ECHANTILLONNAG

E DES MINERAIS
 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 no 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 de le rendre
opérationnel.
 La validité du modèle, dans laquelle intervient la théorie des tests d’hypothèses.
 Ces aspects sont du domaine de la statistique mathématique.
La statistique peut avoir comme objectifs, moins ambitieux certes, mais fort
utile, la tri, le regroupement des informations ou des observations
(tableaux), leur représentation graphique et leurs condensation dans des
indicateurs telle que la moyenne par exemple. Ces aspects constituent le
domaine de la statistique descriptive.
 1. Vocabulaire :
La statistique utilise un vocabulaire particulier emprunté en majorité à la démographie.
 1.3 Individu :
Le phénomène étudié l’est au travers d’observations, mesures ou repérages. Les
individus sont les objets de l’observation. Ils peuvent être concrets (enfants, fleurs,
paquets, bouteilles, pièces,…) ou abstraits et ne servent qu’à individualiser les
observations (accident, ménages,…), l’individu est aussi appelé unité statistique.
 1.4 Population :
La population ou univers statistique est l’ensemble de tous les individus ou unités
statistiques concernés par l’étude statistique. Elle doit être définie de manière précise,
ne laissant subsister aucun doute quant à l’appartenance ou non d’un individu donné à
cette population.
Ex. P1 ={ Etudiants de la 1ère année de l’IMM pour l’année 2010-2011 }
P2= {nombre d’accidents de la circulation routière au Maroc entre le 1er janvier 2010 et le 31
décembre 2010}
 1.5 Variable statistique :
C’est le caractère observé, mesuré ou repéré dans chaque unité statistique.
Ex.
- ‘’couleur des yeux’’, c’est un caractère qualitatif. Il prend des valeurs
appelées modalités : marron, noir, bleu, vert,…
- ‘’nombre d’enfants par ménage’’ variable statistique quantitative, discrète.
Elle prend des valeurs entières : 0, 1, 2, 3, …
- ‘’taille de l’individu’’ variable statistique quantitative, continue. Elle prend
n’importe quelle valeur dans un sous ensemble de R+.
 1.6 Distribution statistique :
C’est la répartition des unités statistiques (individus) observés, selon la valeur
que prend la variable statistique.
Ex1. Répartition des ménages selon le nombre d’enfants :
Cette distribution peut être représentée graphiquement.
Représentation graphique : Diagramme en bâtons.
Nombre ni fi
d’enfants
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
147,00 100,00
 Elle peut aussi être résumée par :
 Ex.2. Représentation graphique : Diagramme en histogramme
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.
a)- Histogramme avec amplitude de classes identiques :
Soit l’exemple d’un échantillon de 110 ménages dont le revenu mensuel en
euros est donné par la série classée ci-après :
b)- Histogramme d’effectifs avec catégories numériques d’amplitudes différentes
Ex.3.Représentation graphique : Diagramme en secteurs
Prix de revient flottation :
 2. Notions de probabilités :
 3. Variable aléatoire :
 4. Variable statistique et variable aléatoire :

La variable aléatoire est l’ensemble des valeurs possibles d’un tirage ou d’une expérience,
auxquelles sont rattachées des nombres traduisant leurs chances ou probabilités
d’apparaitre.
Ex. : dans le lancé d’un dé ‘’non pipé’’, la variable aléatoire X (notée V.A.X) peut prendre des
valeurs 0, 1, 2, 3, 4, 5, et 6.
Avant de procéder au lancé du dé, notre intuition liée à la connaissance que nous avons du
monde physique qui nous entoure, nous souffle que les 6 faces ont chacune la même
chance d’apparaitre :

Pour juger de la qualité de ce modèle proposé, il est aussi intuitif de penser que la
relation entre le modèle composé de la variable aléatoire définie par les valeurs
possibles de X et leurs probabilités associés d’une part et la réalité observée d’autre
part, se fera par l’intermédiaire d’une variable statistique, telle la fréquence relative
fi de l’apparition des différentes faces lors d’une expérimentation.
La loi des grands nombres stipule que fi est d’autant plus proche de 1/6 que le nombre
de lancés est plus grand.
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)
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 :

où p(x) s'appelle la densité de probabilité de X, appellation qui résulte du fait que :

 La densité de probabilité p(x) ou la fonction de répartition P(x) définissent la
loi de probabilité d'une variable aléatoire continue X. Elles donnent lieu aux
représentations graphiques suivantes :

Il est important de bien noter que, conformément aux axiomes qui définissent les
probabilités :
 4.1. Espérance et Moments d'une Variable Aléatoire :
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 :

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 :

Dans le cas d'une variable aléatoire discrète à valeurs positives ou nulles :

x0 ,... , xi ,... , xn , l'expression précédente devient :
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.

