Teoria e Prática da Amostragem em

Geociências e Processamento Mineral:

Uma Análise Exaustiva do Protocolo,
Erros e Avaliação da Qualidade

Seção 1: O Papel Estratégico da Amostragem na

Indústria Mineral

A amostragem, no contexto da indústria mineral, transcende a definição de um mero

procedimento técnico para se estabelecer como uma disciplina fundamental que sustenta a
viabilidade técnica, econômica e estratégica de todo o empreendimento. Desde a prospecção
inicial de um depósito até a comercialização do produto final, a coleta e análise de amostras
representativas constituem a base sobre a qual se erguem todas as decisões críticas. A
informação extraída de uma pequena fração de material é extrapolada para quantificar e
qualificar vastas quantidades de minério, determinando o valor de ativos, a eficiência de
operações e a conformidade de produtos. Uma falha neste processo inicial gera uma cascata
de incertezas e erros que se amplificam ao longo de toda a cadeia de valor, podendo
comprometer a rentabilidade e até mesmo a sustentabilidade de um projeto. Portanto, a
compreensão rigorosa dos seus princípios, metodologias e fontes de erro não é um requisito
apenas para especialistas, mas uma necessidade estratégica para todos os gestores e
engenheiros envolvidos no setor.

1.1. Da Exploração à Avaliação de Reservas: A Amostragem como

Ferramenta Preditiva

A gênese de qualquer projeto de mineração reside na avaliação de um depósito mineral, um

processo intrinsecamente dependente da amostragem. Durante as fases de exploração,
geólogos coletam amostras de afloramentos, trincheiras e, mais crucialmente, de
testemunhos de sondagem para delinear a geometria e a distribuição de teores do corpo de
minério.1 Cada amostra, seja um fragmento de rocha ou um segmento de testemunho,
representa um ponto de dados discreto em um volume tridimensional vasto e heterogêneo. A
análise química dessas amostras fornece os teores que são, então, utilizados em modelos
geoestatísticos para estimar a qualidade do minério em locais não amostrados, um processo
conhecido como interpolação.1

A visualização deste processo é frequentemente representada por mapas de isoteores, que

conectam pontos de igual valor de teor, e por modelos de blocos tridimensionais que
atribuem um teor estimado a cada volume unitário do depósito.1 A robustez e a confiabilidade
desses modelos, que formam a base para a classificação de recursos e reservas minerais,
dependem diretamente da representatividade das amostras originais. Um recurso mineral é
uma concentração de material de interesse econômico cuja quantidade e teor são estimados
com um certo nível de confiança geológica, enquanto uma reserva mineral é a porção
economicamente lavrável de um recurso, onde fatores modificadores (mineração,
processamento, metalúrgicos, econômicos, etc.) foram aplicados. A transição de recurso para
reserva, que é o que efetivamente confere valor econômico a um depósito, só pode ser feita
com um alto grau de confiança, o qual é derivado da qualidade da amostragem.

Desta forma, a amostragem na fase de exploração não é apenas uma coleta de dados, mas a
fundação da arquitetura de informação do projeto. Um erro sistemático (vício) ou uma
imprecisão elevada na amostragem inicial irá propagar-se e magnificar-se através de todas
as etapas subsequentes. Um teor superestimado pode levar à classificação incorreta de
material estéril como minério, resultando em um plano de lavra economicamente inviável.
Inversamente, uma subestimação pode levar ao descarte de minério valioso como estéril,
esterilizando recursos e destruindo valor. A integridade de todo o balanço de ativos de uma
empresa de mineração, portanto, repousa sobre a premissa de que as amostras coletadas
representam fielmente a realidade geológica do depósito.

1.2. Controle de Processos e Balanços Metalúrgicos: A Amostragem

na Otimização Industrial

Uma vez que o minério é extraído e encaminhado para a usina de beneficiamento, o papel da
amostragem transita da avaliação de recursos para o controle e otimização de processos em
tempo real. As usinas de processamento mineral são sistemas complexos projetados para
concentrar o mineral de interesse e rejeitar a ganga. A eficiência deste processo é monitorada
continuamente através da amostragem de diversos fluxos de material: a alimentação da usina,
os concentrados, os rejeitos e vários fluxos intermediários.1
A análise dessas amostras permite o cálculo de indicadores de desempenho chave, como o
teor de alimentação, o teor do concentrado, a recuperação metalúrgica (a percentagem do
metal de interesse na alimentação que é recuperada no concentrado) e a eficiência geral do
processo. Este conjunto de cálculos é conhecido como balanço metalúrgico ou contabilidade
metalúrgica, e é a principal ferramenta para a gestão técnica da planta.1 Sem uma
amostragem precisa e confiável, o balanço metalúrgico torna-se uma ficção, fornecendo uma
imagem distorcida da performance da usina.

Por exemplo, se a amostragem do fluxo de rejeitos subestima consistentemente o teor do

metal, a recuperação calculada será artificialmente alta, mascarando perdas significativas de
produto valioso. Os operadores, baseando-se em dados incorretos, podem deixar de tomar
ações corretivas necessárias, como ajustar a dosagem de reagentes ou a configuração de um
equipamento. Da mesma forma, uma amostragem imprecisa do concentrado final pode levar
a flutuações não detectadas na qualidade do produto, resultando em penalidades contratuais
ou na rejeição de lotes pelo cliente. A amostragem, neste contexto, funciona como o sistema
nervoso da operação industrial, fornecendo o feedback necessário para que os operadores
possam pilotar a usina de forma eficiente, maximizar a recuperação, minimizar os custos e
garantir a consistência da produção.

1.3. A Garantia da Qualidade e a Base dos Contratos Comerciais

A etapa final da cadeia de valor mineral é a venda do produto, um processo onde a

amostragem assume um papel contratual e fiscal. O valor de commodities minerais, como
minério de ferro, carvão ou concentrados de cobre, é determinado por especificações
rigorosas de qualidade, que incluem o teor do elemento principal e os níveis máximos
permitidos de impurezas ou contaminantes.1 A verificação da conformidade com estas
especificações é realizada através da amostragem do lote de produto final antes do seu
embarque ou entrega ao cliente.1

O processo de amostragem para fins comerciais é de extrema importância e, por isso, é

frequentemente detalhado em cláusulas específicas nos contratos de compra e venda. Estes
contratos estipulam os métodos de amostragem a serem utilizados, a frequência, a massa da
amostra, os procedimentos de preparação e o protocolo para a resolução de disputas, que
geralmente envolve uma terceira amostra de arbitragem. O resultado da análise da amostra
comercial (o "ensaio" ou "assay") é o que determina o valor financeiro da transação. Por
exemplo, o preço de um lote de minério de ferro pode ser ajustado para cima ou para baixo
com base no seu teor de e penalizado com base nos teores de e .1

A figura ilustrativa de um lote de minério de ferro com especificações de teor demonstra

claramente este ponto.1 O objetivo da amostragem é inferir, com um grau de confiança
estatística conhecido, se o lote inteiro atende às especificações, a partir da análise de uma
pequena amostra. Um erro de amostragem que favoreça o vendedor pode levar o comprador
a pagar por uma qualidade que não recebeu. Inversamente, um erro que favoreça o
comprador pode resultar em perdas financeiras significativas para o produtor. A precisão e a
ausência de vício na amostragem comercial são, portanto, essenciais para a manutenção de
relações comerciais justas e transparentes, para a correta apuração de receitas e para a
reputação da empresa no mercado global. A amostragem, aqui, é a linguagem comum que
traduz a qualidade física de um produto em valor monetário.

