OBJETIVOS DEL CURSO

Un muestreo deficiente, compuesto por un submuestreo de laboratorio deficiente, conduce a geoestadísticas cuestionables y genera graves problemas de conciliación entre el modelo geológico, la mina y las estimaciones de la planta. Estos problemas también afectan el precio de los productos básicos y la validez de las evaluaciones ambientales. El resultado es una gran pérdida de dinero para la empresa involucrada, evolucionando más adelante en posibles litigios. Es de importancia clave para los geólogos, mineros, metalúrgicos, químicos y especialistas en medio ambiente extraer la máxima información de los datos disponibles, ya que grandes inversiones y decisiones cruciales dependen de ello. Las evaluaciones falsas llevan escenarios devastadores como:

• Abandono de propiedades viables.
• Explotación de propiedades no rentables.
• Mala administración de propiedades viables e Incompetencia en la detección de fraude.

Es fundamental cuantificar la heterogeneidad de los constituyentes importantes en cualquier propiedad nueva. Si no se realizan las pruebas adecuadas, se obtienen protocolos de muestreo y submuestreo no válidos, exceso de perforación y una base de datos sesgada que luego llevaría a una geoestadística falsa. La siguiente secuencia es parte de una práctica ineludible:

• ¿Cómo se distribuye el constituyente de interés en el material que se va a muestrear?.
• Realice pruebas de heterogeneidad para cuantificar las características de muestreo del constituyente de interés.
• Optimice los protocolos de muestreo y la forma en que se implementan, de acuerdo con los resultados de la prueba de heterogeneidad.
• Implemente protocolos utilizando equipo de muestreo válido: el 75% del equipo de muestreo disponible en el mercado nunca hará el trabajo.
• Implementar un programa de control de calidad integral y sistemático para monitorear la precisión y precisión del muestreo.

El costo asombroso de la variabilidad de datos irrelevantes no es fácil de detectar, cuantificar o corregir. Una estrategia para la gestión eficaz de la variabilidad permitirá a los administradores identificar y minimizar los molestos problemas de conciliación entre los modelos teóricos y la realidad: ¡sus decisiones son tan buenas como sus muestras! El curso ofrece formas simples de cuantificar las pérdidas de dinero para una precisión de muestreo dada, y proporciona una buena estrategia para evitar la inexactitud del muestreo para la cual no existe una cura estadística. A menos que la precisión y la exactitud del muestreo estén claramente conectadas con cuestiones económicas, es poco probable que los gerentes entiendan la necesidad de mejorar los protocolos de muestreo y la forma en que se implementan. Al final del curso, los asistentes estarán mejor equipados para presentar las ventajas económicas de un buen muestreo. Por lo tanto, el curso es un requisito previo para la inversión bancaria: los banqueros deben escuchar y confiar

LO QUE VAS A APRENDER

• Los nueve tipos de errores de muestreo, cómo se producen y cómo minimizarlos; ¡la mayoría de la gente puede enumerar solo dos!.
• Muestreo correcto, por lo que puede rechazar sistemas de muestreo que nunca realizarán un trabajo satisfactorio.
• Familiarícese con las pruebas necesarias que se realizarán en minas y plantas para optimizar todos sus protocolos de muestreo.
• Seleccionar los objetivos de calidad de datos adecuados para los parámetros operativos, que valen en la supervisión continua, para minimizar su costo de operación.
• Apreciar mejor el valor de los datos cronológicos existentes que le permiten controlar mejor cualquier proceso. Esta información es valiosa para la administración en la identificación de problemas estructurales que conducen a pérdidas financieras innecesarias.
• La variografía es la clave para identificar las diversas fuentes de variabilidad que afectan los datos cronológicos de rutina. Descubrirás el poder de la cronoestadística.
• Al usar los datos existentes, la variabilidad del muestreo y la medición debe estar claramente separada de las tendencias y ciclos del proceso. A menos que esto esté bien hecho, la mejora continua del proceso seguirá siendo esquiva.
• El uso cuidadoso de la media móvil y, especialmente, sus funciones auxiliares, pueden ayudarlo a minimizar el efecto del muestreo deficiente y la precisión de la medición.
• Los diagramas de diferencias relativas pueden mostrar claramente la presencia de sesgos condicionales del muestreo y de los laboratorios.
• Darse cuenta de la debilidad de los estándares actuales de muestreo: son obsoletos y no están en línea con la teoría de muestreo.
• Mantenerse actualizado sobre los desarrollos de muestreo expuestos durante ocho Conferencias Mundiales de Muestreo y Mezcla.

