètres μ et σ. On la note N (µ,σ ) . Le paramètre μ peut être quelconque
mais σ est positif. Cette distribution est définie par sa fonction de densité:
2
1 −( x−µ )
f (x )= e
σ √2 π 2 σ2
Et dont la représentation graphique est la suivante :
Notons que :
- les points d’inflexion sont situés à une distance de cet axe de symétrie
x x
1 −( x−µ )2
p( X <x )= ∫ f ( x )= ∫ e 2 σ2
−∞ σ √ 2 π −∞
−x 2
On ne connaît pas de primitive de la fonction e , donc on ne
sait pas donner l’expression algébrique de la fonction de
répartition F(x).
Comment dans ces conditions calculer les probabilités de tomber entre telle ou telle valeur? Par des
techniques de calcul numérique (en mesurant l’aire sous la courbe pour différentes valeurs de x), on
a pu constituer des tables donnant F(x).
Pour tous les calculs, on se ramène à la fonction de répartition de la loi N (0,1) , dite loi normale
centrée réduite.
t t
1 −t2
P(T <t )=Π (t )= ∫ y (t )= ∫e
−∞ σ √2 π −∞ 2
On y lit par exemple :
Π (0) = 0,5 0,84
Π (1) = 0,8413 13
Π (0,5) = 0,6915
Π (1,96) = 0,9750
De façon générale :
Π (-t) = 1 - Π (t)
(-1)=(1)
Pour une loi normale N (µ,σ ) de moyenne µ et d’écart type , on opère un changement de variable :
X−µ
T=
σ
X−µ 1 1 1
E( T )=E ( )= E ( X−µ )= ( E( x )−E ( µ ))= ( µ−µ)=0
σ σ σ σ
X −µ 1 1
Var ( T )=Var ( )= 2 ( Var ( X )+Var ( µ ))= 2 Var ( X )=1
σ σ σ
P( X <x 0 )=0 , 95
x0 ?
X−µ
T=
Utilisons le changement de variable σ
6. Tests d’hypothèses :
6.1.Egalité de deux moyennes (test par la loi normale) :
Vendeur : XV = 54,3 % Zn
Acheteur : XA =53,6 % 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’’.
Le plus souvent, la situation se résume en une alternative constituée de deux hypothèses H0 et H1,
qui s'excluent mutuellement et qui sont appelées respectivement l'hypothèse nulle, ou
fondamentale, et l'hypothèse alternative, ou contraire.
En général, les hypothèses H0 et H1 ne jouent pas des rôles symétriques, et on choisit pour
hypothèse nulle H0 l'hypothèse à laquelle on croit ou on tient, ou encore celle qui permet de faire
des calculs, ou encore celle dont le rejet est lourd de conséquences.
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.
La conclusion ou le résultat du test est correct dans deux situations :
Accepter H0, alors que les deux valeurs sont effectivement équivalentes
Rejeter H0 (accepter H1), alors que les deux valeurs sont réellement différentes.
En s’intéressant à l’hypothèse principale H0, on voit qu’on prend, en appliquant le test, un risque
de la refuser, même s’elle est réellement vraie. est choisi généralement faible, bien qu’on peut se
permettre un risque grand si le test est puissant. La puissance du test est quantifiée par (1 - ).
Revenons à l’exemple déjà cité et essayons de répondre à la question.
Données :
X → N ( µ, σ )
µ−X
T= →N ( 0,1)
σ
1 , 95
P(−t<T <t )=0 , 95 2 Π (t )−1=0 , 95 Π (t )= =0 , 975 t=1 , 96
2
µ− X
d ' ou : −1 ,96 <T <1 , 96 −1 , 96< <1 ,96 µ−1 , 96 σ <X <µ+1 , 96 σ
σ
53 , 708<X <54 , 492
Conclusion :
La valeur de l’acheteur XA = 53,6 % Zn est rejetée car elle n’est pas dans l’intervalle
[ 53 ,708−54,492 ]
La valeur du vendeur XV = 54,3 % Zn est acceptée car elle est comprise dans l’intervalle
[ 53 ,708−54,492 ]
54 , 3+54 , 1
=54 , 2 % Zn
Le vendeur est payé sur la base de 2
Supposons que le vendeur et l’acheteur aient choisi un seuil de signification = 0,01 (ou 1 %), c'est-
à-dire qu’ils ne veulent pas prendre trop de risque de voir leur valeur rejetée en cas de litige.