Seção 2: Fundamentos Teóricos: As Escolas de

Matheron e Gy

A abordagem moderna para a amostragem e estimativa na indústria mineral é largamente

fundamentada nos trabalhos de dois pioneiros: Georges Matheron e Pierre Gy. Embora seus
nomes sejam frequentemente mencionados em conjunto, eles desenvolveram teorias distintas
que abordam problemas fundamentalmente diferentes, ainda que complementares.1
Matheron, com a sua Geoestatística, forneceu as ferramentas para entender e modelar a
variabilidade espacial de depósitos minerais in situ. Gy, por sua vez, desenvolveu a Teoria da
Amostragem (TOS - Theory of Sampling) para lidar com a extração de amostras
representativas de materiais particulados, ou seja, minério que já foi fragmentado e está
sendo manuseado. Compreender a distinção e a sinergia entre estas duas escolas de
pensamento é crucial para aplicar os princípios corretos em cada etapa do processo mineiro.

2.1. A Abordagem Espacial: Geoestatística de Georges Matheron e a

Variabilidade Regionalizada

Georges Matheron, um matemático e engenheiro de minas francês, é reconhecido como o

fundador da geoestatística.3 Inspirado pelos trabalhos empíricos de engenheiros
sul-africanos como D.G. Krige na estimativa de reservas de ouro, Matheron formalizou e
generalizou estas técnicas numa teoria matemática rigorosa.5 A pedra angular da
geoestatística de Matheron é o conceito de "variável regionalizada". Uma variável
regionalizada é uma variável que se distribui no espaço (como o teor de um metal num
depósito) e exibe uma estrutura de correlação espacial: amostras próximas umas das outras
tendem a ter valores mais semelhantes do que amostras distantes.5
A geoestatística busca caracterizar esta estrutura espacial através de uma ferramenta
chamada variograma, que mede a variância média entre pares de amostras em função da
distância que as separa. Uma vez que a estrutura espacial é modelada pelo variograma,
podem ser utilizadas técnicas de estimação, como a krigagem (nomeada em homenagem a
Krige), para prever o valor da variável em locais não amostrados de forma ótima e não
enviesada.4 A aplicação primária da geoestatística na mineração é, portanto, a estimativa de
recursos e reservas. A partir de dados de sondagem, a geoestatística permite construir
modelos de blocos que representam a distribuição de teores em todo o depósito, como
sugerido pelos mapas de isoteores e seções de sondagem.1

O foco de Matheron, portanto, está na estimativa de valores em volumes in situ, ou seja, antes
da lavra. A sua teoria responde à pergunta: "Qual é o teor estimado daquele bloco de minério
que ainda está no subsolo, com base nas amostras de sondagem ao seu redor?". A
geoestatística é a teoria da inferência espacial.

2.2. A Abordagem Físico-Estatística: A Teoria de Amostragem de

Materiais Particulados de Pierre Gy

Pierre Gy, um químico e estatístico francês, abordou um problema diferente. O seu foco não
era a variabilidade espacial do minério in situ, mas sim a variabilidade inerente a um lote de
material que já foi fragmentado, ou seja, um "lote quebrado".1 Quando se extrai minério, este é
britado, moído e transportado, transformando-se num material particulado. A teoria de Gy,
conhecida como Teoria da Amostragem (TOS), fornece um arcabouço físico e estatístico
completo para entender e controlar os erros que ocorrem ao se tentar extrair uma pequena
amostra que seja representativa de um grande lote deste material particulado.8

A essência da teoria de Gy é a identificação, classificação e quantificação de todos os erros

de amostragem possíveis.11 Ele decompôs o erro total em vários componentes, permitindo
que cada um fosse estudado e minimizado separadamente. A sua teoria lida com a
heterogeneidade do material, que ele dividiu em "heterogeneidade de constituição" (as
diferenças intrínsecas entre as partículas, como tamanho, densidade e teor) e
"heterogeneidade de distribuição" (a forma como estas partículas diferentes estão arranjadas
espacialmente dentro do lote, por exemplo, por segregação).11 A TOS de Gy fornece as regras
e os princípios para o projeto de equipamentos e protocolos de amostragem que minimizam
estes erros, garantindo que cada partícula no lote tenha a mesma probabilidade de ser
selecionada para a amostra.8

A teoria de Gy responde à pergunta: "Esta amostra de 1 kg que acabei de coletar de uma pilha
de 10.000 toneladas representa fielmente o teor médio de toda a pilha?". É a teoria da
representatividade física de uma sub-fração de um lote.

2.3. Sinergias e Distinções: Aplicando os Modelos Corretos

As teorias de Matheron e Gy não são concorrentes, mas sim complementares, e aplicam-se

em fases distintas do processo de mineração. A falha em reconhecer esta distinção é uma
fonte comum de confusão e de práticas incorretas.
●​ Geoestatística (Matheron): É aplicada na fase de avaliação de depósitos e
planeamento de lavra. Utiliza dados de amostragem de exploração (testemunhos de
sondagem) para modelar a distribuição espacial dos teores in situ. O seu domínio é o
contínuo geológico, antes da fragmentação.
●​ Teoria da Amostragem (Gy): É aplicada na fase de controle de processo, garantia de
qualidade e transações comerciais. Lida com material já lavrado, fragmentado e em
movimento ou em pilhas. O seu domínio é o lote de material particulado.

A sinergia entre as duas teorias é crítica para uma operação bem-sucedida. Um modelo
geoestatístico (Matheron) pode prever com alta precisão que um determinado bloco de lavra
terá um teor de 1.5% de cobre. Esta é uma estimativa para o bloco in situ. Após a detonação e
extração, este material forma uma pilha na frente de lavra. Para verificar o teor e decidir se o
material deve ir para a usina de beneficiamento ou para a pilha de estéril (um processo
chamado de controle de teor ou grade control), uma amostra é coletada desta pilha. A coleta
e preparação desta amostra devem seguir rigorosamente os princípios da TOS de Gy. Se a
amostragem for feita incorretamente (por exemplo, coletando apenas fragmentos grandes da
superfície da pilha), a amostra pode resultar num teor de 1.1% de cobre. O operador,
confiando na amostra, pode enviar este material de alto teor para o estéril, destruindo valor.
Neste caso, o erro não estaria no modelo geoestatístico de Matheron, mas sim na violação
dos princípios de amostragem de Gy. A predição de Matheron foi invalidada por uma prática
de amostragem incorreta de Gy.