INSTRUCTOR

Dr. FRANCIS F. PITARD.

Dr. Pitard es ingeniero químico y doctor en tecnologías. Con más de 30 años de experiencia técnica y gestión en la industria de los recursos naturales. Numerosas consultorías alrededor del mundo y más de 40 publicaciones con énfasis en innovación y rentabilidad.

Realiza cursos de alto nivel en prestigiosas universidades como la Colorado School of Mines, Universidad de Nevada, Universidad de Witwatersrand, entre otras. Tiene una experticia sobresaliente en todos los aspectos de la toma de muestras, las cuales ha adquirido en asociación con Dr. C. O. Ingamells y Dr. Pierre M. Gy.

TEMARIO DEL CURSO

Introducción

• Conceptos estadísticos fundamentales utilizados en la teoría del muestreo y las prácticas de muestreo.
• Nueve tipos de errores de muestreo: debe abordar uno a la vez; de lo contrario, el muestreo casi siempre es inválido.
• Heterogeneidad de componentes principales y traza.
• Ejemplos de pérdidas financieras comunes debido a malas prácticas de muestreo.
• Definición de objetivos de calidad de datos.
• Presentación de una nueva estrategia de calidad basada en Objetivos de Calidad de Datos.
• Sinergia entre los objetivos de calidad de los datos y los protocolos de muestreo.
• Definición de términos y símbolos básicos.

Teoría y práctica de muestreo

• Errores generados por pesos de muestra.
• Optimización de protocolos de muestreo.
• Descripción de las pruebas de heterogeneidad para un caso normal y para un caso difícil.
• Errores generados por la segregación.
• Implementación práctica del muestreo.
• Revisión de las fuentes de sesgos de muestreo.
• Exploración del efecto Nugget “efecto pepita”.
• Selección de grados de corte realistas y económicos.
• Revisión detallada de los sistemas de muestreo existentes
• Monitoreo de precisión y precisión de los protocolos de muestreo y submuestreo.
• Cuantificando el asombroso costo de la precisión del muestreo.
• Sugerencias para mejores estándares de muestreo.

Problemas de conciliación entre el modelo geológico, la mina y la planta

• El mito de la reconciliación.
• Identificación de las principales fuentes de problemas de reconciliación.
• Aprovechar los datos existentes es una mina de oro de oportunidades.
• Comprender los diferentes tipos de heterogeneidad y la variabilidad que generan.
• Hazte proactivo a través del pensamiento estadístico efectivo.

La gerencia debe establecer prioridades

• Encuentre causas de problemas y propiedades estructurales con las que debes vivir.
• Invertir en minimizar las causas de los problemas.
• Encuentre efectos de problemas y propiedades circunstanciales que no puedes controlar.
• Ahorre dinero gastando menos en efectos de problemas.
• Gestión de costos visibles

Introducción a la Cronoestadística

• Revisión crítica de los modos de muestreo y medición: aleatorio sistemático, aleatorio estratificado y aleatorio.
• Introducción al control del proceso estadístico variográfico.
• Variografía avanzada
• Introducción al control del proceso estadístico variográfico.

La media móvil, una herramienta pragmática, simple pero delicada

• Cuánto promediado es apropiado.
• El ruido aleatorio.
• Los datos corregidos.

El gráfico de diferencia relativa: la mejor herramienta para el control de CC

• Detección de un sesgo condicional como una función del tiempo.
• Detección de un sesgo condicional en función de aumentar el contenido de los constituyentes.