∑ ni x i
avec ( n : nombre de mesures ) n=∑ ni
i
x=
n i
∑ ni ( xi −x )2
i
V ( x )= et s=√ V ( x )
n−1
1 2 3 4 5 6 7 8 9 10
i=10
∑ ni ( x i −x )2
i=1
V ( x )= et s=√ V ( x )=
9 0,1041 g/t
H0 : X = µ (hypothèse nulle)
H1 : X ≠ µ (hypothèse alternative)
On considère que l’ensemble des mesures qu’on effectue sur tous les prélèvements possibles de
l’étalon suit une loi normale N (µ,σ ) . µ est conventionnellement connue (µ = 8g/t) est
inconnu et on l’estime par s calculée à partir des valeurs expérimentales.
Dans ces conditions :
X−µ
T=
s
√ n suit une loi de Student a un degrés de liberté de 9 ; (9 =n – 1)
P(−t<T <t )=0 , 95
ddl=9 il s’agit d’un test bilatéral et d’après la table de Student t = 2,262
X −µ
−2 ,262< <2 , 262
s
√n
On déduit un intervalle de confiance à 95 % :
I=[ 7 , 91−8 ,09 ]
La moyenne calculée x = 7,87 g/t n’est pas incluse dans l’intervalle de confiance, on rejette
l’hypothèse H0 (X = µ) avec un risque de 5% de l’avoir rejetée à tort, et on accepte l’hypothèse
alternative H1 (X µ).
Si on se contente d’un seuil de 0,1 %, c'est-à-dire qu’on prend moins de risque à rejeter l’égalité des
variances alors qu’elles sont réellement égales. On ne peut conclure de l’équivalence des 2
méthodes, qu’après comparaison des deux moyennes
X 1 et X 2 .
X 2 −X 1
T=
Pour se faire, on applique le test de Student : SG
or s =
∑ ( x i −x2 )
et s 2 =
∑ ( xi −x 2 )
12n1 −1 2 n2−1
(n1 −1 ) s 2 +(n 2−1 )s 2
2 1 2 1 1
s = et s 2 =s 2 ( + )
n1 + n2 −2 G n1 n2
√
(n1 −1 ) s 2 +(n 2−1 )s
√ 1 1
2
1 2
ainsi S G= + et n=n 1 +n2 −2
n1 + n2 −2 n1 n2
s 2 =0 , 0108
G
|X 2 −X 1|
T=
sG suit une loi de Student à n1+n2-2 d.d.l soit 10+8-2=16 d.d.l
|X 2 −X 1| 1,652−1,449
t obs= = =1,95
D’où pour = 5%
t critique=2 ,120 (test bilatéral)
sG √ 0,0108
t observé <t critique H0 est accepté au seuil de risque 5%.
√
|X 2 −X 1| ( n1−1 ) s 2 +( n2 −1) s
s 2 =s
1 22
t obs=
sG S G=
n1 +n2 −2
1 1
+
n1 n2
et n=n1 + n2−2 deg rés de libérté
1 22
√ Loi de
student
√
s 2 ≠s |X 2− X 1| s s
1 22 z obs= 12 22
S ajustée = +
n1 et n2 >20 s ajustée n1 −1 n 2−1 Loi
n1 n2 normale
√
s s
12 22
|X 2 −X 1| S ajustée = + et n ' deg rés de liberté
t obs= n1 −1 n 2−1
s 2 ≠s s ajustée n1 n2
1 22
( )
2
s s
n1 ou n2 <20 12
+
22
n1 n2
n'= −2
s 2 s 2
1 2
Loi de
n1 n2
+ student
n1 −1 n2 −1
7.1. Introduction :
L’extraction de l’échantillon primaire à partir du lot, le traitement que subit pour aboutir à la prise
d’essai ou prélèvement (pour analyse chimique par ex) sont des opérations toutes entachées
d’erreurs.
Un bon échantillonnage consiste à minimiser ces erreurs en agissant sur leurs origines explicites ou
implicites.
Il faut noter que l’échantillon doit représenter le lot et que les études sur l’échantillon vont servir à
prendre des décisions concernant le lot tout entier et non pas l’échantillon ainsi la valeur d’un
concentré destiné à la commercialisation, les performances de la totalité ou d’une partie d’un
schéma de traitement, la composition minéralogique ou chimique d’un tout-venant, la concentration
solide ou la dilution d’un flux de pulpe… etc reposent sur les résultats des analyses ou des essais
menés sur un ou plusieurs échantillons et extrapolés aux lots ou aux flux correspondants.