L’expression E(Xk) est appelée moment d'ordre k de la variable aléatoire X. La moyenne

μ = E(X) est ainsi le moment d'ordre 1 de la variable X. Elle s'interprète comme l'abscisse

du centre de gravité de la distribution de probabilité et c'est, à ce titre, une

caractéristique de tendance centrale de la distribution : les valeurs d'une variable

aléatoire se répartissent autour de sa moyenne.

 4.3. Calcul de variances des variables aléatoires :

Rappelons qu'étant donnée une variable aléatoire de moyenne μ, sa variance s'écrit :

De la forme même de la variance, il résulte que :

• la variance d'une constante est égale à 0,
• dans un changement d'échelle de rapport k, la variance est multipliée par k².
Si, d'autre part, on développe l'expression de la variance, et qu'on utilise les propriétés
de linéarité de l'espérance, il vient :

et, puisque E(X) = μ :

Cette relation sera très souvent utilisée. On la retiendra facilement en écrivant que :

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.
 4.4 . Indépendance et covariances de deux variables aléatoires :
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 :

Si les deux variables aléatoires sont indépendantes :

et, par suite :
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. Ce théorème justifie la définition d'une quantité appelée la
covariance de X et 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.
 4.5. Variance d’une somme (ou différence) de deux variables aléatoires :

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) :

Le premier terme du second membre se développe en :

et le second terme en :
On a donc, en réorganisant les termes :

où l'on reconnait :
Si, maintenant, les deux variables X et Y sont indépendantes, leur covariance est nulle, et :

propriété qui s'énonce ainsi : la variance de la somme ou de la différence de deux variables

aléatoires indépendantes est égale à la somme de leurs variances
 5. Loi normale :

Soit une usine fabriquant des arbres en acier dont le diamètre doit être égal à Øc . 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 Øc.

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 pour que Øi soit supérieur à p(X < 2Øc) : p(X >Øc) ou p(X< 2Øc)
ou p(Øc+d < X <Øc+d ) ?
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 :

Par contre dans notre cas, on ne peut pas définir de probabilités à priori pour i Ø , on a
recourt à un modèle, et le plus adapté dans notre cas ( i Ø variable continue qui dépend de
plusieurs paramètres indépendants, dont aucun n’est prépondérant et dont les effets
s’additionnent) est le modèle de la loi normale (théorème Central-limite).
Et dont la représentation graphique est donnée ci-dessus :
Avec :
x : valeur prise par la variable
μ : la moyenne théorique
σ: l’écart type théorique
La fonction densité de probabilité a la même signification que la densité en physique. De
même qu’en physique, la masse d’un point est nulle, de même la probabilité d’un ‘’point’’
au sens mathématique est nulle.
On définit tout de même la probabilité qu’a une variable aléatoire X à être contenue dans
un intervalle :
6. Tests d’hypothèses :
6.1. 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’’.

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.
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.
La conclusion ou le résultat du test est correct dans deux situations :
ü Accepter H0, alors que les deux valeurs sont effectivement équivalentes
ü Rejeter H0 (accepter H1), alors que les deux valeurs sont réellement différentes.
La conclusion ou le résultat est incorrect dans deux autres situations :
ü Rejeter H0, alors que les deux valeurs sont réellement équivalentes
ü Accepter H1, alors que les deux valeurs sont effectivement différentes.
Ces situations sont résumées dans le tableau suivant :
6.2. Egalités de deux moyennes (Test de Student)
 6.3. Test de Fisher-Snedecor : Analyse simple de variance