Em resumo, Matheron permite-nos prever o que está no subsolo, enquanto Gy nos ensina
como verificar essa previsão de forma confiável uma vez que o material é extraído. A
aplicação correta de ambas as teorias, nos seus respectivos domínios, é indispensável para a
gestão eficaz de um empreendimento mineiro, desde a quantificação do seu principal ativo
até a otimização das suas operações diárias e a realização do seu valor no mercado.

Seção 3: A Anatomia de um Protocolo de Amostragem

Um protocolo de amostragem é uma sequência lógica e rigorosa de operações concebida
para reduzir a massa de um grande volume de material (o lote) para uma pequena quantidade
(a amostra final), garantindo que esta última mantenha as características de interesse do lote
original. Este processo não é uma simples subdivisão; é uma série de etapas
interdependentes que envolvem a coleta de incrementos, preparação física e reduções de
massa controladas. A compreensão da terminologia e do fluxo de processo é fundamental
para a implementação e auditoria de qualquer sistema de amostragem. A estrutura visual
apresentada nos diagramas do documento de referência oferece um guia claro para a
desconstrução desta anatomia.1

3.1. Definições Essenciais: Lote, Incremento, Amostra Primária e

Amostra Final

A clareza terminológica é a base para qualquer discussão técnica sobre amostragem. Os

seguintes termos, definidos com base nos diagramas e descrições do material de origem,
formam o léxico fundamental da disciplina.1
●​ Lote (Universo ou Lote): O lote é a totalidade do material cuja qualidade se deseja
investigar. Pode ser uma pilha de minério, um carregamento num navio, a produção de
um turno numa usina, ou o conteúdo de um vagão de trem. É a "população" da qual a
amostra será extraída. O lote é a entidade sobre a qual a inferência estatística final será
feita.1
●​ Incremento: Um incremento é uma porção modular de material retirada do lote numa
única operação de um dispositivo de amostragem. A teoria da amostragem dita que uma
única amostra "agarrada" (grab sample) raramente é representativa. Em vez disso,
múltiplos incrementos devem ser coletados de diferentes partes do lote (seja ao longo do
tempo ou em diferentes posições espaciais). A coleta de múltiplos incrementos é a
estratégia primária para mitigar os erros associados à heterogeneidade de distribuição
do material.1
●​ Amostra Primária: A amostra primária é o resultado da combinação de todos os
incrementos coletados do lote. Geralmente, a amostra primária é grande e pesada
(podendo variar de quilogramas a toneladas) e possui uma granulometria grosseira,
tornando-a inadequada para análise laboratorial direta. Ela representa o primeiro passo
na redução da escala do problema, de um lote inteiro para uma quantidade de material
mais manejável.1
●​ Amostra Final: A amostra final é a porção de material que é efetivamente enviada para o
laboratório para a realização dos ensaios físicos ou químicos. Ela é derivada da amostra
primária através de uma ou mais etapas de preparação e redução de massa. A amostra
 final deve ter uma massa e uma granulometria adequadas aos requisitos do método
analítico, sendo tipicamente da ordem de gramas a poucos quilogramas.1

O fluxo geral do processo pode ser visualizado como uma pirâmide invertida de massa: Lote
Incrementos Amostra Primária Amostra Final.1

3.2. O Processo de Preparação: Da Cominuição à Secagem

A transição da amostra primária para a amostra final não é direta e requer uma série de
etapas de preparação. Estas etapas têm como objetivo adequar as características físicas da
amostra para permitir uma subsequente redução de massa que seja representativa.1
●​ Cominuição (Britagem e Moagem): Esta é a operação de redução do tamanho das
partículas da amostra. A cominuição é talvez a etapa mais crítica na preparação. A teoria
da amostragem, particularmente o conceito de Erro Fundamental de Gy, demonstra que
a massa mínima necessária para uma amostra ser representativa é diretamente
proporcional ao cubo do diâmetro da maior partícula. Portanto, para reduzir a massa da
amostra de forma segura (ou seja, sem introduzir um erro inaceitável), é imperativo
primeiro reduzir o tamanho das suas partículas.
●​ Secagem: Muitas análises químicas requerem que a amostra esteja seca, ou com um
teor de umidade conhecido, para garantir que os resultados sejam consistentes e
comparáveis. A secagem é realizada em estufas a temperaturas controladas para
remover a umidade sem alterar quimicamente a amostra.
●​ Transferência: Cada vez que o material é movido, há um risco de perda de finos (poeira)
ou contaminação. Protocolos de preparação de amostras devem especificar
procedimentos cuidadosos de transferência para minimizar estes erros.

3.3. Homogeneização e Quarteamento: Princípios para a Redução de

Massa Representativa

Após a preparação física adequada (principalmente a cominuição), a amostra está pronta

para a redução de massa. Este processo é realizado através de operações de
homogeneização e quarteamento.1
●​ Homogeneização: Esta operação visa obter uma distribuição uniforme dos constituintes
da amostra, minimizando a heterogeneidade de distribuição.1 Se partículas de diferentes
tamanhos, densidades ou teores estiverem segregadas na amostra, qualquer tentativa
 de subdivisão resultará em sub-amostras não representativas. A homogeneização pode
ser alcançada por vários métodos de mistura, como rolar a amostra sobre uma lona ou
passá-la repetidamente por um quarteador.
●​ Quarteamento (ou Divisão de Amostra): Esta é a operação de redução da quantidade
de massa de uma amostra.1 O princípio fundamental do quarteamento correto é que ele
deve dar a cada partícula na amostra original uma chance igual de ser incluída na
sub-amostra final. Existem vários métodos para realizar o quarteamento, que vão desde
técnicas manuais, como o cone-quarteamento, até dispositivos mecânicos, como o
quarteador Jones.

O elo entre estas etapas revela um princípio central da amostragem correta: cada estágio de
redução de massa deve ser precedido por um estágio de redução de tamanho de partícula
apropriado. É impossível, por exemplo, extrair representativamente uma amostra de 100
gramas de uma amostra primária de 1 tonelada com partículas de 10 cm de diâmetro. O
protocolo correto exigiria uma sequência de etapas: britar a tonelada para 1 cm, quartear
para obter 50 kg, moer os 50 kg para 1 mm, e então quartear novamente para obter a amostra
final de 100 gramas. Este ciclo de Cominuição -> Homogeneização -> Quarteamento é a
espinha dorsal de todos os protocolos de preparação de amostras cientificamente válidos.

Seção 4: Metodologias e Técnicas de Coleta e

Subdivisão

A implementação prática dos princípios de amostragem requer o uso de metodologias e

equipamentos específicos, adaptados à fase do material (sólido ou polpa) e à escala da
operação (campo, planta ou laboratório). A escolha e a correta utilização da técnica de
amostragem e subdivisão são cruciais para minimizar os erros e garantir a representatividade.
As técnicas variam em complexidade, custo e susceptibilidade a erros, exigindo uma análise
criteriosa para a sua seleção.