La notion d’échantillon est donc étroitement liée à celle de représentativité et cette dernière est
définie comme une fonction des propriétés de l’erreur ou plutôt des nombreuses composantes de
Soit L le lot dont on cherche à évaluer la teneur en un élément critique, soit a L cette teneur. Cette
évaluation ne peut se faire que sur un échantillon E (échantillon de laboratoire), soit a E sa teneur.
Quelle soit, la méthode d’analyse chimique pratiquée, elle ne peut qu’estimer la valeur a E cette
estimation résultat de l’analyse esta ' E . A ce stade on peut donc décomposer l’erreur globale en
erreur d’échantillonnage et erreur d’analyse.
a E : teneur de l’échantillon
L’erreur d’analyse, indépendante de l’erreur d’échantillonnage est assez bien connue des laboratoires.
Elle peut être quantifiée par des essais de répétabilité et de reproductibilité par analyses inter-
laboratoires ou sur des produits étalons.
L’une des principales questions de l’échantillonnage est la suivante :
- Peut-on quantifier l’erreur totale d’échantillonnage ?
La réponse à cette question est globalement non. L’erreur totale peut-être décomposée en plusieurs
erreurs dont quelques unes seulement peuvent- être quantifiées. Alors d’autres objectifs moins
ambitieux mais forts utiles seront de répondre aux deux questions suivantes :
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 ?
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)
Pour les matières morcelées comme les minerais, il est impossible de réaliser un échantillonnage
exact, ceci à cause de la nature de la matière minérale qui est toujours hétérogène. En pratique on
cherche à se placer dans les conditions de représentativité, c'est-à-dire à concevoir et à maitriser un
échantillonnage à la fois juste et fidèle ou reproductible (2 < 02 et |m(EE )| < m0). Sur ce point il
convient de partager les méthodes d’échantillonnage en deux parties :
Les lots de minerai qu’on aura tendance à échantillonner sont de natures différentes. Ils peuvent être
ramenés à l’un des cinq types suivants :
1. 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,…
2. 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,…
3. Lot non homogénéisable, constitué d’un grand nombre de sous-ensembles individuellement
homogénéisables d’importances égales ou voisines. Exp : berlines, wagonnets, godets
d’élévateurs,…
4. Lot en cours de transport continu
5. Lot homogénéisable.
σ2(EF) = ( ME1 − M1 ) c . f . l . g . d
L
3
Avec :
ME : masse 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 :
1−aL
c=
aL
[ ( 1−a L ) ❑ A + a LG ]
Où :
aL : teneur du minéral critique exprimée en décimal
l=
√ dl
d
si d > dl où dl est la maille de libération du minéral critique.
et d = d95
et l = 1 quand d < dl.
On peut simplifier la formule de P. Gy en se plaçant dans les conditions d’un minerai donné et pour un
produit déterminé (concassé fin, produit après broyage, concentré,…), dans ce cas c, f, g et l sont fixés.
1 1
Si en plus on néglige devant comme c’est souvent le cas, la formule devient :
ML ME
3
d
(EF) = K .
2
(K= c flg = cte)
ME
10000
gr
1000
100
10
1
1 10 100 1000 10000 100000
Plan d'échantillonnage
Le schéma suivant constitue une proposition pour le traitement d’échantillon primaire reçu par le
laboratoire.
La phase d’homogénéisation au laboratoire peut être pratiquée à l’aide d’une méthode simple
nommée cône et couronne.
La division en deux tas équivalents peut être opérée soit sur la dernière couronne obtenue après
homogénéisation par la méthode nommée ‘’cône et couronne’’ comme indiqué dans la procédure ci-
dessus soit à l’aide d’un diviseur à riffles.
"On obtient ainsi une couronne dans le diamètre intérieur doit être plus grand que le diamètre initial
du tas" . .
8- On rassemble deux à deux les deux quartiers diamétralement opposés. On obtient ainsi deux
échantillons équivalents.
10- On répète la procédure de 1 à 9 sur l’échantillon retenu, après fragmentation si nécessaire (plan
d’échantillonnage), jusqu’à obtention de l’échantillon final.
La division du tas après homogénéisation peut se faire aussi par diviseur à riffles ou diviseur Jones.
C’est un appareil constitué d’un ensemble de fentes déchargeant alternativement d’un côté et
d’autre de l’appareil, ce qui permet de diviser le tas en deux échantillons équivalents.