Dans l’exemple précédent on a n1 = n2, c'est-à-dire que le nombre de mesures effectuées

par la méthode 1 est le même que celui analysé par la méthode 2, de sorte que pour
chaque couple (xi1,xi2) on puisse définir Di= Xi1 - Xi2.
Considérant le cas où n1 ≠ n2, comme dans l’exemple suivant :
dont voici un extrait :
7. Echantillonnage des matières morcelées
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.
 7.2. Théorie de l’échantillonnage
définie comme une fonction des propriétés de l’erreur ou plutôt des nombreuses
composantes de l’erreur d’échantillonnage. Toute étude de l’échantillonnage est donc
avant tout une étude des erreurs d’échantillonnage.
Soit L le lot dont on cherche à évaluer la teneur en un élément critique, soit 𝑎𝐿 cette
teneur. Cette évaluation ne peut se faire que sur un échantillon E (échantillon de
laboratoire), soit 𝑎𝐸 sa teneur. Quelle soit, la méthode d’analyse chimique pratiquée,
elle ne peut qu’estimer la valeur 𝑎𝐸 cette estimation résultat de l’analyse est 𝑎′𝐸. A ce
stade on peut donc décomposer l’erreur globale en erreur d’échantillonnage et erreur
d’analyse.
𝑎𝐿 : teneur réelle du lot jamais connue
𝑎𝐸 : teneur de l’échantillon
𝑎′𝐸 : résultat d’analyse
EG: Erreur globale
EE: Erreur d’échantillonnage
EA: Erreur

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 :
7.3. Problèmes d’échantillonnage solubles et insolubles

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.
Les difficultés d’échantillonnage, c'est-à-dire les difficultés de produire un échantillon
représentatif, vont croissantes dans cette liste. En pratique les problèmes d’échantillonnage
du type ① sont impossibles à résoudre. Les meilleures possibilités sont offertes par le cas
④, dont l’échantillonnage est pratiquement toujours possible, et par le cas ⑤, qui
correspond en fait au retraitement d’un échantillon primaire extrait à partir d’un lot de type
④.
7.4. Décomposition des erreurs d’échantillonnage

7.4.1 Erreur fondamentale : l’échantillonnage

En se plaçant dans les conditions du cas ⑤, c’est à dire de lot manipulable et donc
homogènéisable de telle sorte qu’on est en mesure de rendre tous les grains également
accessibles et de garantir leur équiprobabilité. Malgré tout et en dehors des erreurs
accidentelles dues à une malveillance, réside encore une liée à la nature de la matière morcelé,
c'est-à-dire son hétérogénéité. C’est l’erreur incompressible, qu’on puisse minimiser mais qu’on
ne peut jamais rendre nulle. Elle se nomme erreur fondamentale.
P. Gy, après de longs travaux a dégagé une formule permettant de quantifier cette erreur.
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.

Procédure d’homogénéisation et de quartage par cône et couronne :

1- On rassemble le tas à la pelle sous forme de cône.
2- On aplatit à la pelle le sommet du cône et on creuse le milieu du tas, en tournant la pelle tenue
verticalement dans un sens puis dans l’autre jusqu’à atteindre le sol.
3- On répartit le contenu du trou central avec la pelle, uniformément, en tournant autour du tas,
toujours dans le même sens.
"On obtient ainsi une couronne dans le diamètre intérieur doit être plus grand que le diamètre
initial du tas". .
NB : La taille de la pelle doit être adaptée à la taille du tas et à la granulométrie.
(Volume du tas = plus 100 pelletées).
4- On brosse sur la couronne le minerai restant au centre et autour du tas.
5- En tournant régulièrement autour de la couronne, on remet par petites pelletées, le minerai
au centre. On verse doucement sur le sommet sans faire de poussières.
6- On brosse sur le nouveau cône formé le minerai restant tout autour. On a ainsi obtenu un
nouveau cône sur lequel on répète l’opération deux à cinq fois suivant l’hétérogénéité du tas
initial.
Après homogénéisation, on opère la division sur la couronne.
7- On divise la couronne en 4 quartiers égaux à la pelle.

8- On rassemble deux à deux les deux quartiers diamétralement opposés. On obtient ainsi deux
échantillons équivalents.
9- On prend au hasard (par tirage au sort) l’un des deux échantillons.
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.
b/ Etaler le minerai à diviser uniformément sur toute la largeur de la pelle.
c/ Alimenter à l’aide de la pelle, au milieu de la largeur des riffles et
perpendiculairement à ces derniers.
d/ La méthode d’alimentation doit être ferme sans être exagérément
rapide.
D’autres diviseurs pour laboratoires existent. Ils sont inspirés des échantillonneurs automatiques.
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.
 7.4.2 Autres erreurs
:

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.
7.4.2.1 Erreurs de ségrégation et de groupements

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.
Pour minimiser cette erreur il est recommandé :
 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 a 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 ….
Pour réduire cette erreur il est recommandé :
 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 grande.