4.1. Amostragem de Polpas (Slurries): O Quarteador Cônico Rotativo

A amostragem de polpas — suspensões de partículas sólidas em um líquido, tipicamente

água — é comum em usinas de beneficiamento mineral, especialmente em circuitos de
moagem e flotação. A natureza fluida da polpa apresenta desafios únicos, principalmente a
tendência das partículas mais densas ou maiores de sedimentar, criando uma forte
segregação vertical e horizontal no fluxo.

O documento de referência descreve um dispositivo eficaz para a subdivisão de amostras de

polpa: o quarteador de polpa, também conhecido como divisor rotativo de polpa.1 O seu
design é concebido para superar os problemas de segregação e garantir uma divisão
representativa 1:
1.​ Cilindro de Alimentação com Agitador: A amostra de polpa é contida num cilindro
superior equipado com um agitador. A função do agitador é manter as partículas em
suspensão constante, garantindo que a polpa que sai do cilindro seja homogênea no
tempo.1
2.​ Válvula de Descarga Cônica: A base do cilindro termina num cone com uma válvula.
Quando aberta, a válvula permite que a polpa flua para baixo de forma controlada.1
3.​ Disco Giratório com Repartições: O fluxo de polpa incide sobre o centro de um disco
giratório que possui múltiplas repartições radiais (cortadores). À medida que o disco
gira, cada repartição corta a totalidade do fluxo de polpa por um breve instante. Este
mecanismo garante que cada fração coletada seja uma composição de múltiplas
secções transversais do fluxo, minimizando os erros de ponderação e integração.1
4.​ Coleta de Frações: Cada repartição constitui uma fração (uma sub-amostra) do
quarteamento. Para obter uma amostra final com uma razão de divisão específica, as
frações de repartições diametralmente opostas podem ser combinadas, o que ajuda a
anular quaisquer pequenas assimetrias no sistema.1

Este tipo de amostrador é considerado um dos métodos mais precisos e menos enviesados
para a subdivisão de polpas, pois automatiza a coleta de múltiplos incrementos ao longo de
todo o volume da amostra.

4.2. Técnicas Manuais para Sólidos: Análise Comparativa

Para materiais sólidos particulados, especialmente em laboratório ou em situações de campo

onde amostradores mecânicos não estão disponíveis, várias técnicas manuais são
empregadas. Embora sejam de baixo custo, estas técnicas são altamente dependentes da
habilidade e do cuidado do operador e, portanto, mais propensas a erros.

4.2.1. O Método da Pilha Alongada (Long Pile)

Esta técnica visa transformar uma pilha tridimensional, propensa à segregação, numa forma
pseudo-unidimensional para facilitar a amostragem.1 O procedimento é o seguinte:
1.​ Construção: O material é distribuído sobre uma superfície limpa (lona ou chão) para
formar uma pilha longa e estreita. A pilha é construída em camadas, depositando o
material primeiro num sentido (da esquerda para a direita) e depois no sentido oposto
(da direita para a esquerda), sobrepondo as camadas. Este processo ajuda a distribuir a
heterogeneidade ao longo do comprimento da pilha.1
2.​ Retomada das Extremidades: A segregação por rolamento tende a concentrar
partículas maiores nas extremidades da pilha. Para corrigir isso, o material das
extremidades é coletado com uma pá e redistribuído uniformemente sobre o topo da
pilha.1
3.​ Divisão e Seleção: Com a pilha pronta, ela é dividida visualmente em segmentos
transversais, usando a largura de uma pá como medida. Os segmentos são então
numerados sequencialmente. A amostra é formada coletando-se segmentos alternados
(por exemplo, todos os segmentos pares para uma metade e todos os ímpares para a
outra).1 É crucial que cada pá coletada remova toda a seção transversal do segmento, da
base ao topo, para evitar erros de extração.

4.2.2. O Método do Cone-Quarteamento (Cone and Quartering)

Este é um dos métodos manuais mais antigos e conhecidos para a redução de amostras.16 A
sua eficácia depende criticamente da formação de uma pilha perfeitamente simétrica para
neutralizar os efeitos da segregação.1
1.​ Formação do Cone: O material é despejado lentamente num único ponto, permitindo
que forme uma pilha cônica. Idealmente, o material deve ser despejado a partir do
vértice de um segundo cone (como um funil) para garantir que a alimentação seja central
e simétrica.1 A segregação faz com que as partículas maiores rolem para a base e as
finas se concentrem no centro. Uma pilha simétrica resulta numa segregação
radialmente simétrica.
2.​ Achatamento e Divisão: O vértice do cone é então achatado para criar um cone
truncado. A pilha é dividida em quatro quadrantes iguais com duas linhas que se cruzam
no centro, formando um "X".1
3.​ Seleção: Dois quadrantes diametralmente opostos são selecionados para formar a
amostra, enquanto os outros dois são descartados. A seleção de quadrantes opostos é
fundamental, pois, teoricamente, anula o viés da segregação radial (um quadrante terá
uma porção do centro rico em finos e da borda rica em grossos, e o quadrante oposto
terá a mesma distribuição).1 Se uma redução maior for necessária, o processo é repetido
com o material selecionado.1
4.3. Técnicas Mecanizadas para Sólidos: O Quarteador Jones (Riffle
Splitter)

O quarteador tipo Jones, ou divisor de rifles, é um equipamento simples e amplamente

utilizado para a subdivisão de amostras secas e de fluxo livre em laboratório.1 Ele oferece uma
melhoria significativa em relação aos métodos manuais, pois reduz a subjetividade do
operador.15
1.​ Design: O equipamento consiste numa série de calhas paralelas e inclinadas, com
inclinações alternadas para a esquerda e para a direita. O número de calhas deve ser
par. Duas bandejas coletoras são posicionadas sob as saídas das calhas.1
2.​ Parâmetros Críticos: Para um funcionamento correto, a largura de cada calha deve ser
pelo menos três vezes o diâmetro da maior partícula na amostra. Isto evita o
entupimento e o "ponteamento" de partículas, que introduziriam um viés significativo.
Um maior número de calhas aumenta a aleatoriedade e a confiabilidade da divisão.1
3.​ Operação: A amostra a ser dividida é despejada uniformemente ao longo de toda a
largura da entrada do quarteador. O material flui pelas calhas e é dividido em duas
metades aproximadamente iguais, que são coletadas nas bandejas. O operador deve
alimentar o material a uma taxa controlada para evitar sobrecarregar as calhas. Uma das
metades é selecionada (geralmente de forma aleatória) para a próxima etapa, e o
processo pode ser repetido até que a massa desejada da amostra seja alcançada.

A tabela a seguir resume e compara as características chave destes métodos de

quarteamento de sólidos.