Cependant pour que la division soit correcte, il faut prendre certaines précautions :
a/ Alimenter l’appareil avec une pelle de même largeur que celle constituée par l’ensemble des
riffles.
Ils comportent une petite cuve ou est placé le tas, un distributeur et deux ou plusieurs
compartiments qui reçoivent les échantillons.
Pour certains c’est le distributeur qui est en mouvement rectiligne ou rotatif selon les cas et pour
d’autres, c’est le socle sur lequel sont placés les compartiments qui est en mouvement de rotation.
Le débit d’alimentation et la vitesse du distributeur ou du socle doivent être choisi de telle sorte à
respecter un nombre de prélèvements au minimum égal à 30, et sans création de poussière.
Les lots qu’on peut aussi échantillonner facilement sont les lots en transport continu. Cet
écoulement continu de la matière à débit contrôlé est souvent réalisé à l’aide de bandes
transporteuses pour les solides secs ou humides et à l’aide de pompe ou par gravité dans des
canalisations, généralement des tuyauteries, pour les pulpes.
Pour ce genre de lots, en plus de l’erreur fondamentale, d’autres erreurs sont à considérer.
Elle est due au transport lui-même qui peut occasionner une certaine distribution non homogène
des grains sur la largeur de la bande ou la section de la tuyauterie. Ainsi les grains peuvent se
regrouper selon leurs densités, leurs dimensions ou leurs formes dans des endroits particuliers
(concentration des lourdes, des gros et des grains de forme arrondie au centre de la bande ou sur la
demi-section basse d’un tuyau horizontal et répartition des autres sur les bordures de la bande ou en
suspension dans l’eau dans le reste de la section). Cette hétérogénéité spatiale peut engendrer des
biais importants.
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.
7.4.2.2 Erreur dues aux fluctuations à long terme :
Elle est due à l’hétérogénéité du minerai dans le temps tel le changement de la qualité du minerai
provenant de zones d’exploitation différentes ou l’oxydation d’une partie de l’alimentation après un
stock prolongé ….
Tsy est choisi d’autant plus faible que la précision souhaitée est grande.
Elle est à craindre dans le cas où on observe des changements périodiques de débit ou de la qualité
du produit. L’origine de ces changements peut être :
- Une automatisation d’un paramètre entre une limite haute et une limite basse.
Ces fluctuations périodiques sont nuisibles pour l’échantillonnage, surtout si le temps qui sépare
deux prélèvements est un multiple de la période du cycle.
Si ces phénomènes sont jugés trop graves, une solution consiste à opter pour un mode de
prélèvement dit stratifié au hasard.
Cela consiste à fixer le temps d’une strate Tst = cte, puis à choisir au hasard plusieurs temps :
tq = t’q+(q-1)Tst
Exp :
D’où :
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
Ce mode de prélèvement est complexe, coûteux à mettre en œuvre pour les échantillonneurs
automatiques et n’est donc recommandé qu’en cas de fluctuations périodiques graves.
Ce sont les erreurs liées à la réalisation matérielle de l’échantillonnage. Elles sont de deux types :
Erreur de découpe et erreur de prise.
Les erreurs matérielles ne sont pas quantifiables. Le respect des conditions qui permettent de les
annuler garantit que l’échantillonnage est correct, c'est-à-dire donner la même probabilité à chaque
fragment du flux de matière d’être sélectionné.
Dans le cas où ces conditions ne sont pas respectées, mêmes les erreurs quantifiables ne peuvent
plus être calculées, car on s’éloigne trop du modèle mathématique qui a autorisé leurs calculs.
Le principe des échantillonneurs automatiques du type traversier qui sont les plus utilisés repose sur
le fait qu’une cuillère ou un préleveur traverse le flux de matière à échantillonner et extrait une
fraction appelée incrément à chaque traversée. L’ensemble des incréments recueillis pendant un
poste de 8h par exp, constitue l’échantillon représentatif du produit qui s’est présenté devant le
point d’échantillonnage à un moment donné durant tout le poste. La représentativité du lot ne peut
être atteinte que dans la mesure où l’échantillonneur, dans son principe de prélèvement, respecte les
proportions de chacun des constituants du lot (fractions granulométriques par exemple).
Les échantillonneurs automatiques sont de conception variée selon les constructeurs. Deux types se
trouvent les plus utilisés :
Echantillonneurs rotatifs à cuiller, dans ce cas la cuiller est une goulotte constituée d’un
secteur circulaire à arrêtes radiales et horizontales,
tournant autour d’un axe vertical et traversant
périodiquement le flux de matière
Erreur de découpe :
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.