7.4.2.3 Erreur de fluctuations périodiques

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 alternance de couches pauvres et riches du minerai. Ce qui est 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).
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 :
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
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.

7.4.2.4 Erreurs matérielles

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).
L’organe de prélèvement est en général constitué d’une goulotte munie de couteaux
droits et verticaux résistants aux chocs, à l’usure et à la corrosion ; cette goulotte doit
permettre une évacuation rapide et continue des incréments et être d’un nettoyage
aisé.
Les échantillonneurs automatiques sont de conception variée selon les constructeurs.
Deux types se trouvent les plus utilisés :
ØEchantillonneurs traversiers à cuiller forme de goulotte rectangulaire à fond très
incliné et ouvert se déplaçant de manière rectiligne et perpendiculaire à la direction
du flux alternativement dans un sens et puis dans l’autre.

ØEchantillonneurs 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
Lors de la décomposition des erreurs qui seront passés en revue dans ce paragraphe,
nous nous référons à ce type d’échantillonneurs.
 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 :
ü Les préleveurs à déplacement rectiligne ont des arêtes parallèles.

ü Les préleveurs à déplacement circulaire ont des arêtes radiales.

Cette géométrie correcte doit persister pendant toute la durée de vie de
l’échantillonneur, ce qui nécessite un entretien soigneux consistant à surveiller et
éliminer l’usure et la déformation des pièces en contact avec le courant de matière.
ü 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.
ü 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
ü 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/

Généralement entre 0,11 et 0,4 m/s, 0,2 m/s est une valeur moyenne convenable dans
nombre de cas.
ü 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.
Une partie du flux de matière échappe à l’échantillonnage
La cuiller doit traverser tous le flux de matière
Au repos, La cuiller doit être suffisamment loin du flux de matière pour éviter toute
contamination
La cuiller doit être bien adaptée pour respecter les proportions des constituants de la
matière échantillonnée
La largeur de la cuiller doit être adaptée à la granulométrie pour garantir
l’équiprobabilité
7.5. Cas particulier des minerais d’or

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.

7.5.1. 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 :
7.5.2 Minerais non libérés
 7.5.3. Métaux précieux associés intimement à d’autres minéraux

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 l’échantillon primaire sont
analysées séparément. Les résultats des analyses pondérées par les masses des deux fractions
permettent de reconstituer la teneur moyenne de l’échantillon primaire.
 7.6. Echantillonnage en vue d’une Analyse Granulométrique

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 :
- Choix de la largeur de la cuillère.
- Choix de la vitesse de déplacement …etc.
Mais en supposant que toutes les dispositions sont prises pour minimiser toute sorte d’erreur :
- Opératoires systématiques relatives aux choix de l’équipement.
- De ségrégation et de groupement par une homogénéisation suffisante.
- D’intégration en réduisant l’intervalle entre prélèvement
- De débit en régularisant ce dernier
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 :
Application
 7.7. Echantillonnage en vue d’une étude minéralurgique

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 :
 Teneur en un ou plusieurs constituants principaux
 Teneur en un ou plusieurs constituants secondaires
 Degré d’oxydation et d’altération
 Finesse de cristallisation
Les échantillons destinés aux études minéralurgiques peuvent provenir de différentes
sources :
ü Sondage carotté
ü Travaux miniers (galeries, traçage, puits, autres,…)
ü Alimentation d’une usine de traitement (produit concassé,…)
ü 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,…).
C’est en analysant ces informations que le minérallurgiste responsable de l’étude
minéralurgique peut se faire une idée sur l’adéquation des objectifs de l’étude avec la
représentativité présumée de l’échantillon reçu. En effet, il serait aberrant de s’investir
dans une étude détaillée sur un échantillon dont la représentativité est loin d’être
établie.
 7.8. Echantillonnage manuel

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 :
 Choisir les points de prélèvement (chute verticale, minimum d’encombrement).
 Adapter le matériel à chaque flux. (largeur de la fente, traverser tout le flux).
 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).
Références :
- Pierre Gy, L’échantillonnage des minerais en vrac, Tome 2, Revue de
l’industrie minérale, 1971
- Gill Barbery, Echantillonnage des minerais et solides pulvérulents en vrac,
Séminaire Minéralurgie, 1ère partie, OCP-Safi, 16-20 juin 1986
- Ch. Lucion, Technologie de valorisation des minerais, cours ENIM,
décembre 1992