Tabela 4.1:
Análise
Comparativ
a de
Métodos de
Quarteame
nto de
Sólidos

Método Princípio Aplicabilid Vantagens Desvantag Principais

de ade ens Fontes de
Funcionam Erro
ento
Pilha Transforma Campo e Baixo Trabalhoso; Erro de
Alongada ção de uma laboratório; custo; pode alta extração
pilha 3D grandes manusear dependênci (se a pá
para 1D volumes de grandes a da não coletar
para material. quantidade técnica do a seção
amostrage s. operador; completa);
m demorado. segregação
sistemática residual;
de viés do
segmentos operador.
transversais
.

Cone-Quar Neutralizaç Campo e Baixo Extremame Erro de

teamento ão da laboratório; custo; nte sensível delimitação
segregação materiais conceitual à (divisão
radial com boa mente habilidade imprecisa
através da fluidez. simples. do dos
divisão de operador quadrantes
uma pilha em formar ); forte viés
cônica uma pilha se a pilha
simétrica. perfeitame for
nte assimétrica;
simétrica. segregação
.

Quarteado Divisão Laboratório Rápido; Requer Erro de

r Jones mecânica ; amostras reprodutível limpeza delimitação
do fluxo de secas e de ; reduz cuidadosa (se a
material em fluxo livre. significativa para evitar largura da
múltiplas mente o contaminaç calha for
pequenas viés do ão; limitado inadequada
correntes operador a materiais ); erro de
alternadas. em secos; a extração
comparaçã largura da (se a
o com calha limita alimentaçã
métodos o tamanho o não for
manuais. máximo da uniforme);
partícula. perda de
finos
(poeira).
Seção 5: A Teoria dos Erros de Amostragem: Uma
Classificação Sistemática

A Teoria da Amostragem (TOS) de Pierre Gy fornece um arcabouço abrangente e sistemático

para a identificação e o controle de todos os erros que podem ocorrer durante um protocolo
de amostragem. A premissa central de Gy é que a representatividade só pode ser alcançada
através da compreensão e mitigação de cada fonte de erro individual. A sua taxonomia
decompõe o Erro Total de Amostragem em componentes que podem ser analisados,
quantificados e, em muitos casos, eliminados ou minimizados através de práticas corretas de
amostragem. Esta abordagem de "dividir para conquistar" transforma a amostragem de uma
arte imprecisa numa ciência rigorosa.11

5.1. O Erro Total de Amostragem (): Desdobramento em Componentes

O Erro Total de Amostragem () é a diferença entre o teor da amostra final e o teor verdadeiro
(e geralmente desconhecido) do lote original. Gy propôs uma equação fundamental que
divide este erro total em duas categorias principais 1:

Onde:
●​ é o Erro de Amostragem Propriamente Dita, que engloba os erros que ocorrem
durante o ato físico de extrair os incrementos do lote.
●​ é o Erro de Preparação da Amostra, que inclui os erros introduzidos após a coleta da
amostra primária, durante as etapas de manuseio, cominuição e subdivisão.

Esta divisão é crucial porque separa os erros relacionados à interação com o lote original
daqueles relacionados ao manuseio subsequente da amostra. Cada um destes erros pode ser
ainda classificado pela sua natureza: erros sistemáticos, que introduzem um vício (bias),
deslocando consistentemente o resultado numa direção; e erros aleatórios, que introduzem
imprecisão (variance), aumentando a dispersão dos resultados. O objetivo de um protocolo
de amostragem correto é eliminar todos os vícios e minimizar a imprecisão a um nível
aceitável.
5.2. Erros de Preparação (): Contaminação, Perdas e Alterações

Os erros de preparação são aqueles que ocorrem no ambiente controlado do laboratório ou

da sala de preparação de amostras. Embora a amostra primária possa ter sido coletada
corretamente, ela ainda pode se tornar não representativa devido a um manuseio
inadequado. O documento de referência classifica estes erros da seguinte forma 1:
●​ - Perda de partículas pertencentes à amostra: Este erro ocorre quando parte da
amostra é perdida durante o manuseio. Um exemplo clássico é a perda de poeira fina e
rica em minerais durante a britagem ou o peneiramento. Como os finos frequentemente
têm uma composição diferente do material grosseiro, esta perda introduz um vício.
●​ - Contaminação da amostra por material estranho: Este é o erro oposto à perda,
onde material que não pertence à amostra é adicionado a ela. A contaminação cruzada
entre amostras devido à limpeza inadequada de equipamentos (britadores, moinhos,
quarteadores) é a causa mais comum.
●​ - Alteração não intencional da característica de interesse: A composição química ou
física da amostra pode ser alterada após a coleta. Por exemplo, amostras de sulfetos
podem oxidar se expostas ao ar por muito tempo, alterando a sua mineralogia e a
resposta a processos de beneficiamento. A absorção ou perda de umidade também se
enquadra nesta categoria.
●​ - Erros não intencionais do operador: Estes são erros humanos, como a troca de
etiquetas de amostras, a mistura de subamostras de lotes diferentes ou erros de
transcrição de dados.
●​ - Alteração intencional da característica de interesse: Este erro refere-se à fraude,
onde a amostra é deliberadamente alterada para produzir um resultado enganoso. Um
exemplo histórico é o "salting" de amostras, onde material de alto teor é adicionado para
inflar artificialmente o valor de um depósito.