Erreur de prise :
Elle s’annule quand la position du préleveur n’influe pas sur l’extraction des grains. C’est pourquoi il
est recommandé que le flux échantillonné doit être aussi proche que possible de la verticale et que
les arêtes du préleveur soient horizontales.
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 du préleveur sont à éviter.
Les minerais d’or se distinguent du cas général, d’une part par leur extrême pauvreté : 1g/t (10-6),
50000 fois plus pauvre qu’un minerai usuel et 500 fois plus pauvre que le rejet de ce même minerai,
et d’autre part pour les minerais détritiques par la dissemblance des populations granulométriques
des éléments précieux et des gangues. Il est donc à craindre que l’erreur systématique fondamentale,
considérée comme négligeable dans le cas général ne puisse plus l’être dans le cas présent.
L’échantillonnage des minerais d’Au est aussi dominé par le fait que l’Au pur a une masse volumique
de 19g/cm3, et que même allié à d’autres métaux tel l’Ag ou le Cu, celle-ci est toujours élevée aux
environ de 15g/cm3. Il est bien évident que dans ces conditions, le danger est extrêmement grand de
voir les paillettes et les pipettes d’Au se ségréger de leur gangue dès la moindre manipulation, ce qui
rend les minerais d’or alluvionnaires impossible à homogénéiser et perturbe donc leur
échantillonnage.
Ainsi nous pouvons distinguer trois cas pour les minerais d’or.
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 :
3
( )
1 1 µ1
2
σ (EF) = − f 1 . g1 . d 1
ML M E a
3 3
Cette expression dérive de l’expression générale dans laquelle : f , get d sont remplac é s par f 1 , g1 et d 1
avec :
f 1: facteur de forme des particules de métal ou de minéral de valeur (0,1 à 0,2 pour l’Au)
g1 : paramètre de répartition granulométrique des particules de métal ou de minéral de valeur (0,1 à 0,2
pour l’Au)
Application :
Poura = 1g/t (10-6) d 1 = 1 mm = 0,05 (erreur relative sur la teneur de 10%) M E = 320 Kg.
3
σ2(EF) = ( M1 − M1 ) c . f . l . g . d
L E
3
Dans laquelle f , g et d s’applique non pas au métal ou minéral de valeur comme ci-dessus, mais au
minéral brut lui-même comme dans le cas général.
1−a L
c=
aL
[ ( 1−aL ) ❑ A +a LG ] , étant donné a L<<1, et A >G , il vient c= A ,
aL
❑
l : degré de libération peut estimé par : l=( a −a ) .
' A
❑G où :
a ' : teneur des fragments les plus riches de la classe granulométrique la plus grossière en décimal.
a : teneur moyenne de l’échantillon en décimal
a=10
−6
(1g/t Au) , a ’=10-3 (1000 g/t Au), ❑G=2,65 g/cm3 , A = 19 g/cm3
❑A
Il vient : l=( a −a ) .
'
= 140.10-6 , lc = 2650 et ME = 165 Kg.
❑G
Les minéraux sulfurés et arséniés des métaux usuels : galène, blende, chalcopyrite, pyrite, mispickel,
etc.…, contiennent très fréquemment à l’état pur des quantités variables de métaux précieux tels que
l’Au l’Ag ou le bismuth. Dans un minerai donné, la concentration d’un sulfure donné en métaux
précieux conserve souvent un caractère stable et l’on peut alors considérer que le métal précieux
n’est qu’un des éléments constitutifs du minéral porteur. On doit alors oublier le métal précieux et
traiter le minerai comme un minerai de galène argentifère ou de mispickel aurifère. L’erreur relative
commise sur la teneur en Ag d’une galène argentifère ou sur l’Au d’une mispickel aurifère est la
même que celle commise sur le Pb ou le Fe, dans la mesure toutefois où la teneur en métal précieux
du minéral porteur est constante. Lorsqu’elle varie, il faut s’attendre à une erreur supérieure.
Conclusion :
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).
