Académique Documents
Professionnel Documents
Culture Documents
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 :
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 :
μ = E(X) est ainsi le moment d'ordre 1 de la variable X. Elle s'interprète comme l'abscisse
Cette relation sera très souvent utilisée. On la retiendra facilement en écrivant que :
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) :
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 :
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.
(nature l’acier, texture, …), d’autres aux conditions de travail (température, lubrification,
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) :
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’’.
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
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.
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.
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.
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.
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
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