5.3. Erros de Amostragem Propriamente Dita (): Uma Análise

Detalhada

Estes são os erros mais complexos e fundamentais, pois estão ligados à heterogeneidade do
material e à interação do equipamento de amostragem com o lote. A teoria de Gy identifica
sete erros nesta categoria.1
●​ - Erro de Ponderação: Este erro ocorre quando partes do lote não têm a mesma
probabilidade de serem amostradas devido a variações na vazão ou densidade do
material. Por exemplo, ao amostrar um fluxo numa correia transportadora, se o
amostrador se move a uma velocidade constante, mas a quantidade de material na
 correia varia, as porções mais carregadas da correia serão sub-representadas na
amostra, introduzindo um vício.1
●​ - Erro de Integração: Este erro surge da heterogeneidade de distribuição do material a
longo prazo. Se a qualidade do lote flutua ao longo do tempo (por exemplo, o teor de
minério vindo da mina varia a cada hora), e a frequência de coleta de incrementos é
muito baixa, a amostra composta não capturará adequadamente estas flutuações,
resultando num erro aleatório elevado.1
●​ - Erro de Periodicidade: Um tipo especial e perigoso do erro de integração. Ocorre
quando a frequência de amostragem coincide com uma variação cíclica ou periódica na
qualidade do material. Por exemplo, se um equipamento no processo tem um ciclo de 15
minutos que afeta o teor, e a amostragem é feita a cada 15 minutos, as amostras podem
consistentemente capturar apenas os picos ou os vales do ciclo, introduzindo um vício
severo.1
●​ - Erro de Segregação: Este erro é causado pela heterogeneidade de distribuição
localizada, devido à segregação de partículas por tamanho, forma ou densidade.
Quando se amostra uma pilha estática, por exemplo, as partículas grossas tendem a
rolar para a base e as finas a se concentrar no centro. Se a pá de amostragem coleta
material apenas da superfície, a amostra será enviesada em favor das partículas que se
concentram naquela região.1
●​ - Erro de Delimitação: Este é um erro puramente geométrico, causado pelo design
incorreto do amostrador. Para um amostrador de corte transversal numa correia, por
exemplo, as bordas do cortador devem ser paralelas e ele deve cortar o fluxo
perpendicularmente. Se o design for incorreto (por exemplo, um cortador radial), ele não
extrairá uma seção transversal correta do fluxo, dando a diferentes partes do fluxo
probabilidades desiguais de serem amostradas e criando um vício.1
●​ - Erro de Extração: Este erro ocorre quando um amostrador com um design correto é
operado de forma incorreta. Exemplos incluem mover um cortador transversal a uma
velocidade não constante através do fluxo, ou permitir que partículas ricocheteiem para
fora do amostrador durante a coleta. A escolha de pontos de coleta não representativos
também se enquadra aqui.1
●​ - O Erro Fundamental (): Este é o único erro que nunca pode ser eliminado, apenas
minimizado. Ele resulta da heterogeneidade de constituição do material, ou seja, do fato
de que as partículas individuais que compõem o lote não são idênticas. Mesmo que
todas as outras fontes de erro sejam zeradas (uma amostragem "perfeita"), a amostra
coletada ainda terá um teor ligeiramente diferente do lote devido à aleatoriedade de
quais partículas foram incluídas. O FSE é um erro aleatório (afeta a precisão) e a sua
variância é inversamente proporcional à massa da amostra e diretamente proporcional
ao cubo do tamanho da maior partícula.1

A tabela a seguir sistematiza esta taxonomia, fornecendo um guia prático para a identificação
e mitigação de cada erro.
Tabela 5.1:
Taxonomia
Completa
dos Erros
de
Amostrage
m Segundo
a Teoria de
Pierre Gy

Código do Nome do Categoria Natureza Causa Raiz Estratégia

Erro Erro (Descrição de
Física) Mitigação

Erros de Preparação Vício/Aleató Perdas, Protocolos

Preparação rio contaminaç rigorosos
ão, de limpeza,
alterações, manuseio e
erros etiquetage
humanos. m; controle
ambiental.

Erro de Amostrage Vício Vazão ou Amostrador

Ponderação m densidade es que
não coletam
uniforme incremento
do material s
no ponto proporcion
de ais à
amostrage massa;
m. controle de
fluxo.

Erro de Amostrage Aleatório Flutuações Aumentar a

Integração m de frequência
qualidade a de coleta
longo prazo de
não incremento
capturadas s
pela (amostrage
amostrage m
 m. sistemática
).

Erro de Amostrage Vício Frequência Usar uma

Periodicida m de frequência
de amostrage de
m amostrage
sincronizad m aleatória
a com ou
variações estratificad
cíclicas do a-aleatória.
processo.

Erro Amostrage Aleatório Heterogene Aumentar a

Fundament m idade de massa da
al constituiçã amostra;
o intrínseca reduzir o
do material tamanho da
(diferenças partícula
entre (cominuiçã
partículas). o) antes da
amostrage
m.

Erro de Amostrage Vício Distribuição Amostrar o

Segregaçã m não material
o uniforme de enquanto
partículas ele está em
devido a movimento;
diferenças usar
de técnicas de
tamanho, homogenei
forma ou zação.
densidade.

Erro de Amostrage Vício Geometria Projetar e

Delimitação m incorreta instalar
do amostrador
dispositivo es que
de sigam os
amostrage princípios
 m. de
amostrage
m correta
(e.g.,
cortadores
de secção
transversal
completa).

Erro de Amostrage Vício Operação Treinament

Extração m incorreta o de
de um operadores
amostrador ;
com design automação;
correto. manutençã
o adequada
do
equipament
o.

Seção 6: Avaliação da Qualidade e Desempenho da

Amostragem

Após a implementação de um protocolo de amostragem, é essencial avaliar o seu

desempenho para garantir que os resultados gerados são confiáveis. A qualidade de um
processo de amostragem não é um conceito absoluto, mas sim quantificável através de
métricas estatísticas que descrevem a relação entre os valores medidos nas amostras e o
valor verdadeiro do lote. Os conceitos de vício, precisão e acurácia são os pilares desta
avaliação, permitindo diagnosticar problemas específicos no protocolo e orientar ações de
melhoria. As ilustrações gráficas apresentadas no documento de referência fornecem uma
maneira intuitiva e poderosa de compreender estas métricas.1

6.1. Vício (Bias): O Desvio Sistemático do Valor Real

O vício, ou erro sistemático, é a medida da tendência de um processo de amostragem de
superestimar ou subestimar consistentemente o valor verdadeiro da característica de
interesse.1 É definido como a diferença entre a média de um grande número de medições de
amostras e o valor real do lote. Um processo de amostragem enviesado pode ser altamente
repetível, mas produzirá resultados que estão consistentemente errados.24

Graficamente, o vício é representado por um deslocamento do centro da distribuição de

frequência dos resultados da amostra em relação ao valor real.1 Se o valor real de um lote é
de 10% e a média dos resultados de amostragem é de 11%, existe um vício positivo de 1%. O
vício é a mais perniciosa das falhas de amostragem, pois não pode ser reduzido pela simples
repetição da amostragem ou pelo aumento do número de amostras. Ele indica uma falha
fundamental no método ou no equipamento. Na taxonomia de Gy, erros como o de
Delimitação (), Extração () e Segregação () são as principais fontes de vício. A eliminação do
vício é a primeira e mais importante meta de um protocolo de amostragem correto.

6.2. Precisão (Precision): A Dispersão e Repetibilidade das Medidas

A precisão refere-se ao grau de concordância entre medições repetidas, ou seja, a dispersão

dos resultados em torno da sua própria média.1 Um processo de amostragem preciso produz
resultados que são muito próximos uns dos outros, independentemente de estarem ou não
próximos do valor real. A precisão é uma medida de repetibilidade e está associada aos erros
aleatórios do processo.24

Graficamente, a precisão é representada pela largura da distribuição de frequência dos

resultados.1 Uma distribuição estreita e alta indica alta precisão (baixa dispersão), enquanto
uma distribuição larga e achatada indica baixa precisão (alta dispersão). A medida estatística
da precisão é a variância ou o seu desvio padrão (). A principal fonte de imprecisão (baixa
precisão) num protocolo de amostragem que já está livre de vícios é o Erro Fundamental (). Se
a massa da amostra for muito pequena para a granulometria do material, o Erro Fundamental
será grande, resultando numa baixa precisão. A precisão pode ser melhorada aumentando a
massa da amostra ou reduzindo o tamanho das partículas.