Ainsi en échantillonnant un flux de minerai d’or en transport continu, L’erreur de groupement peut
être minimisée en réalisant des prélèvements ou des incréments aussi petits que possible. Ces
incréments vont constituer l’échantillon primaire qui sera traité au laboratoire de préparation. Les
opérations d’homogénéisation ne sont plus efficaces pour ce genre de minerai, et afin de minimiser
l’erreur de ségrégation il est souvent nécessaire d’opérer sur l’échantillon primaire, souvent après
réduction de la dimension, une concentration à l’aide d’une coupure granulométrique ou
densimétrique ou par extraction au moyen d’un solvant. Les deux fractions pauvre et riche de
Sur le plan pratique, l’échantillonnage en vue d’une AG est plus sensible aux erreurs opératoires.
En effet les erreurs opératoires systématiques affectent toujours de façon directe la composition
granulométrique de l’échantillon en diminuant le taux de prélèvement de telle ou telle classe
granulométrique extrême (les gros ou les fines).
De ce fait ces erreurs opératoires doivent être minimisées en portant plus de soin sur le choix du
matériel à utiliser et les paramètres opérationnels lors de l’échantillonnage :
Mais en supposant que toutes les dispositions sont prises pour minimiser toute sorte d’erreur :
Il reste l’EF incompressible qui résulte de la nature morcelée discrète du minerai et qu’il faut contenir
dans les limites raisonnables.
En retenant les mêmes notations que dans l’expression de l’EF relative aux teneurs et en ajoutant :
(G): ❑2 ( EF )=
[ 1
−
1
ME ML] [ A −2)d
(
f.µ 1
❑
λ
3
+gd
3
]
Cette équation comporte des approximations qui font qu’elle n’est plus valide lorsque A❑ s’approche
de 0,50. Elle reste parfaitement valide tant que A❑ ne dépasse pas 25% (0,25).
Dans la majorité des cas on peut encore simplifier l’expression (G), en effet souvent :
1
ME<<ML et g d 3 << ( −2)d λ3 lorsqu’on s’intéresse aux classes grossières.
A ❑
D’où :
2
❑ ( EF )=
1
ME
.f.µ
1
A❑ (
−2 d ❑
3
)
Pour limiter l’erreur, on ne peut agir que sur ME
M E= 2
1
( EF )
.f .µ
1
(
A❑
−2 d❑3 )
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 A❑ une erreur fondamentale de l’ordre de 10
%.
f = 0,5
µ = 3g/cm3 M E=
0,5.3 1
[
( 0 , 05 ) 0 , 8
2 ]
−2 .320
A❑ = 0,08
EF = 10% = 2e σ = 0,05
Le minérallurgiste doit être associé à tout échantillonnage visant une étude minéralurgique. Le
minérallurgiste se pose toujours la question suivante : peut-on considérer le gisement ou la zone
d’exploitation à échantillonner comme homogène vis-à-vis du traitement minéralurgique à appliquer,
si non doit-on définir et délimiter les différentes catégories de minerais passibles de traitements
différents ou de réponses différentes à un même procédé de traitement.
Parmi les critères à prendre en considération pour délimiter les différentes zones :
Sondage carotté
Travaux miniers (galeries, traçage, puits, autres,…)
Alimentation d’une usine de traitement (produit concassé,…)
Alimentation ou produit d’une section à l’intérieur de l’usine de traitement.
Quel que soit l’origine de l’échantillon, et à défaut de le prélever lui-même ou d’assister son
prélèvement, le minérallurgiste doit s’efforcer d’avoir le plus possible d’informations concernant le
lieu et la méthode de prélèvement, les opérations subits (fragmentation ou autres), la durée écoulée
entre le moment de prélèvement et celui de sa livraison, le mode de conditionnement et si possible
les commentaires techniques du responsable du prélèvement (géologue, mineur , minérallurgiste,…).
Le calcul de 2(EF) peut être effectué par la formule générale de P.Gy, en supposant pouvoir
déterminer les paramètres caractérisant le lot : c , f , l, g , d et ME à partir de l’échantillon :
Si 2(EF) est trop élevée vis-à-vis des objectifs de l’étude, on rejette la représentativité de
l’échantillon.
Si 2(EF) est faible, on ne peut rien conclure.
D’après ce que nous venons de voir, un échantillonnage manuel pour être correct, doit respecter les
mêmes conditions qu’un échantillonneur automatique. Ce qui est pratiquement utopique. Il
engendre donc des erreurs assez grandes et incontrôlables, car non quantifiables.
Néanmoins, le prélèvement manuel d’échantillons est parfois nécessaire et il est encore de pratique
courante. Dans ce cas de figure, il faut essayer de se rapprocher le mieux possible des conditions de
travail d’un échantillonneur automatique correct.
En particulier :