6.3. Acurácia (Accuracy): A Síntese de Baixo Vício e Alta Precisão

A acurácia é o conceito que combina vício e precisão. Ela descreve a proximidade de uma
única medição ao valor verdadeiro.1 Para que um processo de amostragem seja considerado
acurado, ele deve ser simultaneamente preciso e não enviesado. A acurácia é o objetivo final
de qualquer processo de medição, incluindo a amostragem.24

Os diagramas apresentados no documento de referência ilustram de forma excelente as

quatro combinações possíveis de vício e precisão e o seu impacto na acurácia 1:
1.​ Alto Vício e Baixa Precisão (Baixa Acurácia): Os resultados estão, em média, longe do
valor real e também muito dispersos. Este é o pior cenário, indicando falhas sistemáticas
e grandes erros aleatórios no protocolo.1
2.​ Baixo Vício e Baixa Precisão (Baixa Acurácia): Os resultados estão centrados em
torno do valor real, mas estão muito dispersos. O protocolo é imparcial, mas não
confiável para uma única medição devido à alta variabilidade aleatória. A causa provável
é um Erro Fundamental elevado.1
3.​ Alto Vício e Alta Precisão (Baixa Acurácia): Os resultados são muito consistentes e
repetíveis, mas estão consistentemente errados. Isto aponta para um erro sistemático
bem definido, como um amostrador mal projetado que opera de forma muito
consistente.1
4.​ Baixo Vício e Alta Precisão (Alta Acurácia): Os resultados estão, em média, corretos e
estão firmemente agrupados em torno do valor real. Este é o estado ideal, indicando que
tanto os erros sistemáticos quanto os aleatórios foram efetivamente controlados.1

Esta análise diagnóstica é extremamente poderosa na prática. Ao realizar experimentos de

amostragem duplicada ou comparar os resultados com um método de referência, é possível
caracterizar o desempenho de um protocolo em termos de vício e precisão. Cada um dos
quatro estados aponta para um conjunto diferente de causas prováveis (conforme a
taxonomia de erros de Gy), permitindo uma abordagem direcionada e eficaz para a solução
de problemas e otimização do protocolo de amostragem.

6.4. Análise Gráfica e Níveis de Confiança

A distribuição normal, ou curva de Gauss, é o modelo estatístico frequentemente utilizado

para descrever a distribuição dos resultados de amostragem quando os erros são de
natureza aleatória.1 A média () da distribuição representa o valor estimado, enquanto o desvio
padrão () quantifica a sua precisão.

O desvio padrão permite-nos definir intervalos de confiança em torno da média. Um intervalo

de confiança é uma faixa de valores dentro da qual se espera que o valor verdadeiro do lote
se encontre, com um determinado nível de probabilidade. As regras empíricas para a
distribuição normal são 1:
●​ Aproximadamente 68% dos resultados estarão dentro de da média.
 ●​ Aproximadamente 95% dos resultados estarão dentro de da média.
●​ Aproximadamente 99.7% dos resultados estarão dentro de da média.

Esta relação demonstra uma troca fundamental: para se ter maior confiança de que o
intervalo contém o valor verdadeiro, o intervalo precisa ser mais largo. Mais importante ainda,
ela mostra que a precisão () tem um impacto direto na incerteza do resultado. Um protocolo
de amostragem com alta precisão terá um pequeno, resultando num intervalo de confiança
estreito para um dado nível de confiança. Por outro lado, um protocolo de baixa precisão (
grande) resultará num intervalo de confiança tão largo que o resultado pode ser de pouca
utilidade prática para a tomada de decisão. A quantificação da precisão é, portanto, essencial
para entender e comunicar a incerteza associada a qualquer resultado de amostragem.

Seção 7: Da Amostra à Decisão: Aplicação Prática na

Indústria de Minério de Ferro

A culminação de toda a teoria e prática da amostragem reside na sua aplicação para a

tomada de decisões que têm consequências econômicas diretas. A indústria de minério de
ferro, que lida com grandes volumes de material e especificações de qualidade rigorosas,
serve como um excelente estudo de caso para ilustrar como os conceitos de
representatividade, erro, precisão e acurácia se traduzem em valor financeiro. O cenário
apresentado nos materiais de referência encapsula este elo entre a ciência da amostragem e
a gestão de negócios.1

7.1. Estudo de Caso: Análise de um Lote de

Considere um cenário operacional onde um produtor de minério de ferro precisa decidir o

destino de um lote de produção recém-criado. O principal parâmetro de qualidade é o teor de
óxido de ferro (). Com base neste teor, existem três decisões possíveis, cada uma com um
impacto econômico distinto 1:
●​ Vender: Se o teor de for maior ou igual a 93%, o material atende às especificações de
alto teor e pode ser vendido diretamente, maximizando a receita imediata.
●​ Concentrar: Se o teor de estiver entre 60% e 93%, o material é considerado de baixo
teor e deve passar por um processo de beneficiamento adicional (concentração) para
elevar o seu teor antes da venda. Esta opção incorre em custos de processamento e
atrasa a receita.
 ●​ Estocar: Se o teor de for inferior a 60%, o material pode ser considerado marginal ou
estéril e enviado para uma pilha de estoque de longo prazo, possivelmente para ser
misturado (blendado) com material de maior teor no futuro.

A decisão sobre qual caminho seguir depende inteiramente do teor do lote. No entanto, o teor
verdadeiro do lote é desconhecido. A única informação disponível é o resultado da análise de
uma amostra retirada desse lote. O processo de inferência estatística, onde as propriedades
da amostra são usadas para estimar as propriedades do lote, está no cerne desta decisão.1

7.2. Inferência Estatística e o Impacto da Precisão

O resultado de uma amostragem não deve ser visto como um número único e definitivo, mas
sim como uma estimativa acompanhada de uma incerteza. Esta incerteza é diretamente
governada pela precisão do protocolo de amostragem. O gráfico apresentado no documento
de referência ilustra este ponto de forma crítica, mostrando duas distribuições de frequência
para o teor estimado de .1 Ambas as distribuições podem ter a mesma média (o mesmo valor
estimado), mas diferem drasticamente na sua dispersão (precisão).
●​ A curva "Normal (1000)" é estreita e alta, representando um protocolo de amostragem
de alta precisão (baixa variância).
●​ A curva "Normal (100)" é larga e achatada, representando um protocolo de baixa
precisão (alta variância).

O impacto desta diferença de precisão na tomada de decisão é profundo. Imagine que o teor
verdadeiro do lote seja 92.5%, muito próximo do limiar de decisão de 93%.
●​ Com o protocolo de alta precisão, a maioria dos resultados de amostragem se agrupará
firmemente em torno de 92.5%. Haverá uma probabilidade muito baixa de que uma
amostra aleatória produza um resultado acima de 93%. A decisão correta ("Concentrar")
será tomada na grande maioria das vezes.
●​ Com o protocolo de baixa precisão, os resultados da amostragem estarão muito mais
dispersos. Embora a média ainda seja 92.5%, haverá uma probabilidade significativa de
que uma única amostra retorne um valor acima de 93% (levando à decisão incorreta de
"Vender") ou um valor muito abaixo (por exemplo, 88%), talvez até mesmo levando à
decisão de "Estocar".

A precisão do protocolo de amostragem, portanto, determina o risco de misclassificação do

material, especialmente para lotes cujos teores verdadeiros estão próximos dos limiares de
decisão.
7.3. Critérios de Decisão e o Impacto Econômico da Amostragem
Correta

A análise final revela a conexão direta entre a precisão estatística e o resultado financeiro. A
misclassificação de um lote de minério devido a uma amostragem de baixa precisão acarreta
custos tangíveis:
●​ Erro Tipo 1 (Falso Positivo): Classificar um lote de baixo teor (e.g., 92.5%) como sendo
de alto teor (resultado da amostra > 93%).
○​ Consequência: O material é vendido como produto premium, mas não atende às
especificações. Isto pode resultar em penalidades contratuais, rejeição do lote pelo
cliente, custos de reprocessamento e, mais importante, danos à reputação do
fornecedor.
●​ Erro Tipo 2 (Falso Negativo): Classificar um lote de alto teor (e.g., 93.5%) como sendo
de baixo teor (resultado da amostra < 93%).
○​ Consequência: O material, que poderia ter sido vendido diretamente, é enviado para
a concentração. Isto incorre em custos operacionais desnecessários (energia, água,
reagentes), perdas metalúrgicas inerentes ao processo de concentração (nenhum
processo tem 100% de recuperação) e atraso na geração de receita.

Fica evidente que investir num protocolo de amostragem de alta precisão (e, claro, livre de
vício) não é um custo, mas sim um investimento em gestão de risco. Um protocolo robusto,
projetado segundo os princípios de Gy, minimiza a variância dos resultados e,
consequentemente, reduz a probabilidade de tomar decisões economicamente subótimas. A
largura do intervalo de confiança em torno do teor estimado de um lote é uma medida direta
do risco financeiro associado a esse lote. Ao reduzir a incerteza através de uma melhor
amostragem, as empresas podem operar mais perto dos seus limites de especificação com
confiança, otimizando a classificação de produtos, maximizando a receita e garantindo a
satisfação do cliente. A amostragem correta, portanto, deixa de ser uma questão puramente
técnica e se revela como um poderoso motor de eficiência econômica e de criação de valor.

Referências citadas

1.​ Aula 1 - Amostragem (1).pdf

2.​ Amostragem na mineração: entenda o processo essencial para o sucesso da
extração, acessado em outubro 7, 2025,
[Link]
3.​ Georges Matheron, the Father of Geostatistics - UW Statistics - University of
Washington, acessado em outubro 7, 2025,
[Link]
4.​ Georges Matheron - Wikipedia, acessado em outubro 7, 2025,
[Link]
5.​ Georges Matheron (English) - Centre de Géosciences, acessado em outubro 7,
 2025,
[Link]
nglish/
6.​ Georges Matheron (1930{2000), acessado em outubro 7, 2025,
[Link]
7.​ Georges Matheron: Founder of Spatial Statistics in - Earth Sciences History,
acessado em outubro 7, 2025,
[Link]
8.​ Gy's sampling theory - Wikipedia, acessado em outubro 7, 2025,
[Link]
9.​ International Pierre Gy Sampling Association (IPGSA), acessado em outubro 7,
2025, [Link]
10.​Pierre Gy (1924–2015): the key concept of sampling errors | Spectroscopy
Europe/World, acessado em outubro 7, 2025,
[Link]
-key-concept-sampling-errors
11.​ The sampling theory of Pierre Gy: Comparisons, implementation and applications
for environmental sampling - ResearchGate, acessado em outubro 7, 2025,
[Link]
erre_Gy_Comparisons_implementation_and_applications_for_environmental_sam
pling
12.​(PDF) Pierre Gy's development of the Theory of Sampling: a retrospective
summary with a didactic tutorial on quantitative sampling of one-dimensional lots
- ResearchGate, acessado em outubro 7, 2025,
[Link]
f_the_Theory_of_Sampling_a_retrospective_summary_with_a_didactic_tutorial_on
_quantitative_sampling_of_one-dimensional_lots
13.​Vol 2 Guide to [Link] - CCG Server - University of Alberta, acessado em
outubro 7, 2025,
[Link]
ooks/Vol%202%20Guide%20to%[Link]
14.​Mineração - Caracterização Tecnológica de Minérios - Seduc CE, acessado em
outubro 7, 2025,
[Link]
acterizacao_tecnologica_de_minerios.pdf
15.​Relatório TÉCNICA DE QUARTEAMENTO. | PDF | Matéria | Tela de ..., acessado em
outubro 7, 2025,
[Link]
MENTO
16.​PARTE I INTRODUÇÃO - Mineralis, acessado em outubro 7, 2025,
[Link]
[Link]
17.​ANEXO III – Redução de amostra pelo método da pilha cônica, acessado em
outubro 7, 2025,
[Link]
 manual_de_coleta_de_amostras_alimentacao_animal_anexo_iii.pdf
18.​Processamento Mineral - Artigo Sobre Amostragem | PDF | Probabilidade -
Scribd, acessado em outubro 7, 2025,
[Link]
Amostragem
19.​INFLUÊNCIA DO MÉTODO DE QUARTEAMENTO NA REPRESENTATIVIDADE DAS
ALÍQUOTAS DE ROCHAS/MINÉRIO INFLUENCE OF THE QUARTERING METHO -
Confea, acessado em outubro 7, 2025,
[Link]
3%8ANCIA_DO_M%C3%89TODO_DE_QUARTEAMENTO_NA_REPRESENTATIVIDA
DE_DAS_AL%C3%8DQUOTAS_DE_ROCHAS_MIN%C3%[Link]
20.​A Primer for Sampling Solids, Liquids, and Gases | Appendix A: Introduction to
Gy's Seven Sampling Errors - [Link], acessado em outubro 7, 2025,
[Link]
21.​Appendix A: Introduction to Gy's Seven Sampling Errors - GlobalSpec, acessado
em outubro 7, 2025,
[Link]
-gy-s-seven-sampling-errors
22.​CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS
DEPARTAMENTO DE MINAS E CONSTRUÇÃO CIVIL GRADUAÇÃO EM
ENGENHARIA D, acessado em outubro 7, 2025,
[Link]
Ramon_Vinhas_Oliveira_Lima.pdf
23.​Characterizing the intrinsic and the one-dimensional heterogeneities of a niobium
ore based on Pierre Gy's Theory of Sampling - SciELO, acessado em outubro 7,
2025,
[Link]
24.​Acurácia, Precisão e Exatidão - Laboratório Arkad, acessado em outubro 7, 2025,
[Link]
25.​Estudo de Caso sobre Aplicação de um Analisador Químico de Mão no Controle
de Qualidade de Minério de Ferro, acessado em outubro 7, 2025,
[Link]
0b87ddf9085e/content